Determination of Nanoparticle and Microdroplet Parameters in Levitating Microdroplets of Suspension by Speckle Image Analysis Using Convolutional Neural Networks

Título: Determinação de Parâmetros de Nanopartículas e Microgotículas em Suspensões Levitadas por Análise de Imagens de Speckle usando Redes Neurais Convolucionais

1. O Problema

A resposta óptica de uma microgotícula de suspensão é governada não apenas pelas propriedades da fase dispersa (nanopartículas), mas também pelo tamanho finito e pela estrutura óptica da própria gotícula. Diferentemente de suspensões em volume (bulk), uma microgotícula atua como um ressonador óptico fraco, modificando o campo incidente e criando distribuições de campo dependentes da morfologia.
Isso transforma a extração de parâmetros (como diâmetro da gota, concentração de nanopartículas e tamanho das partículas) a partir de padrões de luz espalhada em um problema inverso não trivial. A informação relevante está distribuída em uma textura estocástica complexa (padrões de speckle), tornando difícil a identificação de observáveis físicos simples por métodos tradicionais de engenharia de características.

2. Metodologia

Os autores desenvolveram uma abordagem baseada em dados para o reconhecimento de parâmetros em microgotículas suspensas individualmente.

• Configuração Experimental:

  • Levitação: Gotículas foram mantidas em uma armadilha quadrupolar eletrodinâmica linear (LEQT), permitindo observação sem contato e controle de condições.
  • Amostras: Suspensões monodispersas de nanopartículas de dióxido de titânio (TiO₂) em glicol dietileno (DEG).
  • Parâmetros Variáveis:
    • Diâmetro da gotícula (variando de ~60 a 130 µm).
    • Concentração de nanopartículas (1, 5 e 20 mg/mL).
    • Diâmetro das nanopartículas (100, 250 e 500 nm).
  • Aquisição de Dados: Um laser de diodo verde (514 nm) iluminou as gotículas. Imagens de speckle foram capturadas por um sensor CCD a 10 fps, com tempo de exposição de 20 ms (inferior ao tempo de decaimento da função de autocorrelação dinâmica). Foram coletadas aproximadamente 1,5 milhão de imagens.
  • Pré-processamento: Subtração de fundo, filtragem por suavização Gaussiana e normalização de intensidade (0-1) para focar em características de textura e não em brilho absoluto.

• Modelo de Aprendizado de Máquina:

  • Foi utilizada uma Rede Neural Convolucional (CNN) personalizada, baseada em uma arquitetura residual de múltiplos ramos (multi-branch).
  • A rede extrai padrões de textura local, refina-os através de blocos de conexão de salto (skip-connected) e funde dois fluxos de características paralelos para classificação global.
  • Treinamento: Realizado no MATLAB (2023a) com dois GPUs NVIDIA RTX 3090, utilizando o algoritmo de Descida de Gradiente Estocástico com Momento (SGDM).
  • Validação: O conjunto de dados de teste foi construído a partir de sequências experimentais de dias diferentes não utilizados no treinamento, garantindo a generalização do modelo e evitando o overfitting em artefatos específicos de uma sessão.

3. Principais Contribuições

• Prova de Conceito para Diagnóstico Óptico Multi-parâmetro: Demonstra que imagens de speckle contêm informações suficientes para que uma CNN identifique simultaneamente múltiplas propriedades físicas de uma suspensão em uma gotícula levitada.
• Transição de Classificação Simples para Complexa: O estudo evoluiu de tarefas de classificação de um único parâmetro para a classificação simultânea de dois e três parâmetros (totalizando 27 classes distintas).
• Robustez a Artefatos: A metodologia mostrou-se capaz de generalizar bem mesmo na presença de variações experimentais e artefatos de imagem, validada através de mapas de ativação (Grad-CAM) que confirmaram que a rede focava nas características físicas relevantes e não em ruídos.

4. Resultados

• Diâmetro da Gotícula: Foi o parâmetro mais facilmente reconhecido, com uma precisão estimada melhor que 6%. A rede identificou com alta confiabilidade o tamanho da gota, pois este parâmetro manifesta-se fortemente na frequência espacial vertical dos padrões de speckle.
• Concentração de Nanopartículas: Foi mais difícil de resolver devido à influência sutil nas características da imagem e à incerteza experimental na concentração inicial (~50%). No entanto, a discriminação foi bem-sucedida quando as classes de concentração estavam suficientemente separadas (fator de diferença de ~4).
• Diâmetro da Nanopartícula: Classificado de forma inequívoca para os casos selecionados, embora o design experimental (concentração de massa constante) tenha misturado os efeitos do tamanho da partícula com o número de partículas.
• Classificação Multi-parâmetro:
  • 2 Parâmetros: A classificação simultânea de (Concentração vs. Diâmetro da Gota) e (Concentração vs. Tamanho da Partícula) foi bem-sucedida e não ambígua.
  • 3 Parâmetros: A rede conseguiu classificar simultaneamente diâmetro da gota, concentração e tamanho da partícula (27 classes). Embora tenha havido algumas "ecos" (confusões residuais entre classes com parâmetros semelhantes), o desempenho global confirmou a viabilidade da abordagem.

5. Significado e Conclusões

Este trabalho representa um avanço significativo na diagnóstica óptica de sistemas aerossóis e suspensões livres.

• Viabilidade: Estabelece que a análise de speckle combinada com CNNs é uma rota viável para o diagnóstico não invasivo e em tempo real de microgotículas complexas.
• Aplicabilidade Futura: Embora o estudo tenha usado um modelo simplificado (TiO₂ em DEG), a metodologia sugere que pode ser aplicada a sistemas mais complexos, como gotículas de água baseadas em aerossóis reais, onde a engenharia de características manual seria insuficiente.
• Potencial de Melhoria: Os autores indicam que o controle mais rigoroso da concentração e o aumento do conjunto de dados poderiam melhorar ainda mais a resolução e a robustez do método, abrindo caminho para aplicações em monitoramento ambiental, farmacêutico e de ciência de materiais.

Em resumo, o estudo valida que padrões de interferência óptica complexos, anteriormente difíceis de interpretar, podem ser decodificados com sucesso por inteligência artificial para extrair múltiplas propriedades físicas de sistemas microscópicos levitados.