物理实验中颗粒尺度的测量对于泥沙输运研究至关重要。传统粒子追踪测速（PTV）依赖基于强度阈值和最近邻关联的模板匹配方法，难以应对颗粒重叠、旋转及表观形状变化显著的密集颗粒体系。研究人员提出了一种结合YOLO任意目标检测算法与卡尔曼滤波的新型计算机视觉PTV框架，可在遮挡与噪声条件下实现稳健的数据关联。该框架能够捕捉颗粒尺度的运动学特征，并在多种输运条件下精确测量不同形状颗粒的剪切率（γ̇）、旋转速度（ω）及颗粒温度（Tg）。结果显示，γ̇与ω均显著依赖于希尔兹数（θ），与颗粒流理论预测一致。相比球形颗粒，非球形颗粒表现出更陡峭的γ̇–θ与ω–θ关系，表明其碰撞扰动更强、旋转更剧烈且流动能量耗散更高。这种颗粒形状效应在高希尔兹数条件下更为显著，凸显了微观颗粒形状对底载动力学的调控作用。该技术有望在未来研究中为揭示泥沙输运的基础力学机制提供更多微观视角。
研究背景方面，泥沙输运在塑造地球及行星表面地貌与生态环境中具有核心作用，并与滑坡、泥石流等地质灾害密切相关。现有经验或半经验输运公式往往因颗粒运动的随机性及颗粒属性差异而产生较大偏差，尤其是颗粒形状对输运行为的影响尚未被充分量化。传统粒子追踪测速（PTV）依赖规则形状的模板匹配，难以处理非球形颗粒在密集输运过程中的重叠与旋转，限制了微观机理研究。为此，研究人员开发了一种融合深度学习与状态估计的PTV框架，以提升不规则颗粒的运动解析能力。
关键技术方法方面，研究人员采用循环水槽开展实验，使用直径约5 mm的球形氧化锆-氧化铝颗粒与天然石英砾石作为样本，并在侧墙布置高速摄像采集图像。检测阶段应用YOLOv8卷积神经网络进行颗粒定位，并通过图像矩分析优化质心计算；跟踪阶段引入卡尔曼滤波进行帧间数据关联，以恒定速度模型预测颗粒状态并结合观测值更新。验证方面，利用离散元法（DEM）生成合成图像作为真值数据集，评估检测与跟踪精度。
研究结果方面，首先在“沉积物输运通量”部分，基于PTV数据识别床面高程并计算希尔兹数，发现砾石的启动阻力高于球体，临界希尔兹数分别为0.059与0.0475，与经典Meyer-Peter–Müller公式趋势一致。其次，在“内部流动结构”中，颗粒流速剖面呈凸形分布，剪切率随高程增加至峰值后下降，且非球形颗粒表现出更强的速度波动与颗粒温度，显示形状引起的碰撞与摩擦增强。旋转速度在底载层显著高于跃移层，并与局部剪切率呈线性正相关，证实颗粒形状通过旋转耦合影响动量传递与能量耗散。
讨论与结论部分指出，该研究突破了传统PTV在形状适应性与遮挡处理上的限制，实现了非球形颗粒的高分辨率运动学测量。结果表明，颗粒形状通过改变碰撞频率、摩擦接触与旋转行为，显著调控底载输运的强度与模式。这一发现支持了将干颗粒流理论扩展至水下输运系统的可行性，并为随机输运模型（如连续时间随机游走）提供了微观统计基础。研究框架可推广至混合粒径与形状的天然泥沙实验，有助于建立更精细的颗粒形态—输运响应关系，推动泥沙输运理论向形状感知与概率化方向发展。论文发表于《Water Resources Research》。
