Навигация
Поиск
Разработки
Метод прогнозирования свойств дисперсных продуктов при обработке возмущениями давления

Постановка задачи

Современный этап развития общества связан с повышенным воздействием на организм человека неблагоприятных экологических условий, вредных факторов производства и последствий нервно-эмоционального напряжения. Профилактика этих негативных воздействий характеризуется возрастающим применением в пищевой промышленности сложных процессов переработки сырья, базирующихся на использовании достижений науки и техники, новых технологий производства комбинированных продуктов с высокой пищевой и биологической ценностью. Создание многокомпонентных пищевых систем ведется, в частности, путем использования в рецептурах молочных продуктов немолочных белковых, жировых, минеральных и витаминных комплексов, а также естественных и синтетических коррективов физико-химических и органолептических свойств продуктов. Процесс приготовления однородных по составу композиций из дисперсных материалов путем их гомогенизации в аппаратах различного типа широко применяется в пищевой и других отраслях промышленности. В связи с этим прогнозирование качества пищевых продуктов, в том числе и дисперсных, на основе расчетных методов и современных компьютерных технологий, является актуальной задачей.

Целью данной работы является создание программного обеспечения, на основе математического моделирования процесса, для прогнозирования качества дисперсных продуктов при обработке возмущениями давления.

Работа проводилась в Московском государственном университете прикладной биотехнологии, в рамках диссертационного исследования «Диспергирование эмульсий и суспензий с использованием импульсных воздействий».

Описание решения

Основным показателем качества эмульсий и суспензий является дисперсность, величина обратно пропорциональная диаметру частиц дисперсных фаз. Следовательно, прогнозирование качества продуктов данного вида ведется на основе определения диаметра раздробленных в процессе обработки частиц.

Исследование кинетики обработки эмульсий и суспензий возмущениями давления среды возможно методом анализа размерностей, то есть путем выявления действующих факторов и составления из них уравнений исследуемого явления, позволило разработать математическую модель дробления частиц.

Дисперсионная среда увлекает в движение частицу и с учетом этого формируется относительное движение среды и частицы. Среда, движущаяся относительно поверхности частицы, оказывает гидродинамическое воздействие на поверхность, которое определяется двумя факторами. Во-первых, касательные напряжения на поверхности, обусловленные вязкостью и градиентами скорости, создают силы, касательные к поверхности. Во-вторых, давления, которые меняются вдоль поверхности вследствие гидродинамических эффектов, создают силы, нормальные к поверхности.

Продолжение...

Информация

Сухое молоко. Американская PepsiCo консолидировала 100% одного из крупнейших в России производителей молочной продукции и напитков ОАО "Вимм-Билль-Данн Продукты Питания" (ВБД), выкупив в рамках процедуры принудительного выкупа оставшиеся 1,37% акций компании, говорится в сообщении PepsiCo.

Контакты
an image
НПП Центральная лаборатория автоматизации измерений
111250 Москва, Энергетическая улица, д.7, офис 311
(495) 134-03-49
E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.

Комплекс автоматизированной диагностики крови

Успех биомедицинской науки неотделим от быстрой и точной информации о состоянии здоровья пациентов, формируемой на основе анализа биологических жидкостей. С расширением объема услуг медицинских лабораторий резко возросли требования к качеству и надежности результатов.

Современные тенденции развития исследований с помощью инструментальных средств связаны с повышением качества, снижением трудоемкости анализируемых жидкостей, разработкой приборов для проведения анализа.

На протяжении последнего десятилетия в МГТУ им. Н. Э. Баумана развивается учебно-научное направление создания автоматизированных комплексов и технологий анализа жидких дисперсных сред на основе оптических методов: регистрации рассеянного излучения и обработки визуальных изображений.

Актуальной научно-технической задачей является разработка методов автоматизированного анализа биоструктур. Данная работа посвящена автоматизация общего клинического анализа крови методами цифровой обработки изображений.

Визуально-микроскопический анализ крови является одним из самых распространенных методов медицинской диагностики.

Недостатки визуально-оптического метода, а именно низкая точность, субъективность оценки, высокая трудоемкость, обусловлены, в первую очередь, малым объемом выборки анализируемых частиц, что приводит к большой статистической погрешности. Существенного повышения точности и достоверности можно достигнуть, используя автоматизированные методы и средства. Но, в настоящее время, на рынке медтехники существуют только единичные российские и зарубежные разработки для автоматизации клинического анализа крови.

Отечественными учеными (Попечителев Е.П., Козинец Г.И. и др.) созданы научно-методические основы разработки средств автоматического анализа изображений клеточных структур, чувствительных и точных методов и средств оптического анализа биосубстратов.

Цель работы - построение системы автоматизированного анализа крови Кровь - жидкая полидиперсная среда, содержащая ряд форменных элементов. Наиболее важное диагностическое значение имеют лейкоциты, которые подразделяются на 6 типов. Соотношение количества лейкоцитов разных типов в крови - это лейкоцитарная формула, один из важнейших параметров клинического анализа крови.

Клинический анализ крови включает ряд процедур, с помощью которых определяются различные параметры крови.

В работе осуществляется автоматизация этих операций методом обработки цифровых изображений аппаратными и программными средствами (рис.1).

Поскольку в практике, при визуальном анализе крови используются прямые микроскопы проходящего света, то они используются и в предлагаемой работе.

Структура автоматизированной системы анализа крови

Рис. 1. Структура автоматизированной системы анализа крови

Программная часть состоит из программ управления устройствами (драйверы) и программ обработки изображений. Вместе с устройством захвата (камерой) программы обработки изображений представляют собой систему машинного зрения, в основе работы которой лежат методы теории распознавания образов (различение, кластеризация, определение морфологических параметров и др.).

В качестве основной среды используется инженерное приложение LabVIEW совместно с интегрированной библиотекой VISION, предназначенной для обработки изображений и разработки систем машинного зрения.

Обработка изображений предполагает использование следующих этапов: захват, предобработка, распознавание, классификация, выдача результатов.

Для решения задачи распознавания, определения факта наличия клеток крови на изображениях и областей их расположения, проводятся: яркостное масштабирование, линейная и нелинейная фильтрация (для преобразования значения яркости каждой точки изображения, при котором новое значение яркости определяется по некоторому правилу через яркость исходной точки и ее соседей). Фильтры предназначены для предобработки, улучшения качества изображений, и преобразования изображения к виду, пригодному для бинаризации.

В процессе бинаризации из исходного изображения выбираются точки, значения яркостей которых входит в заданный интервал. Получаемые бинарные изображения соответствуют разным объектам-ядрам клеток, цитоплазмам, плазме крови и т.д. С помощью алгоритма разметки бинарных изображений обособленные объекты на нем разделяются, им присваиваются разные номера. Для корректного распознавания клеток, ядра которых состоят из нескольких сегментов, разработан алгоритм сцепления ядер, который, используя информацию о цитоплазме клеток, объединяет эти сегменты, присваивая им одинаковые номера.

В ходе выполнения работы были реализованы следующие составляющие системы обработки изображения: подпрограмма управления (оболочка), подпрограмма захвата и подпрограмма анализа лейкоцитарной формулы. Лейкоцитарная формула - один из важнейших параметров клинического анализа крови, она позволяет определить, какая доля лейкоцитов каждого типа содержится в крови. Виртуальный прибор (подпрограмма) «Лейкоцитарная формула», реализует захват изображений, обнаружение и классификацию клеток-лейкоцитов.

Разработаны также и виртуальные приборы для обнаружения ядер клеток -лейкоцитов и сцепления ядер сегментированных клеток. Для решения задачи классификация изображений, определения принадлежности распознанных объектов к тому или иному классу, использован метод функций расстояния.

Интерфейс пользователя содержит настройки захвата изображения, исходное изображение и результаты работы программы и средства тонкой настройки параметров алгоритмов распознавания и классификации, просмотра промежуточных результатов; средства сохранения и загрузки настроек из файлов.

Разработанное программное обеспечение является удобным в использовании. Наличие большого количества настраиваемых параметров позволяет квалифицированным пользователям, не прибегая к помощи разработчиков, совершенствовать и адаптировать комплекс к изменениям условий съемки, характеристик используемого оборудования и т.д.

Комплекс имеет возможность работы с внешними базами данных для хранения экспертных данных - параметров форменных элементов крови. Это позволяет в ходе работы обучать программу путем внесения новых известных экспертных данных, а также централизованно управлять этими данными в крупных медицинских учреждениях, имеющих несколько рабочих мест для анализа крови

Экспериментальная апробация комплекса в ДГБ № 19 им. Т.С. Зацепина позволяет утверждать о перспективности его применения в клинических лабораториях для автоматизации процедуры подсчета клеток крови на микроскопических изображениях.

Работа соответствует современным стандартам ВОЗ по исследованию биологических жидкостей.

Предполагается представить оценки экономической эффективности внедрения комплекса автоматизированной диагностики крови в практику бюджетных и платных клиник.

Список литературы

1. Неменова Ю.М. Методы лабораторных клинических исследований. М.: Медицина, 1972-424 с.

2. Шапиро Л., Стокман Дж. Компьютерное зрение. М: Бином, 2006 - 752 с. Сафонова Л.П. Пространственно-частотный анализ форменных элементов крови: Дис. канд. техн. наук; 05.11.17; —М., 1998. — 163 с: — Библиогр.