Detection of a surrogate biological agent with a portable surface plasmon resonance sensor onboard an unmanned aircraft system
Notice bibliographique
Résumé
A system was developed to perform near real-time biological threat agent (BTA) detection with a small autonomous unmanned aircraft system (UAS). Biological sensors recently reached a level of miniaturization and sensitivity that have made UAS integration a feasible task. A surface plasmon resonance (SPR) biosensor was integrated into a small UAS platform for the first time, providing the UAS with the capability to collect and then quantify the concentration of a surrogate biological agent in near realtime. The sensor operator ran the SPR unit through a ground-station laptop, viewing the sensor data in real time during flight. An aerial sampling mechanism was also developed for use with the SPR sensor. The sampling system utilized a custom impinger setup to collect and concentrate aerosolized particles. The SPR and sampling system's feasibility was demonstrated using an aerosolized sucrose solution as a mock BTA. Three field experiments were carried out to test and validate the biological sampling system. In the first field experiment, the collection system was tested by flying the UAS through a ground-based plume of water-soluble blue dye. In the second field experiment, a sucrose solution was autonomously aerosolized, collected, and then detected by the combined sampling and SPR sensor subsystems onboard the UAS. In the third field experiment, a dye was released from one UAS (the leader) and captured by another UAS (the follower). Together, these field experiments illustrate the capability of the UAS to detect and quantify the concentration of a BTA released at altitude. Our integrated SPR system sets the stage for future work to detect and track BTAs in the atmosphere and assist in localizing their sources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».