将基于变压器的机器学习与SERS技术集成在一起,用于分析菜中的危险农药
Mehdi Hajikhani1, Akashata Hegde2, John Snyder3
1Food Science Program, University of Missouri, Columbia, MO 65211, USA.
Journal of hazardous materials
|April 9, 2024
概括
本研究介绍了SERSFormer,这是一种结合表面增强拉曼光谱 (SERS) 和变压器模型的新方法,用于快速检测食品中的农药残留物. 这种方法通过对农产品的准确和实时分析来提高食品安全.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 准确检测农药残留物对于农业行业的食品安全至关重要.
- 传统的农药检测方法可能耗时且复杂.
- 开发快速和灵敏的分析技术对于实时监控至关重要.
研究的目的:
- 引入创新的战略,快速准确地识别农产品中的农药残留物.
- 开发和验证一种新型模型,SERSFormer,将表面增强的拉曼光谱 (SERS) 与变压器架构集成.
- 评估模型在农药残留物的定性和定量分析中的性能.
主要方法:
- 合成金银核心外纳米颗粒作为高性能SERS基材.
- 使用TEM-EDS对SERS基板进行表征,以确认结构性质.
- 开发SERSFormer模型,结合CNN嵌入器和重量共享的多头自我注意力变压器编码器层.
- 应用特定任务的数据处理技术用于SERS数据分析.
主要成果:
- 在五种农药和对照组的定性分类中,SERSFormer模型实现了98.4%的准确性.
- 定量分析在预测农药度方面显示出高准确度,平均绝对误差为0.966和R2为0.849.
- 合成的金银核心外纳米粒子表现出明确的结构和均的分散,适合SERS应用.
结论:
- 结合的SERS和基于变压器的SERSFormer模型为实时杀虫剂检测提供了一个强大的工具.
- 这种方法显著提高了在农业和食品部门确保食品安全的能力.
- 该研究强调了将先进的光谱学与复杂的机器学习集成为快速分析解决方案的潜力.
