一个基于微针的集成三电极系统,用于使用机器学习检测农药.
Kang-Xun Zhao1,2, Tian-Qi Ma3,4, Yu-Lian Li1,5
1School of Ocean Information Engineering, Jimei University, Xiamen 361021, China. youxueqiu@jmu.edu.cn.
The Analyst
|October 2, 2025
概括
这项研究引入了一种新的方法来检测农药残留物,使用3D打印的微针阵列和深度学习. 该技术可以准确识别各种农药,提高食品安全和公共卫生保护.
科学领域:
- 电化学 电化学 电化学
- 生物感应是一种生物感应.
- 农业科学 农业科学
背景情况:
- 农作物中的农药残留物对健康构成重大风险.
- 目前的检测方法对于持久残留物往往是不够的.
- 准确的农药检测对于农业安全至关重要.
研究的目的:
- 开发一种用于敏感和准确的农药分类和识别的新方法.
- 将3D打印的微针阵列与微分脉冲电压测量 (DPV) 和深度学习 (DL) 集成.
- 为了提高用于农药分析的电化学传感性能.
主要方法:
- 制造3D打印的微针阵列 (MN).
- 用碳纳米管修改工作电极,以改善表面积和电流响应.
- 微分脉冲电量计 (DPV) 的应用,用于电化学信号捕获.
- 使用深度学习 (DL) 算法,包括卷积神经网络 (CNN),用于基于电化学指纹的农药分类.
主要成果:
- 成功分类和识别了六个预定义的农药样本 (MS222,p-nitrophenol,水晶紫色,马拉绿色,香草素和酸).
- 在所有DL算法中,平均分类准确度超过90%.
- 卷积神经网络 (CNN) 实现了100%的分类准确性.
- 在扩展数据集上表现出令人满意的性能.
结论:
- 综合DPV和DL方法提供了一种有效和准确的农药歧视方法.
- 这种创新技术为推进农业安全和公共卫生提供了一个有希望的途径.
- 开发的系统显示了在农药监测中实际应用的巨大潜力.
