摘要
复杂涡流中颗粒动力学的精确表征对于理解流动行为及输运机制至关重要。然而，由于传统逐帧手动分析效率低、主观误差大且可扩展性差，从高速运动分析（HSMA）成像实验中提取颗粒的三维（3D）旋转运动参数仍然具有挑战性。本研究提出了一种基于智能成像的感知系统，用于水龙卷涡流场中颗粒自转与公转耦合运动的自动化三维测量。所提出的系统将双正交高速相机与机器学习驱动的处理框架相结合，实现了由颗粒检测、多目标跟踪、运动状态识别及运动学参数计算组成的端到端工作流。为实现在不同成像条件下稳健的颗粒检测，采用混合视角策略训练You Only Look Once版本8（YOLOv8）检测器：Y视角检测器在Y相机数据上训练，X视角检测器在双相机合并数据上训练。随后使用ByteTrack关联连续帧中的颗粒检测结果并生成连续轨迹。在运动状态识别方面，采用EfficientNet-B1对内部颗粒标记的相对位置状态进行分类。此外，引入自注意力生成对抗网络（SAGAN）进行少数类样本生成，以缓解类别不平衡问题并提高分类稳健性。基于提取的轨迹和状态信息，集成运动学模型自动估算颗粒公转和自转速度。实验结果表明，所提出的YOLOv8检测器取得了可靠的检测性能，在交并比（IoU）阈值为0.5时的平均精度均值（mAP@0.5）在两个成像视角下分别为79.84%和71.62%。YOLOv8-ByteTrack联合框架的高阶跟踪精度（HOTA）和多目标跟踪精度（MOTA）分别为63.791和90.49。经SAGAN数据增强后，EfficientNet-B1的分类准确率从98.62%提升至99.54%。系统级验证选取60余条随机颗粒轨迹，结果显示公转速度的平均测量精度为97.59%，自转速度的平均测量精度为91.8%，同时将每条轨迹的处理时间从手动操作的600秒以上缩短至11.1秒。所提出的机器学习辅助颗粒三维运动感知系统为复杂流动成像条件下颗粒运动学信息的自动化提取提供了高效可靠的解决方案，为多相流系统的智能监测和机理分析提供了新的机遇。
