CN116583876A - 用于监视和/或控制化学过程和样本的相分离的方法 - Google Patents
用于监视和/或控制化学过程和样本的相分离的方法 Download PDFInfo
- Publication number
- CN116583876A CN116583876A CN202180084127.4A CN202180084127A CN116583876A CN 116583876 A CN116583876 A CN 116583876A CN 202180084127 A CN202180084127 A CN 202180084127A CN 116583876 A CN116583876 A CN 116583876A
- Authority
- CN
- China
- Prior art keywords
- fluid sample
- phase
- phases
- information
- image
- 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
- 238000000034 method Methods 0.000 title claims description 82
- 238000012544 monitoring process Methods 0.000 title claims description 16
- 238000005191 phase separation Methods 0.000 title description 9
- 238000001311 chemical methods and process Methods 0.000 title description 3
- 239000012530 fluid Substances 0.000 claims abstract description 357
- 238000004458 analytical method Methods 0.000 claims description 70
- 238000003384 imaging method Methods 0.000 claims description 43
- 239000006260 foam Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000007720 emulsion polymerization reaction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 239000012071 phase Substances 0.000 description 334
- 238000013527 convolutional neural network Methods 0.000 description 29
- 239000000203 mixture Substances 0.000 description 24
- 239000000047 product Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000009472 formulation Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 239000007788 liquid Substances 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000000839 emulsion Substances 0.000 description 8
- 229920005862 polyol Polymers 0.000 description 8
- 150000003077 polyols Chemical class 0.000 description 8
- 239000000654 additive Substances 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000000996 additive effect Effects 0.000 description 4
- 239000003599 detergent Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000036962 time dependent Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 239000013530 defoamer Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000004530 micro-emulsion Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000003973 paint Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 239000008346 aqueous phase Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000003995 emulsifying agent Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007791 liquid phase Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000002966 varnish Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- -1 agriculture Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000013462 industrial intermediate Substances 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229920005903 polyol mixture Polymers 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002453 shampoo Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
- G01N21/51—Scattering, i.e. diffuse reflection within a body or fluid inside a container, e.g. in an ampoule
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/02—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using precipitation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8405—Application to two-phase or mixed materials, e.g. gas dissolved in liquids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8411—Application to online plant, process monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10144—Varying exposure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20208—High dynamic range [HDR] image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/141—Control of illumination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及确定流体样本(12)的相信息。提供包括流体样本(12)的相信息的流体样本(12)的至少一个图像。此外,提供了一种数据驱动模型,该数据驱动模型包括用于相信息的至少一个输出通道。该至少一个输出通道包括用于对流体样本(12)的两相(16,18)之间的边界(20)进行分类的至少一个输出通道,使得相信息包括关于两相(16,18)之间的边界(20)的特性的信息,诸如边界的高度、体积、类型或强度。流体样本(12)的相信息基于数据驱动模型和包括流体样本(12)的相信息的流体样本(12)的至少一个图像导出。
Description
技术领域
本发明涉及一种用于确定流体样本的相信息的相分析系统、一种用于确定流体样本的相信息的方法、由该方法获得的流体样本的相信息的用途、用于监视流体样本的方法的用途,以及用于确定流体样本的相信息的计算机程序产品。
背景技术
图像分割允许分离图像的不同部分。在O.Ronneberger等人在arXiv:1505.04597v1[cs.CV]中的“U-Net:Convolutional Networks for Biomedical ImageSegmentation”中,提出了基于卷积神经网络(CNN)的生物医学图像的图像分割。U-net架构是所谓的全卷积网络,其中通常的收缩网络由连续层补充,其中池化运算符被上采样运算符取代。在U-net架构中,膨胀路径或多或少与收缩路径对称。U-net尤其适用于分离相同类别的触摸对象。通过采用逐像素损失权重为每个真值分割预先计算权重图来学习边界像素。预先计算的权重图被合并到损失函数中。
许多产品和配制剂,诸如混合物、溶液、泡沫、乳液、分散体和悬浮液,不处于热力学平衡状态,并且随时间推移将分离成单一组分。该相分离,例如,变成疏水-亲水液体,变成固体-液体和液体-气体,可能是需要的也可能不需要,并且获得强烈的研究关注。通常,配制剂由许多成分组成,这会打开用于通过成分的浓度或添加顺序或样本的物理处理(例如,通过加热、混合等)来调节相稳定性的巨大的参数域。这通常导致具有使用半自动方法(包括自动机器和人工目视检查)被准备和分析的许多样本的大型实验。该研究过程中的一个巨大瓶颈是人类或简化的自动过程对测量数据的分析。而且,在散装材料的生产中,了解和/或控制相稳定性或相分离的状态也很重要。
对于其中混合了两种不混溶化合物的流体样本,随时间推移可能会观察到相分离。确定流体样本中的不同相可以由随时间推移观察流体样本并标记不同的出现的相的人类用户执行。随着时间推移,可以记录各种图像并由人类用户进行视觉检查。视觉检查允许人类用户区分不同相。可以使用测量标尺来确定相应相的高度。然后,人类用户可以将数据输入数据库以进行进一步处理。
在由S.Eppel和T.Kachman公开为arXiv1404.7174v7[cs.CV]的“Computervision-based recognition of liquid surfaces and phase boundaries intransparent vessels,with emphasis on chemistry applications”中,给出用于在各种透明容器中识别液体表面和液位的计算机视觉方法。该方法接收液体容器的图像和图像中的容器边界,并扫描图像中可能对应于液体表面轮廓的所有可能曲线。然后,该方法通过检查围绕曲线的每个点的区域的各种图像特性,将每条曲线与图像进行比较,以评估其与真实液体表面轮廓的对应性。被发现能最好地指示液体表面的图像特性是相对强度变化、边缘密度变化和相对于曲线法线的梯度方向。然而,该方法对于相分离液体之间的边界具有高于10%的高漏检率,这是由这种表面中的乳液和弱边界引起的。由于其不可预测的形状和模糊的边界,乳化表面最难识别。
发明内容
可以看作本发明的一个目的是提供一种用于确定流体样本的相信息的相分析系统、一种用于确定流体样本的相信息的方法、一种用于确定流体样本的相信息的计算机程序产品,以及允许改进流体样本的相信息的确定的计算机可读介质。以该方式获得的相信息可以用于各种优化活动,例如优化相稳定性。该方法可用于监视流体样本,例如,流体样本随时间推移的演变。
在本发明的第一方面,提出了一种用于确定流体样本的相信息的相分析系统。该相分析系统被配置用于:
-提供流体样本的至少一个图像,其包括流体样本的相信息,
-提供数据驱动模型,该数据驱动模型包括用于相信息的至少一个输出通道,其中,至少一个输出通道包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息,以及
-基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像,导出流体样本的相信息。
由于流体样本的相信息基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像导出,因此不需要对流体样本进行人工视觉检查。相分析系统允许对流体样本执行改进的计算机视觉检查以导出相信息。与现有技术中已知的基于计算机视觉的检查方法相比,数据驱动模型例如允许降低边界的漏检率。这允许减少由现有技术中已知的人类视觉检查或基于计算机视觉的检查引起的不精确测量和误差,从而提高测量的精度。此外,可以导出更多的相信息。此外,相信息可以更好地与针对其它流体样本获得的相信息进行比较。
相信息包括关于流体样本的相的信息,其包括关于流体样本的两相之间的边界的特性的信息。相信息可以包括关于流体样本的相的附加信息,例如,流体样本中存在多少相或哪种类型的相。
由于数据驱动模型包括用于相信息的至少一个输出通道,其中至少一个输出通道被配置用于对流体样本的两相之间的边界进行分类,所以相信息至少包括关于两相之间的边界的特性的信息。这允许相分析系统改进相分离的监视和/或控制,因为可以确定包括不同相之间的边界的特性以及相的特性的相信息。
通常,图像中边界的每个特性(例如边界的每个光学特征)都可以被视为向边界提供了附加维度。例如,提供简单的位置可以被视为是第一维度,进一步提供边界的范围是第二维度,并且提供边界的强度是第三维度。因此,不仅提供了边界的位置,还提供了边界的特性。这也允许识别不清楚或难以确定的边界以根据液体样本的配制剂得出结论,或识别乳液的外观。特别地,乳液通常仅提供非常不明确的相边界,使得仅参考特性的一个维度的算法将无法正确预测边界。因此,本发明还允许对乳液的稳定性得出结论,并因此可用于优化乳化剂在杂货、个人护理产品等中的使用。
此外,相分析系统可以允许对长期储存流体样本的相稳定性状态进行自动分析。例如,可以自动分析清洁剂或个人护理产品的泡沫稳定性。相分析系统可以允许减少数据分析工作,这可以导致同时分析更多样本,提高分析效率,使得可以实现更快的上市时间。
两相之间的边界或界限分别对应于两个相邻相的相对界面之间的过渡区域。对流体样本的两相之间的边界进行分类意味着对边界的一个或更多个特性进行分类,例如,包括边界的体积、边界的强度、边界的类型或允许对边界进行分类的任何其它特性。边界的类型例如可以是清晰的或模糊的。可以将清晰边界定义为例如具有低于阈值高度的高度的边界,并且可以将模糊边界定义为例如具有高于阈值高度的高度的边界。边界是清晰的还是模糊的可取决于例如边界布置在其间的相。例如,液体-空气边界可能很清晰,而具有相似吸光度和折射率以及高相间混溶性的两个液相之间的边界可能是模糊的。例如,乳液之间的相边界(即乳化相边界)可以出现在更宽的高度上而不是形成细边界线,即,在包括流体样本的相信息的流体样本的至少一个图像中,要识别的相之间不存在明显的强度变化。相反,提供了在更宽的高度上的微弱变化。此外,边界的表面可能不处于平衡状态并且因此不一定最小化它们用于形成平坦平面的面积。
数据驱动模型可以包括单独的输出通道,用于对流体样本的两相之间的边界进行分类。这允许改进对流体样本的相信息的确定,并且特别是两相之间边界的一个或更多个特性的确定。
相分析系统可以被配置用于提供流体样本的一系列图像,其中至少一些图像包括相信息的一部分,使得流体样本的相信息可以从该系列图像中导出。可替代地,相信息也可以包括在流体样本的单个图像中,例如通过叠加一系列图像生成的叠加图像。
相分析系统可以配置用于提供在不同成像条件下获得的流体样本的至少两个图像。成像条件可以基于例如曝光时间、光照条件、流体样本的入射角或可能影响图像的任何其它条件。不同的成像条件可以包括例如照射在流体样本上的光的不同入射角、不同的光照条件、不同的曝光时间或其任何组合。光照条件包括例如照射在流体样本上的光的亮度。例如基于执行包围技术(诸如曝光包围),可以提供在不同成像条件下获得的流体样本的至少两个图像。
相分析系统可以被配置用于通过叠加流体样本的至少两个图像来生成包括流体样本的相信息的流体样本的至少一个图像。在该情况下,包括流体样本的相信息的流体样本的至少一个图像是叠加图像。在该情况下,可以基于数据驱动模型和叠加图像导出流体的相信息。这允许将图像的信息包括到一个图像中,并且可以减少处理工作,因为数据驱动模型只需要处理叠加的图像而不是单独的图像。
相分析系统可以被配置用于通过使用例如高动态范围成像(HDRI)技术来叠加流体样本的至少两个图像以生成叠加图像。叠加图像可以是高动态范围(HDR)图像。相分析系统可以被配置用于叠加例如12个图像以生成叠加图像。这可以允许叠加图像包含最大信息。
不同的成像条件可以包括不同的曝光时间。可以针对不同的曝光时间和其它相同的成像条件获得至少两个图像。在不同的光照条件或曝光时间下,样本和相通常显得不同。因此,对于其他相同的成像条件,例如相同的光照条件,提供不同曝光时间的图像是有益的。通过提供具有不同曝光时间的至少两个图像,显著增加了至少一个图像包含与流体样本的相和/或相之间的边界相关的信息的机会。叠加具有不同曝光时间但具有其它相同成像条件的至少两个图像允许生成包含单独图像的所有信息的单个图像,即,这允许将所有信息合并到单个图像中。该信息例如可以与关于用于获得至少两个图像的实验装置的信息(例如图像传感器分辨率、图像传感器到流体样本的距离等)一起使用,以确定相信息,在流体样本被包含在沿其纵轴的恒定内体积的小瓶中的情况下,相信息诸如是每个单独相的高度和边界,以及它的体积。
相分析系统可以被配置用于提供针对其它相同的成像条件在不同曝光时间获得的流体样本的至少两个图像。这可以允许提高图像中的至少一个图像包括与流体样本的相、边界和/或相之间的界面相关的相信息的机会。
通常,关于边界特性的信息可以指图像中任何可识别和/或标记的信息。特别地,该信息可以指任何几何和/或强度信息。有关两相之间的边界特性的信息可包括以下的一个或更多个:
-流体样本的两相之间的边界高度,
-流体样本的两相之间的边界体积,
-流体样本的两相之间的边界强度,以及
-流体样本的两相之间的边界类型。
在本上下文中,高度还可以指流体样本中边界的位置,例如,指包括流体样本的容器底部与边界起点之间的距离。边界的强度在本上下文中可以指图像中边界的清晰度或可识别性。特别地,可识别性可以是模型可以导出边界在相应位置处的存在的概率的度量。关于两相之间的边界的特性的信息可以是时间相关的,使得高度、体积、强度和类型中的每一个都可以是时间相关的并且相信息可以包括针对不同时间点的它们中的一个或更多个。
相信息可以另外包括以下中的一个或更多个:
-流体样本的不同相的数量,
-流体样本的一个或更多个相的类型,
-流体样本的一个或更多个相中的一个或更多个梯度,
-流体样本的浊度,
-流体样本的特定位置处的浊度,
-在流体样本的不同相之间的一个或更多个界面的位置,
-流体样本的一个或更多个相的高度,
-流体样本的一个或更多个相的体积,以及
-在流体样本的相之一是泡沫的情况下的气泡大小分布。
相信息可以是时间相关的,使得上述参数中的每一个参数都可以是时间相关的,并且相信息可以包括针对不同时间点的它们中的一个或更多个,例如,流体样本随时间推移的浊度、流体样本随时间推移的一个或更多个相的高度等。
流体样本的相类型可以包括例如混浊相、表面相、梯度相、泡沫相、不明确相、空气相、气泡相和透明相。泡沫分别包括一个或更多个气泡或空气滴。
数据驱动模型可以包括单一模型,该单一模型包括用于相和相边界的输出通道。
该至少一个输出通道可以包括例如用于要由相分析系统分类的每种类型的相的输出通道。数据驱动模型可以包括单独的输出通道,用于对将由相分析系统分类的每种类型的相进行分类。
数据驱动模型可以是神经网络。可以基于流体样本的经标记训练数据来训练神经网络。经标记训练数据可以包括流体样本的相信息。神经网络可以是卷积神经网络(CNN),例如全卷积神经网络(FCN)。神经网络可以是例如用于图像分割的深度神经网络,例如基于U-net,如O.Ronneberger等人在arXiv:1505.04597v1[cs.CV]中的“U-Net:ConvolutionalNetworks for Biomedical Image Segmentation”中所公开的。与O.Ronneberger等人在arXiv:1505.04597v1[cs.CV]中的“U-Net:Convolutional Networks for BiomedicalImage Segmentation”已知的U-net相比,数据驱动模型包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息,这不仅允许导出关于像素属于哪个相的相信息,而且还可以导出像素属于哪个边界像素的概率。这可以允许区分相同类型的相,例如彼此相邻的两个液相。此外,可以提供边界强度的指示。
可替代地或另外地,相分析系统可以被配置用于分别根据边界的高度、厚度或宽度对边界进行分类。边界的输出通道可以在任意高度的边界上训练。这可以允许对较厚的边界进行分类,例如,在平滑相变的情况下。
相分析系统可以包括光源、图像传感器和处理器。光源可以被配置用于向流体样本提供入射光。图像传感器可以配置用于提供流体样本的一个或更多个图像。相分析系统可以被配置用于基于由图像传感器提供的流体样本的一个或更多个图像来提供包括流体样本的相信息的至少一个流体样本图像。处理器可以被配置用于基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像来导出相信息。
相分析系统可被配置用于从不同角度向流体样本提供入射光。图像传感器可以是例如相机。相分析系统可以被配置用于向流体样本提供入射光并且在与流体样本相互作用之后接收光,例如,对于3个不同的角度,例如,包括反射、透射和杂散光。相分析系统可以被配置用于针对每个角度提供例如12次光曝光。曝光可以具有不同的曝光时间。这可允许获得包括更多相信息的多个图像。相分析系统可以包括例如以不同的入射角布置的两个或更多个图像传感器。这可以允许并行获得多个图像。图像传感器中的每个图像传感器可以使用不同的曝光时间获得流体样本的图像。
相分析系统可以包括存储数据库的计算机可读介质,诸如数据湖或电子实验室笔记本(ELN)。计算机可读介质可以包括在包括光源、图像传感器和处理器的本地相分析单元中。可替代地,数据库可以存储在形成相分析系统的一部分的服务器上。本地相分析单元可以包括被配置为连接到服务器的通信接口。数据库可以存储包括数据驱动模型的相分析算法。在数据库存储在服务器上的情况下,可以将不同的本地相分析单元的图像上传至服务器,以用于确定不同流体样本的相信息。这可允许对不同处理站点进行统一处理,同时可以提取更多数据。例如如果它例如通过在线机器学习在运行中训练,则集中存储数据可以允许改进相分析算法。对于由不同机器人系统处理的不同流体样本仅使用单相分析算法可以进一步提高不同机器人系统之间的可比性,例如流体样本的相稳定性。由于可以节省用于确定相信息的时间和/或成本,所以相分析系统可以是时间和/或成本高效的。
相分析系统可以被配置用于提供包括流体样本的相信息的流体样本的至少一个图像作为与流体样本的其它图像相比具有最高对比度的一个或多个图像,例如,在由图像传感器提供的一个或更多个图像中选择具有最高对比度的图像作为包括流体样本的相信息的图像。
可替代地,相分析系统可以被配置为选择具有最优对比度的至少两个图像中的至少两个最优图像。相分析系统可以被配置用于从至少两个最优图像导出相信息。最优图像对应于被选为具有最优(即,最高)对比度的图像的图像。例如,可以通过比较在不同成像条件下获得的流体样本的至少两个图像的对比度并选择具有最高对比度的预定数量的图像(诸如12个图像)来选择最优图像。可替代地,与具有最高对比度的图像相比,具有高于阈值对比度值的对比度或具有高于阈值对比度比率的对比度(例如具有最高对比度的图像的对比度的70%)的所有图像可以被选择为最优图像。这允许丢弃具有劣质信息的图像并仅选择具有优质信息的图像进行进一步处理。这可以允许减少处理工作。可以叠加最优图像以生成叠加图像。
相分析系统可以用于例如需要光学产品质量的自动和无偏表征的任何生产工厂。此外,相分析系统可用于监视某些处理步骤,例如,指示产品精制期间分离步骤的完成。相分析系统也可用于控制相分离。
在本发明的另一方面,提出了一种用于确定流体样本的相信息的方法。该方法可以是计算机实现的方法。该方法包括以下步骤:
-提供流体样本的至少一个图像,其包括流体样本的相信息,
-提供数据驱动模型,该数据驱动模型包括用于相信息的至少一个输出通道,其中,该至少一个输出通道包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间边界的特性的信息,以及
-基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像导出流体样本的相信息。
如果该方法是计算机实现的方法,则计算机实现的方法的步骤可以由包括处理器和通信接口的计算机系统执行,该通信接口例如包括收发机和天线阵列。计算机系统可以是例如相分析系统或相分析系统的一部分。
提供包括流体样本的相信息的流体样本的至少一个图像的步骤可以经由通信接口执行。该步骤可以由处理器执行,提供包括用于相信息的至少一个输出通道的数据驱动模型,其中至少一个输出通道包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息。基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像导出流体样本的相信息的步骤可以由处理器执行。
此外,该方法可以包括以下步骤中的一个或更多个
-例如经由通信接口提供在不同成像条件下获得的流体样本的至少两个图像,
-例如采用处理器通过叠加流体样本的至少两个图像来生成包括流体样本的相信息的流体样本的至少一个图像,
-例如经由通信接口针对其它相同的成像条件,在不同的曝光时间获得流体样本的至少两个图像,
-提供数据驱动模型,使得数据驱动模型包括单一模型,其包括相和相边界的输出通道,
-基于流体样本的经标记训练数据训练数据驱动模型,其中,经标记训练数据包括流体样本的相信息,
-使光源向流体样本提供入射光,
-使图像传感器提供流体样本的一个或更多个图像,以及
-将包括流体样本的相信息的流体样本的至少一个图像提供为与流体样本的其它图像相比具有最高对比度的图像。
如果该方法是计算机实现的,则上述步骤中的一个或更多个步骤可以由计算机系统执行,例如,采用处理器或经由通信接口。
该方法还可以例如包括以下步骤:
-提供对流体样本的两相之间的边界进行分类的单独层。
该方法还可以例如包括以下步骤:
-在没有监督学习的情况下(例如,基于启发式方法)训练数据驱动模型。
例如,启发式方法可以基于现有技术中已知的计算机视觉方法来确定相信息,该计算机视觉方法基于例如流体样本中的相对强度变化和/或边缘密度变化来确定相。现有技术中已知的计算机视觉方法可以是例如S.Eppel和T.Kachman在arXiv1404.7174v7[cs.CV]发表的“Computer vision-based recognition of liquid surfaces and phaseboundaries in transparent vessels,with emphasis on chemistry applications”中公开的计算机视觉方法。
在另一方面,提出了通过根据权利要求10或11的方法或该方法的任何实施例获得的相信息用于优化流体样本的特性的用途。相信息的使用可以包括例如以下中的一个或更多个:
-优化流体样本的泡沫体积,
-优化流体样本的泡沫高度,
-优化流体样本的相稳定性,以及
-优化流体样本的保质期。
例如,可以分析流体样本的泡沫高度以便优化,例如最大化或最小化流体样本中产生的泡沫体积,流体样本包括个人护理、洗手液、洗碗液或工业清洁配制剂。特别地,还可以利用上述方法优化室温条件下泡沫或相的稳定性。
流体样本的相稳定性可以被优化,例如,基于改变流体样本的配制剂和随时间推移监视流体样本以便导出相信息。流体样本的配制剂可以包括形成流体样本的不同组分的浓度。换句话说,可以分析包括溶液、悬浮液、乳剂、悬乳剂等的流体样本的相稳定性,以便筛选一个或更多个添加剂在以不同浓度添加到流体样本时所具有的效果。这可以分别优化配制剂或产品,诸如农业、油漆、清漆、个人护理或工业清洁配制剂。
相信息可以另外用于其它自优化活动。相信息可以包括在可搜索数据库中。可以处理相信息以便包括关于从流体样本的图像获得的相的数值和/或分类信息。可搜索数据库可以是例如数据湖、ELN或任何其它可搜索数据库。
在进一步的方面,提出了根据权利要求10或11的方法或该方法的任何实施例用于监视流体样本的用途。该方法的用途可以包括以下的一个或更多个:
-监视流体样本内反应期间的乳液聚合,以及
-监视流体样本随时间推移的演变。
可以在反应期间的不同时间执行监视乳液聚合以便单独定义反应的终点。监视流体样本随时间推移(诸如长期)的演变可以确定产品和配制剂(诸如农业、油漆、清漆、个人护理或工业中间配制剂,诸如溶液、悬浮液、乳液或悬乳剂)的保质期。监视例如可以用于例如通过调节流体样本的组分浓度,例如调节配制剂来控制和/或优化流体样本的反应和演变。
在本发明的另一方面,提出了一种用于优化流体产品的方法,其中,该方法包括:
-接收流体产品的流体样本,特别是产品样本的配制剂,并进一步接收流体产品的技术应用细节,
-从技术应用细节中导出流体样本各相之间的边界的目标特性,
-利用上述优化方法在技术应用细节方面优化流体产品,以及
-生产优化的流体产品。
通常,可以例如以可能的最终产品的形式接收流体样本,或者可以提供用于流体样本的化学式,根据该化学式可以生产流体样本。技术应用细节可以指任何技术应用,如预期的应用类型、预期应用位置、应该生产什么样的产品等。然而技术应用细节也可以更具体,如产品是否应该作为乳化剂或反乳化剂,产品应该产生多少泡沫等。然后可以基于相边界的哪些特性对于相应的预期技术应用很重要的知识来导出目标特性,例如,可以利用预定的规则和场景。
在本发明的另一方面,提出了一种用于提供数据驱动模型的定制训练的计算机实现的方法,其中该方法包括:
-例如经由通信用户界面接收流体样本的经标记图像作为经标记训练数据,其中,经标记训练数据包括流体样本的相信息,
-利用用于训练数据驱动模型的训练方法,其中,该训练方法包括提供包括用于相信息的输出通道的数据驱动模型,其中,该至少一个输出通道包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息,并且基于流体样本的经标记训练数据来训练数据驱动模型,以及
-例如经由通信用户界面提供经训练的数据驱动模型和/或提供数据驱动模型的训练已完成的指示。
在本发明的另一方面,提出了一种用于利用定制的经训练数据驱动模型的计算机实现的方法,其中,该方法包括:
-例如经由通信用户界面接收流体样本的样本图像,
-基于样本图像利用经训练的定制数据驱动模型,其中,定制数据驱动模型如上所述被训练并且包括用于相信息的输出通道,其中,该至少一个输出通道包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息,以及
-例如经由通信用户界面提供相信息,其包括关于两相之间的边界的特性的信息。
在另一方面,提供了一种用于确定流体样本的相信息的计算机程序产品。该计算机程序产品包括用于当计算机程序产品在处理器上运行时使处理器执行根据权利要求10或11的方法或该方法的任何实施例的程序代码部件。
在另一方面,提供了一种计算机可读介质,其存储有根据权利要求15所述的计算机程序产品或该计算机程序产品的任何实施例。
应当理解,权利要求1的用于确定流体样本的相信息的相分析系统、权利要求10的方法、权利要求12的用途、权利要求13的用途、权利要求14的计算机程序产品以及权利要求15的计算机可读介质具有相似和/或相同的优选实施例,特别是如从属权利要求中定义的优选实施例。
应当理解,本发明的优选实施例还可以是从属权利要求或上述实施例与相应的独立权利要求的任何组合。
参考下面描述的实施例,本发明的这些和其它方面将变得显而易见并被阐明。
附图说明
在下面的附图中:
图1示意性且示例性地示出用于确定流体样本的相信息的相分析系统的实施例,
图2示例性地示出在不同成像条件下获得的第一流体样本的三个图像,具有由数据驱动模型导出的第一流体样本的相信息的经标记数据的两个图表,以及由人类用户提供的用于比较的第一流体样本的经标记数据的图表,
图3示例性地示出在不同成像条件下获得的第二流体样本的三个图像,具有由数据驱动模型导出的第二流体样本的相信息的经标记数据的两个图表,以及由人类用户提供的用于比较的第二流体样本的经标记数据的图表,
图4A示例性地示出在不同曝光时间下在透射方向中获得的第三流体样本的12个图像,
图4B示例性地示出在不同曝光时间下在反射方向中获得的第三流体样本的12个图像,
图5示例性地示出基于分析在相同成像条件下获得的具有不同盐度的第四流体样本的9个图像提高采油率的过程,
图6A示例性地示出基于在相同成像条件下获得的第五流体样本在不同时间点的4个图像来优化多元醇共混物的稳定性的过程,
图6B示意性地和示例性地示出基于在相同成像条件下获得的第六流体样本在不同时间点的4个图像来优化多元醇共混物的稳定性的过程,
图7示例性地示出基于在相同成像条件下获得的具有不同油载荷的第七流体样本的5个图像来优化泡沫稳定性的过程,
图8示例性地示出基于在相同成像条件下获得的第八流体样本在不同时间点的4个图像优化消泡剂性能的过程,
图9示出用于确定流体样本的相信息的方法的实施例的流程示意图,以及
图10示例性地示出在不同成像条件下获得的第九流体样本的三个图像,以及由数据驱动模型导出的具有以较弱边界和较强边界的形式的第九流体样本的相信息的经标记数据的图表。
具体实施方式
图1示出用于确定流体样本12的相信息的相分析系统10的实施例。流体样本12布置在小瓶14中,该小瓶14沿其纵轴具有恒定半径。流体样本12具有第一相16、第二相18、两相16和18之间的边界20以及具有空气相22的空顶部空间。在其它实施例中,流体样本也可以具有不同数量的相和相的边界。
相分析系统包括灯24形式的光源、双臂26、相机28形式的图像传感器、控制单元30以及服务器100。在其它实施例中,光源可以是另一设备,例如,发光二极管(LED)阵列。例如可替代地,不同的灯或LED可以布置在相对于流体样本和图像传感器的不同位置。图像传感器也可以是另一设备和/或图像传感器可以包括例如布置在相对于流体样本和光源的不同相对位置处的若干相机。
在该实施例中,灯24向流体样本12提供入射光29。取决于流体样本12、灯24和相机28的相对布置,相机28可以以透射配置、反射配置或杂散配置接收光。在该实施例中,流体样本12被布置在灯24和相机28之间,使得在与流体样本12相互作用之后以所得光29'的形式的入射光29被处于透射配置的相机28接收。在其它实施例中,光源和图像传感器也可以例如布置在流体样本的同一侧,使得以反射配置接收光。在其它实施例中,可以选择光相对于相机的其它入射角以提供杂散配置。光源和图像传感器可以布置在可移动臂上以改变配置(未示出)。
双臂26具有两个可移动臂26'和26”,它们可以保持和移动小瓶14并将其布置在灯24和相机28之间的位置,使得入射光29可以从灯24提供给流体样本12,并且所得光29'可以由相机28接收。
相机28响应于接收所得光29'提供流体样本12的相应图像。在该实施例中,相机28获得具有不同成像条件的12个图像。不同成像条件可包括例如撞击在流体样本上的光的不同入射角、不同光照条件、不同曝光时间或其任何组合。在该实施例中,12个图像中的每个图像都由相机28以不同的曝光时间和其它相同的成像条件获得。在其它实施例中,可以获得包括流体样本的相信息的流体样本的至少一个图像。例如,可以在不同的成像条件下获得流体样本的两个或更多个图像。
由相机28获得的图像被提供给控制单元30。
控制单元30包括处理器31、存储器32形式的计算机可读介质、收发机33和天线阵列34。处理器31处理数据,例如,它运行算法,并执行计算,而存储器32存储数据并提供它们以便处理。特别地,控制单元30通过调节成像条件来控制灯24和相机28,例如,改变获得特定图像的光照条件和/或曝光时间。然后控制单元30接收由相机28获得的图像并将它们存储在存储器32中。收发机33和天线阵列34形成通信接口,该通信接口用于经由无线链路36将控制单元30连接到服务器100以便将流体样本12的图像提供给服务器100以供进一步处理。在其它实施例中,流体样本的图像也可以由控制单元的处理器处理。
服务器100包括处理器101、存储器102形式的计算机可读介质、收发机103和天线阵列104。收发机103和天线阵列104形成通信接口,该通信接口用于与控制单元30建立无线链路36。
在该实施例中,存储器102存储用于确定流体样本12的相信息的计算机程序产品。计算机程序产品包括当计算机程序产品在处理器101上运行时用于使处理器101执行用于确定流体样本12的相信息的方法(例如图9中呈现的方法900)的程序代码部件。此外,存储器102存储由相机28获得的图像,以用于基于流体样本的图像导出流体样本12的相信息所训练的CNN形式的数据驱动模型、具有相信息的流体样本的经标记训练数据、最优图像选择算法、用于从流体样本的图像生成叠加图像的叠加算法,以及例如经由收发机103和天线阵列104接收的相分析系统10使用的其它数据。
在该实施例中,处理器101首先运行最优图像选择算法,该最优图像选择算法选择由相机28获得的具有最优(即最高)对比度的流体样本12的12个图像的子集用于进一步处理。在进一步的处理步骤中,只有图像的子集被叠加算法使用,以通过叠加流体样本的图像的子集来生成叠加图像。在该实施例中,叠加算法使用HDRI技术来叠加图像的子集。叠加图像(即HDR图像)例如可以基于由PE Debevec和J.Malik在SIGGRAPH'08ACM SIGGRAPH 2008课程中发表的“Recovering High Dynamic Range Radiance Maps from Photographs”提供的技术生成。例如,可以通过校准算法估计逆相机响应函数(CRF),并且可以使用Debevec的加权方案和CRF来构造HDR图像,即叠加图像。可选地,可以对HDR图像执行色调映射,例如,如果它也将显示给用户。随后,叠加图像被输入到CNN以确定流体样本12的相信息。CNN基于流体样本的经标记训练数据被训练。经标记训练数据包括流体样本的相信息。在其它实施例中,CNN也可以以任何其它方式进行训练。
CNN包括用于相信息的各种输出通道。在该实施例中,CNN是单一模型,包括用于相和相边界的输出通道。在其它实施例中,输出通道包括用于对流体样本的两相之间的边界进行分类的至少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息,即,可选地包括相的输出通道。CNN还可以包括几个输出通道,用于提供关于两相之间的边界或几个相之间的相应边界的几个特性的信息。
相信息包括关于两相之间的边界的特性的信息。在该实施例中,相信息包括两相16和18之间的边界20的强度,以及相16、18和22的数量、类型和体积。CNN除了叠加图像还使用有关相分析系统配置的信息,包括用于获得叠加图像以生成叠加图像的成像条件、相机分辨率、相机到流体样本的距离、小瓶形状、小瓶大小等,用于确定相16、相18、相20中每相的类型和体积。
关于两相之间的边界的特性的信息还可以包括例如流体样本的两相之间的边界的高度、流体样本的两相之间的边界的体积,以及流体样本的两相之间的边界的类型。此外,相信息可以包括流体样本的一个或更多个相中的一个或更多个梯度、流体样本的浊度、流体样本的特定位置处的浊度、流体样本的不同相之间的一个或更多个界面的位置、流体样本的一个或更多个相的高度,以及在流体样本的相之一是泡沫的情况下的气泡大小分布。
在其它实施例中,还可以基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像来导出相信息,而无需生成叠加图像或选择最优图像。
相分析系统10可用于各种优化活动,例如,优化流体样本的特性,诸如流体样本的泡沫体积、泡沫高度、相稳定性或保质期。因此,双臂26可以通过采用具有另一种配制剂(例如改变的盐度)的另一种流体样本替换小瓶来自动交换流体样本。相分析系统10还可以用于监视流体样本随时间推移的变化,例如,用于分析流体样本随时间推移的演化或监视流体样本内反应期间的乳液聚合。这允许随时间推移获得相信息,例如用于监视相体积随时间推移的变化。
图2示出小瓶细节中的第一流体样本200的图像40、42和44以及经标记数据的图表50、52和60。图像40、42和44是在一系列12个图像上使用HDRI生成的叠加图像,即,它们是HDR图像。图像40在透射配置中获得。图像42在杂散配置中获得。图像44在反射配置中获得。经标记数据的图表50和52包括由相分析系统10的CNN导出的相信息。图像40、42和44用作CNN的输入以及经标记数据的图表50和52基于CNN的输出提供。在其它实施例中,图像40、42和44中的仅一个或两个可以用作CNN的输入。经标记数据的图表50由相的输出通道导出,并且经标记数据的图表52由边界的输出通道导出。经标记数据60由人类用户标记。
经标记数据的图表50示出不同类型的相72、74和76。相72对应于空气相,即小瓶的空顶部空间,意味着不包含流体样本200的顶部空间。相74对应于表面相。相76对应于混浊相。
经标记数据的图表52示出经标记数据的图表50中所示的相72和74之间的边界73,以及经标记数据的图表50中所示的相74和76之间的边界75,以及相76下方的边界77以及流体样本200的一部分,其在经标记数据的图表50中所示的细节之外。通过示出边界73、75和77的相应厚度来呈现边界73、75和77的强度。然而,强度(例如边界的可识别性或清晰度)也可以通过边界73、75和77的表示的对比度来呈现。例如,白色边界可以指清晰可辨的边界,黑色显然没有可识别的边界,并且灰色阴影可以表示边界可识别性的不同度量。可以例如通过合并边界,例如基于将边界的输出通道的输出与相的输出通道的输出进行比较来后处理经标记数据的图表52。这允许检查边界73、75和77的位置是否与相72、74和76的位置对应。可替代地或另外地,可以例如使用图像处理和过滤,例如通过使用数学形态学,来后处理经标记数据的图表52的图像以便改善图像。
经标记数据的图表60示出相72'、74'和76',带撇号的相同参考符号对应于经标记数据的图表50的相应参考符号。此外,经标记数据的图表60示出边界73'、75'和77'。经标记数据的图表60基于人类用户的视觉检查生成,其提供了相72'、74'和76'的竖直位置以及相的相应类型。此外,人类用户提供了边界73'、75'和77'的竖直位置。相的位置和类型以及由CNN导出的边界与人类用户提供的经标记数据60的图表非常一致。
图3示出第二流体样本300的HDR图像40、42和44以及经标记数据的图表50、52和60。图像和图表如关于图2所描述的那样生成,尽管是针对不同的流体样本300而不是流体样本200。
经标记数据的图表50示出不同类型的相82、84和86。相82对应于空气相。相84对应于泡沫相,即分别由气泡或空气滴形成的相。相86对应于混浊相。
经标记数据的图表52示出经标记数据的图表50中所示的相82和84之间的边界83,以及经标记数据的图表50中所示的相84和86之间的边界85。边界83和85的强度通过示出边界83和85的相应厚度来呈现。
经标记数据的图表60示出相82'、84'和86',带撇号的相同参考符号对应于经标记数据的图表50的相应参考符号。此外,经标记数据的图表60示出边界83'和85'。经标记数据的图表60基于人类用户的视觉检查而生成。同样对于流体样本300,与人类用户提供的经标记数据的图表60相比,由CNN导出的相的位置和类型与边界之间存在良好的一致性。
图4A示出在不同曝光时间402A以及其它相同的成像条件下在透射方向中获得的第三流体样本400的12个图像401、402、403、404、405、406、407、408、409、410、411和412的系列400A。在选择具有最优对比度的最优图像之后,系列400A的12个图像401,...,412或系列400A的图像的子集(例如,图像405至412)可以被叠加,以便生成包含各个图像401,...,412的信息的叠加图像。
图4B示出在不同曝光时间402B和其它相同成像条件下在反射方向(即反射配置)中获得的第三流体样本400的12个图像的系列400B。也可以叠加这些图像以生成叠加图像。
图5示例性地示出基于分析在相同成像条件下获得的具有不同盐度502的第四流体样本500的9个图像的提高采油率的过程。流体样本500包括具有微乳液相510、烃相520和水相530的三相系统。需要三相510、520和530的相分离。微乳液相510具有低界面张力并且可以根据流体样本500中的盐度502将烃相520与水相530分离。为了分离相510、520和530,调节流体样本500中的盐度502,以找到允许从水中分离烃的微乳液相510的最优稳定性。
图6A示例性地示出基于在相同成像条件下获得的第五流体样本600A在不同时间点602A的4个图像来优化多元醇共混物的稳定性的过程。图6B示出在相同成像条件下获得的第六流体样本600B在不同时间点602B的情况下,基于4个图像优化多元醇混合物稳定性的另一个示例性过程。为了优化多元醇共混物的稳定性,多元醇与添加剂的混合物分别用作流体样本600A和600B。流体样本600A和600B中的多元醇和添加剂的浓度分别被优化以便分别增加流体样本600A和600B的保质期,即,多元醇与添加剂的混合物随时间推移的均匀性稳定性。如果没有稳定的多元醇共混物,则可能无法提供均质的聚氨酯。
图7示例性地示出基于在相同成像条件下获得的具有不同油负载702的第七流体样本700的5个图像来优化泡沫稳定性的过程。为了优化基于流体样本提供的泡沫稳定性,该流体样本包括含有油载荷702的洗涤剂组合物,诸如洗涤的洗涤剂或洗发剂,可调节油载荷702以优化泡沫的稳定性。泡沫相704的体积可以随时间推移并且取决于洗涤剂组合物中的油载荷702而被监视。这可以允许通过优化洗涤剂组合物,特别是油载荷702来优化泡沫的稳定性。
图8示例性地示出基于在相同成像条件下获得的第八流体样本800在不同时间点802的4个图像来优化消泡剂性能的过程。为了优化涂料的消泡剂性能,使用具有添加剂的涂料作为流体样本800。添加剂支持涂料在混合后释放空气。流体样本800中的涂料和添加剂的浓度被优化以便优化空气释放。流体样本800中的顶相804的透明度可用作截留空气的指示剂,即,较高的透明度指示改进的空气释放。
图9示出用于确定流体样本的相信息的方法900的实施例的示意流程图。该方法可以是计算机实现的方法。该方法可用于操作相分析系统,例如图1中呈现的相分析系统。该方法可用于监视和/或控制化学过程和样本(即流体样本)中的相分离。
在步骤902中,对于其它相同的成像条件,在不同的曝光时间获得流体样本的12个图像。在其它实施例中,可以获得包括流体样本的相信息的流体样本的至少一个图像。步骤902是可选的,流体样本的图像也可以通过另一过程获得并提供以用于对其进行分析以便确定流体样本的相信息。
在步骤904中,图像被提供给处理系统,例如相分析系统,用于基于获得的图像确定流体样本的相信息。
在步骤906中,从12个图像中选择具有最优对比度的12个图像的子集用于进一步处理它们。步骤906是可选的。
在步骤908中,通过叠加流体样本的图像的子集来生成叠加图像。在该实施例中,HDRI技术被用于叠加图像的子集,使得HDR图像被生成为叠加图像,其包括作为各个图像中的每一个图像的更多信息。
在步骤910中,提供CNN形式的数据驱动模型。CNN包括相信息的输出通道。在该实施例中,CNN是单一模型,其包括用于相类型和相之间的边界强度的输出通道,即,相信息包括关于以相应边界的强度形式的相类型的信息和关于相之间的边界特性的信息。
在步骤912中,通过将叠加图像输入到CNN中并提供CNN的输出,导出流体样品的相信息。CNN提供了相类型和边界强度的分类,例如如图2和图3中所示。
在其它实施例中,该方法可以包括以下中的一个或更多个:
-提供在不同成像条件下获得的流体样本的至少两个图像,
-使光源向流体样本提供入射光,
-使图像传感器提供流体样本的一个或更多个图像,
-基于由图像传感器提供的流体样本的一个或更多个图像,提供包括流体样本的相信息的流体样本的至少一个图像,以及
-基于流体样本的经标记训练数据训练数据驱动模型。经标记训练数据可以包括流体样本的相信息。
该方法可以例如用于监视流体样本或用于获得相信息。通过该方法获得的相信息可用于优化流体样本的特性,诸如流体样本的泡沫高度、泡沫体积、保质期或相稳定性。相信息也可以用于其它优化活动。
图10示出小瓶细节中的第九流体样本1000的图像40、42和44以及经标记数据的图表52。图像40、42和44在不同的成像条件下获得。经标记数据的图表52由CNN导出,该CNN包括用于对流体样本1000的边界进行分类的输出通道,使得相信息包括关于边界特性的信息。三个图像40、42和44被用作CNN的输入,并且经标记数据的图表52被生成为CNN的输出。在其它实施例中,也可以仅将图像之一用作CNN的输入。
在该情况下,该特性是由相应边界93和95的颜色指示的边界强度。经标记数据的图表52以较弱边界93和较强边界95的形式提供流体样本1000的相信息。此外,在该情况下,CNN中不包括相输出通道。
通过对附图、公开内容和所附权利要求的研究,本领域技术人员在实践要求保护的发明时可以理解和实现对所公开的实施例的其它变型。
在权利要求中,“包含”和“包括”的词语不排除其它元素或步骤,并且不定冠词“一”或“一个”不排除复数。
单个单元或设备可以实现权利要求中列举的几个项目的功能。在相互不同的从属权利要求中叙述某些措施的事实并不仅仅指示这些措施的组合不能被有利地使用。
计算机程序产品可以存储分布在合适的介质上,诸如光存储介质或固态介质,与其它硬件一起提供或作为其它硬件的一部分提供,但也可以其它形式分发,诸如经由互联网或其它有线或无线电信系统。
权利要求中的任何参考符号不应被解释为限制范围。
本发明涉及确定流体样本的相信息。提供包括流体样本的相信息的流体样本的至少一个图像。此外,提供了一种数据驱动模型,该数据驱动模型包括用于相信息的至少一个输出通道。该至少一个输出通道包括用于对流体样本的两相之间的边界进行分类至的少一个输出通道,使得相信息包括关于两相之间的边界的特性的信息,诸如边界的高度、体积、类型或强度。基于数据驱动模型和包括流体样本的相信息的流体样本的至少一个图像导出流体样本的相信息。
Claims (15)
1.一种用于确定流体样本(12)的相信息(71,...,77;81,...,86)的相分析系统(10),所述相分析系统(10)被配置用于:
-提供所述流体样本(12)的至少一个图像(40,42,44),其包括所述流体样本(12)的所述相信息(71,...,86),
-提供数据驱动模型,其包括用于所述相信息(71,...,86)的至少一个输出通道,其中,所述至少一个输出通道包括用于对所述流体样本(12)的两相(16,18)之间的边界(20)进行分类的至少一个输出通道,使得所述相信息(71,...,86)包括关于所述两相(16,18)之间的所述边界(20)的特性的信息(73,75;83,85),以及
-基于所述数据驱动模型和包括所述流体样本(12)的所述相信息(71,...,86)的所述流体样本(12)的至少一个图像(40,42,44),导出所述流体样本(12)的所述相信息(71,...,86)。
2.根据权利要求1所述的相分析系统(10),其中,所述相分析系统(10)被配置用于:
-提供在不同成像条件下获得的所述流体样本(12)的至少两个图像(401,402,…,412),以及
-通过叠加所述流体样本(12)的所述至少两个图像(401,402,…,412)生成包括所述流体样本(12)的所述相信息(71,...,86)的所述流体样本(12)的所述至少一个图像(40,42,44)。
3.根据权利要求2所述的相分析系统(10),其中,所述不同的成像条件包括不同的曝光时间(402A),以及其中,所述至少两个图像(401,402,…,412)针对不同的曝光时间(402A)和其它相同的成像条件获得。
4.根据权利要求2所述的相分析系统(10),其中,所述不同的成像条件包括光(29)撞击在所述流体样本(12)上的不同入射角、不同的光照条件、不同的曝光时间(402A),或其任何组合。
5.根据权利要求1至4中至少一项所述的相分析系统(10),其中,关于所述两相之间的所述边界(20)的所述特性的信息包括以下的一个或更多个:
-所述流体样本(12)的所述两相(16,18)之间的所述边界(20)的高度,
-所述流体样本(12)的所述两相(16,18)之间的所述边界(20)的体积,
-所述流体样本(12)的所述两相(16,18)之间的所述边界(20)的强度,以及
-所述流体样本(12)的所述两相(16,18)之间的所述边界(20)的类型。
6.根据权利要求1至5中至少一项所述的相分析系统(10),其中,所述相信息(71,...,86)另外包括以下的一个或更多个:
-所述流体样本(12)的不同相(16,18)的数量,
-所述流体样本(12)的一个或更多个所述相(16,18)的类型,
-所述流体样本(12)的一个或更多个所述相(16,18)中的一个或更多个梯度,
-所述流体样本(12)的浊度,
-在所述流体样本(12)特定位置处的浊度,
-所述流体样本(12)的不同相(16,18)之间的一个或更多个界面的位置,
-所述流体样本(12)的一个或更多个所述相(16,18)的高度,
-所述流体样本(12)的一个或更多个所述相的体积,以及
-在所述流体样本(12)的所述相之一是泡沫的情况下的气泡大小分布。
7.根据权利要求1至6中至少一项所述的相分析系统(10),其中,所述数据驱动模型包括单一模型,其包括相(16,18)和所述相(16,18)的边界(20)的输出通道。
8.根据权利要求1至7中至少一项所述的相分析系统(10),其中,所述数据驱动模型是基于流体样本(12)的经标记训练数据训练的神经网络,其中,所述经标记训练数据包括所述流体样本(12)的所述相信息(71,...,86)。
9.根据权利要求1至8中至少一项所述的相分析系统(10),其中,所述相分析系统包括光源(24)、图像传感器(28)和处理器(101),其中,所述光源(24)被配置用于向所述流体样本(12)提供入射光(29),其中,所述图像传感器(28)被配置用于提供所述流体样本(12)的一个或更多个图像(401,...,412;40,42,44),其中,所述相分析系统(10)被配置用于基于由所述图像传感器(28)提供的所述流体样本(12)的所述一个或更多个图像(401,...,412;40,42,44),提供包括所述流体样本(12)的所述相信息的所述流体样本(12)的所述至少一个图像(40,42,44),以及其中,所述处理器(101)被配置用于基于所述数据驱动模型和包括所述流体样本(12)的所述相信息的所述流体样本(12)的所述至少一个图像(40,42,44),导出所述相信息(71,...,86)。
10.一种用于确定流体样本的相信息的方法,包括以下步骤:
-提供所述流体样本的至少一个图像,其包括所述流体样本的所述相信息,
-提供数据驱动模型,所述数据驱动模型包括用于所述相信息的至少一个输出通道,其中,所述至少一个输出通道包括用于对所述流体样本的两相之间的边界进行分类的至少一个输出通道,使得所述相信息包括关于所述两相之间的所述边界的特性的信息,以及
-基于所述数据驱动模型和包括所述流体样本的所述相信息的所述流体样本的所述至少一个图像导出所述流体样本的所述相信息。
11.根据权利要求10所述的方法,包括一个或更多个步骤:
-提供在不同成像条件下获得的所述流体样本的至少两个图像,
-通过叠加所述流体样本的所述至少两个图像生成包括所述流体样本的所述相信息的所述流体样本的所述至少一个图像,
-针对其它相同的成像条件在不同的曝光时间获得所述流体样本的所述至少两个图像,
-提供所述数据驱动模型,使得所述数据驱动模型包括包含相和所述相的边界的输出通道的单一模型,
-基于流体样本的经标记训练数据训练所述数据驱动模型,其中,所述经标记训练数据包括所述流体样本的所述相信息,
-使光源向所述流体样本提供入射光,
-使图像传感器提供所述流体样本的一个或更多个图像,
-基于由所述图像传感器提供的所述流体样本的所述一个或更多个图像,提供包括所述流体样本的所述相信息的所述流体样本的所述至少一个图像,以及
-将包括所述流体样本的所述相信息的所述流体样本的所述至少一个图像提供为与所述流体样本的其它图像相比具有最高对比度的图像。
12.通过根据权利要求10或11所述的方法获得的相信息用于优化流体样本的特性的用途,包括以下的一个或更多个:
-优化所述流体样本的泡沫体积,
-优化所述流体样本的泡沫高度,
-优化所述流体样本的相稳定性,以及
-优化所述流体样本的保质期。
13.根据权利要求10或11所述的方法用于监视流体样本的用途,包括以下的一个或更多个:
-监视在所述流体样本内反应期间的乳液聚合,以及
-监视所述流体样本随时间推移的演变。
14.一种用于确定流体样本(12)的相信息(71,...,86)的计算机程序产品,其中,所述计算机程序产品包括当所述计算机程序产品在处理器(31、101)上运行时用于使所述处理器(31,101)执行根据权利要求11或12所述的方法的程序代码部件。
15.一种存储有权利要求14所述的计算机程序产品的计算机可读介质(32)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20215143.7 | 2020-12-17 | ||
EP20215143 | 2020-12-17 | ||
PCT/EP2021/086615 WO2022129588A1 (en) | 2020-12-17 | 2021-12-17 | Method for monitoring and/or controlling phase separation in chemical processes and samples |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116583876A true CN116583876A (zh) | 2023-08-11 |
Family
ID=73855424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180084127.4A Pending CN116583876A (zh) | 2020-12-17 | 2021-12-17 | 用于监视和/或控制化学过程和样本的相分离的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240053274A1 (zh) |
EP (1) | EP4264285A1 (zh) |
CN (1) | CN116583876A (zh) |
WO (1) | WO2022129588A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118006032B (zh) * | 2024-04-10 | 2024-07-26 | 浙江翔光生物科技股份有限公司 | 用于注塑件的抗菌塑料生产方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10978284B2 (en) * | 2015-03-06 | 2021-04-13 | Micromass Uk Limited | Imaging guided ambient ionisation mass spectrometry |
JP7324757B2 (ja) * | 2018-01-10 | 2023-08-10 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置 |
-
2021
- 2021-12-17 EP EP21840894.6A patent/EP4264285A1/en active Pending
- 2021-12-17 CN CN202180084127.4A patent/CN116583876A/zh active Pending
- 2021-12-17 WO PCT/EP2021/086615 patent/WO2022129588A1/en active Application Filing
- 2021-12-17 US US18/267,598 patent/US20240053274A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4264285A1 (en) | 2023-10-25 |
US20240053274A1 (en) | 2024-02-15 |
WO2022129588A1 (en) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6879366B2 (ja) | 試料の溶血、黄疸、脂肪血症、又は正常性を検出する方法、装置及び品質チェックモジュール | |
Calderon et al. | Deep convolutional neural network analysis of flow imaging microscopy data to classify subvisible particles in protein formulations | |
US20170337415A1 (en) | Learning Pixel Visual Context from Object Characteristics to Generate Rich Semantic Images | |
CN108052881A (zh) | 一种实时检测施工现场图像中多类实体对象的方法及设备 | |
Leake | Analytical tools for single-molecule fluorescence imaging in cellulo | |
Bravo et al. | A scale invariant measure of clutter | |
JP5649424B2 (ja) | 防水シート診断方法および診断装置 | |
CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
CN113160123A (zh) | 一种基于YOLOv5的皮革缺陷检测方法、系统及装置 | |
CN109191434A (zh) | 一种细胞分化中的图像检测系统及检测方法 | |
CN114359245A (zh) | 一种工业场景下产品表面缺陷检测方法 | |
CN116583876A (zh) | 用于监视和/或控制化学过程和样本的相分离的方法 | |
CN115272234A (zh) | 瓶盖质量检测方法、装置、计算机设备及存储介质 | |
CN111213052A (zh) | 频谱分析装置及频谱分析方法 | |
Yabusaki et al. | A novel quantitative approach for eliminating sample-to-sample variation using a hue saturation value analysis program | |
Bonilla et al. | Quantitative image analysis of protein foam microstructure and its correlation with rheological properties: Egg white foam | |
EP4288940A1 (en) | System for clustering data points | |
Das et al. | Moment-based features of knitted cotton fabric defect classification by artificial neural networks | |
Khosravi et al. | Artificial intelligence and classic methods to segment and characterize spherical objects in micrographs of industrial emulsions | |
CN113702328B (zh) | 一种成品油的性质分析方法、装置、设备及存储介质 | |
Li et al. | A two-scale attention model for intelligent evaluation of yarn surface qualities with computer vision | |
CN116106319A (zh) | 一种合成革瑕疵自动化检测方法及系统 | |
CN114792300A (zh) | 一种基于多尺度注意力x光断针检测方法 | |
Mansur et al. | An Image Processing Techniques Used for Soil Moisture Inspection and Classification | |
Youssef-Douss et al. | Estimation of water turbidity by image-based learning approaches |
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 |