DropTrack——基于深度学习的微流控液滴自动追踪

深度神经网络正迅速成为数据分析工具，常优于复杂微流控系统中使用的常规技术。微流控实验中一个基本且常被需求的分析是液滴的计数与追踪。具体而言，致密乳液中的液滴追踪具有挑战性，因为液滴以紧密排列的构型运动。有时这些密集簇中的单个液滴即便对人眼也难以分辨。此处，我们将两种基于深度学习的尖端算法——用于目标检测的YOLO与目标追踪的DeepSORT——结合为单一图像分析工具DropTrack，以追踪微流控实验中的液滴。DropTrack分析输入视频，提取液滴轨迹，并推断其他关注的可观测量，如液滴数量。使用人工标注图像训练液滴识别的目标检测器网络是劳动密集型任务且是持续瓶颈。本工作通过使用包含真实与合成图像的混合数据集训练目标检测器网络（YOLOv5），部分解决了该问题。我们以双重乳液实验为案例研究来分析DropTrack的性能。对于我们的测试案例，用60%合成图像训练的YOLO网络在液滴计数上表现出与用100%真实图像训练的网络相似的性能，同时将图像标注工作量减少了60%。DropTrack的性能以平均精度均值（mAP）、液滴计数的均方误差和推理速度来衡量。DropTrack的最快配置以约30帧每秒的速度运行推理，完全符合实时图像分析标准。