Aplicação da Visão Computacional em Processos de Cristalização Farmacêutica
Rastreamento de imagem in-situ Tamanho do cristal, forma e cinética de transformação polimórfica
Visão geral do programa
- Acelere os processos de cristalização P&D
- Aprofundar a compreensão dos processos de cristalização
A segmentação e classificação de imagens baseadas em deep learning foram propostas para a medição in-situ do tamanho e forma de microcristais, que mostrou grande potencial para se expandir como uma tecnologia analítica de processo (PAT) para processos químicos de fluxo multifásico.
Nesta palestra, um banco de dados de imagens de micropartículas químicas de acesso aberto (CMD aberto) foi estabelecido contendo aglomerações de partículas (A), bolhas (B), cristais (C) e gotículas (D) em vários cenários de fluxo químico multifásico. A rede neural avançada, Mask R-CNN, juntamente com 2.500 imagens rotuladas contendo mais de 50.000 partículas rotuladas em CMD aberto, foi treinada para desenvolver a capacidade de segmentação e classificação de partículas-alvo.
Os resultados do treinamento indicaram que uma estratégia de aumento de dados poderia melhorar significativamente a precisão dos modelos treinados, que foram denominados MicropNet+ e MicropNet de acordo com o uso ou não dos dados aumentados para treinamento. Com base na capacidade superior do MicropNet+, foram extraídos descritores de partículas multidimensionais e, posteriormente, o grau de aglomeração e a distribuição da aglomeração foram definidos e quantificados. Em seguida, dois processos clássicos de fluxo multifásico, cristalização e emulsificação, foram analisados usando o modelo MicropNet+, no qual o grau de aglomeração e distribuição (Cin A) dos cristais de ácido succínico e o número relativo e diâmetro (Deq) das gotículas foram analisados quantitativamente sob diferentes condições de operação.
Concluiu-se que o modelo MicropNet+ bem treinado possui alta acurácia e eficiência na segmentação e classificação de micropartículas. Por fim, serão apresentadas as pesquisas em andamento sobre triagem de alto rendimento assistida por visão computacional e análise de cenários de polpa de alta densidade.
Apresentador
Zhenguo Gao, Ph.D.,
Professor Associado, Escola de Engenharia Química e Tecnologia, Universidade de Tianjin
O Dr. Zhenguo Gao é atualmente professor associado da Escola de Engenharia e Tecnologia Química da Universidade de Tianjin (TJU). Ele trabalhou na University of Western Ontario (UWO) como assistente de pesquisa antes de ingressar na TJU. Zhenguo recebeu um doutorado duplo da University of Western Ontario, Canadá, e da Universidade de Tianjin, China, em 2019, e depois ingressou no Centro Nacional de Pesquisa em Engenharia de Tecnologia de Cristalização Industrial (NERCICT) em TJU. Os interesses de pesquisa de Zhenguo incluem i) projeto e controle do processo de cristalização, especialmente na intensificação e controle da cristalização contínua, novo projeto de cristalizador; ii) cristalização por fusão, incluindo cristalização de camada e cristalização em suspensão, especialmente para produtos químicos eletrônicos úmidos ultrapuros; iii) tecnologia analítica de processo inteligente, por exemplo, análise de imagem de processo baseada em IA, etc. Ele publicou mais de 60 artigos em conferências e periódicos internacionais de primeira linha, incluindo Chemical Engineering Journal, Chemical Engineering Science, Crystal Growth & Design, Engineering, CrystEngComm, Industrial & Engineering Chemistry Research, Separation and Purification Technology, Ultrasonics Sonochemistry, etc. Ele atuou como editor convidado da revista Crystals e revisor de várias revistas internacionais, por exemplo, IECR, Crystal Growth & Design, Org. Process. Res. Dev., Produtos farmacêuticos etc.
