在颗粒流化过程中使用卷积神经网络辅助过程成像进行直线颗粒大小测量
Orsolya Péterfi1, Lajos Madarász1, Máté Ficzere1
1Department of Organic Chemistry and Technology, Faculty of Chemical Technology and Biotechnology, Budapest University of Technology and Economics, Műegyetem rkp. 3., H-1111 Budapest, Hungary.
概括
本研究介绍了一种机器学习视觉系统,用于对流化颗粒的实时粒子大小分析. 该方法准确地在线监测颗粒大小分布 (PSD),提供了一个新的过程分析技术 (PAT) 工具.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 精确监测颗粒大小分布 (PSD) 在制药和化学制造中至关重要.
- 传统的线下PSD分析方法耗时,不允许实时进行流程调整.
- 开发在线过程分析技术 (PAT) 工具对于高效的过程控制至关重要.
研究的目的:
- 开发和评估基于机器学习的图像分析方法,用于实时监测流化颗粒中的粒子大小分布 (PSD).
- 评估使用机器视觉作为在线PAT工具用于颗粒特征的可行性.
- 将开发方法的性能与已建立的线下PSD测量技术进行比较.
主要方法:
- 使用了一种由光纤内镜,光源和高速摄像头组成的直接成像系统.
- 一个定制的3D打印设备模拟了在流化床颗粒器中的粒子运动.
- 基于卷积神经网络 (CNN) 的软件用于图像分析和颗粒检测.
- 对颗粒混合物 (100-2000μm) 确定了体积计PSD,并与动态图像分析和激光衍射进行了比较.
主要成果:
- 机器学习软件在密集的粒子流中成功检测到聚焦颗粒.
- 实时PSD测量显示了与离线参考方法 (动态图像分析和激光衍射) 类似的趋势.
- 该系统证明了在100-2000微米范围内有效的粒子大小分析.
结论:
- 开发的机器视觉系统可以实时进行流化颗粒的线性颗粒大小分析.
- 这种方法提供了一种有价值的PAT工具,用于提高颗粒加工过程中的流程理解和控制.
- 基于机器学习的图像分析为传统的离线PSD测量技术提供了强大的替代方案.


