一种光致电润湿芯片中液滴的自动化控制方法技术

本发明专利技术公开了一种光致电润湿芯片中液滴的自动化控制方法，包括以下步骤：首先布置光控电润湿平台；训练深度学习系统中的神经网络模块；使用设备实时拍摄图片，传入深度学习系统做出相应的路径规划并生成对应的光虚拟电极，即光图；将光图投影至所述光控电润湿平台的芯片上，在设定的起始点生成待操作液滴，连续变化光图以驱动液滴。本发明专利技术的一种光致电润湿芯片中液滴的自动化检测和反馈控制方法，该方法也适用于各种类型尤其是无电极阵列的数字微流控芯片，具有检测精度高、控制灵活、可以自动进行路径规划躲避障碍物，对人工操作的依赖度低的优势。赖度低的优势。赖度低的优势。

【技术实现步骤摘要】
一种光致电润湿芯片中液滴的自动化控制方法


[0001]本专利技术涉及计算机科学及微流控芯片技术，尤其是涉及一种光致电润湿芯片中液滴的自动化控制方法。

技术介绍

[0002]随着微生物科学研究在微尺度上的重要性日益提高，基于液滴的微流控技术已被证明是用于各种生物医学研究应用程序的强大平台，例如PCR、酶分析、血液分析等。这些应用通常需要使用离散液滴形式的少量水性试剂充当芯片实验室(LOC)中反应物传输的载体，并以运动方式处理这些液滴，例如液滴的运输，分裂，合并和混合。基于液滴的微流控技术的新兴领域导致需要对微液滴中的单个液滴进行有效处理。大多数LOC使用基于微通道的一维(1
‑
D)连续流平台，可以通过压差、热毛细作用力等实现对微液滴的主动控制。与1
‑
D微流体设备相比，基于液滴的二维(2
‑
D)微流体设备可以更灵活地单独处理液滴。2
‑
D设备可以通过化学或热梯度，表面声波，电场和磁场等来实现驱动，其中介电润湿(EWOD)机制因其快速的开关响应和低功耗而受到较多的关注，并实现了可以在pL
–
μL的体积范围内处理液滴的数字微流控(Digital microfluidics DMF)系统，每个液滴都可以被运输，混合，反应和分析。但EWOD芯片控制液滴的灵活程度与芯片电极阵列的规模正相关，要实现更加精密的操作就伴随着更加复杂的电极制备和布线工作。近期，基于光的驱动方式，如光致电润湿(Optoelectrowetting)得到了广泛研究，其工作原理是在芯片上制备一层光敏材料，在整个芯片接通电压的前提下，通过改变芯片表面的光照状态来改变光敏材料的电阻，以导致指定位置产生电压降而改变液滴接触角，从而驱动液滴。光驱动使得能够在单个芯片上执行复杂的微流体功能，而不会遇到电润湿电极的二维阵列的布线瓶颈。
[0003]由于各种生物医学分析过程复杂，精确性要求高，并且在微流控芯片中，当液滴遇到障碍物(如其他试剂的残留)，很容易影响芯片使用或造成交叉污染，因此实现微流控系统的自动化和智能化成为微流控技术的重要发展方向之一。目前自动化的微流控设备，大多依然对操作者有较高的依赖性，如需要操作者确认障碍物属性及液滴操纵轨迹等，且功能较少，没有实现真正意义上的自动化。
[0004]精准、高效的液滴自动化检测和反馈系统以及信息处理和控制系统是微流控智能操控平台的关键。现有技术中，在DMF设备上检测液滴的常用方案是使用电容式检测和阻抗检测，如环形振荡器电路利用所施加信号的频率变化来监控液滴的分配；电阻器和电容器电路输出电压值用于监视液滴运动；以及计算优化的电极充电时间并实时监测设备上的液滴的模糊控制算法。这些监测方法都依赖于外加电压和电极阵列，不适用于基于光致电润湿的微流控系统。除此之外，基于图像边缘检测的反馈和分析系统，能够检测单个液滴的分配和移动故障并实现反馈，并且可以与设备上的其他液滴的操作同时进行，这一系统也可用于光、磁等驱动的微流控设备，但对于光致电润湿设备，光照的干扰将对边缘检测的准确度造成较大影响。

技术实现思路

[0005]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是在数字微流控芯片中，由于障碍物或者其他试剂的残留的存在难以避免，容易影响芯片使用或造成交叉污染；现常用的自动化检测方法不适用于光、磁等驱动的无电极阵列的微流控设备且精度较低；现有检测方法很难同时实现对液滴位置、尺寸、颜色以及芯片本身缺陷等的多维度检测；单平面光致电润湿芯片难以实现对液滴的二维操控等。本专利技术提供了一种光致电润湿芯片中液滴的自动化检测和控制方法，该方法也适用于各种类型尤其是无电极阵列的数字微流控芯片，具有检测精度高、控制灵活、可以自动进行路径规划躲避障碍物，对人工操作的依赖度低的优势。
[0006]为实现上述目的，本专利技术提供了一种光致电润湿芯片中液滴的自动化控制方法，包括以下步骤：
[0007]首先布置光控电润湿平台；
[0008]训练深度学习系统中的神经网络模块；
[0009]使用设备实时拍摄图片，传入深度学习系统做出相应的路径规划并生成对应的光虚拟电极，即光图；
[0010]将光图投影至光控电润湿平台的芯片上，在设定的起始点生成待操作液滴，连续变化光图以驱动液滴。
[0011]进一步地，深度学习系统包括神经网络模块和光图生成模块。
[0012]进一步地，深度学习系统中的神经网络模块可以由多种神经网络实现，达到输入图片，输出路径指令的效果，包括采用目标检测模型和最短路径算法，通过训练目标检测模型以识别芯片上液滴位置，再由最短路径算法规划液滴移动路径；或采用强化学习神经网络，经过训练后直接根据芯片实时图像做出路径指令。
[0013]进一步地，训练深度学习系统中的神经网络模块是根据神经网络模块的实现方案采取对应的训练方式，采用目标检测模型和最短路径算法，通过训练目标检测模型以识别芯片上液滴位置，由最短路径算法规划液滴移动路径，具体为：采集含有液滴状态各不相同的光致电润湿芯片表面图片，加标签制作数据集训练目标检测模型。
[0014]进一步地，采用强化学习神经网络，经过训练后直接根据芯片实时图像做出路径指令是根据神经网络模块的实现方案采取对应的训练方式，具体为：以Q
‑
learning为例，可通过实验或仿真的方法，使系统随机做出指令，根据指令达到的效果给予相应反馈，不断重复直到系统能稳定做出最佳指令。
[0015]进一步地，深度学习系统中的光图生成模块是使用最短路径算法和画图程序库，根据神经网络模块的输出路径画出对应的连续变化的驱动光图，在驱动指定液滴的同时不影响芯片上其他液滴。
[0016]进一步地，采集含有液滴状态各不相同的光致电润湿芯片表面图片具体包括采集液滴状态各不相同的光致电润湿芯片表面图片，具体包括用相机拍摄一定数量的光致电润湿芯片表面图片，包括在设备实际使用过程中液滴可能存在的各种状态的图片，并根据算法模型参数调整各种状态图片所占比例。
[0017]进一步地，采集含有液滴状态各不相同的光致电润湿芯片表面图片，加标签制作数据集训练目标检测模型，具体包括：
[0018]利用相机拍摄多张光致电润湿芯片表面图片，包括含有尺寸、状态不同的液滴的图片；
[0019]将采集到的图片制作成数据集，其中，随机抽取若干张图片作为测试集检验最终训练模型的效果，其余图片按照一定比例划分为训练集和验证集；
[0020]然后利用训练集进行训练，使用验证集测试训练好的模型效果。
[0021]进一步地，布置光控电润湿平台包括图片获取装置、投影装置(即光源)、光致电润湿芯片、控制中心及液滴生成装置，获取装置、液滴生成装置、投影装置与控制中心相连，由控制中心控制，通过图片获取装置实时获取光致电润湿芯片的图像，传入控制中心进行处理并规划液滴路径，并控制液滴生成装置生成待操作液滴，投影装置将控制中心根据路径生成的驱动光图投影至光致电润湿芯片上。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光致电润湿芯片中液滴的自动化控制方法，其特征在于，包括下列步骤：首先布置光控电润湿平台；训练深度学习系统中的神经网络模块；使用设备实时拍摄图片，传入深度学习系统做出相应的路径规划并生成对应的光虚拟电极，即生成对应的光图；将所述光图投影至所述光控电润湿平台的光致电润湿芯片上，在设定的起始点生成待操作液滴，控制所述光图连续变化以驱动液滴。2.根据权利要求1所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，所述深度学习系统包括神经网络模块和光图生成模块。3.根据权利要求2所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，所述神经网络模块由多种神经网络实现，达到输入图片，输出路径指令的效果，包括采用目标检测模型和最短路径算法，通过训练目标检测模型以识别光致电润湿芯片上液滴位置，再由最短路径算法规划液滴移动路径；或采用强化学习神经网络，经过训练后直接根据光致电润湿芯片实时图像做出路径指令。4.根据权利要求1所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，训练深度学习系统中的神经网络模块的具体内容为：根据神经网络模块的实现方案采取对应的训练方式，采用目标检测模型和最短路径算法，是通过训练目标检测模型以识别光致电润湿芯片上液滴位置，由最短路径算法规划液滴移动路径，具体为：采集含有液滴状态各不相同的光致电润湿芯片表面图片，加标签制作数据集训练目标检测模型。5.根据权利要求3所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，采用强化学习神经网络，经过训练后直接根据光致电润湿芯片实时图像做出路径指令是根据神经网络模块的实现方案采取对应的训练方式，具体为：通过实验或仿真的方法，使系统随机做出指令，根据指令达到的效果给予相应反馈，不断重复直到系统稳定做出最佳指令。6.根据权利要求2所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，所述光图生成模块采用最短路径算法和画图程序库，根据神经网络模块的输出路径画出对应的连续变化的驱动光图，在驱动指定液滴的同时不影响光致电润湿芯片上其他液滴。7.根据权利要求4所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，采集含有液滴状态各不相同的光致电润湿芯片表面图片的具体内容包括：使用相机拍摄一定数量的光致电润湿芯片表面图片，包括在设备实际使用过程中液滴可能存在的各种状态的图片，并根据算法模型参数调整各种状态图片所占比例。8.根据权利要求7所述的光致电润湿芯片中液滴的自动化控制方法，其特征在于，采集含有液滴状态各不相同的光致电润湿芯片表面图片后，加标签制作数据集训练目标检测模型的具体内容为：利用相机拍摄多张光致电润湿芯片表面图片，包括含有不同尺...

【专利技术属性】
技术研发人员：刘安，王翠，
申请(专利权)人：复旦大学，
类型：发明
国别省市：