DE102023134228A1描述了一种通过机器学习模型评估散射光信号来表征颗粒特性的方法和装置。其核心思想是精简主装置：复杂的光学测量系统仅用于训练模型，实际测量则可借助简单得多的硬件完成。
从主装置到精简装置
主装置结合了时移法和飞行时间法，使用两个光源和四个探测器。每个穿过测量体积的颗粒都会产生四个时间分辨的散射光信号。借助成熟的信号评估方法，可从这些信号中求得颗粒粒径、速度和折射率。
这些结果作为参考值。机器学习模型学习某一选定散射光信号的形状与颗粒特性之间的关系。训练完成后，仅含一个光源和一个探测器的精简装置记录单一信号，由训练好的模型根据该信号确定颗粒特性。
为何采用机器学习？
真实的散射光信号与理想化的数学模型存在差异：光学装置永远无法被完全掌握，颗粒参数存在波动，流动还会带来随机扰动。经典评估方法仅使用少量信号特征，例如峰值位置。而训练好的模型则评估完整的信号形状，并从包含噪声和不确定性的真实测量数据中学习。
优势
- 光学组件更少：只需一个光源和一个探测器，而非两个光源和四个探测器
- 测量仪器紧凑且具有成本效益
- 同时测定颗粒粒径、速度和折射率
- 基于真实测量数据而非理想化模型进行训练
应用
该方法适用于喷雾表征，例如涂装工艺、喷射系统、农业喷洒和医用气溶胶等领域，也可用于质量控制以及紧凑型便携式颗粒测量系统。对ai-quanton而言，该专利是SprayQuantAI®和ParticleTensorAI®等基于AI的测量系统的基础。
