智能手机集成的深度学习策略辅助的快速检测系统用于监测双模态免疫染色学测定

科学领域:

• 食品科学 食品科学 食品科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 非洲毒素B1 (AFB1) 对食品安全和人类健康构成重大威胁.
• 快速准确的AFB1检测方法对于有效的风险管理至关重要.
• 现有的检测方法可能耗时,需要专门的设备,或缺乏便携性.

研究的目的:

• 开发基于智能手机的双模态免疫染色学系统,用于快速检测和量化亚毒素B1 (AFB1).
• 集成一个定制训练的YOLO v5深度学习模型,以提高AFB1等级确定和度预测的准确性.
• 创建一个便携式,用户友好和可靠的系统,用于现场食品安全分析.

主要方法:

• 开发基于Java的智能手机应用程序,与定制的YOLO v5模型集成.
• 制备双模态免疫色谱芯片:量子点微球光和合金纳米粒子色谱条.
• 优化和训练YOLO v5模型用于检测结果的图像分析.
• 使用标准曲线和准确度指标验证系统的性能.

主要成果:

• 优化的YOLO v5模型实现了98%的准确性,mAP@0.5,精度和回忆.
• 双模芯片在广泛范围 (0.05-40 ng/mL) 上表现出极好的线性 (R2=0.993),标准偏差低 (<0.03).
• 该系统准确地确定了AFB1等级 (98%准确度),并实现了低检测极限 (2.2 pg/mL).

结论:

• 集成的智能手机系统为快速AFB1检测提供了可靠和高度准确的解决方案.
• 深度学习策略与双模态免疫染色学芯片相结合,显著提高了实际应用的检测能力.
• 这项技术为以社区为基础,以家庭为导向和个性化的食品安全监测提供了坚实的基础.