Robust image segmentation for feature extraction from internal combustion engine in-cylinder images
Notice bibliographique
Résumé
Abstract In-cylinder imaging diagnostics for internal combustion engines provide rich information on the structure and evolution of reaction zone features, which affect both engine out emissions and efficiency. However, the most common analysis of in-cylinder combustion luminosity imaging considers ensemble averaged images, which are not suitable for characterizing processes that vary significantly between cycles, such as ignition and soot formation and oxidation. Here, a robust image segmentation algorithm is presented for feature extraction from single-cycle in-cylinder combustion images and is used with a ‘combination of interpretations’ (COI) approach to analyze OH*-chemiluminescence imaging of premixed and non-premixed natural gas combustion modes in an optically-accessible reciprocating engine. Dynamic thresholding and region size filtering are combined with watershed segmentation to create a parameterized adaptive watershed (PAW) segmentation algorithm. The fusion of these segmentation methods is novel to combustion imaging and is demonstrated to provide quantified improvement relative to the current state of the art segmentation methods; PAW segmentation provides increased sensitivity for early ignition processes, and more robustly identifies the reaction zones at later stages of combustion. The PAW algorithm requires no adjustment between the two considered combustion modes or for any stage of the combustion process. The reliability of the PAW output enables feature extraction of individual reaction zone location and area from the combustion images using a polar-sector coordinate system for COI analysis. This approach characterizes the cyclic variability of individual fuel jets, identifies coupling of auto-ignition behavior between adjacent reaction zones, and demonstrates systematic errors arising from measurement of auto-ignition in ensemble averaged images. Application of PAW segmentation and the analysis approach presented here can provide more complete characterization of other spatially-resolved internal combustion diagnostics, particularly where there is high process variability, overlapping image regions, or wide signal intensity ranges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».