基于微电场芯片实验室与人工智能图像识别的细颗粒物浓度检测新方法

本文创新性地融合微电场芯片实验室（LoC）技术与人工智能（AI）图像识别算法，开发了一种高效、可视化的细颗粒物浓度检测方法。通过模拟微电场分布（基于Maxwell方程）并结合扩散充电机制，实现了气固流中颗粒的原位捕获与迁移观测；利用机器学习目标检测模型自动分析沉积颗粒团聚体形态特征，突破传统光学计数器对亚微米颗粒（如0.2–0.5 μm）的检测局限，为化学工程过程分析技术（PAT）和空气污染监测（如AIoT系统）提供了高精度解决方案。

　　

Capture fine particles（细颗粒物捕获）

实验中，细颗粒物由氯化钠晶体产生（常用于口罩过滤效率评估）。其制备过程涉及溶液（浓度0.05 g/mL）雾化干燥结晶。气体流速通过精密控制系统调节，确保颗粒物以稳定状态进入微电场区域。

Image recognition（图像识别）

在U=3 kV和U=7 kV条件下处理的图像如图3b与图3c所示。图像底部黑色区域为实验采用的收集电极板，放电电极虽不可见，但其方向垂直于电极板（图2b），流场方向则平行于收集电极。结果显示两种电压下颗粒团聚体形态显著不同：低压时形成疏松枝状结构，高压时则呈现致密层状堆积。机器学习模型通过特征提取自动识别这些形态差异，并关联电场强度参数，为浓度反演提供视觉依据。

Conclusion（结论）

颗粒物特性监测对化学工程中的过程分析技术（PAT）与控制策略至关重要。尽管传统基于光散射和静电电流放大的监测方法已广泛应用，但颗粒污染水平的直接成像分析仍被忽视。本研究通过人工智能与微电场成像技术的结合，开发了颗粒特性监测原型系统，实现了沉积颗粒团聚体的高精度形态识别与浓度关联分析，为未来污染预警提供了可视化技术支撑。