机电院学子搭建基于深度学习的等离子体放电模式实时监控系统

近日，机电工程学院等离子体放电模式实时监控系统实践团 依托河海大学常州校区物理创新实验室的科研资源，利用深度学习技术，充分发挥青年学子的积极性和主观能动性，设计出一种基于深度学习的等离子体放电模式实时监控系统。
在实验室中，为了获取不同条件下放电模式的图片，实践团围绕放电反应器搭建了如图1所示的实验平台。气泵(80L/min)将空气泵入实验装置中，流量调节阀V1用于调节气体流量，流量具体数值由气体流量计测得。关于电气参数的调控主要通过改变高压电源的输出来实现。实验中采用PDM高压交流电源激励反应器，该电源可以调节输出频率和占空比。放电时反应器的供电电压和供电电流分别由高压探头、电流探头测量，其数据传输至示波器，由示波器采集供电电压电流数据。各项参数调节好后，利用摄影工具（iPhone 13）于放电区域进行收集电晕-辉光-火花三种等离子羽图像，构建包含2000张PNG图片的数据集。
为了增强深度学习的效果，实践团采用随机旋转和亮度小变化等数据增强方法来扩展图像数据库，最后共得到1887张电弧放电图像、1668张辉光放电图像和1576张火花放电图像。经过以上处理，将原始的数据集扩展为原来的3倍，大大增加了样本的多样性，减小了样本过拟合的风险，增强了模型的泛化能力。接着采用基于ResNet18的网络模型对数据集进行训练，并导出批量处理数量Batchsize、学习率等超参数。在实验结果的处理上，实践团利用ResNet18与其他主流深度学习模型在准确率和函数损失值等方面进行对比分析。最终得出基于Resnet18的深度学习模型在等离子体放电模式识别方面的优势。