一种深度学习辅助的比色-荧光双模式传感器及其在银离子检测与去除中的应用

本发明属于纳米材料制备、传感检测、污染物去除及人工智能分析，具体涉及一种基于小球藻源碳点的比色-荧光双模式传感器，并结合深度学习算法用于银离子（ag+）的快速、灵敏、智能化检测与高效去除。

背景技术：

1、随着现代工业的快速发展，重金属离子污染问题日益严峻。银离子（ag+）作为一种典型的重金属污染物，广泛应用于摄影、电子、医疗等领域，其在生产和使用过程中会大量释放到环境中。研究表明，ag+能够与多种蛋白酶中的巯基结合，导致酶失活，进而对人体免疫系统、神经系统等造成不可逆的损伤。世界卫生组织规定饮用水中银离子的最大允许含量为0.93 μm。因此，开发快速、灵敏、便捷的ag+检测方法具有重要意义。

2、目前，银离子的主要检测方法有电感耦合等离子体质谱法（icp-ms）、原子吸收光谱法（aas）、电化学分析法等。然而，这些方法常常受限于对昂贵设备的依赖、对专业操作人员的需求以及复杂且繁琐的样品前处理过程，难以满足现场快速检测的需求。相比之下，荧光探针分析具有反应迅速、成本低廉、灵敏度高、结果直观等优点。但当前检测银离子的荧光探针多为单模式及淬灭型，普遍存在信号响应维度单一、抗干扰能力弱、检测结果易受环境因素影响等局限。

3、因此，开发一种结合双模式检测与深度学习算法的便携式、智能化ag+检测方法具有重要的研究价值和应用前景。

技术实现思路

1、本发明要解决的技术问题是：针对现有ag+检测方法要么依赖昂贵仪器（如icp-ms、aas）无法现场检测，要么虽然可现场使用但依赖人眼判读存在主观误差、无法精确定量，且现有方法普遍缺乏同步去除ag+能力的缺陷，提供一种结合比色-荧光双模式与深度学习算法的便携式、智能化ag+检测与去除方法，实现从“定性变色”到“智能定量”的跨越，同时实现水体中ag+的高效净化。

2、为实现上述目的及其他相关目的，本发明提供的技术方案是：

3、一种基于深度学习辅助的比色-荧光双模式传感器用于银离子（ag+）的检测方法，包括下列步骤：

4、步骤1：以小球藻为碳源，采用溶剂热法合成荧光碳点；

5、步骤2：配置不同浓度ag+水溶液，加入步骤1合成的碳点，孵育后分别测定体系的荧光光谱和紫外-可见吸收光谱，根据荧光猝灭程度和颜色变化构建比色-荧光双模式传感器；

6、步骤3：将碳点与ag+的反应溶液通过简单的静置、离心或过滤去除红棕色沉淀，并用icp-ms测定上清液ag+浓度，计算ag+去除效率；所述碳点对ag+具有吸附清除作用，ag+的清除效率达到97%以上。

7、步骤4：将步骤1合成的碳点负载于滤纸上，制备便携式检测试纸；

8、步骤5：将不同浓度ag+溶液滴加于步骤4制备的便携式检测试纸上，孵育后，先在日光下拍摄试纸的颜色图像，再于紫外灯照射下拍摄其荧光图像；

9、步骤6：利用深度学习算法对步骤5采集的荧光图像进行分析，提取图像中的颜色特征rgb，建立ag+浓度与颜色特征的定量预测模型。

10、优选的技术方案为：步骤1中所述碳点的合成方法为：将0.05~0.2 g小球藻与5~15ml无水乙醇置于反应釜中，于180~220℃下反应8~12小时，经离心、过滤、透析、冷冻干燥后得到碳点固体。

11、优选的技术方案为：所述小球藻与无水乙醇的用量比为0.1 g：10 ml，反应温度为200℃，反应时间为10小时。

12、优选的技术方案为：步骤2中检测体系中碳点的浓度为50 μg/ml，ph为7.0，孵育温度为25℃，孵育时间为5分钟。

13、优选的技术方案为：步骤2中：

14、(a) 荧光模式检测：所述碳点的荧光猝灭程度与ag+浓度在0~60 μm和大于60~500μm范围内均呈线性关系；其中，在0~60 μm低浓度范围内，线性拟合方程为y = 0.0049x +0.0057，r2 = 0.9919；在大于60~500 μm高浓度范围内，线性拟合方程为y = 0.00004x +0.2741，r2 = 0.9909；荧光模式的检测限为0.13 μm；

15、(b) 比色模式检测：随着ag+浓度的增加，碳点溶液的颜色由淡黄色变为红棕色，其吸光度与ag+浓度在0~60 μm和大于60~500 μm范围内均呈线性关系；其中，在0~60 μm低浓度范围内，线性拟合方程为y = 0.0013x + 0.0439，r2 = 0.9915；在大于60~500 μm高浓度范围内，线性拟合方程为y = 0.00005x + 0.0857，r2 = 0.9948；比色模式的检测限为0.49 μm；

16、(c) 双模式协同特性：所述荧光模式和比色模式可同时进行检测，两种模式的检测结果相互验证，以降低单一光学检测方法带来的不确定性，且荧光模式灵敏度高于比色模式，二者协同扩展了检测动态范围。

17、优选的技术方案为：步骤4中所述便携式检测试纸的制备方法为：将滤纸浸泡于浓度为1 mg/ml的碳点溶液中2分钟，取出后在空气中晾干。

18、优选的技术方案为：步骤5中将不同浓度的ag+溶液滴加于所述便携式检测试纸上，孵育5分钟后，在365 nm紫外灯下使用智能手机采集荧光图像。

19、优选的技术方案为：步骤6中所述深度学习算法为卷积神经网络（cnn）模型。

20、优选的技术方案为：步骤6中所述建立ag+浓度与颜色特征的定量预测模型包括：提取荧光图像的rgb值作为特征向量，将数据集划分为训练集和测试集，通过训练优化模型；所述模型预测值与实际值的决定系数r2为0.9915，均方根误差为3.235，模型对ag+的检测限为0.89 μm。所述深度学习模型专门用于解决人眼判读荧光图像时主观误差大、无法定量预测低浓度ag+的技术问题，实现了荧光试纸图像与ag+浓度之间的非线性映射与智能化定量分析。

21、本发明还要求保护一种用于实现上述任一项检测方法的比色-荧光双模式传感器，所述传感器包含由上述方法合成的荧光碳点。

22、本发明还要求保护上述检测方法、传感器或便携式检测试纸在饮用水或食品中银离子检测中的应用。

23、由于上述技术方案运用，本发明与现有技术相比具有的优点是：

24、1、本发明提供的比色-荧光双模式传感器灵敏度高、选择性好，荧光模式检测限为0.13 μm，比色模式检测限为0.49 μm，能够实现对a+的高灵敏、高特异性检测。更重要的是，荧光模式和比色模式可同时输出信号，两种结果可相互验证，有效降低了单一光学检测模式可能带来的假阳性或假阴性风险。

25、2、本发明结合智能手机成像与cnn深度学习算法，首次将包含多任务学习、加权融合、分层学习率等定制化策略的深度学习模型应用于小球藻源碳点试纸的荧光图像分析，实现了ag+的智能化定量分析，模型预测决定系数高达0.9915，避免了人眼判读的主观误差，检测准确率高。

26、3、本发明以小球藻为碳源，原料绿色可再生，合成方法简单环保，成本低廉。

27、4、本发明操作简单、方便携带，可进行现场原位快速检测，检测时长仅需数分钟，且通过双模式相互验证和深度学习辅助判读，兼具实验室仪器的精准度和现场试纸的便捷性，为大规模水质监测和食品安全筛查提供了经济可行的智能化解决方案。

28、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。