Tracing of active particles
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10451/53726 |
Resumo: | Tese de mestrado, Ciência de Dados, Universidade de Lisboa, Faculdade de Ciências, 2022 |
id |
RCAP_49010d7ef30eee1a9c5103f5f35aa0fc |
---|---|
oai_identifier_str |
oai:repositorio.ul.pt:10451/53726 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Tracing of active particlesRede NeuralRastreio VisualSistemas de Matéria MoleTese de mestrado - 2022Departamento de InformáticaTese de mestrado, Ciência de Dados, Universidade de Lisboa, Faculdade de Ciências, 2022Matéria mole refere-se a sistemas onde os fenómenos interessantes ocorrem tipicamente à temperatura ambiente. Ao estudar o seu comportamento podemos inferir propriedades sobre materiais úteis a muitas aplicações tecnológicas. Compreender as trajetórias de partículas individuais em tais sistemas é sem dúvida uma das tarefas mais desafiantes do estudo da sua dinâmica coletiva. Recentemente, tem havido um esforço crescente para desenvolver técnicas de aprendizagem automática, por exemplo, redes neuronais, para identificar diferentes tipos de partículas bem como seguir as suas trajetórias. Aqui, estendemos as técnicas existentes para considerar partículas anisotrópicas. Treinamos uma rede neuronal para identificar a posição e orientação da partícula anisotrópica (x, y, θ) usando imagens experimentais. Usamos camadas de convolução devido ao seu poder de extrair informação. O nosso objetivo foi recolher dados posicionais usando vídeos, uma tarefa normalmente conhecida como rastreamento visual. Para tal, foi necessário decompor os vídeos em imagens e só depois fazer previsões para detetar as partículas alvo. Posteriormente, todas as previsões foram ligadas para completar o rastreio final das partículas. Treinámos o nosso modelo profundo para duas experiências diferentes. Na primeira experiência, juntámos grãos de arroz num plano bidimensional, detetámos as partículas e observamos o desempenho do método; na segunda experiência, consideramos robôs com forma alongada (aproximadamente elíptica) na presença de obstáculos cilíndricos, após completar o rastreamento das partículas, foi possível deduzir conhecimento sobre o sistemas de estudos. Em ambas as experiências obtivemos resultados promissores usando a implementação de aprendizagem profunda. Explorámos as limitações do nosso método, mas acima de tudo, apresentamos um argumento convincente em favor do uso desta técnica em estudos futuros envolvendo informações da orientação das partículas de sistemas de matéria mole.Ensembles of soft matter compose systems where interesting phenomena typically occur at room temperature. By studying their behavior we are able to infer properties about materials useful in many technological applications. To resolve the trajectory of individual particles is arguably one of the most challenging tasks in the study of their collective dynamics. Recently, there has been an increasing effort to develop machine learning techniques, e.g. neural networks, to identify different particle species and follow their trajectories. Here, we extend existing techniques to consider anisotropic particles. We trained a neural network to identify anisotropic particle’s position and orientation (x, y, θ) using experimental images. We used convolution layers due to their power in extracting features from images. Our goal is to collect positional data using videos, a task commonly known as visual tracking, so we decomposed the videos into images and then made predictions to detect the target particles on each individual frame. We linked all predictions from different frames to complete tracking. We trained our deep model for two different experiments. In the first experiment, we packed rice grains on a two-dimensional plane, we made detec tion and observed the method’s performance; in the second experiment, we considered rod-like robots in the presence of cylindrical obstacles, we tracked the particles and deduced knowledge about the system they composed. In both experiments, we obtained promising results using the deep learning implementation. We explored the limitations of the method, but above all, we made a compelling argument in favor of this technique’s use in future studies involving orientational information of particles in soft matter systems.Araújo, Nuno Miguel Azevedo Machado deDias, Cristóvão de SousaRepositório da Universidade de LisboaDuarte, David de Bettencourt2022-07-08T12:34:23Z202220212022-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/53726TID:202994635enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T16:59:46Zoai:repositorio.ul.pt:10451/53726Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:04:39.910195Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Tracing of active particles |
title |
Tracing of active particles |
spellingShingle |
Tracing of active particles Duarte, David de Bettencourt Rede Neural Rastreio Visual Sistemas de Matéria Mole Tese de mestrado - 2022 Departamento de Informática |
title_short |
Tracing of active particles |
title_full |
Tracing of active particles |
title_fullStr |
Tracing of active particles |
title_full_unstemmed |
Tracing of active particles |
title_sort |
Tracing of active particles |
author |
Duarte, David de Bettencourt |
author_facet |
Duarte, David de Bettencourt |
author_role |
author |
dc.contributor.none.fl_str_mv |
Araújo, Nuno Miguel Azevedo Machado de Dias, Cristóvão de Sousa Repositório da Universidade de Lisboa |
dc.contributor.author.fl_str_mv |
Duarte, David de Bettencourt |
dc.subject.por.fl_str_mv |
Rede Neural Rastreio Visual Sistemas de Matéria Mole Tese de mestrado - 2022 Departamento de Informática |
topic |
Rede Neural Rastreio Visual Sistemas de Matéria Mole Tese de mestrado - 2022 Departamento de Informática |
description |
Tese de mestrado, Ciência de Dados, Universidade de Lisboa, Faculdade de Ciências, 2022 |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021 2022-07-08T12:34:23Z 2022 2022-01-01T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10451/53726 TID:202994635 |
url |
http://hdl.handle.net/10451/53726 |
identifier_str_mv |
TID:202994635 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799134597991104512 |