Rapid-E+ è il primo strumento al mondo in grado di analizzare singole particelle di aerosol e bioaerosol, in tempo reale, in modo approfondito ed accurato.
Completamente automatizzato, Rapid-E+ analizza ogni singola particella aerodispersa compresa nel range dimensionale 0.3-100 micrometri, aprendo a numerose applicazioni nel monitoraggio ambientale e non solo. Per l’uso in esterno, lo strumento è equipaggiato con un sistema di alloggiamento in grado di resistere ad operazioni continue in condizioni variabili di temperatura tra -30° e +45° C.
La tecnica di misura si basa sulla combinazione della dispersione della luce (light scattering) e spettroscopia a fluorescenza.
Ogni singola particella presente nel flusso d’aria campionato che entra nello strumento viene inizialmente sottoposte ad un’analisi di tipo morfologica con un metodo unico di acquisizione rapida della diffusione della luce basato sulla teoria di scattering Mie, dipendente dall’angolo di polarizzazione.
La particella è poi esposta ad una radiazione ultravioletta ad elevata intensità in grado di indurre una risposta di fluorescenza che viene simultaneamente letta da uno spettrometro a 16 canali e da un detector a 3 canali in grado restituire lo spettro di fluorescenza e il decadimento (lifetime) del raggio incidente.
Segue quindi un’ulteriore fase di analisi di immagine, basata sulla teoria di scattering Mie realizzata in 2D su più polarizzazioni, ed ottenuta partendo da una lunghezza d’onda del laser diversa dalla precedente, al fine di investigare più nel dettaglio la morfologia della particella analizzata.
La tecnica di misura si basa sulla combinazione della dispersione della luce (light scattering) e spettroscopia a fluorescenza.
Ogni singola particella presente nel flusso d’aria campionato che entra nello strumento viene inizialmente sottoposte ad un’analisi di tipo morfologica con un metodo unico di acquisizione rapida della diffusione della luce basato sulla teoria di scattering Mie, dipendente dall’angolo di polarizzazione.
La particella è poi esposta ad una radiazione ultravioletta ad elevata intensità in grado di indurre una risposta di fluorescenza che viene simultaneamente letta da uno spettrometro a 16 canali e da un detector a 3 canali in grado restituire lo spettro di fluorescenza e il decadimento (lifetime) del raggio incidente.
Segue quindi un’ulteriore fase di analisi di immagine, basata sulla teoria di scattering Mie realizzata in 2D su più polarizzazioni, ed ottenuta partendo da una lunghezza d’onda del laser diversa dalla precedente, al fine di investigare più nel dettaglio la morfologia della particella analizzata.
Rivoluzionaria Analisi della Singola Particella
Operatività da remoto
Monitoraggio Continuo ed in Tempo Reale
Range dimensionale delle particelle: 0.3-100 μm
Riferimenti Bibliografici
1. Brdar S, Panić M, Matavulj P, Stanković M, Bartolić D, Šikoparija B: Explainable AI for unveiling deep learning pollen classification model based on fusion of scattered light patterns and fluorescence spectroscopy. Sci Rep. 2023 Feb 24;13(1):3205. PMID: 36828900; PMCID: PMC9958198.
2. Mihai Boldeanu, Corneliu Burileanu, Horia Cucu, Luminita Marmureanu: POLLEN CLASSIFICATION USING CLASSICAL ML ALGORITHMS ON FLUORESCENCE AND SCATTERING DATA. U.P.B. Sci. Bull., Series C, Vol. 84, Iss. 4, 2022.
3. Predrag Matavulj, Marko Panić, Branko Šikoparija, Danijela Tešendić, Miloš Radovanović, Sanja Brdar (2023): Advanced CNN Architectures for Pollen Classification: Design and Comprehensive Evaluation, Applied Artificial Intelligence, Volume 37, 2023 – Issue 1.
4. Predrag Matavulj, Antonella Cristofori, Fabiana Cristofolini, Elena Gottardini, Sanja Brdar, Branko Sikoparija: Integration of reference data from different Rapid-E devices supports automatic pollen detection in more location, Science of The Total Environment, Volume 851, Part 2, 2022, 158234, ISSN 0048-9697.
5. Boldeanu, M.; Cucu, H.; Burileanu, C.; Mărmureanu: Multi-Input Convolutional Neural Networks for Automatic Pollen Classification, Appl. Sci. 2021, 11, 11707.
6. Predrag Matavulj; Sanja Brdar; Miloš Racković; Branko Šikoparija; Ioannis N. Athanasiadis: Domain adaptation with unlabeled data for model transferability between airborne particle identifiers, Zenodo 2021.
7. Branko Šikoparija, Predrag Matavulj, Gordan Mimić, Matt Smith, Łukasz Grewling, Zorica Podraščanin, Real-time automatic detection of starch particles in ambient air, Agricultural and Forest Meteorology, Volume 323, 2022, 109034, ISSN 0168-1923.
8. M. Smith, P. Matavulj, G. Mimić, et al.: Why should we care about high temporal resolution monitoring of bioaerosols in ambient air?, Science of the Total Environment (2021).
9. Forde,E et al.: Intercomparison of Multiple UV-LIF Spectrometers Using the Aerosol Challenge Simulator Aerobiologia, 2021.
10. Mimić, G,. et al.: Analysis of airborne pollen time series originating from Hirst-type volumetric samplers—comparison between mobile sampling head oriented toward wind direction and fixed sampling head with two-layered inlet Aerobiologia (Vol. 37, Issue 2, pp. 321–331), 2021.
11. Tumonn, F, et al.: A first evaluation of multiple automatic pollen monitors run in parallel (Vol. 197, p. 111109). Elsevier BV., 2021.
12. Suanno, C, et al.: Monitoring techniques for pollen allergy risk assessment (Vol. 197, p. 111109). Elsevier BV., 2021.
13. Swanson, B. E. et al.: Pollen clustering strategies using a newly developed single-particle fluorescence spectrometer Aerosol Science and Technology (Vol. 54, Issue 4, pp. 426–445),Informa UK Limited, 2020.
14. Kabir, E. et al.: Recent advances in monitoring, sampling, and sensing techniques for bioaerosols in the atmosphere ACS sensors, 5(5), 1254-1267, 2020.
15. Clot, B., et al.: The EUMETNET AutoPollen programme: establishing a prototype automatic pollen monitoring network in Europe Aerobiologia (2020): 1263-1274.
16. Maya-Manzano, J. M., et al.: Recent developments in monitoring and modelling airborne pollen, a review Grana (Vol. 60, Issue 1, pp. 1–19), 2020.
17. Branko Šikoparija: Desert dust has a notable impact on aerobiological measurements in Europe Aeolian Research, Volume 47, December 2020.
18. Danijela Tešendić et al.: RealForAll: real-time system for automatic detection of airborne pollen Enterprise Information Systems, 2020.
19. Sofiev, M. On possibilities of assimilation of near-real-time pollen data by atmospheric composition models Aerobiologia (Vol. 35, Issue 3, pp. 523–531), 2019.
20. Perspectives for nationwide pollen monitoring in Germany Perspektiven für ein bundesweites Pollenmonitoring in Deutschland. Bundesgesundheitsblatt – Gesundheitsforschung – Gesundheitsschutz (Vol. 62, Issue 5, pp. 652–661). Springer Science and Business Media LLC., 2019.
21. Huffman, J, et al.: Real-time sensing of bioaerosols: Review and current perspectives Aerosol Science and Technology (Vol. 54, Issue 5, pp. 465–495), 2019.
22. Fernández, Francisco Moya: Sistemas automáticos para la detección y análisis de bioaerosoles Revista de Salud Ambiental 19 (2019): 130-132.
23. Kawashima, S. et al.: Automated pollen monitoring system using laser optics for observing seasonal changes in the concentration of total airborne pollen Aerobiologia volume 33, pages 351–362(2017).
24. Ingrida Sauliene et al.: Automatic pollen recognition with the Rapid-E particle counter:the first-level procedure, experience and next steps Atmos. Meas. Tech., 12, 3435–3452, 2019.
25. Oteros, Jose, et al.: Building an automatic pollen monitoring network (ePIN): Selection of optimal sites by clustering pollen stations Science of the total environment 688 (2019): 1263-1274.
26. Buters, J, et al.: Allergene pollen in Nederland
27. Buters, J, et al.: Pollen and spore monitoring in the world Clinical and Translational Allergy (Vol. 8, Issue 1), 2018.
28. Kawashima, S. et al.: Automated pollen monitoring system using laser optics for observing seasonal changes in the concentration of total airborne pollen Aerobiologia volume 33, pages 351–362(2017).
29. Sindt, C. et al.: Alternative method for the measure of the biological particles in the air: RAPID-E example EAACI 2018.
30. Chappuis, C. et al.: Automatic pollen monitoring: first insights from hourly data Aerobiologia 36, 159–170 (2020)
31. Crouzy, B. et al.: All-optical automatic pollen identification: Towards an operational system Atmospheric Environment, Volume 140, September 2016, Pages 202–212.