Atomisation of agricultural spray solutions through nozzles is a mechanism for delivering pesticides to their target site. Previous research using mechanistic methods has shown that oil-in-water formulations produce more placid liquid sheets and succumb to a breakup mechanism that begins when holes nucleate within the liquid sheet caused by inhomogeneities of the spray system. The relationships between image analysis metrics obtained from spray images and the resulting atomisation droplet size were explored to estimate drop size statistics from image features. Breakup patterns for oil-in-water formulations obtained from high-speed videos were used with deep learning techniques (convolutional neural networks (CNN), Monte Carlo (MC) dropout methodology and recurrent neural networks (RNN)) to predict droplet size. The videos used were part of a statistical design of experiment (DOE) reported by Cryer et al., (2020). A total of 353,694 train images and 174,208 test images of atomisation (83 videos, 44 classes) were used. Prediction time for the CNN model with standard dropout regularisation was rapid and achieved 99.4% accuracy, whilst the CNN with MC dropout took longer depending on how many forward passes were used but achieved 99.8% and had the ability to estimate uncertainty. The 3D convolution model (99.2%) provided a simpler alternative than the CNN + RNN model (99.6%) at reduced CPU intervals. Therefore, any of these deep learning methods can be suitable to address the prediction atomisation spray performance based upon images of oil-in-water emulsion spray patterns at the nozzle.

中文翻译：

---

使用雾化喷雾图像模式和深度学习的视频和图像分类

通过喷嘴雾化农业喷雾溶液是一种将杀虫剂输送到目标部位的机制。先前使用机械方法的研究表明，水包油配方会产生更温和的液体层，并屈服于一种破裂机制，当喷雾系统的不均匀性导致液体层内的孔成核时，这种机制就开始了。探索了从喷雾图像获得的图像分析指标与所得雾化液滴尺寸之间的关系，以从图像特征估计液滴尺寸统计数据。从高速视频中获得的水包油配方的分解模式与深度学习技术（卷积神经网络 (CNN)、蒙特卡罗 (MC) 辍学方法和循环神经网络 (RNN)）一起用于预测液滴大小。所使用的视频是 Cryer 等人 (2020) 报告的实验统计设计 (DOE) 的一部分。总共使用了 353,694 张训练图像和 174,208 张雾化测试图像（83 个视频，44 个类别）。具有标准 dropout 正则化的 CNN 模型的预测时间很快，准确率达到了 99.4%，而具有 MC dropout 的 CNN 需要更长的时间，具体取决于使用了多少前向传递，但达到了 99.8%，并且能够估计不确定性。3D 卷积模型 (99.2%) 在减少 CPU 间隔的情况下提供了比 CNN + RNN 模型 (99.6%) 更简单的替代方案。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。总共使用了 353,694 张训练图像和 174,208 张雾化测试图像（83 个视频，44 个类别）。具有标准 dropout 正则化的 CNN 模型的预测时间很快，准确率达到了 99.4%，而具有 MC dropout 的 CNN 需要更长的时间，具体取决于使用了多少前向传递，但达到了 99.8%，并且能够估计不确定性。3D 卷积模型 (99.2%) 在减少 CPU 间隔的情况下提供了比 CNN + RNN 模型 (99.6%) 更简单的替代方案。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。总共使用了 353,694 张训练图像和 174,208 张雾化测试图像（83 个视频，44 个类别）。具有标准 dropout 正则化的 CNN 模型的预测时间很快，准确率达到了 99.4%，而具有 MC dropout 的 CNN 需要更长的时间，具体取决于使用了多少前向传递，但达到了 99.8%，并且能够估计不确定性。3D 卷积模型 (99.2%) 在减少 CPU 间隔的情况下提供了比 CNN + RNN 模型 (99.6%) 更简单的替代方案。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。具有标准 dropout 正则化的 CNN 模型的预测时间很快，准确率达到了 99.4%，而具有 MC dropout 的 CNN 需要更长的时间，具体取决于使用了多少前向传递，但达到了 99.8%，并且能够估计不确定性。3D 卷积模型 (99.2%) 在减少 CPU 间隔的情况下提供了比 CNN + RNN 模型 (99.6%) 更简单的替代方案。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。具有标准 dropout 正则化的 CNN 模型的预测时间很快，准确率达到了 99.4%，而具有 MC dropout 的 CNN 需要更长的时间，具体取决于使用了多少前向传递，但达到了 99.8%，并且能够估计不确定性。3D 卷积模型 (99.2%) 在减少 CPU 间隔的情况下提供了比 CNN + RNN 模型 (99.6%) 更简单的替代方案。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。6%) 以减少的 CPU 间隔。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。6%) 以减少的 CPU 间隔。因此，这些深度学习方法中的任何一种都适用于基于喷嘴处水包油乳液喷雾模式的图像来预测雾化喷雾性能。