elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Improved particle peak detection in images using convolutional neural networks

Godbersen, Philipp und Schanz, Daniel und Novara, Matteo und Schröder, Andreas (2022) Improved particle peak detection in images using convolutional neural networks. In: Homer Final Workshop 2022, Seiten 11-12. Homer Final Workshop2022, 2022-02-23 - 2022-02-24, Virtuell.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://homernetwork.org/workshops/

Kurzfassung

An important step in the application of Lagrangian particle tracking (LPT) techniques is the detection of particle peaks on the measurement images, the positions of which are then used for triangulation. Depending on the quality of the image, the shape and size of the particles, and the amount of particle overlap, it can be difficult to find all particle peaks in a measurement image. LPT techniques do not necessarily need a perfect solution to this problem as they can either utilize time-resolved temporal information to minimize their reliance on peak detection [1] or utilize an iterative approach [2] to recover particle positions. However, there is still value in improving the quality of peak detection as this is the first step in the LPT processing pipeline and improved detection and position accuracy has the potential to affect all following steps. This is especially true for two- or multi-pulse applications which rely much more on a good reconstruction of each individual snapshot than the time resolved applications. We introduce a supervised machine learning based approach utilizing convolutional neural networks (CNN) to improve particle peak detection on LPT measurement images.

elib-URL des Eintrags:https://elib.dlr.de/189381/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Improved particle peak detection in images using convolutional neural networks
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Godbersen, Philippphilipp.godbersen (at) dlr.dehttps://orcid.org/0000-0002-0917-4897NICHT SPEZIFIZIERT
Schanz, Danieldaniel.schanz (at) dlr.dehttps://orcid.org/0000-0003-1400-4224NICHT SPEZIFIZIERT
Novara, Matteomatteo.novara (at) dlr.dehttps://orcid.org/0000-0002-8975-0419NICHT SPEZIFIZIERT
Schröder, Andreasandreas.schroeder (at) dlr.dehttps://orcid.org/0000-0002-6971-9262NICHT SPEZIFIZIERT
Datum:Februar 2022
Erschienen in:Homer Final Workshop 2022
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Seitenbereich:Seiten 11-12
Name der Reihe:Book of Abstracts
Status:veröffentlicht
Stichwörter:Peak detection, convolutional neural network, particle tracking
Veranstaltungstitel:Homer Final Workshop2022
Veranstaltungsort:Virtuell
Veranstaltungsart:Workshop
Veranstaltungsbeginn:23 Februar 2022
Veranstaltungsende:24 Februar 2022
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Luftfahrt
HGF - Programmthema:Effizientes Luftfahrzeug
DLR - Schwerpunkt:Luftfahrt
DLR - Forschungsgebiet:L EV - Effizientes Luftfahrzeug
DLR - Teilgebiet (Projekt, Vorhaben):L - Virtuelles Flugzeug und Validierung
Standort: Göttingen
Institute & Einrichtungen:Institut für Aerodynamik und Strömungstechnik > Experimentelle Verfahren, GO
Hinterlegt von: Micknaus, Ilka
Hinterlegt am:14 Dez 2022 14:31
Letzte Änderung:24 Apr 2024 20:50

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.