基于Au-Ag OHCs的SERS传感器与深度学习CNN算法相结合,以量化茶叶中的iram和pymetrozine

科学领域:

• 分析化学 分析化学
• 材料科学 材料科学 材料科学

背景情况:

• 准确检测食品中的农药残留物对于公共卫生和监管合规性至关重要.
• 传统的方法,如高性能液态染色学 (HPLC) 可能是耗时的,需要复杂的样品准备.

研究的目的:

• 开发一种快速,灵敏和准确的方法,使用表面增强拉曼散射 (SERS) 检测茶叶中的农药残留物.
• 为了研究新型Au-Ag八面体空洞 (Au-Ag OHCs) 作为SERS基质的有效性.
• 应用智能算法对特定农药进行定量分析.

主要方法:

• 使用Cu2O模板制造Au-Ag八面体空洞 (Au-Ag OHCs).
• 使用SERS来放大农药分子的拉曼信号.
• 应用卷积神经网络 (CNN),部分最小平方 (PLS) 和极端学习机器 (ELM) 进行定量分析.

主要成果:

• 由于其独特的结构,Au-Ag OHCs表现出增强的SERS性能.
• 在定量提拉姆 (R=0.995) 和皮米特 (R=0.977) 方面,CNN算法取得了高准确度.
• 开发的SERS方法与对真实茶样进行的HPLC分析相比没有显著差异.

结论:

• 拟议的基于Au-Ag OHCs的SERS技术为在茶叶中检测农药残留物提供了一个灵敏和快速的平台.
• 智能算法,特别是CNN,对于SERS中的定量分析是有效的.
• 这种方法为食品安全监测的传统技术提供了可行的替代方案.