Abstract




 
   

IJE TRANSACTIONS A: Basics Vol. 29, No. 7 (July 2016) 962-967    Article in Press

PDF URL: http://www.ije.ir/Vol29/No7/A/11.pdf  
downloaded Downloaded: 137   viewed Viewed: 1086

  SPEED DETECTION IN WIND-TUNNELS BY PROCESSING SCHLIEREN IMAGES (RESEARCH NOTE)
 
M. Dehghan Manshadi, H. Vahdat-Nejad, M. Kazemi-Esfeh and M. Alavi
 
( Received: March 10, 2016 – Accepted in Revised Form: June 02, 2016 )
 
 

Abstract    Schlieren imaging in wind-tunnels is extensively utilized to study the effects of air on an airplane surface. One of the interesting subjects for research is to study the effects of speed change on the airplane surface. Speed change results in occurrence of shock waves, which are visualized as lines on Schlieren images. In this paper, we study the problem of detecting speed of a plane after occurrence of a shock wave. For this, a two-level scheme is utilized which involves Schlieren image processing and classification. In the first stage, favorite features are extracted from a Schlieren image, which are represented as a feature vector. In the second stage, a classification system is proposed which categorizes Schlieren images according to their features. Each class represents one specific case of speed change. Experimental results are conducted in Wind-Tunnel laboratory of the Malek Ashater University of Technology and show a perfect accuracy rate.

 

Keywords    Classification, Schlieren imaging, Image processing, Feature vector, Wind-Tunnel

 

چکیده    تصویربرداری شیلرین در تونل‌های باد به طور گسترده‌ای به منظور مطالعه آثار جریان هوا بر سطح هواپیما استفاده شده است. مطالعه آثار تغییر سرعت بر روی سطح هواپیما یکی از موضوعات تحقیقاتی مورد توجه است. تغییر سرعت منجر به وقوع موج ضربه می‌شود که به صورت خطوطی بر روی تصاویر شیلرین ظاهر می‌شوند. در این مقاله، مساله تشخیص سرعت پس از وقوع موج ضربه بررسی می‌گردد. برای این منظور یک طرح دو لایه‌ای پیشنهاد می‌شود که شامل پردازش تصویر شیلرین و طبقه‌بندی است. در اولین مرحله ویژگی‌های مطلوب از تصویر شیلرین استخراج می‌شوند و به صورت بردار ویژگی نمایش داده می‌شوند. این ویژگی‌ها مرتبط با قدرت و تاثیر موج ضربه هستند و توسط سیستم پردازش تصویر پیشنهادی استخراج می‌گردند. در مرحله دوم، یک سیستم طبقه‌بندی پیشنهاد می‌شود که تصاویر شیلرین را مطابق ویژگی‌های آنها دسته‌بندی می‌کند. هر کلاس نمایانگر یک حالت خاص از تغییر سرعت است. آزمایش‌ها در آزمایشگاه تونل باد دانشگاه صنعتی مالک اشتر انجام شده است. برای ارزیابی از تصاویری استفاده شده است که در پنج دسته قرار می‌گیرند. نتایج پیاده‌سازی و ارزیابی سیستم پیشنهادی بر روی تصاویر تست، نشان دهنده نرخ دقت بدون نقصی است.

References   

1.     Davidhazy, A., "Introduction to shadowgraph and schlieren imaging",  (2006).

2.     Mazumdar, A., "Principles and techniques of schlieren imaging systems", Columbia University, Department of Computer Science,  (2011).

3.     Acharya, T. and Ray, A.K., "Image processing: Principles and applications, John Wiley & Sons,  (2005).

4.     Jain, A.K., Duin, R.P.W. and Mao, J., "Statistical pattern recognition: A review", IEEE Transactions on Pattern Analysis and Machine Intelligence,  Vol. 22, No. 1, (2000), 4-37.

5.     Gonzalez, R.C. and Woods, R.E., "Digital image processing", Nueva Jersey,  (2008).

6.     Owlia, M. and Fallahnezhad, M., "A new statistical approach for recognizing and classifying patterns of control charts (research note)", International Journal of Engineering-Transactions A: Basics,  Vol. 28, No. 7, (2015), 1040-1048.

7.     Settles, G., Schlieren and shadowgraph techniques: Visualizing phenomena in transparent media. (2002).

8.     Sorensen, R.M., "Wave refraction, diffraction, and reflection", Basic Coastal Engineering, (2006), 79-111.

9.     Onu, K., Flynn, M. and Sutherland, B., "Schlieren measurement of axisymmetric internal wave amplitudes", Experiments in fluids,  Vol. 35, No. 1, (2003), 24-31.

10.   Meier, G., "Computerized background-oriented schlieren", Experiments in fluids,  Vol. 33, No. 1, (2002), 181-187.

11.   Townend, H.C.H., "A method of air flow cinematography capable of quantitative analysis", Journal of the Aeronautical Sciences,  Vol. 3, No. 10, (1936), 343-352.

12.   Raffel, M., Willert, C.E., Wereley, S. and Kompenhans, J., "Particle image velocimetry: A practical guide, Springer,  (2013).

13.   Hargather, M.J., Lawson, M.J., Settles, G.S. and Weinstein, L.M., "Seedless velocimetry measurements by schlieren image velocimetry", AIAA Journal,  Vol. 49, No. 3, (2011), 611-620.

14.   Fu, S. and Wu, Y., "Detection of velocity distribution of a flow field using sequences of schlieren images", Optical Engineering,  Vol. 40, No. 8, (2001), 1661-1666.

15.   Godbole, S. and Sarawagi, S., "Discriminative methods for multi-labeled classification", in Pacific-Asia Conference on Knowledge Discovery and Data Mining, Springer. (2004), 22-30.

16.   Cortes, C. and Vapnik, V., "Support-vector networks", Machine Learning,  Vol. 20, No. 3, (1995), 273-297.


Download PDF 



International Journal of Engineering
E-mail: office@ije.ir
Web Site: http://www.ije.ir