[论文解读] Measurement of Hybrid Rocket Solid Fuel Regression Rate for a Slab Burner using Deep Learning

Gabriel Surina|arXiv (Cornell University)|Aug 25, 2021

Rocket and propulsion systems research参考文献 57被引用 16

一句话总结

本研究提出一种U-Net卷积神经网络，用于从高噪声实验图像中自动化测量混合火箭板式燃烧器的燃料烧蚀速率。通过用深度学习替代人工分割，该方法与文献值相比误差低于10%，并利用蒙特卡洛Dropout量化不确定性，展示了在不同氧化剂通量下均具有鲁棒性，且在降噪性能上优于传统图像处理技术。

ABSTRACT

This study presents an imaging-based deep learning tool to measure the fuel regression rate in a 2D slab burner experiment for hybrid rocket fuels. The slab burner experiment is designed to verify mechanistic models of reacting boundary layer combustion in hybrid rockets by the measurement of fuel regression rates. A DSLR camera with a high intensity flash is used to capture images throughout the burn and the images are then used to find the fuel boundary to calculate the regression rate. A U-net convolutional neural network architecture is explored to segment the fuel from the experimental images. A Monte-Carlo Dropout process is used to quantify the regression rate uncertainty produced from the network. The U-net computed regression rates are compared with values from other techniques from literature and show error less than 10%. An oxidizer flux dependency study is performed and shows the U-net predictions of regression rates are accurate and independent of the oxidizer flux, when the images in the training set are not over-saturated. Training with monochrome images is explored and is not successful at predicting the fuel regression rate from images with high noise. The network is superior at filtering out noise introduced by soot, pitting, and wax deposition on the chamber glass as well as the flame when compared to traditional image processing techniques, such as threshold binary conversion and spatial filtering. U-net consistently provides low error image segmentations to allow accurate computation of the regression rate of the fuel.

研究动机与目标

• 自动化2D板式燃烧器图像中燃料边界的手动分割，以提高烧蚀速率测量的效率与可重复性。
• 解决高噪声实验图像中烟灰、凹坑、蜡沉积和火焰干扰导致的图像分割挑战。
• 利用蒙特卡洛Dropout量化深度学习预测中的烧蚀速率不确定性，以提升基于深度学习测量的可靠性。
• 评估U-Net在数据量有限和单色成像条件下的性能，以适应成本受限的实验设置。
• 通过与人工追踪的真值和已发表文献值对比，验证深度学习方法的准确性与一致性。

提出的方法

• 采用U-Net卷积神经网络架构，对2D板式燃烧器实验中RGB和灰度图像中的燃料区域进行语义分割。
• 使用随机梯度下降优化算法，在150对标注图像-掩码数据上训练U-Net模型，数据涵盖四种氧化剂通量条件（5.91–22.19 kg/m²·s），并采用早停策略。
• 在推理阶段应用蒙特卡洛Dropout，以估计烧蚀速率预测的预测不确定性，提供置信区间。
• 将U-Net性能与传统图像处理技术（如基于阈值的二值化分割和空间滤波）进行对比。
• 分别在单一氧化剂通量和合并数据集上训练模型，以评估模型的泛化能力与通量独立性。
• 将RGB图像转换为灰度图像，以评估在烧蚀速率测量中使用低成本单色相机的可行性。

实验结果

研究问题

• RQ1 U-Net深度学习模型能否在高噪声混合火箭燃烧图像中准确分割燃料边界，且优于传统图像处理方法？
• RQ2 U-Net模型的烧蚀速率预测精度与人工追踪真值及已发表文献值相比如何？
• RQ3 模型性能在多大程度上依赖于氧化剂通量？其在不同通量条件下的泛化能力如何？
• RQ4 与传统分割方法相比，U-Net在过滤烟灰、凹坑、蜡沉积和火焰干扰等噪声方面的有效性如何？
• RQ5 当模型在单色图像上进行训练时，能否实现可靠性能？此类低维数据存在哪些局限性？

主要发现

• 与人工追踪真值及文献值相比，U-Net模型的烧蚀速率预测误差低于10%。
• U-Net对图像噪声表现出强鲁棒性，有效过滤了烟灰、凹坑、蜡沉积和火焰干扰，优于基于阈值的分割和空间滤波方法。
• 通过蒙特卡洛Dropout成功量化了模型不确定性，为烧蚀速率预测提供了可靠的置信区间。
• 在所有氧化剂通量数据上联合训练的U-Net模型在所有通量条件下均表现出最低误差（<10−2），且不依赖于氧化剂通量，表明其具备良好的泛化能力。
• 在单色图像上训练导致误差升高，尤其在22.19 kg/m²·s通量条件下，原因在于过饱和和特征细节不足，尽管联合模型仍优于单一通量模型。
• 仅在22.19 kg/m²·s通量数据上训练的网络在自身数据上表现不佳，原因在于图像过饱和，凸显了训练数据图像质量的重要性。