j9直营需要进一步研究控制储层头和精确的微流体泵送系统，以改进该系统，以长时间以恒定频率产生均匀的液滴。
本文讨论了一种主动液滴生成系统，所提出的液滴发生器使用两个液相成功生成液滴：连续相流体和分散相流体。使用视觉传感和数字图像处理基于液滴形态分析主动液滴发生系统的性能。研究中提出的系统包括液滴发生器、具有图像预处理和识别算法的相机模块以及带有工作站计算机的控制器和控制算法。整个系统能够控制、感知和分析液滴的产生。主控制器由微控制器、电机控制器、稳压器和电源组成。在液滴的形态特征中，从图像中提取直径以观察系统性能。基于MATLAB的图像处理算法包括图像采集、图像增强、液滴识别、特征提取和分析。RGB 波段滤波、阈值和开放用于图像预处理。图像增强后，通过追踪液滴的边界来识别液滴。实验中液滴平均直径在~3.05 mm至~4.04 mm之间变化，平均液滴直径递减呈二阶多项式与液滴生成时间的关系。基于视觉的基于视觉的活性微流体液滴生成系统的性能分析，使用液滴图像
病毒和细菌鉴定一直具有挑战性，但在人类的整个生命周期中可以挽救生命。最近的 COVID-19 大流行明确了快速、可靠和低成本诊断工具和技术的必要性。基于微机电系统（MEMS）的护理点（POC）器件在满足早期要求方面显示出广阔的前景。芯片实验室（LOC）设备是在微米和纳米尺度上开发的芯片，能够对血液，尿液，汗液和痰液等生物分子样品执行实验室功能。这些设备可以在微观尺度上感测、控制和驱动]。因此，这些设备被确定为能够在诊断点执行实验室测试的POC设备。文献对能够执行病理学检测、细胞分析、颗粒操作、先进药物输送系统和其他生物医学应用所需的各种功能的LOC设备的设计和开发进行了全面研究[2]。LOC装置的显著优势是需要少量样品和检测试剂、精确控制细胞环境以及更高程度的便携性[3]。更低的电力需求、废物产生的最小化、运营成本的降低、在短时间内获得准确结果的能力以及通过自动化测试过程最大限度地减少人际互动是额外的好处[4]。为了执行复杂的实验室功能，微流体装置需要复杂的通道排列和几何形状，而现有的微细加工技术是不可行的。由于微细加工技术的限制，LOC器件的微观几何参数变化很小，溶剂稀释度高导致信噪比低，以及毛细管力和表面粗糙度等主要特征对反应过程的干扰可能导致器件性能不佳。文献中确定的与LOC器件相关的几个关键领域介绍在图1
设备的关键领域。由于液相中的生物分子样品是在LOC器件中处理的，因此微流体在LOC器件中起着重要作用。微流体是一个大领域，涉及微观尺度上微型流体体积的系统控制和操作。初步将微流体分为两种;连续流动微流体和基于液滴的微流体[6]。在连续流动微流体中，流体被引导到微通道内，同时保持流动的连续性。连续流用于微流体混合器，以研究细胞的活力（例如，不同浓度的葡萄糖和磷酸盐缓冲盐水的内皮细胞）[7]，分段连续流多重聚合酶链反应[8]，用于生物颗粒聚焦和分离的惯性微流体[9]，并进行微流体筛分以分离蛋白质混合物中的目标红色荧光蛋白[10].基于液滴的微流体处理通过微通道内不混溶的多相流生成和操纵离散的分钟尺度流体体积。它在小型化、区室化和并行化方面具有优势[11]。基于液滴的微流体在单分子实验中以更高的灵敏度和通量检测分子（例如，荧光偏振免疫测定以确定血管生成素浓度）[12]，开发微流体平台以鉴定细菌（例如水中的大肠杆菌）[13]，细胞生物学以产生人造脂质双层[14]，以及设计聚合物微胶囊[15].液滴生成在需要精确样品制备和受控运输的液滴微流体系统中至关重要。通常，液滴的产生包括四个阶段;包胶、填充、缩颈和脱落[16]。研究液滴生成的常用方法是基于几何形状、基于吸气、滑片和数字微流控方法，例如电润湿、介电泳、光电润湿、热熔炉毛细管效应和表面声波[17，18，19]。基于几何形状的方法利用微通道的几何排列来产生液滴。错流、聚焦流和共流是文献中广泛使用的三种几何排列[20]。液滴发生器分为两类：有源和无源器件。有源设备使用外力来驱动流动，被动设备不使用外力。相比之下，有源器件具有利用外力精确调节的能力，因此具有更高的可控性[21]。在宏观尺度上使用的各种检测技术中，几种基于机械、化学、光学、电化学和纳米材料的技术适用于微观尺度，以在LOC系统中执行目标识别和特征提取[22]。广泛的应用导致了这些技术的惊人技术进步。
光学传感是一种将电磁波或电磁波的变化转换为电信号以获取数据的技术[23]。光学传感在微流体研究中得到广泛应用，因为它能够实时感知，并且对显微镜、相机（CCD和CMOS）以及最近的智能手机等所需硬件的可访问性更高。将此类硬件与微流体系统连接在一起的简单性使荧光检测、比色检测、化学发光检测、干涉检测和基于表面等离子体共振的检测等方法成为可能[24]。最常见的方法是荧光检测，基于被研究粒子对光能的吸收和发射，该方法被用作实时和端点传感技术。最近，已有基于荧光检测的POC设备与物联网（IoT）技术集成，用于诊断传染病并监测其传播[25]。此外，基于量子点的传感技术已被用于开发基于纸张的分析设备，这些纳米颗粒可以精确跟踪生物颗粒[26]。视觉传感是光学传感的一个分支，涉及使用相机模块进行数据采集、数据处理和捕获图像的分析。电子、制造和计算能力的进步使视觉传感能够适用于微型系统，例如微流体设备[27]。视觉系统和算法能够以快速响应时间和高灵敏度准确地执行多路复用操作，并以非接触方式与其他组件进行最少的硬件交互获取详细数据[28]。数字图像处理（DIP）技术可以使用数字图像[29]提取单个或多个特征，这在对象识别中非常有益。因此j9直营，需要执行复杂的数据分析程序来分析获取的信息[30]。DIP在几个阶段执行：图像采集，增强，分割，特征提取和使用适合应用的适当技术进行分析。文献报道了对液滴图像进行形态学分析的各种算法[16]。液滴发生系统利用产生的液滴的特征进行表征。液滴尺寸通常被认为是分析液滴发生系统性能的控制参数[31]。表 1显示使用 DIP 在液滴图像中识别的物体的特征。表 1使用 DIP 技术的可识别特征。特征识别尺寸 [32]偏心率 [33]梯度 [34]凹 [35]预计表面积 [36]球形度指数 [37]对称性 [38]圆度 [39]边框 [40]半径 [41]膜表面积 [42]对比度变化 [30]形状 [43]伸长率 [44]饱和度 [45]卷 [38]球形度系数 [46]外形 [47]在单独的窗口中打开精确的液滴生产和操作在基于液滴的生物测定中至关重要。
基于液滴的分析设备已经显示出有希望的结果，但大多数系统都经过训练以生成预定义的液滴，并且这些设备无法适应需要逐步处理的复杂生物测定。在这方面，按需液滴发生系统对于专门处理极稀样品的应用非常重要[48]。前面讨论的按需液滴发生系统是使用昂贵的硬件和软件开发的，这些硬件和软件在通用实验室中无法访问。在这项研究中，我们研究了一种低成本系统，该系统使用基于激光的制造技术制造的微流体液滴发生器，内部开发的控制器，具有流体和电气连接的实验装置以及使用DIP进行性能分析的控制软件。我们使用基于几何形状的有源液滴发生器上的液滴尺寸进行了实验性能分析，以了解系统的行为。一种强大的技术，基于视觉的非接触式传感，然后是DIP，用于数据采集和处理。在基于几何形状的微流体液滴发生器中，器件的几何参数显着影响液滴生成过程[49]。因此，研究液滴产生系统的行为至关重要，特别是液滴尺寸随时间的变化。基于该研究，可以表征液滴生成系统，并进一步研究按需液滴生成的适用性。2. 材料和方法2.1. 建议的系统如 中所示图2，建议的硬件配置包括液滴发生几何形状、两个储液罐、两个潜水泵、流体供应管、控制器、相机和工作站计算机。
2.1.1. 液滴发生器本研究中使用的液滴发生器基于流动聚焦几何形状，该装置先前由研究小组开发[50]。激光加工技术用于制造设计的层，并使用聚甲基丙烯酸甲酯（PMMA）作为材料。最后，使用热粘合工艺组装这些层。如 中所示图3，液滴发生器包括两个入口，每个液相一个和一个宽度为6毫米的出口通道，用于引导流体流动以进行进一步观察和分析。如插图所示，入口通道、出口通道和收缩几何形状的高度为 1 mm。收缩几何形状的设计减小了通道宽度，直接影响液滴形成过程。所有尺寸均通过数值模拟获得[49，50]。
2.1.2. 控制器和控制算法控制器由微控制器、双通道H桥电机驱动器、稳压器和电源组成。
图4用于产生主动液滴的控制器：（a） 接线图;（b） 组装装置。基于 ATmega328P 的微控制器驱动潜水泵内的直流 （DC） 电机。双通道H桥电机驱动器驱动直流电机，电机驱动器控制电机转速。选择带AC-DC转换器的电源，以便从230 V输入获得12 V DC电源。稳压器在 1.1 V 至 12 V 范围内调制 12 V DC 输入。两个离心式潜水泵被放置在水库内。必须独立控制两个泵，以提供不同流速的连续相和分散相流体，这对于获得液滴生成所需的流速比至关重要。带有Arduino硬件支持包[51]的MATLAB软件用于部署控制算法以接收用户输入并将控制信号传输到微控制器。微控制器生成脉宽调制（PWM）信号来控制电机控制器。电机控制器的输出信号在两个输出通道上分别生成，以调节泵的流量，从而控制流体流向液滴发生器。2.2. 系统架构用于研究性能分析的拟议系统架构由属于两个主要子系统的步骤组成（如图2);主动液滴生成和视觉系统。图5显示了控制主动液滴生成和基于视觉的液滴识别系统的步骤。 图5控制系统的架构。如前所述，液滴发生系统是根据PWM值部署的。视觉系统根据时间部署，并在间隔后启动，为系统稳定提供足够的时间。将捕获的图像存储在工作站计算机的内部存储器中，然后对图像进行处理以分析主动液滴发生系统的性能。2.3. 基于视觉的液滴识别和特征提取图像采集与主动液滴发生系统的控制算法集成。因此，一旦启动液滴生成，该算法就可以实时获取图像并在整个给定间隔内存储它们。使用安装在液滴发生器输出通道上方的基于CMOS的相机模块以640×480的分辨率捕获图像。结果，图像是从俯视图捕获的。2.3.1. 液滴图像的预处理液滴识别算法使用几个过滤和阈值步骤，通过减少背景噪音来隔离和区分液滴。使用带过滤、二进制转换、阈值和开放技术。波段过滤基于从 RGB 图像中提取红色、绿色和蓝色条带以增强图像中的特征。不同的波段图像有助于根据背景颜色和物体颜色识别物体。然后，将波段图像转换为二进制形式：根据亮度具有介于 1 和 0 之间的值的矩阵。假设使用相机拍摄的图像的分辨率为米×，图像的RGB格式由大小的三维矩阵表示M × N × 3.第三维表示图像的红色、绿色和蓝色段的详细信息。提取RGB图像的三个颜色层以识别合适的波段图像以进行进一步处理。然后，将波段影像转换为二进制影像。公式（1）定义了阈值方法：B我(x，y)={ RB我(x，y)≥THrV 1RB我(x，y)THrV 0(1)RBI是作为输入影像的波段影像。像素位置使用x和y坐标朝向行和列方向表示。ThrV是阈值，BI是二值化算法生成的二进制图像。需要一个阈值来分离属于液滴和背景的像素。在图像处理中，侵蚀、扩张、打开和关闭等形态学操作提供了去除输入图像中缺陷的能力[52]。在这项研究中，使用侵蚀和膨胀的组合进行打开操作来消除噪声，公式（2）描述了通过结构元素（B）打开输入图像（A）：A οB=（A⊖B）⊕B(2)2.3.2. 液滴边界的识别摩尔邻域和冯诺依曼邻域是基于元胞自动机定义边界追踪邻域的两种最常见方法[53]。在这项研究中，采用摩尔邻域追踪算法（MNTA）和雅各布停止准则来追踪每个液滴的边界[54]。摩尔邻里（NM） 的范围 r，表示在 （x0, y0） 坐标由公式 （3） 给出：NM(x0,y0)={(x，y):x−x0≤r，y−y0≤r }(3)在 MATLAB 中，MNTA 基于围绕给定像素 （P） 的 8 个连接像素进行部署。在识别液滴的边界时，MNTA扫描摩尔邻域以寻找白色像素。最初，按顺序扫描图像段，直到找到白色像素。在摩尔邻域发现白色像素后，该白色像素被设置为像素P。扫描过程在像素P周围新定义的摩尔邻域重新开始。停止准则在物体识别中发挥了重要作用。雅各布的停止标准在这项工作中使用。在 Jacob 停止准则中，扫描算法在第二次输入起始像素后终止，其方式与最初输入的方式相同。2.3.3. 提取液滴特征以进行性能分析液滴直径是本研究中研究的形态特征。面积和周长值用于计算平均直径以测试系统的性能。在这方面，通过分别计算属于每个液滴的白色像素数来获得识别液滴的区域。周长也以像素为单位获得。分别使用获得的面积和周长以像素为单位计算图像中每个液滴的半径。使用两个半径值计算每个液滴的平均半径。对图像中液滴的半径值求平均值，并为每个图像定义平均液滴直径值。最后，通过定义基于出口通道宽度（6 mm）的像素与毫米比，将平均液滴直径值转换为毫米，这是一个已知参数。2.4. 基于视觉的液滴生成系统的实验设置用于实验的硬件布置如图6.潜水泵连接到每个储层的底面，包含连续相（流体A）和分散相（流体B）。实验装置中使用的潜水泵的额定电压为9 V。但是，稳压器设置为9.4 V，以补偿稳压器中的压降。因此，PWM值在0至9 V的电压范围内变化，分辨率为0.035 V。
对于实验，椰子油具有900 kgm−3密度和55 cP粘度为连续相，水为1000 kgm−3密度和1.01 cP粘度作为分散相。使用有色水，因为色差增加了在图像处理中区分水滴和椰子油流动的能力。由于该研究基于给定时期液滴直径的变化，因此该设置配置为在固定时间段内生成液滴并捕获图像。2.5. 用于基于视觉的性能分析的图形用户界面 （GUI） 的设计和开发整体设置的功能要求和开发软件中的相关功能显示在图7. 图7系统的功能和图形用户界面的特性。MATLAB GUI 开发环境 （GUIDE） 用于开发 GUI。为实验设计的 GUI 如 中所示图8，并且开发了具有单独测试液滴发生系统的功能。因此，无需运行整个实验即可监测液滴的产生。使用GUI，可以在全速或给定的PWM值下测试泵。此外，还可以逆转流体流动，这使得系统能够去除通道和液滴发生器内的流体，以减少设备中碎片的停滞，因为它会导致实验错误。 图8图形用户界面的前端。3. 结果和讨论首先，进行45 min的液滴生成实验，以观察相机的性能，实验室环境中的照明效果以及采集图像的质量。从t = 15 s开始，以15 s的间隔捕获图像。图9显示每隔 10 分钟拍摄的图像。 图9亮度水平的可见变化：（a） t = 15 s;（b） t = 615 s;（c） t = 1215 s;（d） t = 1815 s;（e） t = 2415 秒。生成的图像（如图9） 表示长时间进行测试时可见的亮度变化。照明条件影响了捕获的图像，并为图像处理中的固定阈值提供了错误的结果。因此，周围的照明条件被确定为一个重要参数，并考虑到这一点，对其进行了仔细控制以获取实验图像。3.1. 检测单个图像中的液滴RGB 图像的三个颜色层表示为M × N × 3矩阵。原始 RGB 图像显示在图10a，提取的红色、绿色和蓝色条带段显示在图10b–d.相应的直方图显示在图10呵呵。选择 RGB 图像的红色波段以通过观察波段图像进行进一步分析，因为红色波段显示属于液滴的像素与背景之间存在明显差异。 图10波段滤波：（a） 原始图像;（b） 红色段;（c） 绿色部分;（d） 蓝色段;（e–h）各自的直方图。在二值化中，图像中每个像素的灰度值将转换为介于 0 和 1 之间的值。这样，0 表示黑色像素，1 表示白色像素。阈值从 0.1 到 0.9 变化，以确定最佳阈值。如图11，痕量液滴在0.6至0.8的范围内可见，因此最佳阈值被识别为0.7。 图11阈值比较：（a） 0.6;（b） 0.7;（c） 0.8.得到的液滴的二值图像呈现了由于光照条件引起的噪声，椰子油流动中的微小水颗粒，通道壁附近的停滞流体颗粒以及通道壁中不均匀的表面特性。此类噪声被识别为小物体，并根据其大小进行过滤。图12显示了打开操作的各个阶段，该操作减少了二进制图像中存在的不必要噪声。 图12形态开口：（a）二值图像;（b） 开启步骤1;（c） 开启步骤2。如 中所示图12c、液滴区域可见;因此，通过检测和追踪液滴的外部边界来识别液滴。考虑使用包含液滴发生器出口通道段的区域进行液滴识别，如图13.属于液滴的像素以白色表示，背景像素为黑色。 图13液滴识别：（a） 原始 RGB 图像;（b） 使用DIP检测到的液滴。3.2. 性能分析进行测试以观察系统的行为，并以15 s的间隔分析其性能，每个225秒，并选择了五个图像集进行进一步处理。图14显示图像预处理步骤后每个测试的第一个（15 s），中间（120 s）和最后一个（225 s）图像。 图14每个实验的第一张、中间和最后一张图片。观察到液滴直径随时间而减小，液滴生成频率也在降低，如图14.对5个图像集中的75幅图像进行了液滴检测和特征提取，以获得每个图像中液滴的面积和周长。在整个实验期间，观察到测试中每个图像的平均液滴直径都有减小j9直营，并且图15根据检验的平均值绘制。 图15时间与平均液滴直径的关系。该图显示，在所有测试中，生成的液滴的直径随着实验时间的增加而减小，并且减小相当于二阶多项式。此外，平均液滴直径在~3.05毫米至~4.04毫米的范围内变化。4. 结论本研究考虑了主动液滴发生系统的性能，所提出的实验装置基于具有两个潜水泵的主动流聚焦方法成功生成液滴。这两个泵分别控制，以获得产生液滴所需的流量比。控制信号从GUI提供给基于ATmega328P的控制器。图像处理用于处理捕获的图像，并使用总共75张图像计算五次实验中的液滴直径。波段过滤、二值化、阈值和开放技术消除了背景噪声并隔离了图像中的液滴。波段滤波过程中产生的红色波段用作二值化的输入图像。此外，通过实验确定了最佳阈值（ThrV）0.7，并将其用于二值化算法。使用摩尔-邻居追踪算法追踪液滴的边界，然后遵循雅各布停止准则。以像素为单位获得液滴的面积和周长，以计算以像素为单位的平均液滴直径。然后，使用“ImageJ”软件获得的平均液滴直径值以每毫米17.128像素的比率转换为毫米。在液滴发生器的性能分析中，观察到为每个图像定义的平均液滴直径值和液滴产生频率。液滴直径和液滴生成频率随时间推移而减小。根据使用上述实验装置获得的结果，认识到其他几个因素会影响液滴直径和产生频率。即使在固定电压电源速也不是恒定的。此外，储液罐头的影响不可忽略，因为流速取决于储罐头。通道表面化学性质、微流控芯片的几何形状、流动驱动稳定性和总流量比显著影响液滴的均匀稳定生成。需要进一步研究控制储层头和精确的微流体泵送系统，以改进该系统，以长时间以恒定频率产生均匀的液滴。除此之外，高端视觉硬件和基于AI的特征提取和分析将有助于实现更好的性能。
