详细内容或原文请订阅后点击阅览
深度学习仅使用视觉图像对非接触液液滴进行分类
保持分配的下降体积是具有挑战性的，并且在很大程度上取决于各种因素，例如环境条件，粘度，液滴如何变形或流动，分配器的几何形状和驱动动力学。
来源:RoboticsTomorrow News保持分配的下降体积是具有挑战性的，并且在很大程度上取决于各种因素，例如环境条件，粘度，液滴如何变形或流动，分配器的几何形状和驱动动力学。
吉尔奇，德国，2025年3月5日 - 液滴或“喷射”的非接触式分配是微小液滴的精确沉积，从粉状液滴到微胶质到微层，而无需分配喷嘴可以物理地触摸表面，因此保护脆弱的底物免受损害。非接触式分配广泛用于微流体，生物打印，药物发现，微阵列制造和电子制造，其中精确液体的沉积至关重要。
为了发现如何提高量的可靠性，弗莱堡大学（德国弗莱堡）的科学家使用不同的采样技术，数据清洁条件和数百批次收购批次比较了七个神经网络架构。由于神经网络是通用近似值，因此它们可以随着属性的变化而随机调整分配器参数。
testrig获取设置
为了满足获得大量视觉数据进行深度学习的需要，开发了一种名为Testrig的自动采集设置。 Testrig建在光学面包板的顶部，具有安装在三轴精确阶段的纳米级非接触液液滴分配器。通过将分配器喷嘴放置在发光二极管之间，将掉落的液滴成像为阴影。
视频捕获系统
相机框架的大小定义为750像素的高度和144个像素的宽度，以考虑最长的尾巴。这样，框架包含从头到脚的整个液滴。然后将框架送入七个2D和3D神经网络架构进行培训和测试。多次收购批次的培训有助于网络减少仅通过一批培训就可以出现的“快捷方式学习”。