機械学習支援による渦流場における粒子の3次元自己回転・公転運動の計測
Machine Learning-Assisted Measurement of Three-Dimensional Particle Self-Rotation and Revolution in Swirling Flow Fields
本研究では、渦流場における粒子の3次元運動(自己回転・公転)を自動計測する機械学習支援型画像センシングシステムを提案する。従来の画像解析手法は、効率が悪く、主観的な誤差が生じやすく、拡張性に乏しいという課題があった。提案システムは、デュアル直交高速度カメラと機械学習処理フレームワークを統合し、粒子検出、マルチオブジェクト追跡、運動状態認識、運動パラメータ計算をエンドツーエンドで行う。粒子検出にはYOLOv8を用い、混合視戦略で学習させた。粒子追跡にはByteTrackを採用し、運動状態認識にはEfficientNet-B1を使用する。クラス不均衡を緩和するためにSAGANによる少数クラスサンプル生成も導入した。実験の結果、提案システムは、手動解析で600秒以上かかっていた処理時間を1軌道あたり11.1秒に短縮し、公転速度の平均計測精度97.59%、自己回転速度の平均計測精度91.8%を達成した。このシステムは、複雑な流体画像条件下での粒子運動情報の自動抽出に効率的かつ信頼性の高いソリューションを提供する。
- 渦流場の粒子の3次元自己回転・公転運動を自動計測する機械学習支援型画像センシングシステムを提案。デュアル直交高速度カメラと機械学習フレームワークを統合し、検出・追跡・運動状態認識・パラメータ計算をエンドツーエンドで処理する。
- 手動解析で600秒以上を要していた処理時間を1軌道あたり11.1秒に短縮し、公転速度97.59%、自己回転速度91.8%の平均計測精度を達成した。
- 粒子検出にYOLOv8を混合視戦略で学習、追跡にByteTrack、運動状態認識にEfficientNet-B1を採用し、クラス不均衡緩和にSAGANによる少数クラスサンプル生成を導入。
学術研究の成果であり直接の投資対象ではないが、YOLOv8・ByteTrack・EfficientNet-B1・SAGANといった既製モデルを組み合わせたマルチモーダル計測パイプラインが、手動600秒超を11.1秒へと大幅短縮し97%超の精度を達成した点は、産業計測・検査分野における画像AI導入のROI改善事例として注目される。汎用モデルの組み合わせで高精度を出す設計は、製造・流体・素材分野の自動計測ソリューションに横展開しやすく、AI画像検査ベンダーの事業機会を示唆する。