Investigation of microstructure movement under flow by using image processing and deep learning
Akış altındaki mikroyapı deformasyonunun görüntü işleme ve derin öğrenme kullanılarak incelenmesi
- Tez No: 883275
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET CAN ERTEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Kimyasal ve biyolojik sıvıların viskozitesi önemli bir malzeme özelliğidir. Polimerlerin, yağların, boyaların, gıdaların, ilaçların ve diğer malzemelerin viskozitesi, birçok endüstriyel işlemde üretim verimliliğini arttırmak için doğru bir şekilde ölçülmelidir. Bu nedenle, düşük numune hacimleri kullanarak viskoziteyi ölçmek için kolay, hızlı ve düşük maliyetli yöntemlerin geliştirilmesi, endüstriyel ve tıbbi alanda büyük önem taşımaktadır. Geleneksel viskozimetreler normalde ikiye ayrılır: yani, döner ve kılcal viskozimetreler, endüstriyel ve biyolojik uygulamalarda yaygın olarak kullanılmaktadır. Ancak, hantal ve pahalı enstrümantasyon ve operasyonel karmaşıklık genellikle rutin kullanımlarını sınırlar ve daha etkili alternatiflerin geliştirilmesini talep eder. Viskoziteyi ölçmek amacıyla farklı yöntemler geliştirilmiştir. Bir yeni yöntemse, mikroakışkan çiplere yerleştirilen mikrosütunların yer değiştirmesi yoluyla viskoziteyi hesaplama yöntemidır. Bu yöntemde, viskozite ölçümleri yapmadan önce bilinen viskozitelere sahip solüsyonları kullanarak kalibrasyon eğrileri (viskoziteye karşı mikrosütun uç yer değiştirmesi) oluşturmuşlardır. Bunu, sabit akış (kesme) hızlarında 2 ila 100 cP arasında değişen viskozitelere sahip gliserol / su çözeltileri ile deneyler yaparak ve sıvının geçmesi sırasında mikrosütun uçlarının yer değiştirmesini filme alarak yapmışlardır. Çalışmalar, 15 ila 60 ml/saat arasında değişen dört farklı akış hızında gerçekleştirilmiştir. Ardından, viskozitesi bilinmeyen sıvının viskozitesini ölçmek için aynı deney düzeneği kullanılmıştır. Sıvının viskozitesi, videoda kayıt altına alınan mikrosütun uçlarının yer değiştirme miktarları ve daha önce çıkartılan kalibrasyon eğrileri vasıtasıyla tespit edilmiştir. Deney düzeneğinde bir adet ters mikroskop (Nikon Eclipse TS100, Tokyo, Japonya), bir şırınga pompası (PHD Ultra 70-3007, Harvard Apparatus, Holliston, MA), bir CCD kamera (Point Gray Grasshopper3 USB3.0, Richmond, BC, Kanada) ve deneyi filme almak için bir bilgisayar kullanılmaktadır. Şırınga pompası kullanılarak sıvı numuneleri şırıngaya yerleştirilir ve mikroakışkan çipe enjekte edilir. Ters çevrilmiş mikroskop, 10X objektif merceğe ve görüntüleme bağlantı noktasına yerleştirilmiş 0,7 oranında küçültmeli merceğe sahiptir. Bu sayede videoda mikrosütunların 7X oranında büyütülmesi sağlanır. Mikroakışkan bir viskozimetre çipi oluşturmak için bir alüminyum (Al) kalıp kullanılmıştır. Mikrosütun (yükseklik H = 1500 µm, çap D = 300 µm) Al kalıbını işlemek için ise 1500 µm flüt uzunluğuna sahip 300 µm çapında bir matkap ucu (Corrodrill) kullanılmıştır. CCD kamera mikrosütun uçlarının hareketini saniyede 22 adet yüksek çözünürlükte kare yakalamak suretiyle kayıt altına alır. Kameranın piksel boyutu 5,68 µm'dir. Kamera piksel boyutunu büyültme oranına (7X) böldüğümüzde videolarımızda 0,81 µm/piksel çözünürlük elde ettiğimiz görülmektedir. Mikroakışkan cihazdaki mikro sütunların fotoğrafları, 15 ila 105 ml/saat arasında değişen çeşitli akış hızlarında ve ayrıca statik durumda (akış yokken) yakalanır. Bu yöntemde mikrosütun uçlarının yer değiştirme miktarı ImageJ isimli bir resim işleme yazılımı kullanarak insan yardımıyla hesaplanmaktadır. Bu sebepten, önerilen yöntem uzun vakit almakta ve hataya açık hale gelmektedir. Bu nedenle, bu tezde mikrosütun uçlarının yer değiştirmesini daha hızlı ve daha yüksek doğruluk payında hesaplamayı sağlayan üç farklı görüntü işleme stratejisi sunacağız. Önerdiğimiz yöntemlerden birincisi klasik video işlemede kullanılan Kanade-Lucas-Tomasi (KLT) algoritması, ikincisi ise derin öğrenme temelli Flownet2 evrişimsel sinir ağı modelidir. Son yöntem ise Hough Circle görüntü işleme yöntemidir. Bilgisayarlı görüde KLT yöntemi, optik akış tahmini için yaygın olarak kullanılan bir diferansiyel yöntemdir. Akışın, incelenen pikselin yerel bir komşuluğunda sabit olduğunu varsayar ve bu komşuluktaki tüm pikseller için temel optik akış denklemlerini en küçük kareler yöntemiyle çözer. Mikrosütunları takip etmek için önce üzerlerinde takip edilecek uygun özellikli noktalar tespit edilmelidir. Bu amaç doğrultusunda biz ilk önce Shi-Tomasi metodu ile mikrosütunlar üzerinde uygun 4 adet köşe noktası buluyoruz. Bu yöntem, yararlı olabilecek en uygun N köşeyi bulur ve istenmeyen köşeleri siler. Daha sonra KLT sayesinde tespit edilen köşe noktalarına KLT optik akış algoritmasını uyguluyoruz ve video da köşelerin hareketini takip ediyoruz. Gerçek zamanlı hareket algılamaya ulaşmak için KLT pencere boyutunu 500x200 piksel olarak seçtik. Mikrosütun üzerinde seçilen 4 adet nokta ve bu noktaların KLT algoritması kullanılarak hesaplanan optik akışı çıkartılır. İkinci yöntemde, bir makine öğrenme algoritmasını kullanıyoruz, Bir evrişimsel sinir ağı (CNN), görsel veriyi derin öğrenmede yorumlamak için kullanılan bir tür yapay sinir ağıdır. CNN, görsel veride cisimlerin boyut veya konumdan bağımsız olarak tespit edilebilmesini sağlar. Optik akış tahmini alanında Dosovitskiy'nin CNN tabanlı Flownet modeli oldukça başarılı sonuçlar vermiştir. Bu model basit bir CNN mimarisi kullanarak verilerden doğrudan optik akışı öğrenme fikrine dayanır. Daha sonra geliştirilen Flownet2 modeli ise, yüksek miktarda optik akış olan veride bile son derece ince ayrıntıların doğru tahmini ve hızlı çalışma süreleri gibi yenilikler getirmiştir. Mikrosütun uçlarının hareketinin tespitinde ikinci yöntem olarak Flownet2 modelini kullanıyoruz. Bunun için ilk önce sütun arka planını resimde maskeliyoruz. Bu adım, Flownet2'nin hassasiyetini artırmayı sağlamaktadır. Burada, THINGS veri seti tarafından önceden eğitilmiş Flownet2 modelini kullanıyoruz. Daha sonra videonun ilk karesini modelin ilk girişi olarak, gelecek kareleri ise ikinci giriş olarak alıyoruz. Model, ilk kareye ilişkin videonun her karesi için akış dosyalarını oluşturuyor. Akış dosyaları bize sütun yer değiştirme verilerini veriyor. Hough Circle yöntemini kullanarak deney videosunun her karesinde sütuna karşılık gelen çemberin merkezini buluyoruz. Ardından, çerçevelerin merkez konumlarını karşılaştırarak yer değiştirme sonuçlarını elde ederiz. Son bölümde, üç yaklaşımın sonuçlarının ImageJ ile karşılaştırılması anlatılmıştır. Her deneme videosunda KLT yönteminin doğruluğunu hesaplamak için ImageJ verilerini referans olarak kullandık ve her karede bulunan yer değiştirme miktarı için ImageJ doğruluğunun 1 olduğunu varsaydık. Ardından, her kare için KLT'nin yer değiştirme sonucunu ilgili ImageJ karesiyle karşılaştırdık. KLT sonuçlarının doğruluğunu daha sonra ImageJ ile ilişkili olarak hesapladık. Her karede bulunan mikrosütun uçlarının yer değiştirmesinin doğruluğunu hesapladıktan sonra, KLT yönteminin genel doğruluğunu elde etmek için sonuçların ortalamasını aldık. Aynı işlemleri Flownet2 ve Hough Circle modelernin doğruluğunu belirlemek için de kullandık. Sonuç olarak KLT, FlowNet2 ve Hough Circle yöntemlerin, ImageJ yöntemi ile ilgili olarak sırasıyla %95.45, %95.62 ve %91.47 ortalama doğruluk sağladı. İnsan yardımına ihtiyacımız olmadığı için bu teknikleri kullanarak çok zaman kazandık. KLT ile ImageJ'e göre 158 kat, Hough Circle ile 396 kat ve FlowNet2 ile 10 kat daha hızlı viskozite sonuçları üretebildik. Ayrıca, KLT yöntemi Flownet2'den daha az hesaplama gücü gerektirir. Bu sebeple KLT gerçek zamanda çalışabilmektedir. Daha önce belirtildiği gibi ImageJ'deki görüntü işleme için insan yardımına ihtiyaç vardır, ancak önerdiğimiz yaklaşımlarda tüm işlemler bilgisayar programları tarafından otomatik olarak yapılabilmektedir. Bu da ImageJ'e göre büyük bir avantaj sağlamaktadır.
Özet (Çeviri)
In many industrial and biological applications, the viscosity of chemical and biological fluids is a crucial material property that needs to be precisely measured A variety of techniques has been developed to measure viscosity. The micropillar-based microfluidic viscometer method uses viscosity and flow-induced micropillar displacement. Before making general viscosity measurements, calibration curves (viscosity vs. micropillar tip displacement) are created using solutions with known viscosities. Filming experiments with glycerol/water solutions with viscosities ranging from 2 to 100 cP at fixed flow (shear) rates are done to achieve this. The experiment is then repeated using a fluid sample whose viscosity is determined. In captured experiment videos with the sample fluid, the displacement of pillars is measured for this purpose using ImageJ, an image processing program. The measured displacements are then mapped to the calibration curves to determine the sample fluid's viscosity. Results obtained using this method are precise. The disadvantage is that using ImageJ to calculate displacement takes time and requires manual work. Therefore, in this study, we used two distinct image processing algorithms that yield results much more quickly. These are Lucas-Kanade (KLT), and Hough Circle, which are used in classical video processing, and the FlowNet2 neural network model. The KLT algorithm is a popular differential technique for estimating optical flow. We tracked the four corners of the pillar tip using the KLT to determine the displacement of the pillars. The final displacement data was then determined by averaging these four corner displacements. Contrarily, the convolutional neural network (CNN) Flownet2 is employed in deep learning to interpret visual images. Huge displacement control and precise estimation of minute details in the optical flow field are two features of FlowNet2. We made use of the pre-trained FlowNet2 model on the THINGS dataset. We used the first frame of the video as the model's first entry and the frames that came after that as its second entry to find out about displacement. We used ImageJ data as a reference to determine the methods' accuracy when determining the accuracy of the suggested methods for 10 videos. Regarding ImageJ, KLT, Hough Circle and FlowNet2 provided an average accuracy of 95.45%, 91.47%, and 95.62%, respectively. We saved a lot of time by using these techniques because we didn't need human assistance. With KLT, we were able to generate viscosity results 158 times faster with respect to ImageJ, with Hough Circle 396 times faster and with FlowNet2 10 times faster.
Benzer Tezler
- Aort kapağı kan akımının katı-sıvı etkileşim yöntemiyle sayısal incelenmesi
Numerical investigation of the aortic valve blood flow using fluid-structure approach
ARMİN AMİNDARİ
Doktora
Türkçe
2022
Biyomühendislikİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KADİR KIRKKÖPRÜ
- Çift fazlı çeliklerin deformasyon davranışı
Deformation behavior of dual-phase steels
HÜSEYİN ÇİMENOĞLU
- Küresel grafitli dökme demir dökümünde aşılayıcı ve döküm sıcaklığının akıcılık özelliklerine etkisinin incelenmesi
Investigation of the influence of inoculant and casting temperature on fluidity properties in spherical graphitic cast iron casting
SİNAN KAYA
Yüksek Lisans
Türkçe
2019
Makine MühendisliğiBayburt ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT ÇOLAK
- Otomotiv sektörü için AI-Si-Fe-x alaşımlarının geliştirilmesi
Başlık çevirisi yok
NECİP ÜNLÜ
Doktora
Türkçe
1998
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji Mühendisliği Ana Bilim Dalı
PROF. DR. NİYAZİ ERUSLU
- Akışla şekillendirme uygulanmış AA7075 kalite alüminyum alaşımının mekanik ve korozyon özelliklerine retrogresyon ve yeniden yaşlandırma işleminin etkisi
The effect of retrogression and reaging heat treatment on the mechanical and corrosion properties of a flow formed AA7075 aluminum alloy
EDA URAL
Yüksek Lisans
Türkçe
2024
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT BAYDOĞAN