(III) 和氨酸单协调水凝通过机器学习进行传感
Tao Peng1, Zhanwei Liang1, Jinxue Zhao2
1Center for Advanced Measurement Science, Mass Spectrometry Engineering Technology Research Center, National Institute of Metrology, Beijing 100029, China.
Food chemistry
|September 4, 2025
概括
这项研究引入了一种新的光传感器,用于在不破坏样本的情况下检测肉类中的化. 机器学习提高了这种方法的准确性,现场污染监测.
科学领域:
- 分析化学
- 材料科学
- 食品安全问题
背景情况:
- 诺 (FQ) 是食品生产中广泛使用的抗生素.
- 快速和非破坏性检测食品中的FQ残留物方法对于消费者安全至关重要.
- 目前的检测方法可能耗时且需要样本准备.
研究的目的:
- 开发一种智能,非破坏性的方法来识别化在食品矩阵中的分布.
- 合成一种新的光传感器以提高检测效率.
- 整合机器学习进行精确的空间分析.
主要方法:
- 一个 (III) 和氨酸单协调体 (TbCHy) 光传感器的合成.
- 使用Norfloxacin (NOR) 作为测试和校准传感器的化.
- 卷积神经网络 (CNN) 的应用用于传感器响应的图像分析.
- 将传感器直接应用在食品样本上,以便在紫外线下进行现场监测.
主要成果:
- 该TbCHy传感器在0. 1μM到100μM的范围内显示出良好的线性.
- 传感器对八种不同的化具有选择性,对硫胺或化没有反应.
- 通过CNN的整合,可以准确地识别肉样本中的NOR分布.
- 开发的方法显示出不破坏性FQ检测的良好稳定性,特异性和准确性.
结论:
- 一个新的基于TbCHy的光传感器与CNN相结合,为食品中的FQ检测提供了一种高效,非破坏性的方法.
- 这种方法可以在没有样本降解的情况下实地监测化的污染分布.
- 这项技术具有改善食品安全和质量控制过程的巨大潜力.
