通过SERS和深度学习有效检测食源性病原体:一个ADMIN优化的NAS-Unet方法
Zilong Wang1, Pei Liang1, Jinglei Zhai2
1College of Optical and Electronic Technology, China Jiliang University, Hangzhou 310018, China.
Journal of hazardous materials
|February 15, 2025
概括
这项研究开发了一种使用表面增强拉曼光谱 (SERS) 和深度学习的快速食物传播病原体检测方法. 优化的NAS-Unet模型实现了92.77%的精度,改善了食品安全诊断.
科学领域:
- 微生物学 微生物学
- 频谱学是一种光谱学.
- 人工智能的人工智能
背景情况:
- 食物传播疾病对全球健康构成重大挑战.
- 目前的病原体检测方法往往缺乏速度和精度.
- 为了提高食品安全,需要先进的分析技术.
研究的目的:
- 使用SERS和深度学习开发一种有效的工具来检测食物传播的病原体.
- 为SERS数据分析优化深度学习模型.
- 提高食品样本中病原体识别的准确性和速度.
主要方法:
- 表面增强拉曼光谱 (SERS) 与深度学习的整合.
- 混合网络的自动化设计 (ADMIN) 和神经架构搜索 (NAS) 的应用,用于CNN优化.
- 实施U-Net架构和用于光谱特征分析的注意力机制.
主要成果:
- 优化的NAS-Unet模型在检测22种食源性病原体方面实现了92.77%的平均精度.
- 与传统的检测方法相比,显示了显著的准确性改进.
- 在Bacteria-ID数据集上验证的模型概括.
结论:
- 开发的基于SERS的深度学习方法为食品传播病原体检测提供了高度准确和高效的方法.
- 这项技术有可能显著提高食品安全测试的潜力.
- 进一步的研究将集中在各种网络模块上,以在现实世界的食品安全中获得更广泛的应用.
