Multi-parameter extraction of droplets with inclusions based on enhanced MobileViT and rainbow scattering
闫利伟，李灿*，黄林滨，康杨，黄孝龙，范旭东，李宁
Keywords: Deep learning; Rainbow scattering; Droplets with inclusions; Size; Inclusion concentration; Measurement
DOI: 10.1016/j.partic.2026.02.004
含颗粒液滴广泛应用于含能液态燃料利用、工业喷涂等领域，精准快速地测量其宿主液滴粒径、内含物浓度等关键参数对优化过程效率至关重要。消光彩虹散射法可以实现含颗粒液滴折射率、粒径及内含物体积浓度的高精度、原位测量。但该方法标定过程较为复杂且反演过程计算量大，难以同时保证参数反演的速度及精度。
近年来，深度学习在图像处理领域发展迅速。相较于传统消光彩虹散射法仅能利用含颗粒液滴彩虹散射图像中很小一部分信息，深度学习方法凭借其优秀的全局及局部信息提取能力，能够更为全面地学习含颗粒液滴彩虹散射图像的影响特征。同时深度学习方法计算较为简单，可有效提高参数反演的速度，从而更好地满足在线测量需求。
本研究将深度学习方法用于含颗粒液滴彩虹散射图像反演，同时为提高网络对关键特征的敏感度，在MobileViT网络中加入SE（Squeeze and Excitation）通道注意力机制，提出了基于改进MobileViT模型的含颗粒液滴多参数反演方法。该方法使用实验获取的含颗粒液滴彩虹散射图像进行网络训练。与传统最优化拟合方法相比，该方法的图像预处理更简单，处理速度更快（单张图片约5毫秒），而且精度更高，液滴粒径和内含物浓度反演平均相对误差在0.2%以内、绝对误差不超过0.003%。该方法在高斯噪声和椒盐噪声（低于5 dB）条件下提取液滴粒径的精度，与无噪声条件下的表现相当；而在部分工况，其浓度提取精度甚至优于无噪声条件下的传统方法。
研究亮点
1. 本研究使用神经网络直接输入信号图像，代替传统方法中复杂的标定和参数迭代反演过程，解决了传统消光彩虹散射法测量含颗粒液滴参数过程无法同时兼顾速度与精度的问题。
2. 由于输入的是整个含颗粒液滴彩虹散射图像而不是传统的部分截取信号，神经网络能更好地学习图像多尺度特征与液滴粒径和内含物浓度之间的内在关系，因此本文提出的方法在数据集范围内反演结果优于传统方法，而且在数据集范围外和数据集带噪声条件下也有较好的识别能力。
相关研究成果发表于PARTICUOLOGY（Volume 111），欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！
供稿：原文作者
排版：《颗粒学报》编辑部
文章信息
Yan, L., Li, C., Huang, L., Kang, Y., Huang, X., Fan, X., & Li, N. (2026). Multi-parameter extraction of droplets with inclusions based on enhanced MobileViT and rainbow scattering. Particuology, 111, 175-185. https://doi.org/10.1016/j.partic.2026.02.004