DefocusTrackerAI：一種用於自動檢測離焦粒子圖像的通用框架
DefocusTrackerAI是一個基於深度學習的通用框架，可自動檢測和定位不同光學配置下的離焦粒子圖像。研究比較了Faster R-CNN和YOLOv9，發現YOLOv9在召回率和不確定性方面更優，尤其在高粒子密度下表現突出。該框架適用於散光和非散光圖像，並在多種光照條件下有效。已在真實DPT實驗（包括熒光和陰影圖數據）中驗證，可應用於噴霧和液滴追蹤等傳統DPT之外的任務。預訓練模型已公開，結合深度校準可用於三維離焦粒子追蹤。
DefocusTrackerAI是一個基於深度學習的通用框架，旨在自動檢測和定位不同光學配置下的離焦粒子圖像。作為開源項目DefocusTracker的後續工作，該框架能夠在不犧牲不確定性和召回率的前提下處理多種類型的光學設置。研究團隊直接比較了兩種著名的目標檢測模型——Faster R-CNN和YOLOv9，並利用一組多樣化的合成圖像進行訓練，這些圖像包含不同直徑的散光和非散光離焦粒子，特徵豐富。
模型評估結果顯示，YOLOv9在所有關鍵指標上均優於Faster R-CNN，尤其是在高粒子圖像密度下，YOLOv9實現了更高的召回率和更低的不確定性。具體而言，在粒子圖像密度N_s高達0.5時，YOLOv9的空間分辨率顯著增強，不確定性值介於0.1至0.4像素之間，這一表現超過了現有最先進的算法。此外，該模型能夠檢測多種光學設置（包括不同照明條件）下的散光和非散光離焦粒子圖像，展現了其通用性和魯棒性。
為了驗證實際應用效果，研究團隊將模型成功應用於真實的數字粒子追蹤（DPT）實驗，包括熒光數據和陰影圖數據。結果表明，DefocusTrackerAI不僅適用於傳統的DPT場景，還能擴展到噴霧和液滴的追蹤等新領域。這得益於框架對不同光學配置的兼容性以及對複雜成像條件的適應性。
為了方便研究人員和工程師使用，團隊提供了一個基於YOLOv9的預訓練版本，可從GitLab獲取。該預訓練模型能夠高精度地自動檢測任何類型的離焦粒子圖像。結合合適的深度位置校準方法，DefocusTrackerAI可以作為三維離焦粒子追蹤的有效第一步，為流場測量等應用提供強有力的支持。