CN110869738A - 用于空气质量监测的移动显微镜系统 - Google Patents
用于空气质量监测的移动显微镜系统 Download PDFInfo
- Publication number
- CN110869738A CN110869738A CN201880030906.4A CN201880030906A CN110869738A CN 110869738 A CN110869738 A CN 110869738A CN 201880030906 A CN201880030906 A CN 201880030906A CN 110869738 A CN110869738 A CN 110869738A
- Authority
- CN
- China
- Prior art keywords
- particle
- phase
- image
- intensity
- particles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 299
- 239000000758 substrate Substances 0.000 claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 238000005286 illumination Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 43
- 239000000443 aerosol Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000010954 inorganic particle Substances 0.000 claims description 2
- 239000011146 organic particle Substances 0.000 claims description 2
- 239000004071 soot Substances 0.000 claims description 2
- 241000894006 Bacteria Species 0.000 claims 1
- 241000700605 Viruses Species 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 18
- 238000007405 data analysis Methods 0.000 abstract 1
- 239000013618 particulate matter Substances 0.000 description 47
- 238000005259 measurement Methods 0.000 description 36
- 238000012360 testing method Methods 0.000 description 36
- 238000005070 sampling Methods 0.000 description 30
- 238000001514 detection method Methods 0.000 description 23
- 238000003384 imaging method Methods 0.000 description 23
- 230000010006 flight Effects 0.000 description 20
- 238000013507 mapping Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000003915 air pollution Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 239000013307 optical fiber Substances 0.000 description 6
- 238000004513 sizing Methods 0.000 description 6
- 239000000853 adhesive Substances 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241001128140 Reseda Species 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000386 microscopy Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 235000019801 trisodium phosphate Nutrition 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 239000006059 cover glass Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000001000 micrograph Methods 0.000 description 3
- 239000011859 microparticle Substances 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- BZTYNSQSZHARAZ-UHFFFAOYSA-N 2,4-dichloro-1-(4-chlorophenyl)benzene Chemical compound C1=CC(Cl)=CC=C1C1=CC=C(Cl)C=C1Cl BZTYNSQSZHARAZ-UHFFFAOYSA-N 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910021472 group 8 element Inorganic materials 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001089 thermophoresis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging
- G01N15/0227—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging using imaging, e.g. a projected image of suspension; using holography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/2202—Devices for withdrawing samples in the gaseous state involving separation of sample components during sampling
- G01N1/2208—Devices for withdrawing samples in the gaseous state involving separation of sample components during sampling with impactors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0255—Investigating particle size or size distribution with mechanical, e.g. inertial, classification, and investigation of sorted collections
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/0606—Investigating concentration of particle suspensions by collecting particles on a support
- G01N15/0612—Optical scan of the deposits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N15/1434—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging
- G01N2015/0233—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging using holography
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0255—Investigating particle size or size distribution with mechanical, e.g. inertial, classification, and investigation of sorted collections
- G01N2015/0261—Investigating particle size or size distribution with mechanical, e.g. inertial, classification, and investigation of sorted collections using impactors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N15/1434—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement
- G01N2015/144—Imaging characterised by its optical setup
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N15/1434—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement
- G01N2015/1452—Adjustment of focus; Alignment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N15/1434—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement
- G01N2015/1454—Electro-optical investigation, e.g. flow cytometers using an analyser being characterised by its optical arrangement using phase shift or interference, e.g. for improving contrast
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N2015/1488—Methods for deciding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N2015/1493—Particle size
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Electro-optical investigation, e.g. flow cytometers
- G01N2015/1497—Particle shape
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Dispersion Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Microscoopes, Condenser (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种用于监测空气质量的无透镜显微镜,包括外壳,该外壳包含真空泵,该真空泵被配置为将空气吸入冲击喷嘴。所述冲击喷嘴具有位于光学透明衬底附近的输出端,用于收集颗粒。一个或多个照明源设置在外壳中,并且被配置为照明光学透明衬底上收集的颗粒。图像传感器位于光学透明衬底附近,其中,所述图像传感器收集投射在图像传感器上的颗粒衍射图案或全息图像。至少一个处理器设置在外壳中,并控制真空泵和所述一个或多个照明源。图像文件传送到单独的计算装置,用于使用机器学习来进行图像处理,以识别颗粒并执行数据分析,以输出颗粒图像、颗粒大小、颗粒密度和/或颗粒类型数据。
Description
相关申请
本申请要求2017年3月10日提交的美国临时专利申请号62/469,700的优先权,其全部内容通过引用结合于此。根据美国法典第35编第119节和任何其他适用的法规要求优先权。
关于联邦资助的研究和开发的声明
在由国家科学基金会授予的1533983的政府支持下完成这项发明。政府对这项发明具有一定的权利。
技术领域
技术领域总体上涉及空气质量监测装置。具体地,本发明的技术领域涉及用于特定物质(PM)的高通量定量的便携式无透镜显微镜系统。
背景技术
空气质量在工业化国家越来越受到关注。根据世界卫生组织(WHO),中国、印度和巴基斯坦每年有200万人死于空气污染。此外,由于空气污染对健康的危害,估计全世界每年有700万人“过早死亡”。最近,中国北京和印度的一些城市发生了几起严重的污染霾事件,引起了全世界的关注。颗粒物质(PM)是空气中固体和液体颗粒的混合物,是空气污染的重要形式。PM源包括移动源和固定源。PM是由建筑工地、烟囱或火灾等源头的直接排放物产生的,或者是发电厂、工业生产和汽车排放的复杂化学反应的结果。直径一般为10μm或更小的PM称为PM10,会导致严重的健康问题。更小的PM尺寸类别PM2.5表示直径为2.5μm或更小的颗粒,可深入肺部,甚至进入血流,并已被WHO宣布为癌症的原因。此外,由于能见度降低(雾霾),PM是一个主要的环境问题。PM也可能来自室内。室内PM可以通过烹饪、燃烧活动、计算机打印机和其他来源产生。根据空间和时间监测PM空气质量对于理解工业和其他污染产生活动的影响、研究大气模型以及为交通、居民和工业提供监管和咨询指南至关重要。
目前,在指定的空气采样站进行PM监测,这些采样站由美国环境保护局(EPA)或其他地方机构(例如,加州的南海岸空气管理区(SCAQMD))监管。其他国家和地区的类似机构监测PM水平。许多先进的自动平台使用β衰减监测(BAM)或锥形元件振荡微量天平(TEOM)仪器。BAM仪器在旋转过滤器上采样气溶胶。使用β颗粒源,测量过滤器上积累的气溶胶引起的β颗粒衰减。另一方面,基于TEOM的仪器在滤筒中捕获气溶胶,滤筒包含玻璃管尖端,玻璃管尖端根据捕获的气溶胶的质量以不同的频率振动。这些装置在高吞吐量下提供精确的PM测量。然而,这些仪器笨重(约为30kg),相对昂贵(约为$50,000–100,000),需要专业人员或技术人员进行定期系统维护,例如,每隔几周。由于这些限制,全世界只有大约10,000个这样的空气采样站。
除了上面讨论的高端PM测量仪器之外,几种市售的便携式颗粒计数器的价格更低,约为$2,000(例如,804手持式颗粒计数器,可从Met One仪器公司获得),在某些情况下更高,约为$7,000-8,000(3007型手持式颗粒计数器,可从TSI公司获得)。这些市售的光学颗粒计数器类似于流式细胞仪。他们通过一个小通道驱动采样的空气。聚焦在该通道的喷嘴上的激光束被穿过该通道的每个颗粒散射。散射强度然后用来推断颗粒尺寸。由于其串行读出特性,该方法的采样速率限于<2-3L/min,并且在一些亚微米颗粒检测方案中<0.8L/min。此外,对这些装置来说,精确测量非常高或非常低浓度的颗粒是一项挑战,这限制了PM测量的动态范围。除了这些限制之外,散射截面(包括这种装置类型实际测量的量)在很大程度上取决于颗粒的3D形态和折射特性。这可能会在将测量的散射光强度转换成实际颗粒尺寸时造成严重误差。最后,这些设计都没有提供直接的测量,即,捕获的颗粒的显微镜图像,这是另一限制,因为在检测到兴趣目标颗粒之后,不能对其进行进一步的分析。
由于这些限制,许多空气采样活动继续使用显微镜检查和计数。基本上,使用便携式采样器在现场手动获得空气样本,该采样器采用各种过程,例如,气旋收集、撞击、冲击、热泳或过滤。然后,将样本发送到一个独立的中央实验室,在此处由专家在显微镜下进行后处理和人工检查。这种微观分析提供了更精确的颗粒尺寸的主要优势,同时使专家读者能够识别颗粒的形状和类型。这些能力在更复杂的空气污染分析中产生额外的好处,例如,识别特定的气溶胶类型。然而,在这种方法中,采样和检验过程是分开的;即,在现场进行采样,而在远程专业实验室进行样本分析。这大大延迟了结果的报告,因为含有衬底的PM需要输送到位于远处的实验室。此外,由训练有素的专家手动进行检查,这大大增加了每次空气质量测量的总成本。此外,这种传统的基于显微镜的气溶胶筛查不能在现场进行,因为这些台式显微镜笨重、巨大、昂贵,并且需要专门的操作技能。
发明内容
在一个实施方式中,公开了一种手持式且具有成本效益的移动平台,其为现有空气质量测量技术的上述限制提供了一种变革性解决方案。在一个实施方式中,手持移动平台使用计算无透镜显微镜和机器学习自动输出关于捕获的PM的尺寸数据和/或尺寸统计。该手持移动平台易于高通量量化PM。作为传统的基于透镜的显微镜技术的替代,在计算无透镜显微镜方法中,样本直接位于图像传感器(例如,图像传感器芯片)的顶部或紧邻图像传感器的位置,在其间没有光学元件。这种片上显微镜可以在>20mm2的非常大的视场上快速重建透射样本的图像。计算片上成像与一种独特的机器学习颗粒分析方法相结合,创建了一个重量轻(约590g)、手持且经济高效的空气质量监测系统,有时在本文称为“c-Air”
在一个实施方式中,该移动系统利用真空泵、基于冲击的空气采样器和无透镜全息片上显微镜,该显微镜与用于片外或远程数据处理和颗粒分析的定制机器学习算法集成。在一个实施方式中,c-Air平台可以与用于装置控制和数据显示的智能手机应用程序(例如,应用程序或“app”)一起操作。c-Air平台采集的空气样本可以用GPS坐标和时间进行标记,以便对结果进行时空跟踪。可以在30秒内快速筛选出6.5L的空气量,生成捕获颗粒的显微镜相位和/或振幅图像,同时还能自动提供PM尺寸分布,尺寸精度约为93%。
通过在EPA批准的空气质量监测站使用c-Air平台测量几个小时的空气质量,证实c-Air PM测量值与EPA批准的BAM装置的测量值非常匹配。c-Air平台在加州的各种室内和室外位置进行了进一步测试。在其中一些实验中,使用c-Air平台检测到2016年加州圣克拉丽塔附近的“沙火”(Sand Fire)导致环境PM显著增加。最后,使用c-Air装置对洛杉矶国际机场(LAX)附近的空气污染进行了24小时的时空映射。结果显示,PM的时间调整与LAX的总飞行次数相关。这种调整甚至出现在沿着着陆飞行方向距离LAX 7公里以上的地方。因为c-Air基于计算显微镜成像和机器学习,所以可以自适应地学习和潜在地调整,以基于由无透镜全息成像产生的相位和/或振幅图像敏感地识别特定的子组或颗粒类别,包括各种类型的花粉、霉菌和工业排放物。c-Air平台及其独特的功能可广泛应用于众多与空气质量相关的应用,并可为室内和室外空气质量的时空映射提供经济高效、紧凑和移动的解决方案。
在一个实施方式中,一种用于监测空气质量的便携式无透镜显微镜装置包括:外壳;以及真空泵,其被配置为将空气吸入设置在外壳中的冲击喷嘴,所述冲击喷嘴具有与光学透明衬底相邻的输出端,用于收集空气中包含的颗粒。该装置包括一个或多个照明源,其设置在外壳中,并被配置为照明光学透明衬底上收集的颗粒。图像传感器设置在外壳中,并与光学透明衬底相邻,距离小于5mm,其中,所述图像传感器收集由收集的颗粒投射在图像传感器上的衍射图案或全息图像。至少一个处理器设置在外壳中,所述至少一个处理器控制真空泵和所述一个或多个照明源。
在另一实施方式中,提供了一种包括用于监测上述空气质量的便携式无透镜显微镜装置的系统。所述系统还包括计算装置,其被配置为在其上执行软件,用于从图像传感器接收衍射图案或全息图像,重建差分全息图像(包含颗粒的相位和/或振幅信息),并输出所收集颗粒的颗粒图像、颗粒尺寸数据、颗粒密度数据和颗粒类型数据中的一个或多个。该系统还包括便携式电子装置,在其上包含软件或应用程序,被配置为接收所收集颗粒的颗粒尺寸数据、颗粒密度数据和/或颗粒类型数据,并在用户界面上将其输出给用户。
在一个实施方式中,所述计算装置基于软件中的机器学习算法,使用提取的光谱和空间特征,输出颗粒尺寸数据、颗粒密度数据和/或颗粒类型数据,所述光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
在另一实施方式中,一种使用便携式显微镜装置监测空气质量的方法包括激活设置在便携式显微镜装置中的真空泵,以将气溶胶颗粒捕获在光学透明衬底(例如,盖玻片等)上的操作。用包含在便携式显微镜装置中的一个或多个照明源照明包含捕获的气溶胶颗粒的光学透明衬底。例如,这些可以是不同颜色的发光二极管(LED)。在便携式显微镜装置中位于光学透明衬底附近的图像传感器捕获所捕获的气溶胶颗粒的之前和之后(相对于在特定运行中捕获气溶胶颗粒)的全息图像或衍射图案。将包含全息图像或衍射图案的图像文件传送到计算装置。包含之前和之后的全息图像或衍射图案的图像文件通过包含在计算装置上的软件进行图像处理,以生成差分全息图或衍射图案,随后输出全息重建图像和所捕获的气溶胶颗粒的颗粒尺寸数据、颗粒密度数据和/或颗粒类型数据中的一个或多个。输出的颗粒图像、颗粒尺寸数据、颗粒密度和/或颗粒类型数据可以传送到便携式电子装置,以供用户查看。
附图说明
图1示出了根据一个实施方式的无透镜显微镜装置的透视图;
图2示出了图1的无透镜显微镜装置的剖视图;
图3示出了冲击喷嘴和图像传感器的输出的特写透视图,该图像传感器位于在印刷电路板(PCB)顶部的支撑件上;
图4示意性示出了包含穿过冲击喷嘴的颗粒的气流,将颗粒捕获在光学透明衬底上并使用图像传感器对颗粒进行成像,箭头指示气流方向;
图5示出了使用图1和2的无透镜显微镜装置的系统的示意图,该系统包括计算装置(例如,服务器)和便携式电子装置(例如,移动电话);
图6示出了图像(i)-(v)的面板,示出了与无透镜显微镜结合使用以操作无透镜显微镜并显示空气监测结果的应用程序的各种截屏;
图7示出了在无透镜显微镜装置以及计算装置中发生的工作流程顺序;
图8示出了由软件执行的算法,用于执行颗粒检测和颗粒分析(即,输出颗粒计数、颗粒密度、颗粒统计和/或颗粒类型);
图9示出了c-Air空间分辨率测试,最精细的解析特征是第8组元素2,其线宽为1.74μm;
图10示出了颗粒的预测直径(Dpred)根据参考直径(Dref)的曲线图,在最上面的表格中显示指定的颗粒尺寸,显微镜校准的尺寸分布被绘制成大图中的直方图,背景中的大图显示了使用c-Air的机器学习映射尺寸(Dpred),与显微镜测量的尺寸(Dref)进行比较,用于训练和测试集,中间虚线表示Dpred=Dref,由等式(5)至(6)定义的尺寸误差以μm和相对百分比在右下方的表格中显示,使用基于机器学习的尺寸测量的精度约为93%;
图11是在同一地点使用c-Air在正常时间(07/07/16,下午约为4:00)和Sand Fire时间(07/22/16,下午约为5:00)测量的样本的直方图比较;
图12A示出了由c-Air装置计数的(右轴)颗粒密度和由标准BAM PM2.5仪器在Reseda空气采样站测量的(左轴)每小时累积PM2.5总质量密度的叠加小时图;
图12B示出了由c-Air(y轴)测量的PM2.5小时平均计数密度与由BAM-1020PM2.5测量装置(x轴)测量的PM2.5小时平均质量密度的线性相关图;
图13A示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线1)位于洛杉矶国际机场(LAX)以东3.37公里处;
图13B示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线1)位于洛杉矶国际机场(LAX)以东4.34公里处;
图13C示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线1)位于洛杉矶国际机场(LAX)以东5.91公里处;
图13D示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线1)位于洛杉矶国际机场(LAX)以东7.61公里处;
图13E示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线1)位于洛杉矶国际机场(LAX)以东9.95公里处;
图13F示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线1)位于洛杉矶国际机场(LAX)以东13.10公里处;
图13G示出了根据与LAX(路线1)的经度距离绘制的相关斜率(从航班总数到PM10或PM2.5计数密度的线性映射的斜率)的曲线图;
图13H示出了根据与LAX(路线1)的经度距离绘制的PM10和PM2.5的日平均值的曲线图;
图14A示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线2)位于洛杉矶国际机场(LAX)以北3.58公里处;
图14B示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线2)位于洛杉矶国际机场(LAX)以北1.90公里处;
图14C示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线2)位于洛杉矶国际机场(LAX)以北0.50公里处;
图14D示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线2)位于洛杉矶国际机场(LAX)以北0.01公里处;
图14E示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线2)位于洛杉矶国际机场(LAX)以南1.46公里处;
图14F示出了根据一天中的时间显示使用c-Air装置(右轴)测量的颗粒密度(总PM10,PM2.5)和航班数/小时(左轴)的曲线图,该测试地点(路线2)位于洛杉矶国际机场(LAX)以南2.19公里处;
图14G示出了根据与LAX(路线2)的经度距离绘制的相关斜率(从航班总数到PM10或PM2.5计数密度的线性映射的斜率)的曲线图;
图14H示出了根据与LAX(路线2)的经度距离绘制的PM10和PM2.5的日平均值的曲线图;
图15示出了根据一个实施方式使用的自动聚焦快速搜索算法。
具体实施方式
图1和2示出了用于监测空气质量的无透镜显微镜装置10。无透镜显微镜装置10有利地是手持便携式装置,其可以容易地在不同位置运输和使用。无透镜显微镜装置10重量轻,在一些实施方式中重量小于约1.5磅。无透镜显微镜装置10包括容纳无透镜显微镜装置10的各种部件的外壳12。外壳12可以由刚性聚合物或塑料材料制成,尽管也可以使用其他材料(例如,金属或金属材料)。如图2所示,真空泵14位于外壳12内。真空泵14被配置为将空气吸入位于外壳12的延伸部分38中的入口18(在图1中可以最清楚地看到)。可与无透镜显微镜装置10一起使用的市售真空泵14的实例包括可从加州福里斯特湖Gtek Automation公司获得的微型13真空泵(零件号M00198),该真空泵能够以每分钟十三(13)升的速率泵送空气。当然,也可以使用其他真空泵14。真空泵14包括接头或端口19(图2),其用作真空泵14的入口。位于真空泵14上的相应接头或端口(未示出)用于从真空泵14排出空气。入口接头或端口19连接到管段20,如图2所示,管段20连接到空气采样器组件22(图2)。
空气采样器组件22包含图像传感器24(见图2、3、4),图像传感器24用于获得如本文所述收集的颗粒上的全息图像或衍射图案。图像传感器24可以包括例如彩色CMOS图像传感器,但是应当理解,可以使用其他图像传感器类型。在本文描述的实验中,使用了像素尺寸为1.4μm的彩色CMOS传感器,尽管甚至更小的像素尺寸也可以用于提高无透镜显微镜装置10的分辨率。图像传感器24位于支撑件26上,支撑件26位于印刷电路板(PCB)28的顶部,印刷电路板28包含图像传感器24的操作电路。
空气采样器组件22还包括冲击喷嘴30,冲击喷嘴30用于捕获或收集气溶胶颗粒,从使用真空泵14泵送通过显微镜装置10的样本气流中采样气溶胶颗粒。冲击喷嘴30包括锥形流动路径32,其高速驱动气流通过冲击喷嘴30。锥形流动路径32终止于空气穿过的狭窄开口(例如,矩形)。冲击喷嘴30还包括光学透明衬底34(在图3和图4中最佳示出),其邻近锥形流动路径32的窄开口设置(在图3中示出)。光学透明衬底34在面对锥形流动路径32的输出的一侧包括粘性或发粘材料35(例如,收集介质)。因此,具有粘性或发粘材料35的光学透明衬底34被放置成直接面对穿过冲击喷嘴30的高速气流。气流中包含的颗粒100(见图3和4)冲击光学透明衬底34,并在光学透明衬底34的表面上收集或捕获,用于成像。气流继续围绕光学透明衬底34的侧面(如图4中的箭头所示),在此处气流经由连接到管道20的孔36流出,如图2所示。在一个实施方式中,使用来自Zefon International公司的市售Air-O-Sampling Cassette的上盒部分(upper cassette)形成冲击喷嘴30。Air-O-Sampling Cassette的上盒部分包括锥形流动路径32以及包含收集介质的盖玻片(例如,光学透明衬底34)。
光学透明衬底34紧邻图像传感器24。即,在一些实施方式中,光学透明衬底34的面向气流的表面位于距离图像传感器24的有源表面小于约5mm的位置。在其他实施方式中,光学透明衬底34的面对表面位于小于4mm、3mm、2mm的位置,并且在优选实施方式中,小于1mm。在一个实施方式中,光学透明衬底34直接放置在图像传感器24的表面上,以在光学透明衬底34的含颗粒表面和图像传感器24的有源表面之间产生大约400μm的距离。在一个实施方式中,光学透明衬底34的含颗粒表面也位于冲击喷嘴30附近,例如,大约800μm。当然,也可以使用其他距离,只要用传感器仍然可以获得所捕获颗粒100的全息图像和/或衍射图案。
参考图1和2,无透镜显微镜装置10的外壳12包括容纳一个或多个照明源40的延伸部分38。在一个实施方式中,一个或多个发光二极管(LED)用于一个或多个照明源40。激光二极管也可以用于照明源40。每个LED 40耦接到光纤42,光纤42终止于用于照明光学透明衬底34的头部44。光纤耦接的LED 40生成部分相干光,该部分相干光沿着光路从光纤42的端部穿过锥形流动路径32传播到光学透明衬底34上。光纤42的端部位于距离图像传感器24的有源表面几厘米处(例如,8cm)。作为光纤42的替代方案,形成于头部44中的孔可用部分相干光照射光学透明衬底34。在一个实施方式中,每个LED 40具有不同颜色(例如,红色、绿色、蓝色)的中心波长或范围。虽然示出了多个LED 40,但是应当理解,在其他实施方式中,可能仅需要单个LED 40。使用LED照明,由光学透明衬底34上的收集介质捕获的气溶胶样本投射出(cast)由图像传感器24捕获的内联全息图或衍射图案。这些全息图或衍射图案由图像传感器24记录,用于全息重建和进一步处理,以确定本文所述的颗粒物质(PM)统计。由于颗粒100非常接近图像传感器24的有源表面,所以光源的空间和时间相干性都是部分的,从而消除了对基于激光的照明的需要。如图1所示,要由无透镜显微镜装置10测试或采样的空气通过位于外壳12的延伸部分38端部的开口46进入,该开口46用作入口18。如图2所示,螺旋形内表面48形成在延伸部分38的内部,以限制环境光到达图像传感器24。
无透镜显微镜装置10包括包含在外壳12内的一个或多个处理器50,处理器50被配置为控制真空泵14和一个或多个照明源40(例如,LED驱动电路)。在图1和2所示的实施方式中,一个或多个处理器50使用Raspberry Pi A+微型计算机实现。一个独立的LED驱动电路(德州仪器公司提供的TLC5941)用于驱动LED 40。然而,应当理解,可以采用任何数量的不同计算解决方案来控制真空泵14和照明源40。其中包括定制设计的专用集成电路(ASICS)或定制可编程开放式架构处理器和/或微控制器。在一个实施方式中,一个或多个处理器50包括有线和/或无线通信链路,该链路用于将从图像传感器24获得的图像传输到例如图5所示的独立计算装置52。例如,利用图像传感器24获得的图像I可以通过使用USB电缆等的有线通信传输到单独的计算装置52。类似地,一个或多个处理器50可以包含无线通信链路或者功能使得该图像文件可以使用Wi-Fi或连接来无线传输到计算装置52。
如图1所示,一个或多个处理器50、一个或多个照明源40和真空泵14由包含在外壳12内的车载电池54供电。在一个实施方式中,电池54可以是可充电电池。可替换地,或者与电池54结合,有线电源可以用于给无透镜显微镜装置10的车载部件供电。参考图2,提供电压控制电路56,以向一个或多个处理器提供所需的电压(例如,5V DC)以及向真空泵提供所需的电压(12VDC)。
图5示出了使用本文描述的无透镜显微镜装置10的系统60的示意图。系统60包括计算装置52,计算装置52用于生成和/或输出从在光学透明衬底34上捕获的颗粒的全息图像或衍射图案中重建的颗粒图像(包含颗粒100的相位和/或振幅信息)、颗粒尺寸数据、颗粒密度数据和/或颗粒类型数据。计算装置52上包含处理从图像传感器24获得的原始图像文件(I)的软件66。计算装置52可以包括与无透镜显微镜装置10位于同一位置的本地计算装置52。本地计算装置52的实例可以包括个人计算机、膝上型计算机或平板PC等。或者,计算装置52可以包括远程计算装置52,例如,服务器等。在后一种情况下,可以使用Wi-Fi或以太网连接将从图像传感器24获得的图像文件传输到远程计算装置52。或者,图像文件可以首先传输到便携式电子装置,然后使用便携式电子装置62的无线功能(例如,Wi-Fi或专有移动电话网络)将图像文件中继或重新传输到远程计算装置52。便携式电子装置可以包括例如移动电话(例如,智能手机)或平板PC或在一个实施方式中,便携式电子装置62上可以包括应用程序或“app”64,该应用程序用于与无透镜显微镜装置10接口并显示测试期间获得的数据并与之交互。
例如,在一个实施方式中,如图6的面板图像(i)所示,便携式电子装置62上的应用程序64包括显示“欢迎”屏幕的用户界面,该屏幕向用户呈现各种选项,例如:测量空气质量(即,运行测试)、查看来自先前运行的测试的数据、关于无透镜显微镜装置10的信息等。图6的面板图像(ii)示出了另一截屏,该截屏为用户提供了手动输入无透镜显微镜装置10的IP地址的能力。当然,在其他实施方式中,可以自动识别无透镜显微镜装置10的IP地址。图6的面板图像(iii)示出了显示应用程序64连接到无透镜显微镜装置10并准备好采样或校准的截屏。图6的面板图像(iv)示出了应用程序64的另一截屏,该截屏显示了示出当前位置的地图(使用从便携式电子装置62获得的GPS坐标)。应用程序64还向用户提供了查看同一近处或区域内的其他样本或所有样本的选项。图6的面板图像(v)示出了呈现给用户以查看关于特定测试的各种PM数据的用户界面。在该实施方式中,显示给用户的数据包括颗粒密度直方图(y轴:颗粒/L;x轴:颗粒尺寸(μm))以及每升颗粒的数量。这些可以以数字或曲线图的形式呈现给用户。还示出了特定测试的时间和日期。重建的颗粒图像也可以显示给用户。图6的面板图像(vi)示出了用无透镜显微镜装置10执行的不同测试,包括日期和时间。用户可以选择这些来查看PM结果。用户还可以选择使用标签来查看获得的图像或关于测试位置的细节(例如,面板图像(iv)中所示的地图)。在另一实施方式中,用户界面允许搜索功能。例如,用户可以搜索颗粒尺寸、颗粒密度、颗粒类型、样本位置、样本日期、样本时间等中的一个或多个。
图7示出了在无透镜显微镜装置10以及计算装置52中发生的工作流程顺序。在图7的实施方式中,示出了便携式电子装置62,其包含加载在其上的应用程序或“app”64,其用于操作无透镜显微镜10来测量空气质量。便携式电子装置62还用于发送和接收数据以及来自计算装置52的结果,在该实施方式中,计算装置52是远程服务器。参考操作200,用户首先启动便携式电子装置62上的应用程序64。接下来,如操作210所示,使用一个或多个照明源40(例如,红色、蓝色、绿色LED)拍摄背景图像。这些图像用于背景减除,以去除可能粘附或位于光学透明衬底34上的任何颗粒100。接下来,如操作220所示,启动真空泵14,以泵送大约三十(30)秒。在图示的实施方式中,速率为13L/min,但是也可以使用其他流速。接下来,如操作230所示,利用来自一个或多个照明源40的照明依次拍摄原始样本图像。在操作240中,原始图像文件随后传送并与计算装置52同步,用于图像处理。在该操作中,便携式电子装置62的无线功能用于传输原始图像文件。
图7还示出了在计算装置52中发生的处理原始图像文件的工作流程顺序。如操作250所示,计算装置52接收原始图像。图像还标有关于获得图像的日期和时间以及GPS坐标数据的信息。接下来,在操作260中,位于计算装置52上的软件66执行差分成像,以背景减除光学透明衬底34上的任何颗粒100。在操作270中,然后使用由将在下文中更详细地描述的软件66执行的剥离和机器学习(ML)算法对获得的差分图像进行颗粒检测。软件66输出颗粒尺寸和/或类型数据,如操作280所示。然后,这些结果传送到便携式电子装置62,以显示在应用程序64的用户界面上,如操作290所示。
图8详细示出了由软件66执行的算法,用于执行颗粒检测和颗粒分析(即,输出颗粒计数、颗粒密度、颗粒统计和/或颗粒类型)。该算法大致分为三个功能:图像预处理、颗粒检测/验证和颗粒尺寸确定。在图像预处理操作中,如操作300所示,加载原始图像。软件然后选择并裁剪较大的视场,以匹配原始图像上的矩形狭缝区域,如操作310所示。然后,在操作320中执行差分成像,以减去在当前空气测量操作之前可能已经存在于光学透明衬底34上的任何颗粒100。接下来,如操作330所示,然后对差分图像进行双线性去拜尔(De-Bayering),以保留对应于特定颜色通道的信息。在另一实施方式中,也可以在差分成像之前发生去拜尔。接下来,在操作340中,全息图经受插值,以获得子像素分辨率并避免像素伪影。然后,在操作350中,图像分割成不同的“碎片”(patch)。该操作用于加速如本文所述的聚焦操作,因为用于聚焦方面的起始点或距离可以用于同一碎片内的所有颗粒。接下来,在操作360中,每个碎片的四个边缘经受片平滑(Pad-Smooth),这是为了避免离散傅立叶变换之后边界不连续产生的振铃伪影而需要的。
现在转向算法的颗粒检测/验证部分,对于每个碎片,使用Tamura系数对颗粒进行数字聚焦(digital focusing)操作,以估计从颗粒100到图像传感器24的传感器平面的z距离。全息重建过程中还采用“剥离”操作来拒绝作为图像重建操作的一部分而创建的空间伪影。操作370示出执行数字聚焦操作,执行形态学重建过程,并且提取颗粒100的各种光谱和空间特征。在一个实施方式中,提取的特征包括最小强度Im、平均强度Ia、面积A和最大相位θM,RTam,本文解释的是特定聚焦平面的Tamura系数与不同传播z平面的最大Tamura系数的比率。提取的光谱和空间特征馈送到基于SVM的机器学习模型,以数字方式从真实颗粒中分离空间伪影。提取的光谱和空间特征也被提取和存储(见操作380),然后用于颗粒尺寸和/或类型分析。额外的空间参数包括最大强度、标准强度偏差、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率。例如,这些空间参数可用于识别颗粒尺寸、颗粒密度和颗粒类型。
剥离操作390包括相对于背景以增大的阈值擦除或去除颗粒。因此,最容易找到的(例如,最亮的)首先被识别和重建,然后以数字方式擦除。如操作400所示,然后建立更高的阈值,然后图像经受阈值掩模(操作410),由此施加掩模,并且未掩蔽的颗粒经受SVM模型对空间伪影的自动聚焦和抑制,如上所述。在一个实施方式中,执行多个这样的剥离周期(例如,四(4)个),并且在每个周期应用增大的阈值。
对于颗粒尺寸确定,如操作420所示,组合每个碎片的提取光谱和空间特征。然后使用模型(f)将这些特征映射到颗粒100的直径。虽然函数可以具有任意数量的维数,但是使用了二阶多项式模型f,并且提取的光谱和空间特征扩展到二阶(见本文的等式2),如操作430所示。然后在操作440中执行特征的标准化(见本文的等式3)。接下来,如操作450所示,用手动测量的研磨的真实颗粒训练的训练机器学习模型用于将训练的光谱和空间特征映射到颗粒直径。如操作460所示,具有所有的颗粒直径,可以输出颗粒计数和颗粒统计。这可以包括例如直方图,例如,图6的面板图像(v)中所示的直方图。虽然图8示出了颗粒尺寸的算法,但是类似的训练机器学习模型(用已知类型的颗粒训练)可以用于将归一化特征映射到颗粒类型。输出将是颗粒类型和/或与之相关的统计数据,而不是颗粒直径。例如,颗粒类型可以描述捕获和成像的颗粒100的来源或性质(例如,细菌颗粒、病毒颗粒、花粉颗粒、霉菌颗粒、生物颗粒、煤烟、无机颗粒、金属颗粒、有机颗粒)。
实验
空中平台空间分辨率、探测极限和视野
图1和图2示出了用于收集特定物质(PM)和执行颗粒测量的无透镜显微镜装置10(即,c-Air平台或系统)。c-Air平台由便携式外壳(可以是3D打印等)组成,该外壳包括基于冲击的空气采样器(即,冲击器或冲击喷嘴)和无透镜全息片上显微镜装置,如本文所述。无透镜显微镜使用三个部分相干光源(LED),其发射470nm、527nm和624nm的光,这些光源耦接到单独的光纤,这些光纤终止于用于照明的头部。无透镜显微镜还包括互补金属氧化物半导体(CMOS)图像传感器芯片(OV5647,RGB,5MPix,1.4μm像素尺寸),其放置在冲击器透明表面下方约0.4mm处,其间没有图像形成单元(例如,透镜)。外壳持有真空泵,驱动空气通过空气采样器。气流中的气溶胶然后收集在位于冲击喷嘴下方的空气采样器的粘性或发粘的盖玻片上,如本文所述。无透镜显微镜装置10由可充电电池供电,并由也位于或包含在外壳中的微控制器控制。
在本文描述的实验中,微控制器是Raspberry Pi A+。微控制器可以包括无线传输功能,使得图像和数据可以经由Wi-Fi、等从便携式显微镜装置传送到服务器。或者,微控制器可以与便携式电子装置通信,例如,运行定制应用程序或“app”的智能手机等,该定制应用程序或app用于将图像传送到操作该装置的计算装置52(例如,充当热点),并且使用便携式电子装置的显示器向用户显示结果。在此处,微控制器用于运行真空泵、控制光源、控制图像传感器(CMOS传感器)、保存图像、传输图像以及协调装置与计算装置52的通信。在一个实施方式中,该装置的控制可以由便携式电子装置(例如,智能手机或平板PC)来完成。
收集的气溶胶颗粒100由无透镜显微镜装置10成像和量化。在本发明的一个优选方面,利用无透镜显微镜装置获得的全息图像与便携式电子装置(例如,智能手机、平板PC)结合使用,该便携式电子装置上包括定制软件应用程序64,该定制软件应用程序64用于控制显微镜装置并且向计算装置52(例如,服务器)传送图像和数据以及从计算装置传送图像和数据,该计算装置52用于处理利用显微镜装置10获得的原始图像。
对获取的c-Air图像进行远程处理。如图5所示,整个系统由三个部分组成:(1)无透镜显微镜装置10(即,c-Air装置),其采集空气样本并记录其图像,(2)计算装置52(例如,远程服务器),其差分处理无透镜图像(比较在吸入样本空气之前和之后采集的图像),以重建新捕获的颗粒的相位和/或振幅图像,并使用机器学习来分析,以及(3)基于iOS的应用程序64,其控制装置、协调空气采样过程,并显示服务器处理的空气采样图像和相应的PM结果。
USAF-1951分辨率测试目标(target)用于量化无透镜显微镜装置10的空间分辨率。该测试目标的重建图像在图9中示出,其中,最小的可分辨线是第八组第二元素(线宽1.74μm),其当前由于单位放大成像几何形状而受到像素大小的限制。如果在未来的应用中需要,使用具有小像素尺寸的CMOS传感器和/或通过应用像素超分辨率技术来数字合成小像素尺寸,可以在c-Air平台中实现更好的分辨率(例如,≤0.5μm)。
在重建的无透镜差分图像中,检测噪底(noise floor)被定义为距背景平均值的3σ(σ≈0.01是背景的标准偏差),在给定的归一化差分图像中,背景平均值总是1。对于被视为检测到的颗粒,其无透镜信号应高于这个3σ噪底。清晰地检测到1μm颗粒,这也通过台式显微镜的比较进行了交叉验证。应当注意,根据需要,该检测极限远低于冲击器的50%截止采样直径(d50=1.4μm)。
就成像视场而言,用于本文实验的c-Air设计中的CMOS传感器的有效面积为3.67×2.74=10.06mm2。然而,在冲击器空气采样器的几何形状中,颗粒直接沉积在冲击喷嘴下方。因此,由气溶胶填充并由无透镜显微镜装置成像的有效区域将是CMOS传感器的有效区域和冲击喷嘴开口的交叉点。因为狭缝的宽度只有1.1mm,所以测试的c-Air装置的有效成像视场是3.67×1.1=4.04mm2。通过选择不同的CMOS图像传感器芯片或定制开发的冲击喷嘴,喷嘴狭缝区域和图像传感器区域可以具有更大的空间重叠,以进一步增加该有效视场。
基于机器学习的颗粒检测和尺寸确定
在计算装置52(例如,服务器)上使用定制设计的机器学习软件算法,在尺寸校准的颗粒上训练该算法,以获得从检测到的颗粒空间特征到其直径的映射,也有助于避免检测过程中的误报、漏报以及移动颗粒的过量计数。为此,从全息颗粒图像中提取光谱和空间特征,包括例如最小强度Im、平均强度Ia和面积A,并且开发二阶回归模型,该模型将这些特征映射到以微米为单位的检测颗粒的尺寸。从尺寸标记的颗粒图像中确定性地学习该模型,使用标准台式显微镜手动确定这些图像的尺寸。具体地,在颗粒剥离循环中提取掩蔽区域的特征Im、Ia和A之后,开发了模型f,该模型将这些特征映射到以微米为单位的颗粒直径,即
其中,f可能具有无限的维度。然而,使用了简化二阶多项式模型f,并且通过定义以下等式来将特征扩展到二阶:
定义了一个线性映射,将二阶特征与颗粒直径相关:
其中,T表示转置操作,μ和σ分别表示X的平均值和标准偏差。
基于上述映射,395个尺寸标记的微粒用于训练和盲测试。如图10所示,这些聚苯乙烯微粒的直径范围从约1μm到约40μm。在台式显微镜下用100×0.95数值孔径(NA)物镜手工测量这些颗粒的研磨的真实尺寸(ground true size)。使用c-Air平台对相同的样本进行额外成像,以获得相应的无透镜图像,并提取光谱和空间特征Im、Ia和A。为了训练机器学习模型,微粒样本随机且均匀地分成相应的训练和测试集。在将特征扩展到二阶(等式(2))并执行归一化(等式(3))之后,通过最小化训练特征映射和校准直径之间的差异来拟合参数向量θ,即,
这个最小化是由CVX执行的(可在http://cvxr.com/cvx/获取),这是一个为解决凸优化(convex optimization)问题而设计的软件包。然后将相同的训练参数应用于交叉验证集,交叉验证集由另外197个微粒组成。通过评估差异范数来验证颗粒尺寸训练误差(Etr)和测试误差(Ecv):
其中,是测试特征映射,是测试集的校准直径。此外,p=1用于计算“平均误差”,p=∞用于计算“最大误差”。注意,这个训练过程只需要完成一次,训练的参数向量θ和归一化参数μ和σ然后保存并随后用于使用c-Air装置对所有捕获的气溶胶样本进行盲颗粒尺寸确定。
图10描述了基于上述机器学习算法的预测颗粒直径Dpred与研磨真实测量直径Dref的一致性。图10中的黑色虚线表示Dref=Dpred的参考。如图10所示,使用机器学习,测试的c-Air装置对于训练和盲测试集都实现了近似7%的平均尺寸误差。
c-Air平台的颗粒尺寸分布测量和重复性
设计相同的两个c-Air装置用于在四个位置进行重复测量:(1)加州纳米系统研究所(CNSI)的100级无尘室;(2)CNSI的1000级无尘室;(3)加州大学洛杉矶(UCLA)分校工程IV号楼的室内环境;以及(4)工程IV号楼二层天井的室外环境。在每个位置,在两次连续测量之间的采样周期为30秒,为每个c-Air装置获得7个样本。如本文所述处理这些样本c-Air图像,并分析和比较每个位置的颗粒尺寸分布。
下表1总结了四个位置中每一个位置的七次测量的平均和标准偏差。有趣的是,注意,c-Air测量了在CNSI的100级无尘室测得的TSP密度约为7个计数/L,在CNSI的1000级无尘室测得的TSP密度约为25个计数/L,这两个无尘室均可与ISO 14644-1无尘室标准相媲美,即对于100级无尘室为3.5个计数/L和对于1000级无尘室为36个计数/L,其中,颗粒≥0.5μm。
来自同一数据集的TSP、PM10和PM2.5密度的测量额外用于阐明c-Air平台的可重复性的两个方面,即装置内和装置间的可重复性。装置内的可重复性定义为使用同一c-Air装置测量同一位置的空气质量时,测量结果在不同样本之间的变化程度(假设空气质量在两次测量之间没有变化,具有很小的时间延迟)。在下表1中的标准偏差(std,σ)中,证明了c-Air具有很强的装置内重复性。
表1
装置间的可重复性定义为使用设计为相同的两个c-Air装置测量同一位置空气质量时结果彼此不同的程度。为了进一步量化装置间的重复性,在四个不同位置对来自装置A和B的2×4组测量数据进行了μ测试(即Mann–Whitneyμ测试或Wilcoxon秩和测试)。在μ测试中,目标是验证两组样本X和Y的零假设(null hypothesis)(H=0):
即,实验试图测试两个样本的中间值在统计上是否相同。与其他重复性测试(例如,学生t-测试)相比,μ测试需要更少的假设和更强的鲁棒性。使用Matlab内置函数ranksum进行μ测试,在下表2中概述假设结果和突出的p值。如该表所示,零假设H=0对所有2×4组测量数据(来自四个不同位置的装置A和B)都有效,这表明了c-Air平台具有很强的装置间的重复性。
表2
使用c-Air装置对40公里以上距离的2016沙火(Sand
Fire)的影响
2016年7月22日,Sand Fire事件袭击了加州圣克拉里塔地区,并持续数日未被控制。尽管UCLA分校距离火灾发生地40多公里,但7月23日中午左右,烟雾弥漫在UCLA附近的天空。如上节所述,在UCLA的室外环境中,使用c-Air装置获得了六个空气样本。该结果与之前在2016年7月7日这一典型的一天使用相同的装置在相同的位置获得的样本进行了比较。这两天的数据包含六个30秒的空气样本,用c-Air测量,连续样本之间间隔约2分钟。每一天,对六个样本的颗粒尺寸分布进行平均,并将标准偏差绘制为图11中的直方图。结果表明,野外火灾当天室外PM密度显著增加,特别是小于4μm的PM,这增加了约80%。较小颗粒密度的增加是自然的,因为较小的颗粒可以移动这么长的距离(>40km)并且在空气中仍然具有显著的浓度。
c-Air装置与标准BAM PM2.5仪器的比较
2016年8月16日,在Reseda空气质量监测站(美国加州Reseda Gault街18330号)测试了c-Air装置,并从早上6:00开始在15小时内进行了一系列测量。将c-Air装置的性能与EPA批准的常规BAM PM2.5测量仪器(BAM-1020,Met One Instruments公司)的性能进行了比较。
EPA批准的BAM-1020以约16.7L/分钟泵送空气,并具有在气流中的旋转过滤器,其并在每小时会累积待测量的PM2.5。内部的β颗粒源和检测器对来测量过滤器上累积的PM2.5引起的衰减,并使用Beer–Lambert定律将其转换为总质量。BAM-1020报告的数量为每小时平均PM2.5质量密度μg/m3。相比之下,c-Air装置被编程为每6.5L空气体积可获得30秒的平均颗粒数。使用光学显微镜成像进行尺寸确定(sizing)和浓度测量。
为了能够进行公平的比较,每小时进行四次30秒的测量,连续的c-Air测量之间的间隔为10-15分钟。制作与这些样品对应的PM2.5密度,并在给定的时间内获得其平均值,作为最终测得的PM2.5密度。将该c-Air平均浓度与BAM-1020测得的每小时平均PM2.5质量密度进行比较。在靠近BAM-1020入口喷嘴的Reseda空气采样站的顶部获得c-Air装置的测量;然而,位于离它大约2米的地方,以避免两个系统之间的干扰。
图12A示出了来自该c-Air装置和BAM-1020的测量结果的比较。如图12A所示,c-Air装置的每小时平均PM2.5计数密度结果与EPA批准的BAM PM2.5质量密度结果几乎遵循相同的趋势。在图12A中似乎也绘制了每小时平均TSP和PM10,其遵循与PM2.5相似的趋势。最后,如图12B所示,在BAM PM2.5测量值和c-Air PM2.5计数密度测量值之间发现线性相关性,其中,x轴是由BAM-1020测量的PM2.5质量密度μg/m3,y轴是由c-Air装置测量的以计数/L为单位的PM2.5计数密度。这两种技术之间的一些差异可能是由于几个原因:(1)每个PM2.5颗粒可能具有不同的重量;因此,PM2.5计数密度可能不会直接转换成颗粒的质量密度;(2)每小时可能有一些空气质量变化;因此,四个30秒的测量值可能不能准确表示BAM-1020报告的整个小时平均值;(3)冲击器的截止尺寸(cut-off size)为约1.4μm,这意味着小于该尺寸的颗粒可能无法被装置有效计数,而它们却被BAM-1020计数。还要注意,在图12A中,在上午7:00至9:00,由于仪器维护所需的旋转过滤器的更换,BAM-1020的原始测量值丢失。取而代之的是,这些数据点被星期五上午7:00到9:00的平均时间窗口所取代,这些时间窗口是在同一个月内测量的。
LAX附近空气质量的时空映射
2016年9月6日,使用了两个c-Air装置,装置A和装置B,以测量洛杉矶国际机场(LAX)周围的时空空气质量变化。在两条不同的路线上进行两个24小时的测量,分别表示以LAX为中心的经度和纬度方向。每条路线中有六个位置,并且在24小时内每条路线中的测量时间为2小时。这些原始c-Air测量结果发送到远程服务器进行自动处理,以在每个时间和位置生成颗粒图像和颗粒大小统计数据。
路线1从LAX沿经度方向向东延伸。沿着这条路线,六个地点分别位于LAX以东3.37km、4.34km、5.91km、7.61km、9.95km以及13.1km。LAX显示全天(早上7点到晚上11点)有大量航班;然而,如图13A-13F中的航班曲线所示,显示了深夜(大约凌晨2点)的突出波谷,其中,航班的数量最少。如图13A-13F所示,PM2.5和PM10的c-Air测量结果也显示在深夜有这样一个波谷,这说明了LAX的航班总数和附近的PM污染物之间的关系。随着与LAX的距离增加,这种调整(modulation)会减弱。为了量化这种相关性,定义了两个度量:(1)相关性斜率,这是从航班总数到PM10或PM2.5计数密度的线性映射的斜率(在图13G中,根据距LAX的经度距离绘制),和(2)由c-Air测量的日平均PM,这是每个位置的24小时平均PM10计数密度或PM2.5计数密度(在图13H中也根据距LAX的经度距离绘制)。这些图显示了相关斜率和日平均PM根据距LAX的距离的指数趋势。此外,他们还指出,机场对空气污染增加的影响很大,甚至距离其位置7公里以上。这一点在早期的研究中也得到了独立的证实,使用了基于市售光学散射的PM检测技术,该技术具有有限的颗粒尺寸和密度动态范围,并且由于其串行读出方案,与c-Air平台相比,其吞吐量降低了一个数量级以上。还要注意,在第三位置(距LAX5.91km)有一个意外点,其污染水平似乎高于观察到的指数趋势。可以认为,这是因为在距离该测量位置不到65米的地方有一个约3,400个停车位的停车场。
与路线1不同,路线2从LAX的南部延伸到北部,横跨纬度方向。该路线中选择的六个地点分别位于LAX以北3.58km、1.90km、0.50km、0.01km、-1.46km以及-2.19km。与路线1相似,图14A-14F绘制了在对应于路线2的采样点期间PM浓度的时间变化。这些结果再次表明,根据LAX的航班总数,PM变化趋势相似。与路线1相似,随着距离LAX的测量位置距离增加,调整强度(modulation strong)降低。上述发现得到图14G所示的相关斜率和图14H所示的日平均PM的支持,这两者都根据LAX以北的纬度距离。观察到,这种下降在纬度方向(从南到北,路线2)比经度方向(从西到东,路线1)更快,这可能是由于夏季LAX附近的典型西风,这导致颗粒在空气中传播更长的距离。
方法
基于冲击的空气采样器
为了捕获气溶胶,基于冲击的空气采样器,因为其高通量、简单的硬件以及与显微镜检查的兼容性而被使用。如本文所述,无透镜显微镜装置中使用的冲击器包括冲击喷嘴和粘性或发粘的采样盖玻片(Zefon International有限公司的Air-O-Cell采样盒)。将现成的Air-O-Cell采样盒拆开,并使用包含冲击喷嘴和粘性盖玻片的上部。然后将粘性盖玻片直接放在成像传感器上。一台真空泵(加州Lake Forrest Gtek Automation公司提供的微型13真空泵(零件号M00198))驱动层流以高速通过喷嘴。粘性或发粘的盖玻片被放置成直接面对气流。当气流中的气溶胶冲击粘性盖玻片并被其收集时,气流可以很容易地改变方向。该收集随后用于计算成像。
冲击器捕获的气溶胶实际上是一个随机过程。捕获穿过冲击器的单个气溶胶颗粒的概率取决于颗粒尺寸、层流流速和喷嘴宽度。这个概率与斯托克斯数(Stk)有关:
其中,ρP是颗粒质量密度,dP表示颗粒直径,U表示流速,η是空气粘度,Dj表示喷嘴直径。冲击效率随着Stk增加而增加。基于相同的术语,截止尺寸d50被定义为冲击效率降低到50%时的颗粒直径。在实验设计中,空气采样器(喷嘴为1.1mm×14.5mm)连接到吞吐量(throughout)为13L/min的微型泵并由该泵驱动。基于上述关系,50%截止采样直径可估算为d50=1.4μm。
c-Air无透镜片上显微镜及空气采样设计
为了对收集的气溶胶进行快速成像和检查,如图1至4所示,冲击器与无透镜显微镜组合在单个移动装置中。用于捕获待成像样本的粘性盖玻片与冲击器喷嘴盒一起直接放置在彩色CMOS图像传感器上,从图像传感器到粘性盖玻片的距离大约为400μm。当然,如果仍然可以获得颗粒的全息图像,也可以使用其他距离。三个光纤耦接的LED(红色:624nm;nm:527nm;蓝色:470nm)固定在装置采样管的顶部,与图像传感器芯片相距大约8cm。使用LED照明,被粘性盖玻片捕获的气溶胶样本投射成内联(inline)全息图。这些全息图由CMOS图像传感器记录,用于全息重建和进一步处理,以确定PM统计。由于颗粒与传感器表面非常接近,光源的空间和时间相干性可能是部分的,从而消除了对基于激光的照明的需要。
图像捕获和空气采样过程如图7所示。当用户请求从应用程序用户界面“捕获样本”时,三个LED依次打开/关闭,从而获得三幅背景图像。这些背景图像描绘了在吸入要采样的空气之前空气采样器表面的状态。基于给定背景图像中颗粒的覆盖范围,该装置提醒用户更换空气采样器表面。根据空气污染的程度,在根据其表面积的污染情况需要更换之前,同一空气采样器可以使用几次。
接下来,泵被供电,推动空气通过采样器30秒,从而过滤6.5升空气。然后依次打开/关闭三个LED,从而用新捕获的气溶胶颗粒获得三个样本图像。这些背景图像和样本图像都传输或同步到服务器,以供进一步处理。同步操作涉及传输图像文件以及更新服务器中用于调试和显示目的的日志文件。在这种方法中,获得两组图像(即采样之前和之后),以采用差分成像策略。具体地,在从样本图像的相应背景图像中减去样本图像之后,形成差分全息图,其仅包含新捕获的颗粒的信息。对于颗粒尺寸,仅使用在绿色LED照明下捕获的图像。通过合并使用三个LED捕获的所有差分全息图像,也可以获得捕获颗粒的红色、绿色、蓝色(RGB)图像(如果需要),从而显示样本的颜色信息。例如,这可以用于辨别颗粒类型或其他颗粒特定的信息。然而,在仅执行颗粒计数和尺寸确定的一些实施方式中,仅需要单色照明。为了避免在获得新样本之前等待步骤完成,采样过程采用并行方法进行编程。因此,当新的采样请求在先前结果同步之前到达时,首先缓存了未同步的样本。后来,当装置空闲时,进行同步。在该实施方式中,整个装置采样过程由微型计算机上定制开发的程序(Raspberry Pi A+)控制。当然,不同的微型计算机或微处理器可以用于控制装置的操作以及使用成像阵列获取图像。
c-Air智能手机应用程序
为了控制c-Air装置,使用Swift(苹果公司)开发了一款基于iOS的应用程序。当然,应用程序或app可以在另一操作系统上运行,例如,安卓。该应用程序安装在iOS装置(例如,iPhone6)上,并与c-Air装置一起使用。该应用程序有两个基本功能:(1)控制空气采样装置;以及(2)显示服务器处理的结果。该应用程序还可以方便向远程服务器传输图像和数据以及从远程服务器传输图像和数据。在一个实施方式中,应用程序在启动时自动建立个人热点,装置通过Wi-Fi连接到该个人热点。图6显示了c-Air应用程序用户界面的示例性截屏。用户启动c-Air应用程序之后,欢迎屏幕会显示以下选项:“测量空气质量”、“查看数据”、“装置”和“关于”。“测量空气质量”选项将应用程序切换到中间带有装置徽标的测量屏幕。如图7所示,选择徽标触发空气采样过程,并记录智能手机的全球定位系统(GPS)坐标(以便将特定样本与特定地理坐标位置相关联)。空气采样过程完成后,采样器获得的无透镜全息图像用智能手机上的GPS坐标进行标记,并传送到远程服务器进行进一步处理。该应用程序旨在将一部智能手机与一台c-Air装置配对。这种配对可以使用例如蓝牙来完成。要更改应用程序控制的装置,用户可以导航到屏幕(ii)并输入新采样器的IP地址(或者可以自动找到该IP地址)。
同一应用程序还用于查看从不同位置捕获的空气样本的服务器处理结果(即,使用该装置获得的处理全息图像的结果)。通过该装置获得的样本的完整历史记录可在(iv)“地图视图”或(vi)“列表视图”中访问。在“列表视图”中选择一个样本或在“地图视图”中选择一个精确点会创建服务器处理结果的概述。使用该应用程序可以从两个方面查看结果:在衬底上重建捕获的气溶胶的显微镜图像,具有放大单独颗粒的选项;以及颗粒尺寸和密度分布的直方图(图6的面板图像(v))。
c-Air图像的远程处理
在运行Matlab的基于Linux的服务器(Intel Xeon E5-1630 3.70-GHz四核中央处理器CPU)上执行捕获的全息c-Air图像的处理。当然,也可以使用其上包含软件的其他计算装置(例如,服务器)。如图7所示,计算装置52(例如,服务器)在以下步骤中处理捕获的无透镜全息图像:(1)接收两组全息图(背景和样本);(2)对这些图像进行预处理,并获得差分全息图;(3)在所得差分全息图的全息重建之后,使用颗粒剥离和机器学习算法进行颗粒检测,这将在下面详细描述;(4)对检测到的颗粒进行尺寸确定,并生成颗粒尺寸统计数据;(5)重建的图像和处理后的PM统计传输回智能手机应用程序,供用户可视化。
在步骤1中,使用Wi-Fi,将每个大小约5MB的原始全息图以每个图像1秒或更短的速度从显微镜装置传输到服务器。在步骤5中,处理后的信息被打包为重建图像的JPEG文件加上包含每个尺寸范围的颗粒密度的向量,该向量随后被渲染并在智能手机应用程序上显示为直方图。该工作流程中使用的具体算法详述如下。
预处理和差分全息图形成
服务器接收三种颜色的两组全息图(背景和样本):红色(R)、绿色(G)和蓝色(B)。对于全息图重建和颗粒检测步骤之前的预处理,首先提取原始格式图像,然后对其进行去拜尔,即,仅保留相应颜色通道的信息。接下来,为了分离在最近采样周期中收集的当前气溶胶样本,通过从样本图像中数字地减去相应的背景图像并将其归一化到0到2的范围(背景平均值以1为中心),来生成R、G和B这三种差分全息图。或者,可以在获得差分全息图之后进行去拜尔。
全息重建
捕获颗粒的2D分布O(x,y)可以通过使用角谱方法将其测得的全息图A(x,y)数字传播到图像平面来重建:29
O(x,y)=F-1{F{A(x,y)}·H(fx,fy)} (9)
其中,F和F-1分别定义空间傅立叶变换及其逆变换,并且H(fx,fy)是傅立叶域中的传播核(即角谱),其被定义为:
其中,fx和fy表示傅立叶域中图像的空间频率。在给定照明波长λ、介质折射率n和传播距离z的情况下,可以唯一限定传播核H(fx,fy)。无需进一步说明,本文中所有与传播相关的术语都指复杂对象的这种基于角谱的数字传播。将在以下小节中讨论由仅强度检测引起的双图像相关的空间伪影。
气溶胶的数字自动聚焦
在无透镜片上成像几何结构中,从样本到传感器平面的特定距离通常是未知的,必须进行数字估计,以便进行精确重建和颗粒分析。在此处,使用了一种数字测量,称为Tamura系数,用于自动聚焦和估计从颗粒到传感器平面的垂直距离z。参见Memmolo,P.等人的数字全息术中的自动聚焦及其在拉伸全息图中的应用,Opt.Lett.36,1945–1947(2011),该文献通过引用并入本文。它被定义为图像在其平均值上的标准偏差的平方根:
其中,Iz是全息图在传播距离z之后的强度图像。
为了加速这种自动聚焦过程,使用了基于Tamura系数的快速搜索算法,如图15所示。这种搜索方法包括两个步骤:在Tamura系数峰值周围找到凹形区域,并在该凹形区域中执行精细搜索。在第一步骤中,对于(l0,u0)的初始高度间隔,全息图传播到l0与u0之间的4N+1个相等间隔的垂直距离。然后测量这些高度处相应的Tamura系数。此时,检查由这些4N+1点形成的Tamura系数曲线是否是凹的。如果不是,则确定峰值位置并保留峰值周围的2N个点。接下来,2N个新点然后均匀地添加在这些2N+1个点定义的间隔中间。在每个步骤中,搜索的总高度间隔减少一半。重复该过程,直到识别出凹入的高度间隔(l,u)。
在第二步骤中,在识别出凹入的高度间隔(l,u)之后,运行黄金分割率搜索来为每个颗粒找到正确的深度焦点。为此,黄金分割率被定义为其中,p=u-α(u-l)和q=l+α(u-l)是给定高度间隔每一侧的黄金分割点。在将全息图传播到这些新的高度之后(p和q),分别在这两个高度p和q比较Tamura系数Tp和Tq。如果Tp<Tq,则移动下限l=p,然后,假设p=q,Tp=Tq,并且q=l+α(u-l)。否则,移动上限u=q,然后,假设q=p,Tq=Tp,并且p=u-α(u-l)。重复该过程,直到高度间隔的长度小于预定阈值u-l<δ,例如δ=0.1μm。
使用数字“剥离”进行颗粒检测
使用等式(9)将获取的全息图直接反向传播到自动聚焦的样本平面,在物体顶部生成称为双图像噪声的空间伪影。这种双图像伪影影响气溶胶颗粒的检测。如果不处理,可能会导致误报和漏报。为了解决这个问题,在全息重建过程中采用了迭代颗粒剥离算法。关于数字剥离(或计数和清洗(count-and-clean))的更多细节可以在McLeod,E.等人的基于时间分辨片上显微术的高通量和无标签单纳米颗粒尺寸确定,ACS Nano 9,3265–3273(2015)中找到,该文献通过引用结合于此。还与机器学习算法或模型相结合,以进一步拒绝这些空间伪影。机器学习算法可以包括本领域技术人员已知的基于支持向量机(SVM)的学习模型、深度学习模型等。在图8中概述根据一个实施方式使用的算法。
这种剥离算法包含以逐渐增加的阈值(即,0.75、0.85、0.92和0.97)对颗粒进行检测和擦除(“剥离”)的四个周期,其中,背景在差分成像过程中以1.0为中心,如前所述。从背景平均值中选择最高阈值(0.97),作为3σ,其中,σ≈0.01是背景的标准偏差。形态重建过程用于生成图像掩模,而不是使用简单的阈值。因为大多数颗粒具有较暗的中心和稍微弱的边界,所以使用单一阈值可能会掩盖颗粒的一部分,潜在地导致颗粒在随后的剥离周期中多次遗漏或重新检测。这可以通过使用形态重建过程来避免。
在该数字颗粒剥离过程的每个周期中,首先使用本文描述的自动聚焦算法来调整图像焦点。然后,采用形态学重建来生成二进制掩模,其中,每个掩模区域包含一个颗粒。对于每个掩模,裁剪小图像(100×100像素),并且对该小图像执行精细自动聚焦,以找到相应颗粒的正确聚焦平面。在该聚焦平面,提取颗粒的各种光谱和空间特征,例如,最小强度Im、平均强度Ia、面积A和最大相位θM。然后,图像传播到该聚焦平面之上20μm与之下20μm之间均匀间隔的五个不同平面。计算该聚焦平面的Tamura系数,并与其他五个平面的系数进行比较。该聚焦平面上的Tamura系数与所有六个平面中最高的Tamura系数之比被定义为另一特征RTam。然后,这四个特征Im、θM、A和RTam输入到基于SVM的学习模型中,以数字方式将空间伪影与真实颗粒分离,并拒绝这些伪影。这种学习算法详述如下。在处理在该剥离周期中的所有检测到的颗粒之后,以数字方式剥离这些“计数”颗粒,即在图像和双图像平面上用背景均值替换对应于每个检测到的颗粒的阈值区域。该算法进入具有较高阈值的下一个剥离周期,并重复相同的步骤。
在完成所有四个剥离周期后,提取的特征Im、θM和A将进一步用于使用机器学习算法确定颗粒尺寸,如下文进一步详述。该尺寸确定过程仅在真实颗粒上执行,生成颗粒尺寸和密度分布以及各种其他参数的直方图,包括例如作为c-Air结果概述的一部分报告的TSP、PM10和PM2.5。
使用训练好的支持向量机消除误报
为了避免检测系统中的误报,使用了基于四个特征Im、θM、A和RTam的经过训练的线性SVM,如前所述,以区分空间伪影和真实颗粒,并提高c-Air检测精度。选择这些光谱和空间特征是为了提供真假颗粒之间的最佳分离。为了训练这个模型,使用c-Air原型获得了两个空气样本图像,一个在室内,一个在室外。然后,除了基于c-Air的分析之外,移除采样盖玻片,并使用40X物镜在台式明视场显微镜下检查捕获的颗粒。将剥离周期和无透镜重建过程中的阈值区域与台式显微镜的图像进行比较,以将这些检测到的区域中的每一个标记为真颗粒或假颗粒。通过这种比较,总共标记了超过2,000个阈值区域,其中一半的训练数据输入到SVM模型中(在Matlab中使用函数“svmtrain”实现)。另一半用于模型的盲检测,其精度为0.95,召回率为0.98。
移动颗粒的检测和排除
在同一衬底上进行多次差分成像实验。观察到少量气溶胶颗粒(约3%)在随后的运行中移动或改变了其在衬底上的位置。在差分全息图的重建中,移动的颗粒表现为一对黑白点,其中,“白色”颗粒出现是因为它存在于先前的图像中,但在当前的图像中不存在。为了避免由于这些移动的颗粒而对气溶胶进行过度计数,将基于阈值的算法用作四个剥离周期的一部分来检测这些“白色”颗粒。然后,标记在尺寸和强度上与检测到的白色颗粒相似的最近的黑色颗粒,以定义“移动颗粒”。然后,移动的颗粒从总颗粒密度分布中移除,从而避免了同一颗粒的重复计数。
将颗粒数转换为颗粒密度
对于每个样本(以及相应的c-Air差分全息图),如前所述,颗粒检测和尺寸确定算法以不同尺寸/直径的颗粒数提供颗粒数。为了便于使用更通用的单位,采样颗粒数Ni通过以下公式转换为颗粒密度ni(以计数/L为单位):
其中,Q=13L/min是空气流速,t=0.5min是典型的采样持续时间。此外,Ltotal=15.5mm是冲击器喷嘴狭缝的总长度,Lsensor=3.67mm是待成像的狭缝的一部分,等于CMOS传感器有效区域的较长边缘。此处的转换方程假设颗粒分布沿着采样器喷嘴长度是均匀的,这是一个有效的假设,因为喷嘴锥形在其正交方向上,而采样器在该方向上的结构在空间上是不变的。
c-Air系统提供了一种无透镜显微镜装置,并利用机器学习为PM成像、尺寸确定和量化提供了一个便携且经济的平台。该平台使用重量约为590克的现场便携式装置、用于装置控制和结果显示的智能手机应用程序以及用于基于定制开发的机器学习算法自动处理数字全息显微镜图像以进行PM测量的远程服务器(或其他计算装置52)。通过测量室内和室外不同位置的空气质量,验证了该装置的性能,包括EPA规定的空气采样站,其中,c-Air结果与EPA批准的BAM装置的结果比较显示出密切的相关性。c-Air平台用于LAX附近空气质量的时空映射,显示PM浓度随LAX航班总数全天变化。随着与LAX距离的增加,这种相关性的强度以及日平均PM呈指数下降。c-Air平台具有显微镜成像和机器学习界面,在空气质量调节和改善方面有着广泛的应用。
虽然已经示出和描述了本发明的实施方式,但是在不脱离本发明的范围的情况下,可以进行各种修改。因此,除了以下权利要求及其等同物,本发明不应受到限制。
Claims (30)
1.一种用于监测空气质量的便携式无透镜显微镜装置,包括:
外壳;
真空泵,被配置为将空气吸入设置在所述外壳中的冲击喷嘴中,所述冲击喷嘴具有位于光学透明衬底附近的输出端,所述光学透明衬底用于收集空气中包含的颗粒;
一个或多个照明源,设置在所述外壳中,并被配置为照明所述光学透明衬底上收集的颗粒;
图像传感器,设置在所述外壳中,并以小于5mm的距离位于光学透明衬底附近,其中,所述图像传感器收集由所收集的颗粒投射在所述图像传感器上的衍射图案或全息图像;以及
至少一个处理器,设置在所述外壳中,所述至少一个处理器控制真空泵和所述一个或多个照明源。
2.根据权利要求1所述的显微镜装置,其中,所述光学透明衬底在其上包含粘性或发粘的材料。
3.根据权利要求1所述的显微镜装置,其中,所述一个或多个照明源包括中心波长不同的多个LED或激光二极管。
4.根据权利要求1所述的显微镜装置,其中,所述至少一个处理器包括有线或无线通信链路,用于将从图像传感器获得的图像传输到计算装置或便携式电子装置。
5.根据权利要求1所述的显微镜装置,还包括便携式电子装置,其经由无线通信链路与所述至少一个处理器通信。
6.根据权利要求5所述的显微镜装置,其中,所述便携式电子装置包括移动电话或平板PC。
7.根据权利要求1所述的显微镜装置,还包括包含在外壳中的基于电池的电源或者耦接到显微镜装置的外部电源。
8.一种包括用于监测空气质量的便携式无透镜显微镜装置的系统,所述系统包括:
根据权利要求1所述的显微镜装置;
计算装置,被配置为在其上执行软件,以从图像传感器接收衍射图案或全息图像,重建包含所收集颗粒的相位和/或振幅信息的差分全息图像,并输出所收集颗粒的颗粒图像和颗粒尺寸数据;以及
便携式电子装置,在其上包含软件或应用程序,被配置为接收所收集颗粒的颗粒图像和颗粒尺寸数据,并在用户界面上将其输出给用户。
9.一种包括用于监测空气质量的便携式无透镜显微镜装置的系统,所述系统包括:
根据权利要求1所述的显微镜装置;
计算装置,被配置为在其上执行软件,以从图像传感器接收衍射图案或全息图像,重建包含所收集颗粒的相位和/或振幅信息的差分全息图像,并输出所收集颗粒的颗粒图像和颗粒密度数据;以及
便携式电子装置,在其上包含软件或应用程序,被配置为接收所收集颗粒的颗粒图像和颗粒密度数据,并在用户界面上将其输出给用户。
10.一种包括用于监测空气质量的便携式无透镜显微镜装置的系统,所述系统包括:
根据权利要求1所述的显微镜装置;
计算装置,被配置为在其上执行软件,以从图像传感器接收衍射图案或全息图像,重建包含所收集颗粒的相位和/或振幅信息的差分全息图像,并输出所收集颗粒的颗粒图像、颗粒尺寸数据和颗粒类型数据;以及
便携式电子装置,其上包含软件或应用程序,被配置为接收所收集颗粒的颗粒图像、颗粒尺寸数据和颗粒类型数据,并在用户界面上将其输出给用户。
11.根据权利要求8至10中任一项所述的系统,其中,所述计算装置包括本地计算装置或远程计算装置中的一个。
12.根据权利要求11所述的系统,其中,所述远程计算装置包括服务器。
13.根据权利要求8至10中任一项所述的系统,其中,所述衍射图案或全息图像用与所采样的空气相关的空间和时间数据来标记。
14.根据权利要求8至10中任一项所述的系统,其中,所述用户界面提供搜索功能,以基于颗粒尺寸、颗粒密度、颗粒类型、样本位置、样本日期或时间中的一个或多个来搜索所采样的空气样本。
15.根据权利要求8所述的系统,其中,所述计算装置基于软件中的机器学习算法,使用提取的光谱和空间特征来输出颗粒尺寸数据,所提取的光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
16.根据权利要求9所述的系统,其中,所述计算装置基于软件中的机器学习算法,使用提取的光谱和空间特征来输出颗粒密度数据,所提取的光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
17.根据权利要求10所述的系统,其中,所述计算装置基于软件中的机器学习算法,使用提取的光谱和空间特征来输出颗粒类型数据,所提取的光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
18.根据权利要求15至17中任一项所述的系统,其中,所提取的光谱和空间特征是在不同的照明波长下获得的。
19.根据权利要求17所述的系统,其中,所述颗粒类型数据包括颗粒类型,所述颗粒类型包括细菌、病毒、花粉、孢子、霉菌、生物颗粒、烟灰、无机颗粒和有机颗粒中的一种或多种。
20.根据权利要求15至17中任一项所述的系统,其中,由所述计算装置执行的软件被配置为基于所提取的光谱和空间特征使用训练过的机器学习算法来消除伪影。
21.根据权利要求15至17中任一项所述的系统,其中,由所述计算装置执行的软件被配置为执行数字剥离处理,以识别和消除空间伪影或误报。
22.根据权利要求15至17中任一项所述的系统,其中,每个全息图像与GPS位置和时间/日期戳相关联。
23.一种使用便携式显微镜装置监测空气质量的方法,包括:
激活设置在便携式显微镜装置中的真空泵,以将气溶胶颗粒捕获在光学透明衬底上;
用包含在便携式显微镜装置中的一个或多个照明源照明包含所捕获的气溶胶颗粒的所述光学透明衬底;
用设置在便携式显微镜装置中并邻近所述光学透明衬底设置的图像传感器来捕获所捕获的气溶胶颗粒投射之前和之后的全息图像或衍射图案,其中,之前的全息图像或衍射图案是在捕获气溶胶颗粒之前获得的,并且之后的全息图像或衍射图案是在捕获气溶胶颗粒之后获得的;
将包含全息图像或衍射图案的图像文件传送到计算装置;
用包含在计算装置上的软件处理包含之前的和之后的全息图像或衍射图案的图像文件,以生成差分全息图或衍射图案,随后输出所捕获的气溶胶颗粒的全息图像重建和颗粒尺寸数据。
24.根据权利要求23所述的方法,其中,由所述计算装置执行的软件基于软件中的机器学习算法,使用提取的光谱和空间特征来输出颗粒尺寸数据,所提取的光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
25.根据权利要求23所述的方法,其中,由所述计算装置执行的软件进一步基于软件中的机器学习算法,使用提取的光谱和空间特征来输出颗粒密度数据,所提取的光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
26.根据权利要求23所述的方法,其中,由所述计算装置执行的软件进一步基于软件中的机器学习算法,使用提取的光谱和空间特征来输出颗粒类型数据,所提取的光谱和空间特征包括最小强度(Im)、平均强度(Ia)、最大强度、标准强度偏差、面积(A)、最大相位、最小相位、平均相位、标准相位偏差、强度偏心率和相位偏心率中的一个或多个。
27.根据权利要求23至26中任一项所述的方法,还包括将颗粒图像、颗粒尺寸数据、颗粒密度数据或颗粒类型数据中的一个或多个传送到便携式电子装置,以在其上显示。
28.根据权利要求23所述的方法,其中,便携式电子装置包括智能手机或平板电脑,在所述智能手机或平板电脑上加载有用于使用图形用户界面显示颗粒尺寸数据的应用程序。
29.根据权利要求25所述的方法,其中,便携式电子装置包括智能手机或平板电脑,在所述智能手机或平板电脑上加载有用于使用图形用户界面显示颗粒密度数据的应用程序。
30.根据权利要求26所述的方法,其中,便携式电子装置包括智能手机或平板电脑,在所述智能手机或平板电脑上加载有用于使用图形用户界面显示颗粒类型数据的应用程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762469700P | 2017-03-10 | 2017-03-10 | |
US62/469,700 | 2017-03-10 | ||
PCT/US2018/021813 WO2018165590A1 (en) | 2017-03-10 | 2018-03-09 | Mobile microscopy system for air quality monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110869738A true CN110869738A (zh) | 2020-03-06 |
Family
ID=63448333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880030906.4A Pending CN110869738A (zh) | 2017-03-10 | 2018-03-09 | 用于空气质量监测的移动显微镜系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11054357B2 (zh) |
EP (1) | EP3593111A4 (zh) |
CN (1) | CN110869738A (zh) |
GB (1) | GB2574357B (zh) |
WO (1) | WO2018165590A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111631679A (zh) * | 2020-04-28 | 2020-09-08 | 温州医科大学附属眼视光医院 | 一种泪膜气溶胶检测仪 |
CN112945817A (zh) * | 2021-01-29 | 2021-06-11 | 内蒙古工业大学 | 气旋式花粉浓度检测方法及装置 |
CN113495043A (zh) * | 2020-03-18 | 2021-10-12 | 江苏长电科技股份有限公司 | 微尺度衍射图像检测装置 |
CN114441269A (zh) * | 2022-02-14 | 2022-05-06 | 华北电力大学(保定) | 一种大气气溶胶的成分与数量检测装置 |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11416123B2 (en) | 2014-03-14 | 2022-08-16 | Particle Measuring Systems, Inc. | Firmware design for facility navigation, and area and location data management of particle sampling and analysis instruments |
US10458990B1 (en) | 2015-03-06 | 2019-10-29 | Scanit Technologies, Inc. | Spore state discrimination |
US11460391B1 (en) | 2015-03-06 | 2022-10-04 | Scanit Technologies, Inc. | Particle collection media cartridge with pins to position tape |
US11380438B2 (en) | 2017-09-27 | 2022-07-05 | Honeywell International Inc. | Respiration-vocalization data collection system for air quality determination |
EP3629609A4 (en) * | 2017-12-29 | 2021-12-29 | LG Electronics Inc. | Device for measuring fine dust and fine dust information utilization system comprising same |
CN112106061A (zh) | 2018-03-30 | 2020-12-18 | 加利福尼亚大学董事会 | 使用深度学习对未标记荧光图像进行数字染色的方法和系统 |
US11385177B2 (en) * | 2018-04-13 | 2022-07-12 | Washington University | Designs of accurate pm sensors and systems for laboratory and real time calibration / data inversion |
CN112352158A (zh) | 2018-06-04 | 2021-02-09 | 加利福尼亚大学董事会 | 用于水样的无标记分析的能够深度学习的便携式成像流式细胞仪 |
JP2020034545A (ja) * | 2018-08-28 | 2020-03-05 | パナソニックIpマネジメント株式会社 | 成分分析装置及び成分分析方法 |
US11893779B2 (en) | 2018-10-18 | 2024-02-06 | The Regents Of The University Of California | Device and method for motility-based label-free detection of motile objects in a fluid sample |
US11073461B2 (en) * | 2018-10-31 | 2021-07-27 | Nanozen Industries Inc. | Digital holography with an internal impactor for particle imaging, classification, and mass density characterization |
CN109596489A (zh) * | 2018-11-29 | 2019-04-09 | 海拉(厦门)电气有限公司 | 一种自动调焦的激光pm2.5粉尘传感器 |
CN110057730A (zh) * | 2019-03-12 | 2019-07-26 | 天津大学 | 一种人体颗粒物主动吸入浓度测试方法 |
US11262286B2 (en) | 2019-04-24 | 2022-03-01 | The Regents Of The University Of California | Label-free bio-aerosol sensing using mobile microscopy and deep learning |
JP2020178683A (ja) * | 2019-04-25 | 2020-11-05 | パーティクル・メージャーリング・システムズ・インコーポレーテッド | 施設ナビゲーションのためのファームウェア設計、並びに粒子サンプリング及び分析機器のエリア及びロケーションデータ管理 |
US10876949B2 (en) | 2019-04-26 | 2020-12-29 | Honeywell International Inc. | Flow device and associated method and system |
FR3096138B1 (fr) * | 2019-05-13 | 2021-04-30 | Commissariat Energie Atomique | Procédé et dispositif de collecte et de séparation de particules présentes dans un flux fluidique |
CN110108604A (zh) * | 2019-05-17 | 2019-08-09 | 成都信息工程大学 | 基于显微放大和视角传感的高空微粒辨识装置及方法 |
US11726439B1 (en) | 2019-06-07 | 2023-08-15 | Scanit Technologies, Inc. | Rapid disease response via particle monitoring |
US11460395B2 (en) | 2019-06-13 | 2022-10-04 | The Regents Of The University Of California | System and method for measuring serum phosphate levels using portable reader device |
US10794810B1 (en) * | 2019-08-02 | 2020-10-06 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
US11474016B1 (en) | 2019-09-24 | 2022-10-18 | Scanit Technologies, Inc. | Hyper-spectral imaging of airborne biological particles |
US11808681B1 (en) | 2019-11-18 | 2023-11-07 | Scanit Technologies, Inc. | Airborne particle monitor having illumination sleeve with shaped borehole for increased efficiency |
CN112906418A (zh) | 2019-12-04 | 2021-06-04 | 手持产品公司 | 用于使用视觉标记的自动递送证明的装置、方法和计算机程序产品 |
EP3839478B1 (en) | 2019-12-20 | 2024-03-20 | Imec Vzw | A device for detecting particles in air |
EP3839474A1 (en) * | 2019-12-20 | 2021-06-23 | Imec VZW | A collector for collecting particles in air and a device for detecting particles in air |
US11221288B2 (en) * | 2020-01-21 | 2022-01-11 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
US11333593B2 (en) | 2020-02-14 | 2022-05-17 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
US11181456B2 (en) * | 2020-02-14 | 2021-11-23 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
US11391613B2 (en) * | 2020-02-14 | 2022-07-19 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
WO2022029779A1 (en) * | 2020-08-04 | 2022-02-10 | Canario Ltd. | Method and system for identifying air quality |
US20220065780A1 (en) * | 2020-08-26 | 2022-03-03 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
US11835432B2 (en) | 2020-10-26 | 2023-12-05 | Honeywell International Inc. | Fluid composition sensor device and method of using the same |
CN116368363A (zh) * | 2020-11-06 | 2023-06-30 | 赛默环境设备有限责任公司 | 用于自动收集气溶胶颗粒的系统和方法 |
US20220357261A1 (en) * | 2021-05-07 | 2022-11-10 | Honeywell International Inc. | Device for detecting liquid content in an aerosol and method of using the same |
US20220364973A1 (en) * | 2021-05-13 | 2022-11-17 | Honeywell International Inc. | In situ fluid sampling device and method of using the same |
WO2023161166A1 (en) * | 2022-02-22 | 2023-08-31 | Merck Patent Gmbh | Particle monitoring system and process for monitoring particles in a sample fluid |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010029793A1 (en) * | 1999-03-10 | 2001-10-18 | Mesosystems Technology, Inc. | Biological individual sampler |
US6435043B1 (en) * | 1999-03-31 | 2002-08-20 | President And Fellows Of Harvard College | Impaction substrate and methods of use |
US7333190B1 (en) * | 2006-10-26 | 2008-02-19 | Itt Manufacturing Enterprises, Inc. | Raman interrogation of threat aerosols |
US20120218379A1 (en) * | 2009-10-20 | 2012-08-30 | The Regents Of The University Of California | Incoherent lensfree cell holography and microscopy on a chip |
US20130027540A1 (en) * | 2010-04-01 | 2013-01-31 | Nippon Steel Corporation | Particle measuring device and particle measuring method |
CN104237081A (zh) * | 2007-10-30 | 2014-12-24 | 纽约大学 | 用全息视频显微术来跟踪和表征颗粒 |
WO2016039722A1 (en) * | 2014-09-08 | 2016-03-17 | Leeo, Inc. | Particulate matter sensor |
CN105651656A (zh) * | 2016-04-01 | 2016-06-08 | 黄恺 | 基于激光全息成像法分析颗粒形状的装置及其工作机制 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0658315B2 (ja) * | 1990-07-04 | 1994-08-03 | 工業技術院長 | 排ガス中のダスト又はミストの粒径分布及び濃度の連続測定装置 |
JP3046971B2 (ja) | 1992-11-30 | 2000-05-29 | ワイケイケイ株式会社 | スナップボタンの雌体およびその取着用カシメ型 |
EP1869398B1 (en) | 2005-03-17 | 2012-08-22 | The Board Of Trustees Of The Leland Stanford Junior University | Apparatus and method for frequency-domain optical coherence tomography |
EP2567218A4 (en) | 2010-05-03 | 2017-11-08 | The Regents of The University of California | Wide-field lensless fluorescent imaging on a chip |
WO2012054351A2 (en) | 2010-10-18 | 2012-04-26 | The Regents Of The University Of California | Microscopy method and system incorporating nanofeatures |
US8842901B2 (en) | 2010-12-14 | 2014-09-23 | The Regents Of The University Of California | Compact automated semen analysis platform using lens-free on-chip microscopy |
US20120157160A1 (en) | 2010-12-21 | 2012-06-21 | The Regents Of The University Of California | Compact wide-field fluorescent imaging on a mobile device |
US9057702B2 (en) | 2010-12-21 | 2015-06-16 | The Regents Of The University Of California | Compact wide-field fluorescent imaging on a mobile device |
WO2012094523A2 (en) | 2011-01-06 | 2012-07-12 | The Regents Of The University Of California | Lens-free tomographic imaging devices and methods |
US8866063B2 (en) | 2011-03-31 | 2014-10-21 | The Regents Of The University Of California | Lens-free wide-field super-resolution imaging device |
US20140160236A1 (en) | 2011-07-29 | 2014-06-12 | The Regents Of The University Of California | Lensfree holographic microscopy using wetting films |
WO2013070287A1 (en) | 2011-11-07 | 2013-05-16 | The Regents Of The University Of California | Maskless imaging of dense samples using multi-height lensfree microscope |
PL2812675T3 (pl) | 2012-02-06 | 2021-12-13 | The Regents Of The University Of California | Przenośny czytnik szybkich testów diagnostycznych |
WO2013184835A1 (en) * | 2012-06-07 | 2013-12-12 | The Regents Of The University Of California | Wide-field microscopy using self-assembled liquid lenses |
US9588037B2 (en) | 2012-07-13 | 2017-03-07 | The Regents Of The University Of California | High throughput lens-free three-dimensional tracking of sperm |
US20140120563A1 (en) | 2012-10-29 | 2014-05-01 | The Regents Of The University Of California | Allergen testing platform for use with mobile electronic devices |
US9683938B2 (en) | 2013-07-31 | 2017-06-20 | The Regents Of The University Of California | Fluorescent imaging using a flatbed scanner |
WO2015024020A1 (en) * | 2013-08-16 | 2015-02-19 | The General Hospital Corporation | Portable diffraction-based imaging and diagnostic systems and methods |
US10365214B2 (en) | 2014-01-14 | 2019-07-30 | The Regents Of The University Of California | Method and device for detection and spatial mapping of mercury concentration in water samples |
US20160070092A1 (en) | 2014-09-04 | 2016-03-10 | The Regents Of The University Of California | Method and device for fluorescent imaging of single nano-particles and viruses |
US20160069801A1 (en) * | 2014-09-08 | 2016-03-10 | Leeo, Inc. | Particulate matter sensor |
WO2016060995A1 (en) * | 2014-10-13 | 2016-04-21 | New York University | Machine-learning approach to holographic particle characterization |
WO2016118884A1 (en) * | 2015-01-22 | 2016-07-28 | The Regents Of The University Of California | Device and method for nanoparticle sizing based on time-resolved on-chip microscopy |
US10088663B2 (en) | 2015-05-13 | 2018-10-02 | The Regents Of The University Of California | Device and method for tunable vapor condensed nanolenses |
-
2018
- 2018-03-09 US US16/492,098 patent/US11054357B2/en active Active
- 2018-03-09 WO PCT/US2018/021813 patent/WO2018165590A1/en active Application Filing
- 2018-03-09 GB GB1914120.9A patent/GB2574357B/en active Active
- 2018-03-09 CN CN201880030906.4A patent/CN110869738A/zh active Pending
- 2018-03-09 EP EP18763450.6A patent/EP3593111A4/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010029793A1 (en) * | 1999-03-10 | 2001-10-18 | Mesosystems Technology, Inc. | Biological individual sampler |
US6435043B1 (en) * | 1999-03-31 | 2002-08-20 | President And Fellows Of Harvard College | Impaction substrate and methods of use |
US7333190B1 (en) * | 2006-10-26 | 2008-02-19 | Itt Manufacturing Enterprises, Inc. | Raman interrogation of threat aerosols |
CN104237081A (zh) * | 2007-10-30 | 2014-12-24 | 纽约大学 | 用全息视频显微术来跟踪和表征颗粒 |
US20120218379A1 (en) * | 2009-10-20 | 2012-08-30 | The Regents Of The University Of California | Incoherent lensfree cell holography and microscopy on a chip |
US20130027540A1 (en) * | 2010-04-01 | 2013-01-31 | Nippon Steel Corporation | Particle measuring device and particle measuring method |
WO2016039722A1 (en) * | 2014-09-08 | 2016-03-17 | Leeo, Inc. | Particulate matter sensor |
CN105651656A (zh) * | 2016-04-01 | 2016-06-08 | 黄恺 | 基于激光全息成像法分析颗粒形状的装置及其工作机制 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113495043A (zh) * | 2020-03-18 | 2021-10-12 | 江苏长电科技股份有限公司 | 微尺度衍射图像检测装置 |
CN113495043B (zh) * | 2020-03-18 | 2023-11-10 | 江苏长电科技股份有限公司 | 微尺度衍射图像检测装置 |
CN111631679A (zh) * | 2020-04-28 | 2020-09-08 | 温州医科大学附属眼视光医院 | 一种泪膜气溶胶检测仪 |
CN112945817A (zh) * | 2021-01-29 | 2021-06-11 | 内蒙古工业大学 | 气旋式花粉浓度检测方法及装置 |
CN112945817B (zh) * | 2021-01-29 | 2023-04-21 | 内蒙古工业大学 | 气旋式花粉浓度检测方法及装置 |
CN114441269A (zh) * | 2022-02-14 | 2022-05-06 | 华北电力大学(保定) | 一种大气气溶胶的成分与数量检测装置 |
CN114441269B (zh) * | 2022-02-14 | 2023-08-08 | 华北电力大学(保定) | 一种大气气溶胶的成分与数量检测装置 |
Also Published As
Publication number | Publication date |
---|---|
GB201914120D0 (en) | 2019-11-13 |
EP3593111A1 (en) | 2020-01-15 |
EP3593111A4 (en) | 2020-02-26 |
GB2574357B (en) | 2022-07-20 |
WO2018165590A1 (en) | 2018-09-13 |
US11054357B2 (en) | 2021-07-06 |
GB2574357A (en) | 2019-12-04 |
US20200103328A1 (en) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110869738A (zh) | 用于空气质量监测的移动显微镜系统 | |
US11262286B2 (en) | Label-free bio-aerosol sensing using mobile microscopy and deep learning | |
Sauvageat et al. | Real-time pollen monitoring using digital holography | |
US11698331B1 (en) | Airborne particle monitoring system with illumination and imaging | |
AU2011272910B2 (en) | Real-time monitoring, parametric profiling, and regulating contaminated outdoor air particulate matter throughout a region, via hyper-spectral imaging and analysis | |
CN110325844A (zh) | 用于监测空气颗粒物的系统和方法 | |
KR101756960B1 (ko) | 항공 초분광 영상을 이용한 토양 중금속의 모니터링 방법 | |
CN105651656B (zh) | 基于激光全息成像法分析颗粒形状的装置及其工作方法 | |
Lombardo et al. | An optical sampling system for distributed atmospheric particulate matter | |
Dubey et al. | Evaluation of low-cost particulate matter sensors OPC N2 and PM Nova for aerosol monitoring | |
CN115661057A (zh) | 一种基于云边协同和深度学习的工业无损检测系统与方法 | |
KR102094277B1 (ko) | 스마트 기기를 이용한 환경오염물질 또는 질병표지자의 측정 시스템 및 방법 | |
CN106556579A (zh) | 基于激光的团雾图像全天候自适应检测方法 | |
US20210190660A1 (en) | Device for detecting particles in air | |
CN113424051A (zh) | 用于疾病诊断的样本分析的远程评估的系统和方法 | |
Wang et al. | Hyperlocal environmental data with a mobile platform in urban environments | |
Budde | Distributed, Low-Cost, Non-Expert Fine Dust Sensing with Smartphones | |
CN107631962A (zh) | 用于处理代表至少一个光晕的图像的方法和控制设备以及摄像系统 | |
Chen et al. | Improved method for the optical analysis of particulate black carbon (BC) using smartphones | |
Zhu et al. | Image and spectrum based deep feature analysis for particle matter estimation with weather informatio | |
Wu et al. | Mobile microscopy and machine learning provide accurate and high-throughput monitoring of air quality | |
Kruijff et al. | On-site monitoring of environmental processes using mobile augmented reality (HYDROSYS) | |
CN206132640U (zh) | 水中油在线分析仪 | |
WO2015149459A1 (zh) | 一种测量雾霾污染程度的方法及装置 | |
US11815441B2 (en) | Particulate matter imaging, identification, and analysis systems and methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |