Deep Learning classe les gouttelettes sans contact en utilisant uniquement des images visuelles

Le maintien d’un volume de chute dispensé est difficile et dépend en grande partie de divers facteurs tels que les conditions ambiantes, la viscosité, la façon dont les gouttelettes se déforment ou le flux, la géométrie du distributeur et la dynamique d’actionnement.

Gilching, Allemagne, 5 mars 2025 – La distribution sans contact des gouttelettes ou le « jet » est le dépôt précis de minuscules gouttelettes liquides, allant des picoliters aux microlitres, sans la buse de distribution qui touche physiquement la surface, protégeant ainsi les substrats fragiles et fragiles contre les dommages. La distribution sans contact est largement utilisée dans des champs comme la microfluidique, la biopritage, la découverte de médicaments, la fabrication de microréseaux et la fabrication d’électronique, où le dépôt de volumes exacts de liquide est crucial.

Le maintien d’un volume de chute dispensé est difficile et dépend en grande partie de divers facteurs tels que les conditions ambiantes, la viscosité, la façon dont les gouttelettes se déforment ou le flux, la géométrie du distributeur et la dynamique d’actionnement.

Pour découvrir comment améliorer la fiabilité du volume, les scientifiques de l’Université de Freiburg (Freiburg, Allemagne) ont comparé sept architectures de réseau neuronal en utilisant différentes techniques d’échantillonnage, des conditions de nettoyage des données et des centaines de lots d’acquisition. Comme les réseaux de neurones sont des approximateurs universels, ils peuvent classer les liquides et ajuster les paramètres du distributeur à la volée à mesure que les propriétés changent.

Configuration de l’acquisition de Testrig
Pour répondre à la nécessité d’acquérir une grande quantité de données visuelles pour l’apprentissage en profondeur, une configuration d’acquisition automatisée, nommée Testrig, a été développée. Construit sur une planche à pain optique, Testrig dispose d’un distributeur de gouttelettes sans contact nanolitre monté sur une étape de précision à trois axes. Les gouttelettes qui tombent ont été imagées sous forme d’ombres en positionnant la buse de distributeur entre une diode électroluminescente.

Système de capture vidéo
Pour chaque gouttelette distribuée, une séquence de 250 images a été enregistrée à une vitesse de 6806 images par seconde par une caméra Mikrotron Motionblitz Eosens Mini2. La mémoire d’image interne permet de fonctionner cette caméra CMOS CMOS à 3 mégapixels sans connexion à un PC hôte. Le logiciel Motionblitz® Director2 a configuré et a utilisé la caméra, tandis que le logiciel interne a été déployé pour déclencher la caméra, configurer les paramètres de l’actionnement et enregistrer la masse, la température ambiante, l’humidité relative et les lectures de pression.

La taille du cadre de l’appareil photo a été définie comme 750 pixels de hauteur et 144 pixels de largeur pour prendre en compte la queue la plus longue pour une goutte. De cette façon, le cadre contenait toute la gouttelette de la tête aux pieds. Des cadres ont ensuite été introduits dans les sept architectures de réseau neuronal 2D et 3D pour la formation et les tests. La formation sur plusieurs lots d’acquisition a aidé les réseaux à réduire « l’apprentissage des raccourcis » qui ne peuvent survenir qu’en s’entraînant uniquement sur un seul lot.

Après avoir appliqué les différents lots d’acquisition, les scientifiques ont constaté que les architectures neuronales plus profondes étaient moins précises, tandis que des architectures moins profondes utilisant des convolutions 2D et 3D fonctionnaient mieux, en particulier le réseau neuronal convolutionnel RESNET-18. En fait, l’inférence pourrait être faite à l’aide de RESNET-18 avec aussi peu qu’une seule image. Ils ont également déterminé que le nettoyage des données a provoqué une diminution de la précision de la classification en raison de la réduction de la quantité de données de formation alimentées au réseau.

L’étude de l’Université de Freiburg a servi de preuve de concept pour les réseaux de neurones afin de prédire les forces visqueuses de différents fluides à la tension inertielle et en surface, également connue sous le nom de nombre d’Ohnesorge. Les architectures d’apprentissage Testrig et Deep ont analysé avec succès les modèles visuels des gouttelettes dispensés sans contact, identifiant essentiellement la viscosité du fluide et les caractéristiques de tension de surface uniquement à partir de la façon dont il se comporte lorsqu’il est distribué sans contact direct avec une surface.

En savoir plus sur www.mikrotron.de ou www.svs-vistek.com.

1. Sardana, P.; Zolfaghari, M.; Miotto, G.; Zengerle, R.; Brox, T.; Koltay, P.; Kartmann, S. Dropletai: Classification des liquides basée sur l’apprentissage en profondeur avec différents nombres d’Ohnesorge lors de la distribution sans contact. Fluides 2023, 8, 183.