La dispensación confiable y sin contacto de gotas en el rango de pico a microlitros es una tarea desafiante. El volumen de la gota dispensada depende de varios factores, como las propiedades reológicas de los líquidos, los parámetros de activación, la geometría del dispensador y las condiciones ambientales. Convencionalmente, las propiedades reológicas se caracterizan a través de un reómetro, pero esto añade un gran costo de líquido. Los fluidos con diferentes valores del número de Ohnesorge producen diferentes patrones de movimiento espaciotemporal durante la dispensación. Una vez que se conoce el número de Ohnesorge, se puede conocer la relación entre la viscosidad y la tensión superficial del líquido. Sin embargo, no existe una formulación matemática para extraer los valores del número de Ohnesorge a partir de estos patrones de movimiento. Las redes neuronales convolucionales (CNN) son herramientas excelentes para extraer información de datos espaciales y espaciotemporales. El estudio actual compara siete arquitecturas diferentes de CNN para clasificar cinco líquidos con diferentes números de Ohnesorge. A continuación, este trabajo compara los resultados de varias condiciones de limpieza de datos, estrategias de muestreo y la cantidad de datos utilizados para el entrenamiento. El modelo de mejor rendimiento se basó en la arquitectura ECOmini-18. Alcanzó una precisión de prueba del 94.2% después de entrenar en dos lotes de adquisición (un total de 12,000 puntos de datos).