A Novel image processing technique for weighted particle size distribution assessment
Notice bibliographique
Résumé
ObjectiveThe objective of the study was to create a reliable method that could be used to evaluate the particle size distribution of samples and pre-mixes in real-world situations, particularly those consisting of typical formulation blends. The goal was to use this method to assess the uniformity of the samples and ensure that they met the required quality standards. The researchers aimed to create a method that could be easily incorporated into the manufacturing process, providing a practical and efficient solution.Significance of reviewThis study demonstrates the use of ImageJ software to analyze the particle size distribution (PSD) of powders. The technique produces qualitative data from microscopy images and quantitative data from analysis of parameters including average diameter, D10, D50, D90, and standard deviation. The method was tested with various treatments, showing differentiating outcomes in all cases.Key findingsThe alternate technique provides a rapid and cost-effective method for PSD analysis, surpassing the limitations of sieve analysis. Extensive testing of the method, using a variety of sample types, including typical formulation blends, was performed. The results suggest that the method can effectively assess the morphology of changing materials during batch manufacturing and characterize uniformity in blends.ConclusionsThe methodology has the capability to identify attributes related to PSD that are typically required to be monitored during manufacturing. The technique allows for accurate and reliable quantification of the attributes through image capture technology. The technique has future potential and has important implications for material science, powder rheology, pharmaceutical formulation development, and continual process monitoring.
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 | 0,000 | 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 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 ».