تشخیص تعداد و حجم حباب محلول در یک راکتور زیستی به کمک بینایی ماشین

رضائی, علیرضا

تشخیص تعداد و حجم حباب محلول در یک راکتور زیستی به کمک بینایی ماشین

نوع مقاله : علمی-پژوهشی

نویسنده

علیرضا رضائی

گروه مهندسی مکاترونیک، بخش مکاترونیک و ریزفناوری،دانشکده سامانه های هوشمند، دانشکدگان علوم و فناوریهای میان رشته ای، دانشگاه تهران، تهران، ایران

چکیده

هدف از این مقاله طراحی یک راکتور زیستی یا فرمانتور مجهز به تکنولوژی پردازش تصویر به صورت بلادرنگ با امکان بررسی حجم و تعداد حباب‌های موجود در ظرف راکتور زیستی می‌باشد تا امکان کنترل لحظه‌ای و دقیق به منظور رشد میکروارگانیسم‌ها را فراهم می‌نماید. در راکتور زیستی یاد شده شرایط بهینه‌ای برای رشد میکروارگانیسم‌ها مانند قارچ و باکتری و مخمر فراهم شده و کشت سلول‌های جانوری و گیاهی در آن به راحتی انجام می‌شود. استفاده از این راکتور زیستی به میکروارگانیسم‌ها این امکان را می‌دهد که پیش از انتقال به مرحله تولید بیش از ده نسل رشد کنند. علاوه بر کنترل حجم حباب‌های هوا، پارامترهای دما، CO₂، دور موتور، مقدار اکسیژن و pH و پارامترهای دیگر نیز مدام در حال کنترل شدن است. در راکتورهای زیستی اندازه‌گیری حباب‌های ایجاد شده در ظرف دارای اهمیت فراوانی است این اهمیت از این جهت دیده می‌شود که سبب ایجاد نسل‌های گوناگونی از سلول‌ها در راکتور زیستی می‌شود، زیرا حباب‌های ایجاد شده وظیفه رساندن اکسیژن به میکروارگانیسم‌های موجود و نیز هم‌زدن محیط و همگن سازی آن را برعهده دارند که این امر موجبات رشد و تکثیر مناسب میکروارگانیسم‌ها را فراهم می‌کند. در مدل‌های همانند پیشین امکان اندازه‌گیری مقدار هوای موجود در ظرف و کنترل همگن بودن محیط در لحظه وجود نداشته که این ضعف به کمک این شیوه بر طرف می‌شود. در این مقاله درگام اول به کمک دوربین تصویرهای لحظه به لحظه به عنوان داده ورودی ضبط شده در گام پسین تصویرها پردازش شده و درگام آخر تصویرهای پردازش شده به کمک شبکه‌های عصبی به عنوان خروجی ایجاد می‌شود. حجم و مقدار و نسبت پراکندگی حباب‌ها در ظرف و نتیجه‌های شبیه‌سازی کارایی روش پیشنهادی را نشان می‌دهد.

کلیدواژه‌ها

موضوعات

شیمی غذایی و دارویی

مراجع

[1] Merchuk J., Garcia Camacho F., “Bioreactors: Airlift Reactors”, Encyclopedia of Industrial Biotechnology, (1999).

[2] Chisti Y., Jauregui-Haza U., Oxygen Transfer and Mixing in Mechanically Agitated Airlift Bioreactors, Biochemical Engineering Journal, 10: 143-153 (2002).

[3] Heijnen J., Hols J., Van Der Lans R., Van Leeuwen H., Mulder A., Weltevrede R., A Simple Hydrodynamic Model for the Liquid Circulation Velocity in a Full-Scale Two-and Three-Phase Internal Airlift Reactor Operating in the Gas Recirculation Regime, Chemical Engineering Science, 52: 2527-2540 (1997).

[4] Schaefer S., “Colorimetric Water Quality Sensing with Mobile Smart Phones”, University of British Columbia, (2014).

[5] Wilhe L.R., Suter D.A., Brusewitz G.H., “Physical Properties of Food Materials. Food and process Engineering Technology”, Michigan, USA, 23-52 (2005).

[6] Safwat M., Moustafa A., Theoretical Prediction of Volume, Sur Face Area, and Center of Gravity for Agricultural Products, Transactions of the ASAE, 14(2): 549-553 (1971).

[7] Tabatabaeefar A., Rajabipour A., Modeling the Mass of Apples By its Geometrical Attribu Ties, Scientia horticul true, 105: 373-382 (2005).

[8] Wright M.E., Tappan J.H., Sistler F.E., “The Size and Shape of Typical Sweet Potatoes”, Transactions, (1986).

[9] Ngoajio M., Kirk W., Goldy R., A Simple Model for Rapid and Nondestructive Estimation of Bell Papper Fruit Volume, Hortscience, 38(4): 509-511 (2003).

]10[ علیرضا عابدینی مزرعه، علیرضا رضائی، کوثر احمدی،"اندازه گیری PH محلول فرمانتور زیستی دارای شناساگر فنول رد با استفاده از پردازش تصویر و شبکه های عصبی RBF و ANFIS". نشریه شیمی و مهندسی شیمی ایران، 39(2): 305-313 (1399).

[11] Abbasgholipour M., Omid M., Borghei A.M., “Development of an efficient algorithm for grading raisins based on color features”, Proceedings of the international conference on Innovations in Food and Bioprocess Technologies, 14-17 October, Antalya, Turkiye, (2006).

[12] Jafari A.A.S., Mohtasebi H., Egh bali jarom., Omid M., Weed Detection in Suger Beet Fields using Machine Vision, Int.J .Agri. Biol., 8(5): 602-605 (2006).

[13] Rezaee A., Partition Fuzzy Median Filter for Image Restoration, Fuzzy information and engineering, 13(2): 199-210 (2021).

[14] Mojumda S., Jayas D.S., Classification of Cereal Grains using Machine Vision:Color Models, ASAE, 43(6): 1677-1680 (2000).

[15] Paliwal J., Borhan M.S., Jayas D.S., Classification of Cereal Grain s using Aflatebed Scanner, ASAE, 036103 (2003).

[16] Shahin M.A, Symons S.J., A Machine Vision System for Grading Lentils, Canadian Biosystems Eng., 7: 7-14 (2010).

[17] Shigeta K., Motonaga K., Kida Y., Matsuo T., Motonaga Y., Matsuo T., Disting Uishing Damaged and Undamaged Chaff in Rice Whole Crope Silaglage by Image Processing, ASAE annual meeting, 043125, (2004).

[18] Forbes K.A, Tattersfield G.M., Estimating Fruit Volume from Digital Images, 28 Septembsr - 1 October, Cape Town, South Africa, (1999).

[19] Hahn F., Sanches S., Carrot Volume Evaluation using Image Algoritms, J.Agric. Eng. Res., 75: 243-249 (2000).

[20] Wang T.Y., Nguang S.K., low Cost Sensor for Volume and Surface Area Computation of Axi- Symmetric Agriculture Products, Y. food. Eng., 79: 870-877 (2007).

[21] Lee D.J., Lane R.M., Chang G.H., Three- Dimensional Reconstruction for High-Speed Volume Measure Ment, Machine Vision and Three-Dimensional Imaging Systems for Inspection and Metrology, 4189: 258-267 (2004).

[22] Lee D.J., Elfert J., Zahan P., Area and Volume Measurments of Object with Irregular Shapes using Multiple Silhouettes, Optical engineering, 45(2): 027202 (2006).

[23] Du C.J., Sun D.W., Estimating the Surface Area and Volume of Ellipsoidal Ham using Computer Vision, journal of food engineering, 73(3): 260-268 (2006).

[24] Marchant J.A, Onyango C.M., Street M.J., Computer Vision for Potato Inspection without Singulation, Computers and Electronics in Agriculture, 4(3): 235-244 (1990).

[25] Saha P.K., Pal R., Sarkar S., Mukhopadhyay A., A Novel Image Processing Technique for Detection of Pseudo Occluded Bubbles and Identification of Flow Regimes in a Bubble Column Reactor, Measurement, 189: 110568 (2022).

[26] Anderson C.M., Klein J., Rajakumar H., Judge C.D., Béland L.K., Automated Detection of Helium Bubbles in Irradiated X-750, Ultramicroscopy, 217: 113068 (2022).

[27] Kim Y., Park H., Deep Learning-based Automated and Universal Bubble Detection and Mask Extraction in Complex Two-Phase Flows, Scientific Reports, 11(1): 8940 (2021).