计算机视觉辅助结晶添加剂高通量筛选用于晶体尺寸、形状和聚结优化

刘剑; 么拓; 李沐阳; Sohrab Rohani; 王静康; 高振国; 龚俊波

doi:10.1016/j.eng.2025.02.023

工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 336 -348. DOI: 10.1016/j.eng.2025.02.023

Research

计算机视觉辅助结晶添加剂高通量筛选用于晶体尺寸、形状和聚结优化

刘剑 ^a ,
么拓 ^a ,
李沐阳 ^a ,
Sohrab Rohani ^b ,
王静康 ^a^,^c ,
高振国 ^a^,^c ,
龚俊波 ^a^,^c

作者信息 +

Computer Vision-Assisted High-Throughput Screening of Crystallization Additives for Crystal Size, Shape, and Agglomeration Regulation

Jian Liu ^a ,
Tuo Yao ^a ,
Muyang Li ^a ,
Sohrab Rohani ^b ,
Jingkang Wang ^a^,^c ,
Zhenguo Gao ^a^,^c^,^* ,
Junbo Gong ^a^,^c ,

Author information +

文章历史 +

PDF (12019K)

摘要

在结晶过程中，添加剂被广泛用于调控晶体材料的形态、尺寸和聚结程度，以提升其功能、物理与粉末性能。然而，现有筛选和验证目标添加剂的方法需要大量的材料，并涉及烦琐的分子模拟/结晶实验，这使得这些方法耗时且资源消耗大，同时依赖于操作者的经验水平。为了克服这些挑战，本研究提出了一个计算机视觉辅助的高通量添加剂筛选系统（CV-HTPASS），该系统包括高通量添加剂筛选设备、原位成像设备和人工智能（AI）辅助的图像分析算法。利用CV-HTPASS，本研究对用于调控丁二酸晶体特性的添加剂进行了高通量筛选实验，生成了数千张具有不同形态的晶体图像。为了从海量数据中提取有价值的晶体信息，并提高分析的准确性和效率，本研究创新性地采用了基于人工智能的图像分析算法，对具有四种形态的晶体进行分割、分类和数据挖掘，以进一步筛选目标添加剂。随后，在优化条件下进行的放大结晶实验表明，丁二酸产物呈现出优选的立方形态，其聚结程度降低，晶体尺寸分布缩小，粉末性能也有所改善。本文所提出的CV-HTPASS为放大结晶实验提供了一种高效方法，也为工业规模结晶过程中的添加剂筛选和晶体产品粉末性能优化提供了平台。

Abstract

Additives are widely employed to regulate the morphology, size, and agglomeration degree of crystalline materials during crystallization to enhance their functional, physical, and powder properties. However, the existing methods for screening and validating target additives require a large quantity of materials and involve tedious molecular simulation/crystallization experiments, making them time-consuming, resource-intensive, and reliant on the operator’s experience level. To overcome these challenges, we proposed a computer vision-assisted high-throughput additive screening system (CV-HTPASS) which comprises a high-throughput additive screening device, in situ imaging equipment, and an artificial intelligence (AI)-assisted image-analysis algorithm. Using the CV-HTPASS, we performed high-throughput screening experiments on additives to regulate the succinic acid crystal properties, generating thousands of crystal images with diverse crystal morphologies. To extract valuable crystal information from the massive data and improve the analysis accuracy and efficiency, the AI-based image-analysis algorithm was implemented innovatively for the segmentation, classification, and data mining of crystals with four morphologies to further screen the target additive. Subsequently, scale-up crystallization experiments conducted under optimized conditions demonstrated that succinic acid products exhibited a preferred cubic morphology, reduced agglomeration degree, narrowed crystal size distribution, and improved powder properties. The proposed CV-HTPASS offers a highly efficient approach for scale-up experiments. Further, it provides a platform for the screening of additives and the optimization of the powder properties of crystal products in industrial-scale crystallization processes.

Graphical abstract

关键词

高通量筛选 / 计算机视觉 / 图像分析 / 溶液结晶 / 粉末性能优化

Key words

High-throughput screening / Computer vision / Image analysis / Solution crystallization / Powder property optimization

引用本文

引用格式 ▾

刘剑,么拓,李沐阳,Sohrab Rohani,王静康,高振国,龚俊波. 计算机视觉辅助结晶添加剂高通量筛选用于晶体尺寸、形状和聚结优化[J]. 工程（英文）, 2025, 54(11): 336-348 DOI:10.1016/j.eng.2025.02.023

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

结晶在众多行业（如制药、食品工程、精细化工和大宗化学品行业）中发挥着至关重要的作用[1]。在结晶过程中调节晶体产品的性质（包括其尺寸、形状和聚结程度），会极大地影响其功能、物理特性和后续加工过程[2‒4]。例如，具有平板状或细长针状形态的晶体产品会表现出流动性的降低、堆积密度的下降以及聚结风险的增加。这些特性可能会给诸如过滤、干燥、运输、灌装、混合、包装和储存等过程带来更多困难，从而影响产品的加工效率、均匀性和稳定性[5]。相反，具有规则形态、均匀尺寸且极少聚结倾向的块状/立方形晶体是极为理想的，因为它们的相互嵌套倾向较小、流动性良好且堆积密度高。在食品加工过程中，通过控制晶体的形态、大小和聚结程度，可以提升食品产品的质地、稳定性和感官特性，从而提高其质量和市场竞争力[6]。此外，晶体的粉末特性会影响其在药物中的生物利用度、稳定性和溶解性。通过精确控制晶体的特性，可以改善药物制剂的质量和治疗效果[7‒8]。精细化学品的晶体尺寸、形态及其他方面会影响其光学、电子和磁性特性[9]。此外，大宗化学品的晶体形态和大小分布会极大地影响其处理、聚结和结块情况。因此，优化晶体的形态、大小和聚结程度对于获得具有优异粉末特性和功能特征的产品至关重要。

添加剂工程是设计和制造具有可控尺寸和形态的晶体的最常见方法之一[10]。表面活性剂作为一种添加剂，已被证实能够有效地调控晶体的定向生长并控制其特性[11]。溶剂的选择以及定制的可溶和不可溶添加剂（包括聚合物材料和表面活性剂）会影响晶体的形态[12]。由于表面活性剂能够吸附在晶体-液相界面处，它们会影响晶体的成核和生长速率以及晶体之间的相互作用[13]。此外，还可以利用表面活性剂来调节晶体的聚结程度[14]。然而，不同的添加剂在不同的结晶体系中可能会表现出不同的性能。例如，它们可以诱导/抑制晶体的成核和生长、改变晶体的长宽比、降低/提高晶体的聚结程度，这都是由于表面活性剂、溶剂和溶质分子之间的复杂相互作用所导致的[15]。传统的筛选添加剂的方法涉及大量的实验测试。已有多种用于筛选添加剂的预筛选策略被提出[16]，包括选择分子量远大于模型物质的添加剂、选择结构与模型物质相似的添加剂、基于分子模拟进行筛选，以及选择具有特定官能团的添加剂。然而，这些策略大多存在固有的不确定性限制，并且很大程度上依赖于操作者的经验水平。因此，开发一种能够筛选合适的结晶添加剂并优化其浓度的高效方法对于正确控制晶体产品的形态、尺寸和聚结程度，以及最终提高这些产品的粉末性能至关重要。

近年来，多孔板作为小型高通量反应器在生物医学和制药行业中越来越受欢迎[17‒18]。对于结晶过程而言，多孔板中的每个小孔相当于一个小型结晶器，使得可以在同一时间进行多组不同条件下的结晶实验。基于多孔板的结晶实验所需材料较少，这在药物研究与开发的早期阶段具有诸多优势，因为通常只有少量的活性药物成分（active pharmaceutical ingredients, APIs）可供使用。此外，使用多孔板还具有其他诸多优点，包括成本低、操作时间短以及通量高等[19]。因此，多孔板特别适用于添加剂的预筛选，以及在优化晶体粉末特性的过程中建立高通量操作条件。

在添加式筛选过程中，通常会生成大量的结果数据（包含不同晶体形态和大小的显微图像）。然而，使用手动和数学图像处理来分析如此大量的图像，并进行分割、分类和量化不同的晶体形状是极其耗时且具有挑战性的[20‒21]。为了解决这一挑战，我们引入了一种基于深度学习的图像处理方法，以准确且高效地分析高通量筛选所产生的大量数据。计算机视觉是深度学习的一个重要分支，已被用于图像或视频数据的分析和处理[22]。得益于卷积神经网络（convolutional neural networks, CNNs）的快速发展，它在图像识别、分割和分类方面表现优异。利用深度和宽多层卷积的组合，CNNs可以提高识别准确率、减少图像处理时间，并检索更多的图像特征[23]。基于深度学习的图像处理算法已被应用于晶体分割[24‒26]、不同形态晶体的识别与分类[27]，以及晶体多晶型转变率的量化[28]。此外，计算机视觉还被用作筛选反溶剂结晶和盐析蛋白质结晶条件的辅助工具[29‒30]。此前，我们通过建立粒子数据库和智能CNN模型来量化颗粒的聚结程度和聚结分布，以识别和分类4种不同的分散相颗粒，如聚结体、气泡、晶体和液滴[31]。所有这些研究都表明了计算机视觉在化学工业流程中具备广阔的应用前景。

在之前的研究基础上，本研究提出了一个基于计算机视觉的高通量添加剂筛选系统（computer vision-assisted high-throughput additive screening system, CV-HTPASS），CV-HTPASS包括高通量添加剂筛选设备、原位成像设备以及一个由人工智能（artificial intelligence, AI）辅助的图像处理算法，用于在结晶过程中调节晶体产物的尺寸、形状和聚结程度。本文选择了一种具有不规则/不良形状且在溶液结晶过程中容易聚结的代表性化合物——丁二酸，在24孔高通量装置中研究最佳的结晶添加剂条件。经过高通量结晶实验后，对通过光学显微镜原位拍摄的微观图像使用基于深度学习的图像处理算法进行分析，以确定最佳的添加剂类型和添加比例。随后的结果表明，在优化条件下进行的放大结晶实验能够生产出具有均匀立方形态、聚结程度降低和粉末性能改善的丁二酸晶体。此外，本文还选取了8项高通量结晶实验并进行了放大处理。在放大后的结晶实验中，晶体的形态与多孔板中的高通量结晶实验中的形态极为相似，这表明所提出的方法能够成功且高效地指导添加剂筛选，进而优化晶体的粉末特性。CV-HTPASS为筛选添加剂以调节晶体的粉末特性提供了一种新颖的工作流程。CV-HTPASS有望为优化结晶过程提供极具价值的指导。

2 材料与方法

2.1 材料、试剂与仪器

丁二酸[化学文摘社（Chemical Abstracts Service, CAS）号：110-15-6，纯度≥ 99%]购自天津希恩思生化科技有限公司。实验选取了12种表面活性剂，包括阳离子型表面活性剂（如十六烷基三甲基溴化铵、十二烷基吡啶氯化物和十二烷基三甲基溴化铵）、阴离子型表面活性剂（如十二烷基硫酸钠、十二烷基磺酸钠、十二烷基苯磺酸钠和月桂醇聚氧乙烯醚硫酸钠）、两性型表面活性剂（如月桂基甜菜碱、N-十二烷基-N,N-二甲基-3-铵-1-丙基磺酸盐和椰油酰胺丙基甜菜碱）以及非离子型表面活性剂（如Tween 20和Tween 80）。上述表面活性剂的具体信息（包括CAS号、纯度及采购来源）列于附录A表S1。去离子水购自天津江天化工技术有限公司。24孔板由天津利维坦科技有限公司提供，用于高通量实验。配备电荷耦合器件相机的光学显微镜（Olympus CKX53，Olympus公司，日本）用于原位采集丁二酸晶体图像；在放大结晶实验中，采用原位显微探头Easyviewer 400（Mettler Toledo，美国）采集丁二酸晶体图像。

2.2 含与不含表面活性剂丁二酸结晶溶液的制备

为研究表面活性剂种类及其浓度对丁二酸晶体形貌的影响，首先在40 ℃下配制丁二酸饱和水溶液。此外，在40 ℃下配制一系列含有不同表面活性剂的丁二酸饱和溶液，每种溶液中表面活性剂的质量分数均为1%。以Tween 20为例，其溶液的具体制备过程如下：在标记为溶液a的25 mL玻璃瓶中加入2.475 g丁二酸和15 g去离子水；随后，在另一只标记为溶液b₁的25 mL玻璃瓶中加入2.475 g丁二酸、15 g去离子水以及质量分数为1%的表面活性剂（Tween 20）。其余11种含不同表面活性剂的溶液按照相同的方法依次制备，并分别标记为b₂~b₁₂。随后，将所有玻璃瓶置于恒温磁力搅拌槽中（型号为XDH-C，天津星科科技有限公司），在45 ℃条件下搅拌直至溶液澄清，随后降温并稳定至40 ℃。实验装置示意见附录A图S1。

2.3 添加剂高通量筛选实验

将溶液a和溶液b置于恒温磁力搅拌槽中恒温搅拌1 h，以确保实验初始温度稳定保持在40 ℃。首先，在室温（约25 ℃）条件下，使用两支移液管分别将溶液a和溶液b₁快速转移至24孔板装置的各个小孔中。通过调节溶液a与溶液b₁的体积比例，将各小孔中混合溶液的表面活性剂质量分数控制在0.1%、0.4%、0.7%和1%。每个小孔中所加入的混合溶液质量约为200 mg（体积约200 μL），且每组实验条件均重复5次。所有筛选溶液（共48种条件，包括12种表面活性剂和4种浓度）均可在约10 min内于24孔板中完成配置。随后，丁二酸晶体在24孔板各小孔中逐渐析出并生长。反应1 h后，将孔板置于光学显微镜（Olympus CKX53）下，对每个小孔内不同位置的晶体进行观察，并原位采集晶体图像。对于每一种实验条件，均采集50张晶体显微图像，最终共获得2440张晶体图像用于后续分析。

2.4 基于深度学习的模型训练、评估与数据挖掘

2.4.1 CNN模型

Mask区域卷积神经网络（mask region convolutional neural network, Mask R-CNN）由 He 等[32]提出，是一种两阶段深度学习模型，广泛应用于目标检测、实例分割和语义分割任务中。该模型在Faster R-CNN的基础上增加了掩膜预测分支，从而实现对检测目标的像素级分割。Mask R-CNN能够对目标进行精确定位，并为每一个检测到的目标生成高精度的分割掩膜，有助于深入刻画目标边界并实现精细化分割。因此，在高通量添加剂筛选过程中对晶体图像进行分析时，Mask R-CNN不仅能够提供精确的分割结果，还可以对具有不同特征的晶体进行分类，从而获取晶体形貌与结构的详细信息，并进一步得到晶体的二维尺寸信息。

Mask R-CNN 框架主要由三部分组成：特征提取、候选区域生成以及检测与分割。

（1）特征提取：采用ResNet-50作为骨干网络，通过一系列卷积层提取图像特征。然而，在ResNet-50处理过程中，由于图像尺寸被压缩，小尺寸晶体的部分特征信息可能会丢失。为解决这一问题，引入特征金字塔网络（feature pyramid network, FPN）的多层级结构，将自底向上与自顶向下的特征融合方式相结合，以增强模型对小尺寸晶体的识别能力。

（2）候选区域生成：在通过卷积操作获得特征图之后，利用候选区域生成网络（region proposal network, RPN）对特征图进行处理，提出包含丁二酸晶体的感兴趣区域（region of interest, RoI）。

（3）检测与分割：采用RoI Align方法将候选区域转换为固定尺寸的特征图，RoI Align的具体原理可参见文献[32]。在RoI Align之后，将模型分为三个重要分支：掩膜分支、分类分支和回归分支。随后，对目标晶体进行分类并生成掩膜。掩膜预测通过全卷积网络逐像素完成，从而实现对晶体形状与尺寸信息的准确、高效提取。

2.4.2 图像数据库的采集、标注与增强

在图像数据库构建过程中，从高通量实验中随机选取60张丁二酸晶体图像，作为CNN模型训练与验证的数据集。随后，采用开源软件LabelMe（https://github.com/wkentaro/labelme）对晶体进行标注，并为丁二酸晶体图像数据集中的晶体分配类别标签。为提高数据标注效率并减少人工操作时间，我们引入了一种机器辅助的渐进式标注策略，该方法属于自动化标注技术[33]。此外，本文还采用了监督式数据增强策略[34]对丁二酸晶体图像数据集进行扩充，包括水平翻转、垂直翻转、亮度调节以及重采样等操作。这些处理有助于提升CNN模型在晶体图像检测与分割任务中的准确性、鲁棒性和泛化性能。

2.4.3 CNN 模型训练与评估

模型训练基于TensorFlow实例分割深度学习框架，并采用以ResNet-50为骨干网络的Mask R-CNN进行训练。在NVIDIA GeForce RTX 3080 Ti 图形处理器（graphics processing unit, GPU）上，该神经网络的处理速度可达到每秒10帧。模型的学习率、训练轮数（epoch）、批大小（batch size）以及交并比（intersection over union, IoU）阈值分别设定为0.0001、100、2和0.5。损失函数采用了一种新的边界框损失函数——广义交并比损失（generalized IoU loss, GIoU loss），该函数即使在预测掩膜与真实掩膜仅存在微小差异时仍能持续收敛，从而提高模型精度[35‒36]。模型训练完成后，从外部和内部两个层面对其性能进行评估。外部评估主要通过可视化方式展示模型在丁二酸晶体分割与分类方面的表现；内部评估则采用平均精度（average precision, AP）和混淆矩阵等评价指标，对模型在晶体识别、分割与分类方面的准确性进行定量分析[37]。训练完成后的神经网络模型被命名为CrystalNet，能够对丁二酸晶体的四种形貌（片状、立方状、棒状和针状）进行分割与分类。

2.4.4 数据挖掘

利用训练好的模型对采集到的晶体图像进行分析后，获得不同高通量结晶条件下丁二酸晶体的分割结果和形貌分类结果。随后，针对每一种高通量结晶条件，计算丁二酸产品中不同晶体形貌的比例以及平均长宽比。基于图像分析结果，筛选出目标表面活性剂及其对应的添加浓度。如附录A图S2所示，通过对晶体掩膜进行椭圆拟合，可根据主轴长度与副轴长度之比计算晶体的长宽比。

2.5 放大结晶实验及丁二酸产品的表征

2.5.1 放大实验

高通量实验在一台300 mL双夹套结晶釜中进行放大，放大倍数约为1250倍（由约200 μL放大至230 mL）。在50 ℃条件下，将33 g丁二酸和一定量所筛选的表面活性剂加入到200 g去离子水中，并在双夹套结晶釜内进行机械搅拌（搅拌桨直径ϕ = 45 mm，双锚式桨叶），搅拌转速为250 r∙min^-1。经过30 min后，固体完全溶解。随后，根据高通量实验的初始温度和溶液浓度条件，将体系温度降至40 ℃并恒温稳定30 min。之后，采用CF41 Julabo恒温控制系统（德国，控温精度为 ±0.02 ℃）以 1/3 ℃∙min^-1的速率将体系温度降至25 ℃。在此过程中，利用Easyviewer 400原位探头对结晶过程进行实时监测，并采集晶体显微图像。为进行对比分析，本研究还在相同条件下进行了不添加表面活性剂的放大结晶实验。此外，本研究进一步开展了8组放大结晶实验，通过观察丁二酸晶体的形貌，验证放大实验与高通量实验结果之间的一致性，并证明采用24孔板进行早期高通量添加剂筛选的可行性。

2.5.2 丁二酸产品的表征

我们前期研究中提出并训练完成MicropNet⁺模型，本研究直接采用该模型对单个晶体（类别C）和聚结体（类别A）进行分割、识别与分类[26]。随后生成不同的掩膜：若某一C掩膜被包含在A掩膜之中，则该晶体C被视为聚结体A的一部分，并记为C_inA；反之，则该C掩膜被视为独立晶体。通过上述方法，可获得不同实验条件下丁二酸晶体的聚结程度、聚结分布以及粒径分布信息，从而评价表面活性剂对丁二酸晶体聚结行为和形貌的影响。其中，聚结程度定义为C_inA晶体总数与C晶体总数之比；聚结分布则定义为包含不同数量C_inA的聚结体A所占的百分比。如图S2所示，晶体尺寸定义为基于预测掩膜对晶体进行椭圆拟合后所得椭圆的轴长。

在对丁二酸产品进行过滤和干燥后，测定其含水率、堆积密度以及流动性（休止角），以评价其粉体性能。上述粉体性能的定义及表征方法详见附录A第S2节。

3 结果与讨论

3.1 CV-HTPASS的结构

如图1所示，CV-HTPASS的整体工作流程包括高通量添加剂筛选装置与原位成像设备[图1（a）]，以及人工智能辅助的图像分析算法[图1（b）和（c）]。首先，如图1（a）所示，在24孔板装置中快速生成含有不同种类和浓度添加剂的丁二酸饱和水溶液微升级液滴。在添加剂对不同晶体晶面的作用下，微升级液滴中形成了具有多种形貌的丁二酸晶体，通过光学显微镜（5×放大倍率）对其进行实时成像采集。鉴于实验过程中获得的微晶图像数量众多（约2440张），若采用传统的人工计数或基于数学的方法进行图像处理，不仅耗时较长，而且易产生较大误差。因此，如图1（b）所示，引入计算机视觉技术对图像进行处理，以加快晶体图像分析和添加剂筛选的效率。借助计算机视觉方法，可对丁二酸晶体的形貌进行快速、准确的识别、分割与分类，并建立其与高通量实验中结晶条件之间的关联关系。随后，如图1（c）所示，对图像处理结果进行数据挖掘，获得不同结晶条件下丁二酸晶体各类形貌（片状、立方状、棒状和针状）的比例以及平均长宽比，从而为放大结晶实验提供有价值的指导。最后，在放大实验条件下应用筛选得到的目标表面活性剂及其对应浓度，对丁二酸晶体的形貌、聚结程度和长宽比等性质进行优化[图1（d）和（e）]。

3.2 添加剂高通量筛选实验

不同类型的表面活性剂及其添加浓度对丁二酸晶体的形貌和聚结程度具有不同影响。部分表面活性剂能够在一定程度上改善晶体形貌并抑制聚结行为，从而提升晶体产品的粉体性能并有利于后续加工处理；而另一些表面活性剂则可能产生不利影响，导致晶体形貌较差、对聚结的抑制作用有限，最终获得粉体性能较差、难以进行后处理的晶体产品。因此，在预实验阶段，选取了4类共12种表面活性剂（非离子型、两性型、阳离子型和阴离子型），并设置4种不同浓度，用于筛选最优的结晶添加剂。所选表面活性剂的具体信息见附录A表S1。

此外，为定量评估所提出体系在实验效率和资源利用方面的优势，将CV-HTPASS与传统筛选方法进行了系统对比，传统筛选方法的具体流程见附录A第S3节。该定量比较主要从筛选目标结晶添加剂所需时间、溶剂与API的消耗量，以及实验所需空间与设备等方面进行分析。如附录A表S3所示，在筛选相同数量结晶添加剂的前提下，本研究提出的系统不仅将实验时间缩短约97.2%，将溶剂/API消耗量降低约98.7%，而且能够在更小的实验空间内、借助更为简单且成本更低的设备完成添加剂筛选。相关的实验步骤及对比参考文献详见附录A第S3节。

在结晶过程及高通量添加剂筛选实验中，采用24孔板进行微体积液滴结晶实验。如图2（a）所示，实施不同的结晶条件以完成表面活性剂种类及其浓度的筛选。实验中分别使用不含表面活性剂的40 ℃丁二酸饱和水溶液（溶液a，红色瓶）以及含有不同表面活性剂、质量分数为1%的40 ℃丁二酸饱和水溶液（溶液b，蓝色瓶，对应的表面活性剂编号1~12见附录A表S1）。将不同比例的溶液a与溶液b加入24孔板装置中，使各孔内混合溶液的表面活性剂含量分别控制在0.1%、0.4%、0.7%和1%。随后，各孔中的晶体逐渐生长并趋于稳定。反应1 h后，利用光学显微镜对不同结晶条件下的丁二酸晶体进行成像采集，如图2（b）所示。共采集2440张晶体图像，其中每个小孔对应50张晶体显微照片。图2（c）展示了不同实验条件下的丁二酸晶体形貌。可以看出，某些操作条件能够获得理想的立方体形丁二酸晶体，而另一些条件则会生成非预期的片状或针状晶体，因此有必要对合适的结晶条件进行定量筛选。附录A图S3汇总展示了所有高通量结晶条件下丁二酸晶体的显微图像，为直观分析添加剂对晶体形貌的影响提供了依据。

此外，采用粉末X射线衍射（powder X-ray diffraction, PXRD）对丁二酸在添加表面活性剂前后结晶所得晶体的晶型结构进行表征[38]。代表性结果如附录A图S4所示，对比分析表明实验过程中未出现新的衍射峰，说明未发生晶型转变。PXRD的具体测试参数详见附录A。

3.3 图像采集、标注与数据增强

为分析在不同结晶条件下采集到的丁二酸晶体图像，本研究采用了基于深度学习的图像处理算法。如图3（a）所示，丁二酸在水溶液中结晶时主要呈现片状形貌，且伴随较为严重的聚结现象。在高通量添加剂筛选实验中，晶体则表现出多种不同的形貌类型，包括片状、立方状、棒状和针状，如图3（b）所示。图像数据集在神经网络训练过程中起着至关重要的作用，其质量和特征直接影响模型的整体性能。本研究旨在构建一个能够用于高通量实验中目标添加剂筛选的高性能模型，因此需要建立一个包含丰富目标特征的专用数据集。为此，如图3（b）所示，选取60张丁二酸晶体显微图像作为模型的训练数据集，并将丁二酸晶体形貌划分为4类：片状（A）、立方状（B）、棒状（C）和针状（D）。数据库中的目标晶体采用人工标注与机器辅助标注相结合的方式进行标注，其渐进式标注策略的工作流程如图3（c）所示。此外，为扩充数据集规模并提升模型的准确性、鲁棒性和泛化能力，进一步引入了监督式数据增强策略。如图3（d）所示，采用的数据增强方法包括亮度调节、垂直翻转、水平翻转、先垂直后水平翻转，以及对原始图像进行重采样处理。通过上述数据增强操作，数据集规模由最初的60张图像扩展至395张图像。

3.4 机器视觉辅助的不同晶体形貌识别与分类

在完成图像采集、标注与数据增强之后，训练CNN模型以对丁二酸晶体的4种形貌进行识别、分割与分类。训练完成后的模型工作流程如图4（a）所示。将高通量筛选实验中获得的晶体显微图像作为模型输入，图像依次经过特征提取、候选区域生成以及检测与分割三个主要步骤，最终实现晶体的分割并赋予相应的类别标签。为提升研究的可重复性与透明性，本文公开了所使用的数据集、CNN模型以及数据挖掘的源代码，相关开源项目托管于https://github.com/liujian1040/CystalDetection，其详细说明见附录A第S4节。

图4（b）展示了基于计算机视觉对原始图像进行晶体分割与分类的结果（外部评估）。不同形貌的晶体均被成功识别并分割，模型通过生成不同颜色的掩膜区分各类晶体。更多晶体图像分割结果见附录A图S5，以直观展示模型的性能。本文通过识别准确率对模型性能进行了评估，该指标表示通过人工目视检查判定为正确识别的晶体所占比例，如图4（b）和附录A图S5所示。结果表明，晶体图像的识别准确率超过90%，说明图像中绝大多数晶体均能够被准确检测和分类。图4（c）和（d）分别给出了模型的平均精度和混淆矩阵（内部评估），用于定量评价模型在晶体形貌分割与分类方面的性能。如图4（c）所示，在训练过程中验证指标持续提升，训练损失逐渐降低并趋于稳定，表明模型未出现过拟合现象；AP在第30个训练轮次后达到峰值73.9%，并保持稳定。图4（d）分别展示了模型对片状、立方状、棒状和针状晶体的分类准确率，其中针对针状晶体的分类准确率最低，仅为31%，且有43%的针状晶体被误判为棒状晶体。此外，有11%的棒状晶体被误分类为块状晶体，8%的立方状晶体被误分类为棒状晶体。立方状、棒状和针状之间的主要差异体现在晶体的长宽比上，因此本文对其进行了统计分析，如图4（e）右侧所示。模型预测的立方状、棒状和针状晶体长宽比分别分布在1.0~2.5、1.5~6.0和大于4.0的区间内，不同类别之间存在一定重叠，这与实际设定的分类规则并不完全一致。在模型训练之前，已人工设定了立方状、棒状和针状晶体的长宽比范围[图4（e）左侧]。模型预测结果与人工设定范围存在一定偏差，说明当晶体长宽比接近1.7（立方状与棒状晶体的分界）或5.0（棒状与针状晶体的分界）时，分类性能较差。为解决上述问题，本文引入了基于长宽比辅助判别的方法[图4（f）]，用于修正模型输出的晶体类别。当图像输入模型后，首先将图像中的晶体划分为两类：片状和其他类别（立方状、棒状和针状）。随后提取除片状以外所有晶体的长宽比，并按照预设规则进行重新分类：当晶体长宽比位于1.0~1.7范围内时，判定为立方状；位于1.7~5.0范围内时，判定为棒状；大于5.0时，判定为针状。经过该修正后，得到的混淆矩阵如图4（g）所示，可以看出立方状、棒状和针状晶体的分类准确率显著提高，且基本不再发生相互误分类（除片状和背景外）。

3.5 采用CV-HTPASS筛选目标添加剂

在模型完成训练与验证后，将该训练良好的模型应用于高通量实验中获得的大量丁二酸晶体图像，对晶体进行分割和分类，并开展定量分析。晶体长宽比的定义如附录A图S2所示，CrystalNet为每个晶体生成相应的掩膜，随后利用OpenCV中的fitEllipse函数对掩膜进行椭圆拟合，从而获得椭圆的主轴、副轴及中心点位置。通过主轴长度与副轴长度之比计算晶体的长宽比。图5给出了模型对高通量实验晶体图像的分析结果，其中散点图表示不同结晶条件下晶体的平均长宽比，饼图则表示不同晶体形貌所占的比例。

如图5（a）所示，本文定量分析了非离子型和两性型表面活性剂对丁二酸晶体形貌的影响。在这些表面活性剂作用下，尽管丁二酸晶体的长宽比通常小于2，表明其整体呈现立方状形貌，但在某些条件下，片状和棒状晶体所占比例仍然较高。例如，在表面活性剂浓度为#10-0.4%时，丁二酸晶体的平均长宽比最小（1.46），其中立方状晶体所占比例最高（88.6%），但片状晶体仍占8.3%。

图5（b）展示了阴离子型表面活性剂浓度对丁二酸晶体形貌的影响。随着阴离子型表面活性剂浓度的增加，丁二酸晶体的平均长宽比逐渐增大，表明棒状和针状晶体形成的可能性提高。当表面活性剂浓度为#7-0.1%时，丁二酸晶体的平均长宽比最小（1.66），其中立方状晶体占比最高（83.0%），棒状晶体占12.5%；而当表面活性剂浓度增加至#8-1%时，丁二酸晶体的平均长宽比达到最大值（4.17），其中针状晶体占23.4%，棒状晶体占69.0%。

图5（c）展示了阳离子型表面活性剂对丁二酸晶体形貌的影响。值得注意的是，在表面活性剂#9和#11的作用下，丁二酸晶体基本保持其原有的片状形貌。当表面活性剂#11的添加浓度为1%时，多达60%的丁二酸晶体呈现片状形貌。相比之下，在表面活性剂浓度为#4-0.4%时，丁二酸晶体的平均长宽比最低（1.59），立方状晶体所占比例最高（90.1%），且片状和针状晶体的总比例最低，仅为1.8%。

综上所述，高通量添加剂筛选实验的目标在于获得较高比例的立方状晶体以及较低的晶体长宽比，同时应尽量避免生成大量棒状或针状晶体。部分添加剂对丁二酸晶体形貌的影响较小，可直接予以剔除。因此，基于深度学习图像分析结果，从高通量添加剂筛选实验中选取3组具有代表性的实验条件，用以进一步研究不同表面活性剂对丁二酸晶体形貌及粉体性能的影响。这3组条件分别对应立方状晶体（表面活性剂#4-0.4%）、针状晶体（表面活性剂#8-1%）和片状晶体（表面活性剂#11-0.4%）占比最高的情形。此外，在相同的实验条件（搅拌速度、降温速率、溶液体积等）下，还进行了不添加表面活性剂的丁二酸结晶实验作为对照。

3.6 调控丁二酸晶体特性的放大实验

本节主要从三个方面展开讨论：放大实验及原位图像采集、基于MicropNet⁺的图像分析，以及粉体性能表征（图6）。

（1）放大实验及原位图像采集：为进一步验证高通量添加剂筛选策略在指导结晶过程放大实验及优化晶体粉体性能方面的适用性，本研究采用Easyviewer 400原位探头对3组特定的放大结晶实验以及不添加添加剂的对照结晶实验过程进行在线监测[图6（a）]，并在实验过程中原位采集晶体图像。不同放大结晶条件下丁二酸晶体的显微图像如图6（c）所示，其晶体形貌与高通量实验中在相应表面活性剂作用下获得的结果高度一致[图6（b）]。此外，本文还对另外8组高通量筛选实验进行了放大验证。如附录A图S6所示，通过对比微升级高通量结晶实验与1250倍放大结晶实验所得晶体产品的显微图像可以发现，放大实验中丁二酸晶体的形貌与微升级高通量结晶实验结果具有高度一致性。

（2）基于MicropNet⁺的图像分析：如图6（d）所示，利用已建立并充分训练的MicropNet⁺模型，对结晶过程中原位采集的丁二酸晶体图像进行了分析。图6（e）给出了该模型在单个晶体与聚结体分类任务中的平均精度及混淆矩阵；图6（f）展示了模型对单个晶体和聚结体进行分割的可视化结果。这些结果表明，该模型在识别和分类单个晶体及聚结体方面均具有较强的性能。

（3）粉体性能表征：图6（g）展示了晶体产品在线与离线表征的结果。在不同结晶条件下，本文对晶体产品的聚结分布、粒径分布、聚结程度、含水率、堆积密度及流动性等指标进行了系统表征，以全面、客观地评价其粉体性能。在不添加表面活性剂的情况下，丁二酸晶体呈现不理想的片状形貌并伴随严重聚结现象[图6（b）和（c）]。如图6（g）所示，此时丁二酸晶体的聚结程度高达95%，且53%的聚结体中包含5个以上晶体；同时，产品表现出粒径分布宽、含水率高、堆积密度低以及流动性差等特点。这表明，在水溶液中未经任何优化手段结晶得到的丁二酸晶体粉体性能较差，必然会对其过滤、运输、储存及下游加工过程产生不利影响。在表面活性剂#4-0.4%的作用下，丁二酸晶体的形貌由不规则形态优化为均一的立方状形貌[图6（b）和（c）]。如图6（g）所示，其聚结程度降低了约70%，聚结分布和粒径分布显著变窄[图6（f）]，且仅有4.3%的聚结体中包含5个以上晶体。相比之下，如图6（g）所示，虽然在表面活性剂#8和#11的作用下，丁二酸晶体的聚结程度亦有所降低，但其改善效果明显不如表面活性剂#4；同时，表面活性剂#8和#11对晶体形貌产生了不利影响，使丁二酸晶体分别趋向于针状和片状形貌[图6（b）和（c）]，其粉体性能相较于未添加表面活性剂的产品并未得到显著改善。

综上所述，在结晶过程中添加表面活性剂#4可获得堆积密度最高、休止角最低（表明流动性最佳）且含水率较低的丁二酸晶体产品。其中，堆积密度提高了30.9%，休止角降低约4°，含水率降低了68.7%。上述结果表明，所提出的CV-HTPASS在晶体形貌调控和粉体性能优化方面均具有显著效果。

3.7 挑战与展望

前述小节重点展示了CV-HTPASS在结晶添加剂高通量筛选方面的有效性、高效性及其创新性方法。本节将进一步讨论该体系在实际应用中可能面临的局限性、运行挑战以及其对工业规模应用的适应性，以更全面、客观地评估其应用潜力。

3.7.1 局限性、挑战及对工业规模应用的适应性

（1）多通道微体积溶液与添加剂的高效、精确自动化制备：目前，在本概念验证研究中，添加剂的配制及温度控制仍主要依赖人工操作。实现毫升级甚至微升级溶液的高精度自动化配制，对于提高工作效率和系统整体精度至关重要。此外，在微体积体系中设计和配置高精度温控装置，对系统而言仍是一项具有挑战性的工作。

（2）高通量数据的智能化软件分析：本研究针对丁二酸结晶体系开展了系统分析，成功实现了多种晶体形貌的识别与分类，并通过数据挖掘获得了多种晶体尺寸信息。然而，对于更为复杂的结晶体系，往往需要处理更大规模的数据集。如何高效、准确地分析海量数据，并进一步深入揭示过程机理，仍是拓展该系统应用范围所面临的重要挑战。

（3）化学过程与机理放大过程中的不确定性：CV-HTPASS的优势在于其基于微体积体系的高通量结晶过程筛选，具有快速、高效的特点。然而，从微体积体系向工业反应器放大过程中不可避免地会受到放大效应的影响。微体积静态体系中的结晶机理未必完全适用于工业尺度过程，因此，有必要采用补充性的放大验证研究策略来应对这一局限。

3.7.1 展望

未来，应进一步提升CV-HTPASS中硬件控制的精度以及软件的数据处理能力，以增强系统的准确性和运行稳定性。同时，有必要构建系统化的研究策略，以弥合微体积体系与工业规模过程之间的差距。CV-HTPASS的应用范围亦可进一步拓展至微体积固态研究、结晶过程研究、多相流微尺度界面研究，以及制药、食品、能源和新材料等多个领域的高通量研究中。

4 结论

我们成功开发了一种智能化的CV-HTPASS，可用于在结晶过程中高效调控晶体产品的粉体性能。CV-HTPASS由高通量实验装置、原位成像设备以及基于人工智能的图像分析算法（计算机视觉）组成，借助其在24孔板中开展结晶添加剂的高通量筛选实验，仅消耗数克原料即可在10 min内完成筛选过程。不同形貌的晶体在各个小孔中形成，并通过原位光学显微镜共采集了2440张晶体显微图像。为加快筛选效率，本研究构建并训练了一个CNN模型，该模型能够对不同形貌的丁二酸晶体进行高效、准确的分割、分类，并提取其尺寸信息。当丁二酸溶液中表面活性剂#4（十六烷基三甲基溴化铵）的质量分数为0.4%时，立方状晶体所占比例最高（90.1%），而片状和针状晶体所占比例最低（仅1.8%），同时晶体的平均长宽比也显著降低至1.59。在确定合适的结晶条件后，将高通量实验结果放大1250倍，并在300 mL双夹套结晶釜中开展结晶实验，结果表明，未经优化的放大结晶实验会导致丁二酸晶体粉体性能较差且聚结现象严重，其聚结程度高达95%；而在优化后的放大结晶实验中，丁二酸晶体的聚结程度降低了约70%，流动性显著改善，堆积密度提高了30.9%，从而获得了理想的粉体性能。此外，高通量实验结果与放大结晶实验结果高度一致，充分证明了本方法在筛选结晶添加剂并优化晶体粉体性能方面的有效指导作用。

值得注意的是，本筛选策略可便捷地应用于大多数需要优化晶体形貌和粉体性能的结晶体系。所提出的CV-HTPASS有望为结晶过程提供重要指导，在加速计算机视觉技术在化工过程中的应用的同时，进一步搭建人工智能领域与化学工程领域之间的桥梁。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Chen J, Sarma B, Evans JMB, Myerson AS. Pharmaceutical crystallization. Cryst Growth Des 2011;11(4):887‒95. . 10.1021/cg101556s

[2]	Klapwijk AR, Simone E, Nagy ZK, Wilson CC. Tuning crystal morphology of succinic acid using a polymer additive. Cryst Growth Des 2016;16(8):4349‒59. . 10.1021/acs.cgd.6b00465

[3]	Chow K, Tong HHY, Lum S, Chow AHL. Engineering of pharmaceutical materials: an industrial perspective. J Pharm Sci 2008;97(8):2855‒77. . 10.1002/jps.21212

[4]	Jia S, Gao Y, Li Z, Zhang T, Liu J, Wang J, et al. Process intensification and control strategies in cooling crystallization: crystal size and morphology optimization of α-PABA. Chem Eng Res Des 2022;179:265‒76. . 10.1016/j.cherd.2022.01.029

[5]	Zhang S, Zhou L, Yang W, Xie C, Wang Z, Hou B, et al. An investigation into the morphology evolution of ethyl vanillin with the presence of a polymer additive. Cryst Growth Des 2020;20(3):1609‒17. . 10.1021/acs.cgd.9b01341

[6]	Cushen M, Kerry J, Morris M, Cruz-Romero M, Cummins E. Nanotechnologies in the food industry—recent developments, risks and regulation. Trends Food Sci Technol 2012;24(1):30‒46. . 10.1016/j.tifs.2011.10.006

[7]	Gao Z, Rohani S, Gong J, Wang J. Recent developments in the crystallization process: toward the pharmaceutical industry. Engineering 2017;3(3):343‒53. . 10.1016/j.eng.2017.03.022

[8]	Jallo LJ, Ghoroi C, Gurumurthy L, Patel U, Davé RN. Improvement of flow and bulk density of pharmaceutical powders using surface modification. Int J Pharm 2012;423(2):213‒25. . 10.1016/j.ijpharm.2011.12.012

[9]	Goesmann H, Feldmann C. Nanoparticulate functional materials. Angew Chem Int Ed 2010;49(8):1362‒95. . 10.1002/anie.200903053

[10]	Song RQ, Cölfen H. Additive controlled crystallization. CrstEngComm 2011;13(5):1249‒76. . 10.1039/c0ce00419g

[11]	Kang SH, Hirasawa I, Kim WS, Choi CK. Morphological control of calcium carbonate crystallized in reverse micelle system with anionic surfactants SDS and AOT. J Colloid Interface Sci 2005;288(2):496‒502. . 10.1016/j.jcis.2005.03.015

[12]	Hatcher LE, Li W, Payne P, Benyahia B, Rielly CD, Wilson CC. Tuning morphology in active pharmaceutical ingredients: controlling the crystal habit of lovastatin through solvent choice and non-size-matched polymer additives. Cryst Growth Des 2020;20(9):5854‒62. . 10.1021/acs.cgd.0c00470

[13]	Wei H, Shen Q, Zhao Y, Zhou Y, Wang D, Xu D. On the crystallization of calcium carbonate modulated by anionic surfactants. J Cryst Growth 2005;279(3‒4):439‒46.

[14]	Inaba H, Inada T, Horibe A, Suzuki H, Usui H. Preventing agglomeration and growth of ice particles in water with suitable additives. Int J Refrig 2005;28(1):20‒6. . 10.1016/j.ijrefrig.2004.07.012

[15]	Lin K, Wu C, Chang J. Advances in synthesis of calcium phosphate crystals with controlled size and shape. Acta Biomater 2014;10(10):4071‒102. . 10.1016/j.actbio.2014.06.017

[16]	Lovette MA, Browning AR, Griffin DW, Sizemore JP, Snyder RC, Doherty MF. Crystal shape engineering. Ind Eng Chem Res 2008;47(24):9812‒33. . 10.1021/ie800900f

[17]	Lee S, Chang J, Kang SM, Parigoris E, Lee JH, Huh YS, et al. High-throughput formation and image-based analysis of basal-in mammary organoids in 384-well plates. Sci Rep 2022;12(1):317. . 10.1038/s41598-021-03739-1

[18]

Zhang N, Yang A, Rogers JD, Zhao JJ. Quantitative analysis of simvastatin and its β-hydroxy acid in human plasma using automated liquid‒liquid extraction based on 96-well plate format and liquid chromatography-tandem mass spectrometry. J Pharm Biomed Anal 2004;34(1):175‒87. . 10.1016/j.japna.2003.08.016

[19]	Mayr LM, Bojanic D. Novel trends in high-throughput screening. Curr Opin Pharmacol 2009;9(5):580‒8. . 10.1016/j.coph.2009.08.004

[20]	Yang X, Li H, Zhou X. Nuclei segmentation using marker-controlled watershed, tracking using mean-shift, and Kalman filter in time-lapse microscopy. IEEE Trans Circ Syst I 2006;53(11):2405‒14. . 10.1109/tcsi.2006.884469

[21]	Yao T, Liu J, Wan X, Li B, Rohani S, Gao Z, et al. Deep-learning based in situ image monitoring crystal polymorph and size distribution: modeling and validation. AIChE J 2024;70(2):e18279. . 10.1002/aic.18279

[22]

O’Mahony N, Campbell S, Carvalho A, Harapanahalli S, Hernandez GV, Krpalkova L, et al. Deep learning vs. traditional computer vision. In: Arai K, Kapoor S, editors. Advances in computer vision: Proceedings of the 2019 Computer Vision Conference (CVC), volume 1; 2019 May 2‒3; Las Vegas, NV, USA. Cham: Springer; 2020. p. 128‒44. . 10.1007/978-3-030-17795-9_10

[23]	Dhillon A, Verma GK. Convolutional neural network: a review of models, methodologies and applications to object detection. Prog Artif Intell 2020;9(2):85‒112. . 10.1007/s13748-019-00203-0

[24]	Bruno AE, Charbonneau P, Newman J, Snell EH, So DR, Vanhoucke V, et al. Classification of crystallization outcomes using deep convolutional neural networks. PLoS One 2018;13(6):e0198883. . 10.1371/journal.pone.0198883

[25]	Liu J, Kuang W, Liu J, Gao Z, Rohani S, Gong J. In-situ multi-phase flow imaging for particle dynamic tracking and characterization: advances and applications. Chem Eng J 2022;438:135554. . 10.1016/j.cej.2022.135554

[26]	Li M, Liu J, Yao T, Gao Z, Gong J. Deep-learning based in-situ micrograph analysis of high-density crystallization slurry using image and data enhancement strategy. Powder Technol 2024;437:119582. . 10.1016/j.powtec.2024.119582

[27]	Gao Z, Wu Y, Bao Y, Gong J, Wang J, Rohani S. Image analysis for in-line measurement of multidimensional size, shape, and polymorphic transformation of L-glutamic acid using deep learning-based image segmentation and classification. Cryst Growth Des 2018;18(8):4275‒81. . 10.1021/acs.cgd.8b00883

[28]	Fang L, Liu J, Han D, Gao Z, Gong J. Revealing the role of polymer in the robust preparation of the 2,4-dichlorophenoxyacetic acid metastable crystal form by AI-based image analysis. Powder Technol 2023;413:118077. . 10.1016/j.powtec.2022.118077

[29]	Huang L, Yang D, Yu Z, He J, Chen Y, Zhou J. Deep learning-aided high-throughput screening of time-resolved protein crystallization on programmable microliter-droplet systems. Chem Eng J 2022;450(Pt 3):138267. . 10.1016/j.cej.2022.138267

[30]	Su Z, He J, Zhou P, Huang L, Zhou J. A high-throughput system combining microfluidic hydrogel droplets with deep learning for screening the antisolvent-crystallization conditions of active pharmaceutical ingredients. Lab Chip 2020;20(11):1907‒16. . 10.1039/d0lc00153h

[31]	Liu J, Zhang Q, Chen M, Gao Z, Rohani S, Gong J. A verified open-access AI-based chemical microparticle image database for in-situ particle visualization and quantification in multi-phase flow. Chem Eng J 2023;451:138940. . 10.1016/j.cej.2022.138940

[32]	He K, Gkioxari G, Dollár P, Girshick R. Mask R-CNN. In: Proceedings of 2017 IEEE International Conference on Computer Vision; 2017 Oct 22‒29; Venice, Italy. Piscataway: IEEE; 2017. p. 2961‒9. . 10.1109/iccv.2017.322

[33]	Wu Y, Lin M, Rohani S. Particle characterization with on-line imaging and neural network image analysis. Chem Eng Res Des 2020;157:114‒25. . 10.1016/j.cherd.2020.03.004

[34]

Cubuk ED, Zoph B, Shlens J, Le QV. Randaugment: practical automated data augmentation with a reduced search space. In: Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops; 2020 Jun 14‒19; Seattle, WA, USA. Piscataway: IEEE; 2020. p. 702‒3. . 10.1109/cvprw50498.2020.00359

[35]	Janocha K, Czarnecki WM. On loss functions for deep neural networks in classification. 2017. arXiv:10.4467/20838476si.16.004.6185

[36]

Rezatofighi H, Tsoi N, Gwak J, Sadeghian A, Reid I, Savarese S. Generalized intersection over union: a metric and a loss for bounding box regression. In: Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2019 Jun 15‒20; Long Beach, CA, USA. Piscataway: IEEE; 2019. p. 658‒66. . 10.1109/cvpr.2019.00075

[37]

Sharif Razavian A, Azizpour H, Sullivan J, Carlsson S. CNN features off-theshelf: an astounding baseline for recognition. In: Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops; 2014 Jun 23‒28; Columbus, OH, USA. Piscataway: IEEE; 2014. p. 512‒9. . 10.1109/cvprw.2014.131

[38]	Liu J, Li Z, Wang M, Wan X, Jia S, Cao Y, et al. Solid‒liquid phase equilibrium of N,N′-diphenyl thiourea (DPTU) in twelve pure solvents: solubility determination, correlation, molecular simulation and thermodynamic analysis. J Chem Thermodyn 2021;163:106605. . 10.1016/j.jct.2021.106605