Keeping an “eye” on the experiment: computer vision for real-time monitoring and control
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
This work presents a generalizable computer vision (CV) and machine learning model that is used for automated real-time monitoring and control of a diverse array of workup processes. Our system simultaneously monitors multiple physical parameters (e.g., liquid level, homogeneity, turbidity, solid, residue, and color), offering a method for rapid data acquisition and deeper analysis from multiple visual cues. We demonstrate a single platform (consisting of CV, machine learning, real-time monitoring techniques, and flexible hardware) to monitor and control vision-based experimental techniques, including solvent exchange distillation, antisolvent crystallization, evaporative crystallization, cooling crystallization, solid ̶ liquid mixing, and liquid ̶ liquid extraction. Both qualitative (video capturing) and quantitative data (parameters measurement) were obtained which provided a method for data cross-validation. Our CV model's ease of use, generalizability, and non-invasiveness make it an appealing complementary option to in situ and real-time analytical monitoring tools and mathematical modeling. Additionally, our platform is integrated with Mettler-Toledo’s iControl software, which acts as a centralized system for real-time data collection, visualization, and storage. With consistent data representation and infrastructure, we were able to efficiently transfer the technology and reproduce results between different labs. This ability to easily monitor and respond to the dynamic situational changes of the experiments is pivotal to enabling future flexible automation workflows.
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 | 0,000 | 0,000 |
| 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