基于Shearlet的火焰前沿检测
本文提出了一种利用卷积选择自编码器进行燃烧不稳定性早期检测的方法。模型训练过程中，自编码器通过对稳定火焰的选择性屏蔽，提取富含描述性和说明性的火焰特征，从而实现对燃烧过程稳定到不稳定转变时细微的不稳定特征进行检测，这对现代引擎的安全性和性能具有重要的影响。
Mar, 2016
该论文提出了一种基于α-分子构造的多尺度系统中方向敏感的分析函数的对称性特征检测方法，可以稳定地检测到边缘、脊和斑点等物体特征，并且在噪声存在的情况下依然能保持精度和稳健性。作者在论文中还阐明了分析函数的缩放和方向对应的系数如何用于精确刻画局部切线方向、宽度和高度等特征。在对干净和失真合成图像的大量数值实验中验证了该方法的准确性和鲁棒性，并将其与其他先进算法进行了比较。通过在数字视网膜图像中检测和表征血管特征以及在细胞培养基中自动计数细胞菌落的实验进一步证明了该方法的应用价值。
Jan, 2019
通过使用卷积神经网络的机器学习方法，我们提出了一种全自动的测量喷雾法合成纳米颗粒过程中液滴大小的方法，并且通过在大数据集上训练和交叉验证，评估了该方法的性能。
Nov, 2023
机器学习在近年来的机器学习发展中，在各个研究领域，如广泛的火灾检测中带来了好处。然而，小物体检测和罕见物体检测仍然是一个挑战。为了解决这个问题，我们提出了一个可以使用扩散模型生成真实对应数据集的数据集自动机。具体来说，我们引入了一个遮罩引导的扩散框架，可以将野火融合到现有图像中，同时可以精确控制火焰的位置和大小。此外，为了填补特定场景中野火图像数据集缺失的空白，我们通过控制文本提示和输入图像来改变合成图像的背景。此外，为了解决颜色偏差问题或众所周知的领域漂移问题，我们应用CLIP模型来过滤生成的大规模数据集以保持质量。因此，我们提出的框架可以生成一个大规模、高质量且与真实对应的图像数据集，很好地满足了特定任务中对标记数据集的需求。
Mar, 2024
FlameFinder是一个深度度量学习（DML）框架，利用消防员无人机的热像图在野火监测过程中准确检测烟火，即使被烟雾遮挡。它通过使用配对的热-RGB图像进行训练来解决传统RGB相机在这种条件下的困难，并利用等效热域分布来分析被烟雾遮挡的火焰特征，从而提高了性能。该框架结合了火焰分割方法和DML辅助检测框架，通过引入注意机制和不同损失函数，改进了模型的性能和可解释性。在未被遮挡的火焰检测准确性方面，该模型超过了FLAME2数据集的基线4.4％和FLAME3数据集的基线7％，与VGG19、ResNet18和其他针对火焰检测设计的三个骨干模型相比，在被遮挡的场景中展示出更好的类别分离效果。
Apr, 2024
我们提出了EngineBench，这是第一个以高质量实验数据为基础的机器学习（ML）导向数据库，用于研究燃烧机械内的湍流流动。通过使用实际世界的粒子图像测速（PIV）数据，EngineBench捕捉了特殊设计的光学发动机中的湍流气流模式。我们还提出了一种新颖的修复任务，使用随机边缘缺口的修复技术来突出PIV图像边缘处的遮挡。我们发现UNet模型在这一任务上比行业常用的非参数方法和上下文编码器更准确。本文章提供的数据集和修复任务支持开发更通用的预训练ML模型用于发动机设计问题，并允许更明智地选择实验流动诊断问题的ML模型。所有数据和代码都可以在给定的链接地址公开获取。
Jun, 2024
提出了FlamePINN-1D框架，结合燃烧系统的控制方程与机器学习方法解决一维层流火焰的正向和逆向问题，并通过实验证实了该框架对各种火焰及工况的有效性以及优于传统方法的特点。
Jun, 2024
本研究针对日益严重的野火问题，提出了一种有效隔离和跟踪火焰及烟羽行为的方法，旨在填补火灾传播模型的漏洞。该方法结合了图像分割和图论，能够在不同空间和时间尺度及图像类型中准确识别火焰和烟羽。研究结果显示，该方法成功地在不同图像源中实现了火焰和烟羽动态的隔离和跟踪，为模型的开发和验证提供了有价值的见解。
Aug, 2024