Image Analysis for In-line Measurement of Multidimensional Size, Shape, and Polymorphic Transformation of <scp>l</scp>-Glutamic Acid Using Deep Learning-Based Image Segmentation and Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In situ tracking of the crystallization process through image segmentation has been developed and has encountered many challenges including improvement of in situ image quality, optimization of algorithms, and increased computation efficiency. In this study, a new method based on computer vision was proposed using the state-of-the-art deep learning technology to track crystal individuals. For the model compound l-glutamic acid, two polymorphic forms with different morphologies were segmented and classified during a seeded polymorphic transformation process. Information such as counts, size, surface area, crystal size distribution, and morphology of α- and β-form crystals was extracted for the individual crystals during the process. A comparative analysis was conducted with traditional process analytical technologies such as in situ Raman and focus beam reflection measurement. Results show a high accuracy of segmentation and classification technique and a reliable tracking of crystals evolution. The image processing speed of up to 10 frames per second makes the proposed approach suitable for in situ tracking and control of crystallization and particulate processes. Our work in this study attempts to bridge the gap between the advanced imaging analysis technology that is available today and the specific needs of solution crystallization, to track, count, and measure the individual crystals.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle