DefocusTrackerAI：一种用于自动检测离焦粒子图像的通用框架
DefocusTrackerAI是一个基于深度学习的通用框架，可自动检测和定位不同光学配置下的离焦粒子图像。研究比较了Faster R-CNN和YOLOv9，发现YOLOv9在召回率和不确定性方面更优，尤其在高粒子密度下表现突出。该框架适用于散光和非散光图像，并在多种光照条件下有效。已在真实DPT实验（包括荧光和阴影图数据）中验证，可应用于喷雾和液滴追踪等传统DPT之外的任务。预训练模型已公开，结合深度校准可用于三维离焦粒子追踪。
DefocusTrackerAI是一个基于深度学习的通用框架，旨在自动检测和定位不同光学配置下的离焦粒子图像。作为开源项目DefocusTracker的后续工作，该框架能够在不牺牲不确定性和召回率的前提下处理多种类型的光学设置。研究团队直接比较了两种著名的目标检测模型——Faster R-CNN和YOLOv9，并利用一组多样化的合成图像进行训练，这些图像包含不同直径的散光和非散光离焦粒子，特征丰富。
模型评估结果显示，YOLOv9在所有关键指标上均优于Faster R-CNN，尤其是在高粒子图像密度下，YOLOv9实现了更高的召回率和更低的不确定性。具体而言，在粒子图像密度N_s高达0.5时，YOLOv9的空间分辨率显著增强，不确定性值介于0.1至0.4像素之间，这一表现超过了现有最先进的算法。此外，该模型能够检测多种光学设置（包括不同照明条件）下的散光和非散光离焦粒子图像，展现了其通用性和鲁棒性。
为了验证实际应用效果，研究团队将模型成功应用于真实的数字粒子追踪（DPT）实验，包括荧光数据和阴影图数据。结果表明，DefocusTrackerAI不仅适用于传统的DPT场景，还能扩展到喷雾和液滴的追踪等新领域。这得益于框架对不同光学配置的兼容性以及对复杂成像条件的适应性。
为了方便研究人员和工程师使用，团队提供了一个基于YOLOv9的预训练版本，可从GitLab获取。该预训练模型能够高精度地自动检测任何类型的离焦粒子图像。结合合适的深度位置校准方法，DefocusTrackerAI可以作为三维离焦粒子追踪的有效第一步，为流场测量等应用提供强有力的支持。