使用SnO₂基于纳米金属的气体传感器和机器学习来评估鱼类改

科学领域:

• 材料科学 材料科学 材料科学
• 分析化学 分析化学
• 食品科学 食品科学 食品科学

背景情况:

• 食品的改,特别是海鲜中的改,对公众健康构成重大风险.
• 准确和快速检测鱼类腐烂和造的方法对于食品安全和质量控制至关重要.
• 传统的鱼类质量评估方法可能耗时,可能并不总是可靠.

研究的目的:

• 开发一种新的传感器系统,用于识别鱼类改和评估质量.
• 为了研究氧化 (SnO2) 纳米花作为一种化学阻抗传感材料的潜力.
• 应用机器学习 (ML) 技术来准确地分类和量化鱼类损坏.

主要方法:

• 合成高度敏感的SnO2纳米花和制造一种化学阻力气体传感器装置.
• 使用甲对传感器进行校准,随后检测出新鲜鱼和含甲伪造的鱼的蒸汽.
• 应用机器学习算法来分类鱼样和回归模型来量化随时间推移的损坏水平.

主要成果:

• 基于SnO2纳米金属的传感器表现出高灵敏度,甲的理论检测极限为75ppb.
• 机器学习模型在分类新鲜和造鱼样时实现了100%的准确性.
• 根据传感器响应,回归模型成功量化了鱼样的储存时间和腐烂程度.

结论:

• 纳米材料 (SnO2 nanopetals) 与机器学习的整合为检测食品改提供了一个强大而准确的平台.
• 这种方法提供了一种快速,灵敏和可靠的方法来评估鱼类质量和检测腐败.
• 开发的技术对加强食品工业的食品安全和质量控制系统具有重大前景.