Segmenting the Complex and Irregular in Two-Phase Flows: A Real-World Empirical Study with SAM2
作者: Semanur Küçük, Cosimo Della Santina, Angeliki Laskari
分类: cs.CV
发布日期: 2025-08-07
备注: 7 pages
💡 一句话要点
利用微调SAM2分割复杂气液两相流中的不规则气泡，解决传统方法局限性
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 气液两相流 气泡分割 Segment Anything Model 迁移学习 视觉基础模型
📋 核心要点
- 传统气泡分割方法假设气泡为近球形，无法有效处理变形、聚结等复杂情况，限制了其在实际工业场景中的应用。
- 论文提出使用微调的Segment Anything Model (SAM) v2.1，通过迁移学习解决复杂气泡分割问题，无需大量标注数据。
- 实验结果表明，仅使用100张标注图像微调后的SAM2.1，即可准确分割高度非凸、不规则的气泡结构。
📝 摘要（中文）
在冶金处理和船舶减阻等众多工业环境中，分割多相流中的气泡是一项关键但尚未解决的挑战。传统方法以及最新的基于学习的方法通常假设气泡接近球形，这限制了它们在气泡发生变形、聚结或破碎时的有效性。这种复杂性在空气润滑系统中尤为明显，在这些系统中，聚结的气泡形成无定形且拓扑结构多样的斑块。本文通过现代视觉基础模型的视角重新审视了这个问题。我们将该任务视为一个迁移学习问题，并首次证明，经过微调的Segment Anything Model SAM v2.1可以使用少至100张带注释的图像，准确地分割高度非凸、不规则的气泡结构。
🔬 方法详解
问题定义：论文旨在解决复杂气液两相流中不规则气泡的精确分割问题。现有方法，包括传统图像处理技术和深度学习方法，大多基于气泡形状近似为球形的假设。然而，在实际工业应用中，例如空气润滑系统，气泡会发生变形、聚结和破碎，形成形状不规则的结构，导致现有方法分割精度大幅下降。因此，如何准确分割这些复杂形状的气泡成为一个亟待解决的难题。
核心思路：论文的核心思路是将气泡分割问题转化为一个迁移学习问题，利用预训练的视觉基础模型SAM (Segment Anything Model) 的强大泛化能力，通过少量标注数据进行微调，使其适应特定场景下的气泡分割任务。SAM在大量图像数据上进行预训练，具备强大的图像分割能力，能够有效提取图像中的语义信息。通过微调，SAM可以学习到特定场景下气泡的特征，从而实现精确分割。
技术框架：论文采用的整体框架是基于Segment Anything Model (SAM) v2.1的迁移学习流程。首先，使用少量（100张）带有气泡分割标注的图像数据。然后，利用这些数据对SAM v2.1进行微调，使其适应特定气液两相流场景下的气泡分割任务。微调后的模型可以直接用于分割新的气液两相流图像，输出气泡的分割掩码。
关键创新：论文的关键创新在于首次将视觉基础模型SAM应用于复杂气液两相流中的不规则气泡分割。与传统方法和基于深度学习的方法相比，该方法无需大量标注数据，即可实现高精度的气泡分割。此外，该方法能够有效处理气泡的变形、聚结和破碎等复杂情况，具有更强的鲁棒性和泛化能力。
关键设计：论文的关键设计在于选择合适的SAM版本（v2.1）以及有效的微调策略。具体的技术细节包括：选择合适的损失函数（例如Dice Loss或Focal Loss）来优化分割结果；调整SAM的参数，例如学习率和训练轮数，以避免过拟合；采用数据增强技术，例如旋转、缩放和裁剪，来增加训练数据的多样性。论文中并未详细说明具体的参数设置，这部分可能需要参考SAM的官方文档和相关研究。
🖼️ 关键图片
📊 实验亮点
该研究的主要实验亮点在于证明了微调后的SAM2.1仅使用100张标注图像，即可准确分割高度非凸、不规则的气泡结构。虽然论文中没有提供具体的性能指标（如Dice系数或IoU），但强调了其在处理复杂气泡形状方面的优势，表明该方法在数据效率和分割精度方面具有显著优势，尤其是在标注数据有限的情况下。
🎯 应用场景
该研究成果可广泛应用于冶金处理、船舶减阻、化工反应器等涉及气液两相流的工业领域。精确的气泡分割能够帮助工程师更好地理解和优化相关工艺流程，提高生产效率和产品质量。例如，在冶金处理中，可以优化吹氧炼钢工艺；在船舶减阻中，可以设计更有效的空气润滑系统。未来，该技术有望进一步推广到其他多相流领域，例如油水混合物分离等。
📄 摘要（原文）
Segmenting gas bubbles in multiphase flows is a critical yet unsolved challenge in numerous industrial settings, from metallurgical processing to maritime drag reduction. Traditional approaches-and most recent learning-based methods-assume near-spherical shapes, limiting their effectiveness in regimes where bubbles undergo deformation, coalescence, or breakup. This complexity is particularly evident in air lubrication systems, where coalesced bubbles form amorphous and topologically diverse patches. In this work, we revisit the problem through the lens of modern vision foundation models. We cast the task as a transfer learning problem and demonstrate, for the first time, that a fine-tuned Segment Anything Model SAM v2.1 can accurately segment highly non-convex, irregular bubble structures using as few as 100 annotated images.