一种基于双光谱技术的微流控农药残留检测方法与流程

[0001]
本发明属于农药残留检测领域，尤其涉及一种基于双光谱技术的微流控农药残留检测方法。


背景技术：

[0002]
我国是农业大国，农业一直是国民经济的命脉，随着农药广泛运用，农产品中的农药残留现象也愈发严重，同时随着人们生活水平的提高，人们对农产品尤其是水果、蔬菜的食用安全问题越来越重视。果蔬表面的农药残留问题不仅会危害消费者的身体健康，而且还会影响经济效益。
[0003]
目前，虽然对农药残留检测已经有了许多成熟的检测技术，如cn201910577263.1，一种蔬菜农药残留检测方法，通过使用气相色谱法、液相色谱法来对农药残留进行检测。但是这些检测技术需要对样品进行前处理，分析样品时间长，不利于现场和在线检测，并且还需有专业技术的人员才能完成农药残留的检测，不太适用于生产实践中，比较适合实验室里的精确分析。而光谱检测技术作为一种快速无损的新型检测技术，在农药残留检测等领域中得到了飞速的发展，其中拉曼光谱检测技术能够实现对待测物质快速、简单、可重复、无损伤的定性定量分析，同时由于拉曼光谱灵敏度过高，故利用荧光光谱检测技术定性定量检测稳定的优点，与拉曼检测结果进行比对。同时引入微流控芯片技术，简化常规的农残检测所需复杂的样品前处理过程，为每次检测提供稳定且低噪声的环境。微流控芯片技术能够把生物、化学、医学分析过程的样品制备、反应、分离、检测等基本操作单元集成到一块微米尺度的芯片上，微流控芯片具有集成化、分析检测速度快、能耗低、物耗少、污染小、成本低的优势。此外，由于微流控芯片技术可以精确的控制检测物总量，且整个检测体系为封闭环境，可以极大的减少外界环境的干扰，提高检测精度和杂散信号的干扰，进一步提高农药残留检测的准确性、可靠性。


技术实现要素：

[0004]
为了克服现有技术中的不足，本发明提供一种基于双光谱技术的微流控农药残留检测方法，其优点在于能准确有效地对农药残留进行快速定性定量检测
[0005]
为了实现上述目的，本发明采用如下技术方案：
[0006]
本发明提供了一种基于双光谱技术的微流控农药残留检测方法，包括：微流控拉曼光谱模块(1)、微流控荧光光谱模块(2)、数据传输模块(3)和数据处理模块(4)；
[0007]
所述微流控拉曼光谱模块(1)包括拉曼光谱仪(101)、第一微流控芯片(102)和微流控芯片夹具(103)；
[0008]
所述微流控荧光光谱模块(2)包括荧光光谱仪(201)、微流控芯片放置台(202)和第二微流控芯片(203)；
[0009]
所述数据传输模块(3)指通过串口、usb、蓝牙、移动硬盘等有线无线、移动存储的方式将微流控拉曼光谱模块(1)、微流控荧光光谱模块(2)的光谱信号传输到所述的数据处
理模块(4)；
[0010]
所述数据处理模块(4)包括pin阵列(401)和上位机(402)；
[0011]
所述pin阵列(401)通过数据传输模块(3)把接收到的微流控拉曼光谱模块(1)、微流控荧光光谱模块(2)的光谱信号转化为电信号后，再通过数据传输模块(3)传入上位机(402)；
[0012]
所述上位机(402)通过内置的智能算法，综合分析拉曼电信号和荧光电信号，算法具体方面包括但不限于拉基线、去噪、波段选择、寻峰、拟合、鉴别可疑峰、定性判别、参数进化寻优、深度学习等数据处理方式。
[0013]
本发明提供了一种基于双光谱和微流控的农药残留检测方法，通过智能算法综合分析使用了微流控芯片的拉曼光谱信号和荧光光谱信号，能够在快速定性定量的前提上，提高检测精度和结果的可靠性，实现高精度的农药残留快速定性定量检测。
[0014]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0015]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0016]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0017]
图1为本发明实施例提供的基于双光谱和微流控的农药残留检测方法的方法结构图；
[0018]
图2为本发明提供的基于双光谱和微流控的农药残留检测方法的流程图；
[0019]
附图中：
[0020]
1-微流控拉曼光谱模块；2-微流控荧光光谱模块；3-数据传输模块；4-数据处理模块；101-拉曼光谱仪；102-第一微流控芯片；103-微流控芯片夹具；201-荧光光谱仪；202-微流控芯片放置台；203-第二微流控芯片；401-pin阵列；402-上位机；。
具体实施方式
[0021]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0022]
本发明提供的一种基于双光谱和微流控的农药残留检测方法，参照图1所示，包括：微流控拉曼光谱模块1、微流控荧光光谱模块2、数据传输模块3和数据处理模块4；
[0023]
如图1所示，微流控拉曼光谱模块1上设有拉曼光谱仪101，左侧安装有微流控芯片夹具103，并在其上夹有第一微流控芯片102；微流控芯片夹具103固定第一微流控芯片102，并使第一微流控芯片102对准拉曼光谱仪101检测口，拉曼光谱仪101将从第一微流控芯片102上得到的拉曼光谱信号，通过数据传输模块3传输到数据处理模块4上。
[0024]
如图1所示，微流控荧光光谱模块2上设有荧光光谱仪201，左侧设有微流控芯片放
置台202，并在其上装有第二微流控芯片203，并使第二微流控芯片203对准荧光光谱仪201检测口，荧光光谱仪201将从第二微流控芯片203上得到的荧光光谱信号，通过数据传输模块3传输到数据处理模块4上。
[0025]
如图1所示，数据处理模块4中pin阵列401在上位机402左方，两者通过数据传输模块3相连，pin阵列401通过数据传输模块3接收来自微流控拉曼光谱模块1和微流控荧光光谱模块2的光谱数据，并将之转化为相应的光谱电信号，上位机402通过数据传输模块3接收来自pin阵列401的光谱电信号，然后上位机402将得到的荧光数据、拉曼数据通过智能算法进行处理，建立待测物质光谱信号和浓度信息的定性、定量检测模型。在上位机402处理完成光谱信号后，上位机402显示得到的农残种类和浓度。
[0026]
智能算法总体思路如下，上位机402将得到的荧光数据、拉曼数据结合深度学习算法，在经过预处理、波段选择、定性判别、定量分析四步后，准确得出待测物的种类与含量。预处理阶段，构建raman-cnn卷积神经网络，实现去噪和基线校正。波段选择阶段，使用改进遗传算法，自适应训练得到有用信息最多无用信息最少的波段数据，并由峰高、峰的中心位置、峰的半宽、洛伦兹系数这四个参数判断峰的重叠程度，若低于则该特征峰有效。在定性定量分析阶段，利用所得特征峰数据，结合深度学习网络建立待测物质光谱信号和浓度信息的定性、定量检测模型，从而准确的检测出农药残留种类和农药残留含量。
[0027]
在预处理阶段，利用卷积既能实现对拉曼光谱的去噪，还能进行基线校正的特性，本文构建一个联合卷积(去噪、基线校正)与预测目标的卷积神经网络raman-cnn，可自适应地学习卷积核的参数。所构建的卷积神经网络分为卷积去噪、卷积基线校正、全连接校正三部分，并将卷积层与全连接层联合建模。同时为减少预处理过程中对光谱本身特性的丢失，删除池化层、简化卷积层。对于c1层，随机初始化权重，对于c2层，采用遗传算法初始化权重，更快找到系数的局部最优解。
[0028]
在波段选择阶段，为减少干扰、降低运算速度并提高预测准确率，将预处理后的信号基于改进遗传算法进行波段选择。具体步骤如下：(1)采用二进制编码，并利用子空间划分的方法，设波段被分为d个子空间，每个子空间的波段数为d
j
，编码长度为k，则前m位表示波段所述区域数，后n位代表波段在此区域的位置。(2)推导可得解码公式：其中，且k＝m+n。(3)计算联合熵与与巴氏距离，构建适应度方程(4)采用轮盘赌法对种群进行自然选择，得到适应度最大的个体，即为所需波段组合。经过以上四步可得经过预处理且尽可能多地剔除干扰、保留有用信息的光谱波段，将光谱数据进行voigt峰拟合。voigt峰函数由洛伦兹函数和高斯函数的卷积来定义，计算过程非常耗时，为了降低优化问题维数，通过对重叠峰的判断提出了一种改进型的光谱建模算法，缩短运算时间，提高模型精度。每一个voigt函数有四个自由参数，分别为峰高、峰的中心位置、峰的半宽、洛伦兹系数。由四个参数判断峰的重叠程度，若峰的重叠程度低于则为有用特征峰，反之则去掉无用重叠峰，取前八个特征峰的数据进入定性判别与定量分析阶段。
[0029]
在定性判别阶段，利用以上所得八个特征峰的波数与四个自由系数，数据的维度为8
×
4，建立svm支持向量机模型，对待测物进行定性判别。具体步骤如下(1)定义所得特征
峰数据为x＝(x1,x2,...,x
n
)，类别标签y＝(y1,y2,...,y
n
)。(2)基于先验知识选取适当的核函数k与惩罚参数c。(3)构建并求解最优化问题：函数k与惩罚参数c。(3)构建并求解最优化问题：得到最优解(4)选取α
*
的一个正分量并据此计算阈值：(5)构造决策函数：划分超平面如下：w
t
x+b＝0，其中w决定超平面的方向，b决定超平面与原点之间的距离。(6)利用训练集训练超平面，记录分类准确率并返回步骤(2)，遍历得到分类准确率最高时的参数组合。(7)利用划分好的超平面对待测物进行定性分析。
[0030]
在定量分析阶段，构建深度神经网络进行预测，具体步骤如下：(1)初始化bp神经网络的拓扑层结构并设定相关系数。根据训练集的维度，确定网络的输入节点数为n＝8，隐藏节点数l＝8，输出节点数m＝1，设定初始学习率为0.035，初始化隐藏层阈值a，输出层阈值b，以及输入层、隐藏层和输出层神经元之间的连接权值。(2)挑选sigmoid函数作为激励函数，计算输出层，使用softmax损失函数评价输出层输出，计算误差，利用反向误差传播算法进而更新权值，自学习50000次。(3)网络训练完毕，保存训练好的网络结构。(4)利用训练好的网络结构预测输出.
[0031]
基于以上四部分，建立待测物质光谱信号和浓度信息的定性、定量检测模型，从而准确的检测出农药残留量和农药残留种类。
[0032]
对所公开的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。