基于PATVIS、APA和深度学习的粒子聚集分析

作品简介:制药，化学，化妆品，食品和其他行业利用各种方法来修饰颗粒性质，其中颗粒的聚集为精确控制的方法或作为不期望的现象。在这两种情况下，颗粒聚集的实时估计为过程监测和过程控制提供了手段。

在球团涂层，聚集对过程产量和涂层完整性产生负面影响。材料和操作条件的性质以及零星事件的变化是不需要的凝聚的主要原因。传统上，通过筛分分析在涂覆过程结束时评估凝聚级分，这是一种具有明显缺点的方法。目前，应用于颗粒涂覆工艺的最有前途的在线聚集级分分析方法基于光学测量[1]。

在本文中，我们提出了一种新的图像分析方法来自动、无创地识别团聚粒子和估计团聚分数。获取按预定比例(参考团聚分数)混合的单个颗粒和团聚体的图像序列，并对检测到的颗粒进行分类。此外，评估每个混合物的团聚分数，并与参考值进行比较。

请在这里下载全文PDF要么在这里下载相关的海报

关于微晶纤维素的更多信息

结论：摘要提出了一种自动图像分析方法，用于在线识别微球包覆过程中的团块和估计团块分数。与之前提出的[3]方法相比，该方法对凝聚点的识别有了很大的提高，从而提高了凝聚点分数估计的准确性。

在受控条件下分别捕捉单个球团和凝聚体的图像，有助于获取学习图像，这是在实际球团包覆过程中使用机器学习识别凝聚体实际可行性的关键步骤。

最终，有关结块分数的及时信息可用于过程控制，通过人工或自动优化工艺参数，使结块分数保持在可接受的范围内。
虽然我们只在药物微球上测试了所提出的方法，但它也可以用于其他工艺中颗粒的团聚分数估计。

文章信息：A. Mehle，D. Kitak，G. Podrekar，D.Tomaževič。Sensum，Computer Vision Systems，Tehnološki公园21，1000卢布尔雅那，斯洛文尼亚，(电子邮件保护)卢布尔雅那大学电气工程学院成像技术实验室Tržaška cesta 251000斯洛文尼亚卢布尔雅那。