TinyML-Raman:一种基于物联网的新型现场部署的光谱分析,用于精确识别药品和微量染料-农药混合物,使用简单的SERS方法

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:

• 物联网 (IoT) 微控制器和微型机器学习 (TinyML) 实现了紧的,可在现场部署的仪器.
• 基于ML的表面增强拉曼光谱 (SERS) 的开发受到有限的光谱数据集和专业基板的阻碍.
• 在SERS应用中需要高效的ML模型和低内存TinyML单元的数据处理.

研究的目的:

• 介绍TinyML分析用于各种光谱类,使用来自低成本SERS的自定义数据集.
• 为低内存的TinyML设备建立最佳的ML模型和数据处理方法.
• 开发一个可负担得起和紧的现场部署的拉曼光谱仪器.

主要方法:

• 开发了一种新的TinyML方法,用于使用智能手机数据通信进行光谱分类.
• 通过微滴SERS与黄金合物和可重复使用的槽基板生成了一个大型的,定制的光谱数据集.
• 采用8位数据量化和卷积神经网络进行光谱分析.

主要成果:

• 通过使用量化CNN,精确识别了22个光谱类 (染料-杀虫剂混合物,药品).
• 经过证明的数据规范化显著提高了ML分类准确度,从~55%到>99.5%.
• 验证了对仪器间变化的模型稳定性,并显示了现场分析量化能力.

结论:

• 介绍了一种新的方法,用于下一代的ML分析,现场部署的分析仪器与数据隐私.
• 详细介绍了量子化光谱数据分析和TinyML实现的程序,对用户和制造商都有好处.
• 突出的是,无计算机的ML分析适用于所有光谱仪,以准确识别复杂光谱.