Descrizione del progetto
Un migliore tracciamento delle goccioline su microscala
Nel settore delle scienze della vita, la fabbricazione spesso richiede la manipolazione di piccolissime quantità di liquidi. Tuttavia, gli attuali metodi impiegati per l’analisi di questa microfluidica possono essere dispendiosi in termini di tempo e incrementare sensibilmente i costi di produzione. Il progetto DROPTRACK, finanziato dall’UE, intende impiegare la visione artificiale per creare modalità affidabili e a basso costo per il tracciamento e l’analisi di tali microfluidi. Servendosi di due algoritmi di apprendimento profondo, il software di DROPTRACK sarà in grado di individuare e tracciare singole goccioline a partire da video sperimentali e misurare quantità fisiche quali i numeri di goccioline, le velocità di flusso e il fattore di impacchettamento. I risultati preliminari mostrano che il software è in grado di analizzare le immagini in modo molto più veloce rispetto a una tipica videocamera digitale, il che potrebbe garantire un drastico risparmio di tempo agli utenti dei settori biologici.
Obiettivo
Microfluidics technology targets droplet manipulation by confining fluids to manufacture materials for many industrial applications and life sciences. Data analysis obtained by microfluidic experiments remains a bottleneck to this day due to the lack of a reliable interface converting raw observations to informative data fast enough and at low operating costs. Many computer vision tools exist, which permit to infer useful physical information from video data but they typically target specific physical systems and lack broad applicability. Moreover, the existing tools need intensive development and fine-tuning before they can be useful in a specific scenario. Thus, such a lack of computer vision tools with broad applicability hinders the penetration of this technology for extensive microfluidics applications.
This PoC aims to develop a stand-alone, easy-to-use software (DropTrack) that can detect and track individual droplets from experimental videos. Two cutting-edge deep-learning algorithms, YOLO for droplet detection and DeepSORT for droplet tracking, will be at the software's core. DropTrack will provide trajectories of the individual droplets and measure physical quantities of interest, such as the droplet numbers, flow rates, packing fraction, etc., by analyzing videos from experiments. Our preliminary work indicates that DropTrack is capable of analyzing images much faster than the image capture rate of a typical digital camera, thereby opening entirely new prospects for real-time feedback control in experiments.
The realization of DropTrack will lead to dramatic time and resources savings in video data analysis of deformable moving objects in microfluidics. Beyond this PoC, the successful demonstration of this technology in microfluidics is expected to attract significant attention as a handy data analysis tool in other relevant fields such as multi-organism biological systems from cell aggregates to animal congregation.
Campo scientifico
- natural sciencescomputer and information sciencesdata science
- natural sciencesphysical sciencesclassical mechanicsfluid mechanicsmicrofluidics
- engineering and technologyother engineering and technologiesfood technology
- engineering and technologymaterials engineering
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-AG-LS - HORIZON Lump Sum GrantIstituzione ospitante
16163 Genova
Italia