用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）

原文链接：https://www.mdpi.com/2311-5521/7/1/3

摘要

加利福尼亚海狮是游泳哺乳动物中最敏捷的。大多数海洋哺乳动物用它们的后附肢游泳——根据物种不同，是鳍状肢还是爪状肢—而海狮用它们的前鳍来推进和操纵。海狮的推进冲程通过在鳍和身体之间形成一股喷射流，并沿着鳍的吸力面拖曳一个起始涡流来产生推力。先前使用机器人脚蹼的实验已经表明这些机制是可能的，但是以前没有活海狮周围的流量测量来进行比较。在这项研究中，使用粒子成像测速术对游泳海狮周围的流动结构进行了观测。为了适应这些动物，有必要使用气泡作为种子颗粒和阳光作为照明。三只训练有素的成年加州海狮被引导着游过一片近似平面的气泡，总共重复173次。捕捉到的视频被用来计算气泡速度，这些速度被用来分离和检查由游泳的海狮引起的流速。我们将讨论这种方法，并介绍测量的流速。
关键词: 海洋哺乳动物；加州海狮；速度场；气泡PIV推力生产

1.引言

游泳动物的现场流量测量提出了重大的技术和后勤挑战。尽管如此，仍有大量文献可以用来测量游水鱼的运动和运动学以及它们产生的水流。早期的成功常常将数字粒子图像测速(PIV)技术应用于研究游泳动物的实验室环境。这使得在水槽 [1-4] 中游泳或在固定水槽 [5，6] 中自由游泳的各种稳定游泳动物的尾流可以被测量。尽管这些研究大多呈现二维数据，但有一些最近扩展了这些技术，以收集游动鱼类周围的体积流场 [7，8]。值得注意的是，这绝不是对基于实验室的游动鱼类流量测量的详尽概述；我们建议感兴趣的读者参考Triantafyllou (2000) [9] 以及最近的Wu (2011) [10] 、Lauder (2015) [11] 和Costello 2020 [12] 。
上面简要提到的研究提供了对不稳定推进机制的广泛了解，特别是对于身体/尾鳍型游泳。然而，它们是实验室研究；动物的环境被改变了。此外，一些动物不能在实验室环境中安全地进行研究。为了解决这个问题，人们开发了一些原位技术来测量在自然环境中游泳的动物的流场。值得注意的是，独立的水下测速仪(SCUVA)设备 [13] 及其前身研究 [14] 使用自由游泳的人类潜水员操作的相机和激光装置跟踪水中自然出现的粒子。后来的设备将测量扩展到三维 [15]。尽管这些技术是研究不受人工实验室环境干扰的动物流体动力学的令人印象深刻的工具，但它们有自己的局限性。视野相对较小，仅限于近岸区域的动物。 (尽管Katija等人的工作允许使用海上遥控潜水器测量深水动物周围的水流 [16])
为了克服这些限制，研究人员开发了机器人模型来研究无法在原位研究的动物流体动力学。在某些情况下，整个动物系统被建模 [17-20]，而在其他情况下，推进元件被分离出来用于系统研究 [21-23]。机器人模型提供了一个平台，来探索自然界之外的推进力。几何学和运动学可以被改变，这在动物研究中是不可能的。然而，它们缺乏现场测量的复杂性和真实性。因此，Fish等人对实验室PIV进行了改造，以便在较大的动物身上安全使用 [24，25]。与用反射粒子播种整个气流并用激光照射气流平面相反，他们制造了一片小气泡，并用太阳光进行全局照明。然后，水下摄像机采用与传统PIV相同的方法对气流进行成像。Ryu等人 [26] 使用了一种特定版本的气泡图像测速仪(BIV)。然而，Fish的方法更类似于传统的PIV，用于测量海豚游泳时周围的气流，并估算尾部站立动作时产生的推力 [24，25]。在目前的工作中，我们将扩展Fish等人的PIV的修改，以测量游泳的海狮产生的流动，也使用气泡作为种子粒子和太阳光作为照明。这是第一次直接测量游泳海狮的流场。我们将对测量地下条件下的流量所需的图像处理进行广泛的扩展。最后，我们将展示一只成年雌性海狮在一个静止的水池中自由游动时推进时产生的水流。

2.材料和方法

2.1 数据收集

所有数据都是在加利福尼亚州莫斯兰丁的海狮(SLEWTHS)设施的帮助下在科学学习和探索中心收集的。三只海狮——卡利、阿里尔和尼莫——被训练游过水池到达目标。目标的位置应确保海狮能够通过一次产生推力的撞击(称为“拍击”[27])达到目标，并且拍击发生在测量区域内。海狮产生推力的方式与大多数高水平游泳运动员明显不同。与通过某种形式的身体/尾鳍运动(BCF)用尾巴产生推力相反，海狮用它巨大的前鳍来产生向前的运动。拍子从身体向外伸展，然后向下进入腹部(上面提到的“拍子”)。戈弗雷 [28] 和费尔德坎普 [29] 首先描述了这种产生推力的冲程。这一过程在图1的a-c部分有概述，大的推进面，前鳍，如图1d所示。
一根多孔软管放置在水池底部，并与压缩空气罐相连(图2a)。传统的2D粒子图像测速使用全局播种(带有可靠跟随流动的小反射球)和一片光(通常是由光学器件控制成一片光的激光束)。在这种情况下，情况正好相反:阳光照亮了整个池子，但只有相对较薄的一片水流播下了粒子。

图1 最上面一行(a-c)显示了海狮推进冲程的周期。推力由巨大的前鳍产生。下图(d)是一只成年雌性加州海狮的前鳍。该图像显示了折叠器的底面；将接触面板(c)中的身体的一侧。

图2 左上图(a)显示了用于产生一片播种气泡的多孔软管。左下角的面板(b)是用于数据收集的池。该图像包括SLEWTHS和研究小组成员以及卡利，加州海狮产生了目前的数据。左图(c)是实验装置的俯视示意图。图中显示了海狮的游泳方向以及气泡垫和照相机的位置。

在这两种情况下，相机都与纸张(光线，或在这种情况下，粒子)成90度。在这项研究中，使用GoPro HERO6(GoPro，San Mateo，CA，USA)以每秒120帧的速度拍摄图像。1920×1080像素的帧在测量平面上的跨度为1.6×0.9米，提供了每像素0.83毫米的空间分辨率。GoPro相机拍摄的视频被高视野镜头扭曲了边缘。这在长度标尺校准过程中很明显；帧边缘的每像素距离高于中心。
为了保持更相关的中心区域的图像清晰度，视频没有去扭曲。取而代之的是，相机被安排来观察比需要的更大的区域，并且产生的测量的扭曲的边界被丢弃。图2b显示了数据收集过程中的SLEWTHS和研究团队成员，图2c显示了实验设置的俯视示意图。总共收集了173次原始数据运行，产生了许多未命中和36次所需事件的测量(所有36次成功运行的处理数据可应要求提供)。

2.2 图像处理

图3 该图显示了图像预处理的步骤以及每一步产生的变化:(a)原始数据，(b)仅选择红色通道，(c)减去滑动最小值，(d)在空间中值减法之后，(e)在启发式优化之后，最后，(f)用于速度场计算的预处理数据(g)由要减去的值着色(h)显示结果。第2.2节详细介绍了这一过程，这是根据现场数据计算速度场所必需的。

2.2.1 图像通道混合

为了将彩色视频帧的三个红-绿-蓝通道缩减为单通道、二维阵列以进行PIV互相关，从原始图像(图3a)中简单地丢弃了两个通道(图3b)。仅选择红色通道数据提供了比绿色或蓝色通道更高的气泡-背景对比度(池的颜色使得图像背景在绿色和蓝色中比在红色中更亮)。红色通道也比同等灰度图像具有更高的对比度。MATLAB使用亮度加权平均值0.2989R + 0.5870G + 0.1140B从RGB计算灰度；然而，这里检查了其他组合(包括负权重),没有发现比单独的红色通道产生更好的数据。推广这个过程时，这个步骤的最佳选择可能是特定于应用程序的。

2.2.2.滑动最小减法

接下来的预处理步骤通过识别气泡不与背景共享的特征来将气泡与图像的其余部分隔离。这些步骤中的第一步通过减去时间滑动最小值从背景中去除缓慢或静止的物体。这也是实验室PIV中常见的背景过滤器 [30]。视频帧序列中每个像素的值在指定的滤波器宽度内减少了帧中相同像素的最低值:这里是三帧。具有(接近)恒定值的像素被减少到(接近)零，而种子粒子/气泡的瞬时通过被保持。图3c用要减去的值着色，图3d显示了这一步的结果:静止的背景和气泡发生装置从图像中移除，移动的气泡、折射的阳光焦散和海狮的边界仍然可见。

2.2.3.空间中值减法

游泳的海狮的边界和失焦气泡的图像可以通过中值滤波减法来去除。中值滤波将图像中的每个像素替换为指定m × n区域(这里是7 × 7个像素)中该像素的相邻像素的中值。这使得图像中较大的平滑区域不受影响，但用局部背景值替换了比滤镜区域小得多的对象。这与这里想要的效果相反；因此，从输入数据中减去中值过滤后的结果，以移除较大的对象，留下较小的对象。图3e用要减去的值着色，图3f显示气泡仍然存在，但是大部分背景已经消除。

2.2.4.启发式优化

预处理步骤移除了慢的(通过时间最小减法)和大的(通过空间中值减法)的背景对象，但是池底上的阳光焦散两者都不是，并且在该过程中幸存。在其他类似的实验中，这可以通过调整相机的角度来避免感兴趣的区域和池底的任何重叠来避免，但这在这里是不实际的。相反，人们注意到折射模式的性质导致它们以复杂的模式连接在一起；因此，通过遮蔽过滤图像中被照亮的像素属于超过尺寸阈值的连通区域的区域，将它们与气泡隔离开来:这里，50个或更多的连通像素比背景亮度更亮。同样，图3g用要减去的值着色，图3h显示结果。显示了相关就绪数据；只有气泡仍然可见。

2.3.二维PIV

图4 气泡示踪粒子的浮力上升必须从处理的数据中去除。该图显示了原始数据(a)、未考虑气泡上升的处理数据(b)、气泡速度(c)和去除了气泡上升速度的速度场(d)。该过程在第2.3节中详细说明。

仅显示焦点对准的气泡的灰度图像可用于通过顺序互相关的二维PIV计算。这项工作中的速度计算是在LaVision的DaVis软件中进行的。使用递减的窗口大小，通过两遍迭代执行相关；速度首先通过对准的64 × 64像素询问窗口之间的相关来估计，然后通过由平滑的初始估计偏移的32 × 32像素窗口之间的相关来改进。在两次通过中，使用了50%的窗口重叠。幅度大于其5 × 5向量邻域平均值两个标准偏差的向量被视为异常值，并用该区域的中值代替。这种选择性替换方法使所有非异常向量保持不变。结果如图4b所示，绘制在原始图像(图4a)上，并以速度大小着色。
然而，通过PIV计算的速度对应于气泡，而不是直接对应于水。气泡是有浮力的，不像典型的粒子图像测速粒子；因此，气泡和水的速度是不同的。在这项研究中观察到的气泡以大约0.3米/秒的速度上升。海狮以大约每秒一个体长的速度移动(这因个体和跑步而异，但大约为1.5米/秒)。在海狮前鳍附近测得的流体速度约为1米/秒(这将在第3.1节中讨论)。此外，在这个实验和任何类似的实验中，环境控制的限制意味着水并不像测量游泳的海狮引起的水流所希望的那样平静。这可以用类似于图像预处理的方式来解决:背景流可以通过时间和长度尺度的分离来隔离和去除。与更快、更小的海狮引起的流动相比，气泡的背景速度——由它们的浮力和池中水的晃动引起——在更大的长度和时间范围内变化。这是通过在图像的两个空间维度和连续帧之间的时间维度上计算三维中值减法滤波器在单个步骤中执行的；这里，29 × 29向量的区域跨越7帧。以这种方式计算的背景速度如图3c所示。DaVis计算的矢量中去除了背景速度(图3b ),并确定了海狮引起的流动的最终结果(图3d)。

3.结果

共捕获并处理了36例海狮推进拍击声。这需要在三只海狮的两次会议中进行173次测量(海狮只在喂食时进行训练行为，数据只能在太阳在头顶时收集)。只有58个视频包括测量区域内的推进拍击。由于照明变化或水质越来越浑浊，其中一些视频无法处理。

图5 当海狮在气泡平面内完成一个推进冲程时，用气泡PIV测量的速度场在6个时间点绘制:(a)当动物进入气泡平面时，(b–d)当推进冲程主动完成时，和(e，f)当海狮滑过测量平面时。图像显示了原始数据(底层)以及速度幅度(色图)和速度矢量。

图6 上图(a)显示了用于生成图5e和7e的原始数据，下图(b)是另一次数据运行中的类似阶段。两者都显示了海狮推进时产生的尾涡结构(红圈)。。

3.1.速度场

在海狮的整个推进行程中观察到了一个典型的速度场(所有其他实例可根据作者的直接要求在中获得)。图5显示了整个推进冲程中六个等距时刻的速度场。当动物接近气泡垫时，在到达气泡垫之前，速度场(图a的右侧)不出所料地显示很少或没有流动。值得注意的是，尽管我们尽了最大努力，与实验室实验相比，这些类型的现场数据总是有噪声的。幸运的是，噪声——在这种情况下，是由池底的太阳折射运动引起的——通常很容易与我们测量的信号区分开来。
当动物靠近时(图a的左上)，前鳍的直接上游区域受到干扰(见图5a的中上部)。当鳍掠过测量平面时(图b和c)，最高速度值出现在前鳍尖和这个推进面的上部吸力面。在图c中，很明显，较高速度区域位于垂尾的吸力面，在快速移动的表面后面被加速。
当推进冲程结束(图d)并且动物滑行到测量平面后面(图e和f)时，速度场仍然受到干扰，海狮加速了它后面的气流。在测量平面上，我们观察到从图5e的左上角到中心的对角结构对速度场的扰动。在图6的原始图像中可以看到尾流结构。上图(图6a)是图5e和7e中使用的原始数据。该结构用红色圆圈突出显示。下图(图6b)来自不同的运行。动物在一个稍微不同的平面上，导致这个结构更加清晰可见。随着动物进一步向下游移动，该结构的强度降低(图f).

图7 当海狮在气泡幕平面内完成一次推进行程时，从一只游泳的海狮的气泡PIV(如图5所示)计算出的涡量场在6种情况下绘制出来:(a)当动物进入气泡幕时，(b–d)当推进行程主动完成时，以及(e，f)当海狮滑过测量平面时。图像显示了原始数据(底层)以及涡量级(色图)和速度矢量。。

3.2.涡量场

上面测量和给出的速度场用于计算自由游动的海狮的涡量场。图6显示了与图5中速度场相对应的涡量场(所有其他场可应要求提供)。当它开始和执行推进冲程时，在前鳍的前缘/吸力边形成一个强正涡度区域(图7a-c)。正涡度对应于流体的逆时针旋转。当划水完成，动物滑行出测量区域时，漩涡结构与滑行器分离。这在动物的下游持续，直到它离开画面(图7的底行)。该结构在本质上是三维的；因此，图7中显示的结果仅显示了测量平面中可见的结果。正涡度的细长区域(红色)周围有较弱的负涡度信号(图7，最左下方)，实际上是一个从动物的前鳍延伸到水面的涡流管。该结构在图6所示的原始数据图像中是可见的。

4.讨论

这项研究强调了在野外全面研究活体动物，尤其是大型动物的难度。虽然这些方法和结果确实为这些研究提供了额外的工具，但与在实验室中用完整或部分模型获得的定量数据相比，它们仍然是有限的。然而，它们可以为模型系统提供一个基准，以确定这些模型是否准确地捕捉了相关的流动物理特性。将上述结果与Kashi等人 [23] 在机器人海狮前脚蹼上测量的速度和涡流场进行了比较。
Kashi等人的主要定性结果是，在机器人脚蹼的吸力侧(远离身体)形成了一个大型结构 [23] 。这种结构的强度随着鳍接近“身体”而增加，由垂直安装在机器人鳍上的平板模拟。该结构然后向下游对流(在机器人实验中，机器人脚蹼是固定的，而不是移动的动物)。如图4和图6所示，这与使用气泡PIV原位测量的一般流场相同。在这两种情况下，都可以在鳍状肢(真实的或机器人的)的吸力面上看到强流体结构。虽然Kashi等人使用的机器人前脚蹼缺乏全尺寸动物的复杂性，特别是三维空间，但它为更详细和深入的探索提供了一个平台。通过结合这里介绍的现场结果和基于实验室的模型，对海狮推进器有了一个更完整的了解。

5.结论

粒子图像测速技术是测量许多物理流速度场的一种非常好的工具。然而，仍然存在不能使用传统PIV方法的情况。这项研究将它的有用性扩展到不能适应实验室环境的液流，或者由于实际或安全原因不能使用激光的液流。此外，它还提供了对自由游动的海狮产生的流场的首次现场测量。它显示了由海狮推进划水产生的强烈水流特征。最后，为机器人海狮前鳍平台的实验室实验提供了一个基准。

论文阅读（3）用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）相关推荐

【论文阅读】mmSampler: Efficient Frame Sampler for Multimodal Video Retrieval【MLSys 2022】
文章目录前置知识摘要(Abstract) 引言(Introduction) Paper: MLSys 2022 Author: Samsung AI Centre, Toronto, Canada ...
多目标跟踪：CVPR2019论文阅读
多目标跟踪:CVPR2019论文阅读 Robust Multi-Modality Multi-Object Tracking 论文链接:https://arxiv.org/abs/1909.03850 ...
深度学习点云语义分割：CVPR2019论文阅读
深度学习点云语义分割:CVPR2019论文阅读 Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning 摘要本 ...
[论文阅读] (04) 人工智能真的安全吗？浙大团队外滩大会分享AI对抗样本技术
外滩大会 AI安全-智能时代的攻守道 Deep Learning Security: From the NLP Perspective 浙江大学 <秀璋带你读论文>系列主要是督促自己阅读优 ...
【论文阅读】Learning Traffic as Images: A Deep Convolutional ... [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络]（2）
[论文阅读]Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation ...
rgb fusion检测不到显卡_【论文阅读27】Co-Fusion
主要内容物体级别的语义SLAM.维护一个背景模型和多物体模型,每个模型由面元地图表示. 基于运动分割和语义信息检测运动物体. 使用基于ICP对齐的几何误差和基于颜色差异的光度误差跟踪背景模型(相机位 ...
StyleGAN-基于样式的生成对抗网络（论文阅读总结）（精）
2 研究背景 NVIDIA在2017年提出的ProGAN解决了生成高分辨率图像(如1024×1024)的问题.ProGAN的关键创新之处在于渐进式训练--从训练分辨率非常低的图像(如4×4)的生成器和 ...
论文阅读丨神经清洁：神经网络中的后门攻击识别与缓解
摘要:本文将带你了解深度神经网络的后门知识,作者提出了一种可靠且可推广的DNN后门攻击检测和缓解系统,这是了解对抗样本和神经网络后门攻击的深度解读. 本文分享自华为云社区<[论文阅读] (02) ...
论文阅读：Natural Language Processing Advancements By Deep Learning: A Survey
文章目录一.介绍二.背景 1.人工智能和深度学习 (1)多层感知机 (2)卷积神经网络 (3)循环神经网络 (4)自编码器 (5)生成对抗网络 2.NLP中深度学习的动机三.NLP领域的核心概念 ...

论文阅读（3）用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）

用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）

原文链接：https://www.mdpi.com/2311-5521/7/1/3

摘要

1.引言

2.材料和方法

2.1 数据收集

2.2 图像处理

2.2.1 图像通道混合

2.2.2.滑动最小减法

2.2.3.空间中值减法

2.2.4.启发式优化

2.3.二维PIV

3.结果

3.1.速度场

3.2.涡量场

4.讨论

5.结论

论文阅读（3）用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）相关推荐

最新文章

热门文章

论文阅读（3） 用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）

用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）

原文链接：https://www.mdpi.com/2311-5521/7/1/3

摘要

1.引言

2.材料和方法

2.1 数据收集

2.2 图像处理

2.2.1 图像通道混合

2.2.2.滑动最小减法

2.2.3.空间中值减法

2.2.4.启发式优化

2.3.二维PIV

3.结果

3.1.速度场

3.2.涡量场

4.讨论

5.结论

论文阅读（3） 用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）相关推荐

最新文章

热门文章

论文阅读（3）用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）

论文阅读（3）用气泡PIV测量加利福尼亚海狮推进冲程的速度场（2022）相关推荐