Исследование взаимодействия компонентов коллоидных растворов с микрофильтрационными мембранами представляет неубывающий интерес как в связи с разработкой композитных пористых материалов, так и в связи с многочисленными применениями мембран для разделения суспензий. Настоящая работа посвящена изучению транспорта наночастиц серебра при фильтрации через трековые мембраны в условиях, когда наночастицы и поверхность мембраны несут противоположный заряд. Цель работы состояла в установлении закономерностей осаждения наночастиц в зависимости от структурных параметров мембраны и скорости протекания раствора. Рассмотрение процессов конвекции и диффузии в порах позволило вывести простой критерий, определяющий эффективность задержания наночастиц. Применимость данного критерия исследовали в экспериментах с полиэтилентерефталатными трековыми мембранами, диаметр пор которых варьировали от 0.1 до 7.1 мкм. Средний диаметр наночастиц составил 24 нм. Изменяя перепад давления, варьировали скорость течения коллоидного раствора сквозь поры мембраны.
Эффективность задержания наночастиц мембраной определяли методами оптической спектроскопии и рентгеновского энергодисперсионного анализа. Распределение наночастиц на поверхности мембраны исследовали с помощью растровой электронной микроскопии.
Установили, что предложенный критерий удовлетворительно предсказывает переход от практически полной задержки частиц к полному пропусканию при изменении ключевых параметров — диаметра пор, толщины мембраны и перепада давления.
Полученные результаты обеспечивают условия для контролируемой иммобилизации наночастиц на поверхности мембраны, необходимой при изготовлении функциональных нанокомпозитных устройств, например, сенсоров.
В данной работе были оценены характеристики прототипа ОФЭКТ-системы на основе микросхемы считывания Timepix с коллиматором на основе кодирующей апертуры типа MURA. Установка имеет небольшое поле зрения и может использоваться в доклинических исследованиях лекарственных препаратов на мелких лабораторных животных. Несмотря на множество существующих протоколов испытаний, разработанных и описанных в соответствующих документах национальных органов стандартизации и рекомендациях МАГАТЭ, они не подходят для микротомографических систем на основе полупроводниковых пиксельных детекторов из-за различной технологии детекторов, высокого пространственного разрешения и малой области интереса. Для измерения их характеристик были разработаны специальные фантомы с небольшой «горячей областью».
Такие параметры микро-ОФЭКТ системы, как пространственное разрешение, контрастность, линейность, однородность и чувствительность системы были исследованы с использованием источника 99mTc. Описаны процедуры калибровки детектора и предварительной обработка данных.
Точная диагностика заболеваний и выбор корректной стратегии лечения позволяют не только сохранить, но и увеличить урожай. Современные методы глубокого обучения зарекомендовали себя как эффективное решение данной проблемы. Однако ограниченные объемы доступных данных и схожесть симптомов различных заболеваний снижают эффективность традиционных подходов, таких как перенос обучения. В данном исследовании использовался уникальный набор данных проекта DoctorP, включающий 46 классов заболеваний и 2615 изображений. DoctorP — это многофункциональная платформа для диагностики болезней растений, ориентированная как на сельскохозяйственные, так и на декоративные культуры. Платформа предоставляет различные интерфейсы, включая мобильные приложения для iOS и Android, Telegram-бота и API для интеграции с внешними сервисами. Пользователи системы отправляют фотографии больных растений, получая прогноз по заболеванию и рекомендации по лечению. DoctorP поддерживает широкий спектр моделей для классификации болезней растений. Ранее для создания моделей применялись MobileNet_v2 и функция минимизации потерь Triplet Loss. Однако значительное увеличение количества классов заболеваний потребовало проведения новых экспериментов с архитектурами и методами обучения. В текущем исследовании предлагается более эффективное решение, основанное на архитектуре ConvNeXt и функции минимизации потерь Large Margin Cosine Loss, для классификации 46 классов заболеваний растений в условиях ограниченного объема данных. Количество изображений в каждом классе варьируется от 30 до 130. Предложенная архитектура позволяет достигать точности в 88,35% и F1-score 0,9, что значительно превосходит как классические решения на базе переноса обучения, так и предыдущий подход на основе Triplet Loss. Улучшенный алгоритм обучения моделей уже внедрен в платформу DoctorP, значительно повышая точность и надежность диагностики заболеваний растений.