基于深度学习与双试剂耦合增强的水产品新鲜度指示体系与应用
本发明涉及水产品新鲜度指示,具体涉及一种基于深度学习与双试剂耦合增强的水产品新鲜度指示体系与应用。
背景技术:
1、水产品新鲜度是决定商品价格、影响消费者购买意愿和消费者健康的重要因素,然而高蛋白、低脂肪的水产品在储存和运输过程中极易因微生物作用而腐败变质,释放挥发性胺类物质。近年来,智能指示技术因能通过肉眼可见的颜色变化或荧光响应直观指示新鲜度而备受关注,现有技术主要发展了比色指示膜与比率荧光传感两类路线:cn121678649a以聚乙烯醇为成膜材料、单宁酸-二价铁螯合物为显色剂、低共熔溶剂为性能增强剂,制备了具有机械性能增强和胺响应变色能力的指示膜,并结合深度学习模型对膜颜色进行新鲜与变质的二分类判别;cn121090494a将碳点与罗丹明b物理共混后负载于玻璃纤维滤纸上,在紫外光激发下利用双发射荧光比值变化,通过手机app提取rgb值建立标准曲线实现生物胺定量检测。
2、上述技术从不同角度为水产品新鲜度指示提供了研究基础,但在响应机制稳定性、检测灵敏度与速度、智能分类粒度及工程化应用等方面仍存在明显局限,难以满足消费者对水产品品质梯度认知与实时监测的需求。现有技术的核心缺陷在于:单信号响应模式易受环境干扰且分类粒度不足。cn121678649a仅依赖可见光下单一颜色加深效应,属于单信号响应,颜色变化区间较窄,人眼辨识度有限。cn121090494a虽引入比率荧光概念,但碳点与罗丹明b仅为物理共混,缺乏化学耦合作用,同时该标签需与待测食品置于同一密闭空间静置5 min,对包装顶空气体的动态响应速度慢、灵敏度不足。
技术实现思路
1、针对目前水产品新鲜度预测标签存在的单信号易干扰、难以实现快速响应等缺陷,本发明提供了一种基于双试剂耦合增强的比率荧光水产品新鲜度指示体系,并结合深度学习图像识别技术,以及深度学习平台与安卓手机app的衔接,实现水产品新鲜度的多级分类、抗干扰、实时快速响应的智能监测。
2、本发明采用“双试剂耦合比率荧光+纸基固相标签+深度学习图像识别+智能手机app平台”的四位一体技术路线,开发了一种利用生物胺竞争铁配合物中配位的fe3+并形成生物胺-fe3+配合物进而猝灭euhof荧光的双试剂化学耦合策略,并结合手机app打造成四位一体平台。
3、本发明的技术要点包括:
4、1、fel(铁有机配体)与euhof@sio2(二氧化硅包覆铕基氢键有机框架)的组合使用,以及二者在胺刺激下产生的“蓝增红减”双向比率荧光响应机制。
5、2、以特定比例硅酸乙酯/乙醇体系制备euhof@sio2的方法,以及该材料在稳定双发射体系中的应用。
6、3、利用智能标签,通过深度学习模型进行新鲜度多分类(新鲜/次新鲜/腐败)的技术方案,包括数据集构建、模型训练参数及app端部署参数,以及将指示标签集成于水产品(尤其是虾类)包装内部,实现新鲜度实时监测与预警的应用方式。
7、本发明的技术方案如下:
8、一种a,b双试剂耦合的比率荧光指示体系,由a试剂、b试剂组成;
9、a试剂按如下方法制得:4-二苯氨基苯甲醛和1,2-苯二胺经水热反应制备配体l,再与fecl3反应,制得产物fel,即为a试剂;
10、具体操作:
11、(1)将4-二苯氨基苯甲醛、1,2-苯二胺、甲醇在水热反应釜中混合,加热至65℃反应6 h,冷却至室温,加入去离子水,沉淀析出,收集沉淀并重结晶,得到配体l;
12、优选4-二苯氨基苯甲醛、1,2-苯二胺、甲醇的投料比例1 mmol:1 mmol:12.5 ml;
13、优选使用甲醇进行重结晶;
14、(2)将步骤(1)所得配体l溶于甲醇,在紫外灯照射下,分批加入fecl3的甲醇溶液,直到蓝色荧光猝灭,蒸除溶剂获得晶体,洗涤、干燥,得到产物fel,即为a试剂;
15、优选fecl3的甲醇溶液浓度0.04 m;
16、b试剂按如下方法制得:将2,4,6-三(4-羧基苯基)-1,3,5-三嗪溶于dmf(n,n-二甲基甲酰胺),加入去离子水,室温搅拌,之后收集白色固体,得到hof;hof与eu(no3)3反应,制备euhof;euhof与硅酸乙酯在乙醇、氨水、去离子水混合体系中反应,制得euhof@sio2,即为b试剂;
17、具体操作:
18、(1)将2,4,6-三(4-羧基苯基)-1,3,5-三嗪溶解在dmf中,加入去离子水,室温搅拌12 h,之后离心收集白色固体并洗涤,得到hof(粉末状);
19、优选2,4,6-三(4-羧基苯基)-1,3,5-三嗪、dmf、去离子水的投料比例200 mg:20ml:40 ml;
20、(2)将步骤(1)所得hof分散在eu(no3)3水溶液中,超声并室温搅拌2 h,之后离心、洗涤、干燥(20℃),得到euhof(颗粒状);
21、优选eu(no3)3水溶液浓度10 mmol/l;
22、优选hof、eu(no3)3水溶液的投料比例40 mg:4.0 ml;
23、(3)将乙醇、氨水、硅酸乙酯、去离子水混合,分批加入步骤(2)所得euhof,40℃下避光静置5 h,之后离心,干燥(20℃、12 h),获得euhof@sio2(粉末状),即为b试剂;
24、优选euhof、硅酸乙酯、乙醇的投料比例80 mg:3 μl:20 ml;
25、优选氨水浓度2.6wt%;
26、优选euhof、氨水、去离子水的投料比例80 mg:30 μl:370 μl。
27、本发明a,b双试剂耦合的比率荧光指示体系在水系环境中检测生物胺的方法如下:
28、在b试剂euhof@sio2的水系悬浮液中,加入a试剂fel的甲醇溶液,开展生物胺检测;激发波长350 nm,光栅2 nm,扫描范围400~650 nm;通过计算蓝/红荧光强度比值,建立与生物胺浓度的线性关系,进而实现水产品新鲜度的监测;
29、euhof@sio2的水系悬浮液由euhof@sio2分散于dmso/h2o混合溶剂而得,优选dmso/h2o体积比=4:6;
30、优选euhof@sio2的水系悬浮液浓度0.67 mg/ml,fel的甲醇溶液浓度3.3 mg/ml;
31、优选euhof@sio2的水系悬浮液、fel的甲醇溶液混合比例3 ml:3 μl,混合初始ph=6.5±0.1。
32、本发明还涉及一种a,b双试剂耦合的纸基指示标签,由a,b双试剂耦合的比率荧光指示体系负载于滤纸片而得;具体制备方法如下:
33、将b试剂euhof@sio2的去离子水分散液滴加至滤纸片上,风干;(使用前)取a试剂fel的甲醇溶液滴加至滤纸片表面,即得a,b双试剂耦合的纸基指示标签;
34、优选滤纸片的尺寸:直径10 mm圆形;
35、优选euhof@sio2的去离子水分散液浓度20 mg/ml;优选euhof@sio2在滤纸片上的负载量0.4 mg;
36、优选fel的甲醇溶液浓度3.3 mg/ml;优选fel的甲醇溶液在滤纸片上的滴加量为0.05 μl,fel的甲醇溶液可用40% dmso稀释后滴加至滤纸片表面。
37、本发明进一步涉及一种水产品新鲜度监测系统,利用a,b双试剂耦合的纸基指示标签并基于深度学习结合手机app构建而成。
38、具体的,系统构建与使用方法如下:
39、s1、水产品贮藏环境与标签使用:水产品于冰箱(4℃)贮存,将a,b双试剂耦合的纸基指示标签放入包装后,使用手机采集图片,拍照在设有紫外光源(365 nm)的黑箱中进行;
40、水产品例如:南美白对虾(
litopenaeusvannamei);
41、s2、数据集划分与深度学习模型训练:按tvb-n值对标签荧光图像进行分类,选用8个神经网络模型对标签荧光图片进行训练,以混淆矩阵和准确率判断模型效果;
42、所有模型输入均为rgb三通道彩色图像;
43、三分类标准为:tvb-n值<15 mg/100 g为新鲜,15~20 mg/100 g为轻微腐败,>20mg/100 g视为腐败;
44、tvb-n值遵照gb 5009.228-2016的凯氏定氮法;
45、神经网络训练环境为pytorch 2.9.1、cuda 13.0及python 3.13;
46、神经网络为efficientnet_v2, mobilenet_v3, alexnet, googlenet,resnext101, vgg19, wideresnet, shufflenet;
47、s3、模型推理与app衔接:手机app拍照并将数据传输至服务器,寻找对应模型并调动推理代码,并将预测结果返回手机端;
48、数据传输为局域网环境下,通过http post请求以multipart/form-data格式将图像上传至flask服务器;
49、服务器返回数据包括预测类别名称与置信度,使用json格式;
50、s4、app功能设计与使用:“主界面”下拉框选择分类数目、水产名目、模型,拍照并在“裁剪界面”裁剪上传,检测结果界面显示新鲜度信息、置信度数值和位置信息,位置信息传送回服务器;
51、拍照环境为黑箱,365 nm紫外光源,摄像头与样本距离10 cm。
52、本发明的核心原理包括:
53、a试剂(fel):铁离子有机配位化合物,由三苯胺类席夫碱配体与fe3+配位形成。在初始状态下,fe3+使配体蓝色荧光猝灭。当接触水产品腐败释放的脂肪族生物胺(腐胺、尸胺等)时,胺分子与fe3+发生竞争性配位,将fe3+从配体中“掠夺”出来,导致配体蓝色荧光恢复并增强。
54、b试剂(euhof@sio2):sio2壳层包覆的铕基氢键有机框架(euhof)。eu3+在hof刚性骨架中受天线效应敏化,产生615 nm附近的特征红色荧光。当暴露于碱性胺气氛或液相胺时,胺分子破坏hof的氢键网络或导致eu3+配位环境改变,使红色荧光减弱或猝灭。
55、耦合增强:a试剂与b试剂共负载于纸基基底上,形成蓝色荧光增强+红色荧光猝灭的双向比率荧光响应。通过计算蓝/红荧光强度比值(或rgb图像的b/r值),可建立与生物胺浓度的线性关系。
56、深度学习预测:手机在紫外光下拍摄标签图像,通过预训练的深度学习模型对标签荧光图案进行特征提取与分类,输出新鲜度等级(新鲜/次新鲜/腐败)及置信度。
57、在本发明构思下,除了fe3+有机配体,本领域技术人员可对a试剂的配位金属离子种类进行常规替换,只要能实现与euhof@sio2形成级联反应体系并耦合增强即可。app端码本设计时,除了安卓端,还可以使用其他平台,只要能做到将拍摄图片通过参数处理并与云平台深度学习模型衔接即可。
58、与现有技术相比,本发明的优势:
59、(1)双试剂耦合构建比率荧光,实现自校准与抗干扰:a试剂(fel)提供胺敏蓝色荧光增强信号,b试剂(euhof@sio2)提供红色荧光参比信号,二者耦合形成内标比率体系,实现自校准与抗干扰。
60、(2)sio2包覆策略提升体系稳定性与重现性:针对fel与euhof共存时易发生的fe3+-eu3+离子交换及hof结构崩解问题,本发明采用优化厚度的sio2壳层(3 μl硅酸乙酯组)对euhof进行包覆。该策略既保持了胺分子对hof的可及性,又阻隔了金属离子串扰,使纸基标签在液相或气相环境中均能保持荧光稳定,解决了fe3+掺杂euhof易失稳的问题。
61、(3)响应速度快,适用于对水产品腐败的实时快速监测:在气相环境中,优化后的纸基标签在5 min内即可发生肉眼可辨的颜色变化。在液体环境,25 s内反应基本达到平衡,响应动力学显著提升,可在水产品冷链运输、超市货架等场景中实现近实时监测。
62、(4)制造工艺简便适宜规模化生产,纸基标签成本低:以普通滤纸为基底,a、b试剂用量极少(微克至毫克级),单片标签成本低廉。标签可贴附于食品包装盖内侧或保鲜膜表面,无需复杂光学设备,仅需紫外灯和智能手机即可完成“拍照-分析-预警”全流程,适合规模化、消费级应用。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com