来自SERS的机器学习辅助农药检测数据增强
Thwahira Shirin Alampara1, Abhishek Jayachandran2, Shraddha Ramakrishna Bhat1
1School of Chemistry, Indian Institute of Science Education and Research Thiruvananthapuram (IISER TVM), Vithura, Thiruvananthapuram 695551, Kerala, India.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|October 28, 2025
概括
这项研究引入了基于变压器的合成器 TabuLa,以创建用于表面增强拉曼光谱 (SERS) 农药检测的合成光谱数据. 通过合成样本来增强真实数据,可显著提高机器学习模型的性能,用于识别低度农药.
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:
- 表面增强拉曼光谱 (SERS) 在检测低度农药方面面临挑战,原因是隐藏的拉曼信号.
- 有限多样化的光谱数据阻碍了用于SERS农药传感的机器学习 (ML) 模型的训练和概括.
- "堆中的针"问题需要先进的数据增强策略.
研究的目的:
- 开发一种新的方法来生成高质量的合成光谱数据,用于SERS农药传感.
- 为了解决数据稀缺问题,培训强大的ML模型来检测农药.
- 评估基于变压器的数据合成器在提高ML模型性能方面的有效性.
主要方法:
- 利用基于变压器的数据合成器 TabuLa,生成模仿真实农药信号的合成 SERS 光谱数据.
- 增强现有的真实SERS数据集与合成生成的数据.
- 通过比较真实和合成数据集,并通过对真实数据的ML模型检测准确度进行评估来评估TubuLa的性能.
主要成果:
- TabuLa成功地生成了与真实的农药信号相比较的现实合成SERS光谱数据.
- 用合成样本增加真实数据增强了数据集的多样性并提高了ML模型的稳定性.
- 在TubuLa增强数据上训练的监督ML模型显示,农药检测能力显著提高.
结论:
- TabuLa提供了一个有前途的解决方案来克服SERS应用程序中的数据限制.
- 通过TubuLa生成合成数据可以显著提高基于ML的农药检测系统的性能.
- 这种方法有可能利用SERS技术推进敏感和可靠的农药监测.
