高通量光谱成像与卷积神经网络相结合,用于水性环境中混合离子表面活性剂的同时定量分析

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 无离子表面活性剂 (SDS,SDBS) 是常见的污染物,具有生态和健康风险.
• 现有的检测方法缓慢,需要预处理,并与复杂的水样作斗争.
• 对混合表面活性剂的精确,高通量监测对于环境保护至关重要.

研究的目的:

• 开发一种快速的,没有预处理的方法,同时对混合的阳离子表面活性剂进行定量分析.
• 将光谱成像与深度学习相结合,以提高污染物检测.
• 建立一个强大的监测系统,适应各种水母.

主要方法:

• 采用多探针色素系统与宽带光谱成像来捕获RGB图像.
• 开发了一个定制的卷积神经网络 (CNN) 回归模型 (ResNet-50变体).
• 该模型将光谱图像数据映射到没有样品预处理的SDS和SDBS度.

主要成果:

• 该CNN模型实现了低平均绝对误差 (0.80毫克L-1) 和根平均平方误差 (约. 1.6 毫克 L-1). 一个.
• 证明了高的确定系数 (R2=0.96) 和灵敏度 (LOD=0.5毫克L-1).
• 该方法在各种水矩阵 (超纯,天然,工业) 中显示出出色的稳定性和预测性能.

结论:

• 开发的光谱成像-CNN方法提供了一种高通量,没有预处理的解决方案,用于同时监测阳离子表面活性剂.
• 这种方法克服了传统方法的局限性,使复杂环境中的实时分析成为可能.
• 该技术支持改善水生监测和明智的污染控制决策.