MicroFlowSAM：基于运动提示的零标注训练微液滴实例分割技术突破

为解决微流控领域中传统标注依赖型深度学习方法耗时耗力的问题，清华大学团队创新性提出MicroFlowSAM框架，通过运动轨迹提示预训练模型SAM实现微液滴/气泡的零标注实例分割，在12组数据集上达到mAP 0.937、mAR 0.902的精度，为微分散技术产业化提供高效分析工具。

　　

在化学工程与生物医学交叉领域，微流控技术因其卓越的传质传热性能和安全可控特性，已成为纳米颗粒合成、单细胞分析、药物递送等前沿应用的核心平台。然而当研究焦点集中在微液滴和微气泡的动态行为时，传统人工分析方法效率低下，而现有基于卷积神经网络(CNN)的Mask R-CNN等方案虽能实现μm级精度，却受困于标注数据依赖和模型重复训练的桎梏。这种困境在工业化放大过程中尤为突出——每更换反应器类型或调整工艺参数，就需要重新构建标注数据集，耗费的不仅是科研人员数月时间，更有价值连城的高通量实验机会。

清华大学化工系团队在《Chinese Journal of Chemical Engineering》发表的这项研究，开创性地将Meta AI的Segment Anything Model(SAM)引入微流控领域。研究人员摒弃传统"先标注后训练"的范式，转而利用微液滴/气泡的运动轨迹作为天然标记：通过计算机视觉追踪相邻帧间位移，自动生成空间坐标提示点，驱动这个具有1100万参数的基础模型完成精准实例分割。这种运动提示(Motion-Prompt)机制如同为预训练模型装上了"动态导航仪"，使其在从未见过的微通道结构中也能自动锁定目标。

关键技术包括：1)从12组不同尺寸微通道设备获取的流动视频数据集；2)基于光流算法的运动轨迹追踪模块；3)Segment Anything Model的零样本迁移框架；4)结合形状拟合算法的后处理流程。研究团队特别设计了双阶段评估体系，既考核提示点生成的准确性(Precision/Recall)，又通过mAP(mean Average Precision)、mAR(mean Average Recall)等指标量化分割性能。

【数据准备】实验覆盖气液、液液两相体系，视频分辨率从1920×1080到4096×3000不等，标注测试帧中平均每个视野包含87-356个目标，圆形度0.83-0.97，验证了方法在复杂形态下的适用性。

【评估标准】运动提示算法展现出惊人稳定性：提示点精度达96.2%，召回率91.8%。相比需要5000标注样本训练的Segfit方法，零样本状态的MicroFlowSAM仅落后1.9个百分点(mAP 0.937 vs 0.956)，但节省了98%的标注成本。

【结论】这项研究突破了计算机视觉与微流控技术的融合瓶颈：其一，运动提示机制为预训练模型在动态场景的应用开辟新路径；其二，将工业微流控系统的分析效率提升三个数量级，使实时过程监控成为可能；其三，建立的零样本框架可扩展至细胞分析、微反应器优化等领域。正如文中强调，当传统方法还在"教AI认水滴"时，MicroFlowSAM已经让AI学会了"看水流"的底层逻辑。