张 敏，刘明侯

(中国科学技术大学 工程科学学院，安徽 合肥 230027)

微流体液滴在生物化学反应、混合和强化传热传质等领域具有广泛应用，但不同应用对液滴特征需求差异较大[1]。微流体液滴特征可分为物理性质和化学性质，其中物理性质有液滴大小、形状、速度、表面张力等；化学性质有分析物的组分和浓度[2]等。光学检测是传统的微流体液滴检测方法，通过对图像测量方法获得液滴几何参数[3]。也有研究者提出采用阻抗[4]、射频(RF)微带传输线[5]和光强等测量液滴组分浓度、速度、大小等参数。

Hadikhani等[6]提出采用神经网络由液滴的图像得到流体芯片中不同流体特性，如水/醇两个通道流动参数速度。Mahdi等[7]使用人工神经网络建立模型，用来预测油/水微流体系统中液滴的无量纲长度。该网络的输入量为影响微滴大小的多个参数，如流速、粘度、两相表面张力和微通道的直径等。此后，研究者还发展了基于机器学习的微流体流态预测[8]、层流控制和液滴尺寸控制[9]、稳定性识别技术[10]等。调研发现，上述技术并不适合同时识别液滴生成前即未分裂状态。因此，本文旨在发展一个适用微流体液滴测量的多语义分割网络，精确捕捉不同流态下液滴特征。

1 数据集建立

采用同一个微流控芯片中液滴产生试验图像构建数据集。在选取数据集时，为了模型具有较强的泛化性，考虑到数据集覆盖范围，分别选取不同试验条件下整个液滴生成阶段的试验图像，其中包含不同大小和形状液滴的图片。……