基于比率荧光碳点技术的机器视觉与深度学习双驱动智能传感平台，用于监测土壤滤液、植物汁液和自来水中的锌离子（Zn）及乙二胺四乙酸（EDTA）

《Computers and Electronics in Agriculture》：Machine vision and deep learning dual-driven intelligent sensing platform for Zn ion and EDTA monitoring in soil filtrate, plant sap and tap water using ratiometric-fluorescence carbon dots-based paper chip

智能传感平台整合智能手机、机器视觉及深度学习，采用3D打印手持设备和纸微流控芯片负载三发射比色荧光碳点（TCDs），实现Zn2?和EDTA的快速单步定量检测，检测限分别为3.8和7.9 μM，线性范围达280和560 μM。

　　

作者：严丽茹、张边香、周伟、冯超、张彩红、张燕、双少敏、史丽红

单位：山西大学化学与化学工程学院，中国山西省太原市030006

摘要

在发展中国家和资源匮乏的地区，高度智能且用户友好的传感策略变得极为迫切且不可或缺。本文成功构建了一个智能传感平台，该平台结合了智能手机、机器视觉和深度学习功能、3D打印手持设备以及经过三发射比率荧光（FL）碳点（TCDs）染色的纸基微流控芯片。该智能系统仅通过智能手机的单一操作即可定量检测锌离子（Zn²⁺）和乙二胺四乙酸（EDTA）。TCDs在370纳米激发下可产生明亮的蓝色和青色荧光，以及微弱的红色荧光，是通过酒石酸和茜素红制备的。加入Zn²⁺和EDTA后，TCDs的荧光颜色会从蓝色逐渐变为紫色，最终再次变为蓝色。随后，基于TCDs的纸基芯片被用于实现现场便携式的Zn²⁺和EDTA的顺序区分。有趣的是，该传感器能够快速、智能地定量检测土壤滤液、植物汁液和自来水中的Zn²⁺和EDTA，检测限分别为3.8 μM和7.9 μM，并且在这些浓度范围内具有宽线性相关性（0–280 μM和0–560 μM）。我们期待这种方法将成为分析技术新一轮变革的强大推动力。

引言

机器视觉（MV）作为新一轮技术革命和工业转型的强大驱动力，正在为自动检测（Rouet-Leduc和Hulbert，2024年）、自动组装（Wang等人，2024年）、机器人视觉定位与控制（Wei等人，2022年）等多个领域带来新的发展动力。MV利用图像处理和分析技术自动获取、分析、理解和处理图像信息，使计算机能够像人类一样识别和理解目标对象（Zhang和Lu，2021年）。MV的基本组件包括用于图像采集的硬件设备和用于图像处理、特征提取、模式识别和决策制定的软件系统（Yadav等人，2021年）。其中，硬件设备包括图形处理单元、光源、带有光学镜头的数码相机以及计算机/智能手机，其中相机和计算机/智能手机分别对应于人眼的眼球和大脑（Badgujar等人，2024年）。此外，软件系统主要采用各种算法工具，如尺度不变特征变换算法（Lin等人，2024年）、加速鲁棒特征算法（Chen等人，2024年）、自适应提升算法（Gu等人，2024年）和Viola-Jones算法，使MV具备类似人脑的功能，从而能够分析和理解图像（Soleimanipour和Chegini，2020年）。然而，现有的MV软件算法依赖于手工设计的特征提取器，在快速和智能处理方面存在不足（Jiao等人，2022年）。

深度学习（DL）算法作为现代人工智能的核心算法，能够利用自身的卷积神经网络（CNN）结构快速学习数据的复杂模式和关键特征，无需人工设计的特征（Ruffle等人，2019年）。凭借更高的准确性、更强的性能和处理大规模数据及复杂任务的通用能力，DL算法在目标检测领域取得了突破（Bai等人，2020年）。然而，现有的基于DL的两阶段目标检测算法（如基于区域的CNN（R-CNN）和Faster R-CNN）最常见的挑战是检测速度无法实现实时预测（Goswami等人，2024年）。You Only Look Once（YOLO）是一种基于一阶段回归的目标识别方法，能够在端到端的神经网络中同时预测目标位置并对目标进行分类（Shen等人，2022年）。不过，YOLO v1和YOLO v2算法在检测小尺寸物体时仍存在困难，边界框坐标的误差较大（Cao等人，2021年）。YOLO的第三个版本YOLO v3通过结合深度特征和浅层特征提取了更具代表性的特征，被认为是检测小尺寸物体的理想算法模型（Zhang等人，2022年）。该算法不仅大幅提高了精度，还具有快速的检测速度，尤其是在检测小尺寸物体时（Cao等人，2021年）。与后续版本相比，YOLO v3对硬件资源的需求更低。鉴于这些优势，YOLO v3 DL算法正越来越多地与MV结合，用于实现快速和智能的定量分析。Qiu等人将数码相机和计算机安装在移植机上，构建了YOLO v3和MV双驱动系统用于检测和跟踪障碍物（Qiu等人，2020年）；Wu等人利用MV和改进的YOLO v3双驱动设备检测多种类型的电气连接器（Wu和Li，2020年）。尽管如此，MV和DL双驱动智能传感器的研究仍处于初期阶段，因此仍是一个充满活力的研究领域。

锌离子（Zn²⁺）是一种生理上至关重要的元素，在酶调节（Xu等人，2010年）、细胞增殖和凋亡（Wang等人，2019年）、神经信号传导以及基因转录和表达（Xia等人，2018年）中发挥着极其重要的作用。然而，锌稳态的失调可能导致多种健康问题，包括肌萎缩侧索硬化症（Beers等人，2011年）、癫痫、缺血性中风（Doboszewska等人，2019年）和糖尿病（Vanderlaan等人，2023年）。因此，对Zn²⁺的敏感和定量监测变得极为迫切。乙二胺四乙酸（EDTA）是一种常用的螯合剂，广泛用于治疗重金属中毒和降低血液胆固醇（Wen等人，2021年），也常作为防腐剂和抗氧化剂添加到食品中（Huang等人，2017b）。然而，过量摄入EDTA可能对人体造成严重危害，如引发过敏性皮炎（Kimura和Kawada，1999年）、导致肥胖（Xu等人，2021年），以及使身体容易出现低锌血症、低镁血症和低钙血症（Sharratt等人，2009年）。因此，迫切需要开发有效的EDTA现场检测方法。

纸基芯片是通过在纸基底上构建微型流体通道制备的，这些通道可以引导和限制0.1至100 μL的液体流动（Yang等人，2017年）。由于便携性、响应迅速、成本低廉且易于制备，近年来纸基芯片已成为识别多种分析物的强大工具（Sanjay等人，2016年）。2007年，Whitesides团队首次利用纸基芯片检测葡萄糖和蛋白质（Martinez等人，2007年）。Zhang等人通过在石墨烯氧化物传感器中标记功能性单链DNA，构建了一种廉价的蜡印芯片，用于检测Ag⁺、Hg²⁺和氨基糖苷类抗生素残留物（Zhang等人，2015年）。Tong等人利用激光打印芯片和多色比率荧光（FL）传感器检测多种抗生素（Tong等人，2022年）。然而，将纸基芯片与MV/DL结合用于多分析物定量仍然较为罕见。

本文提出的高度智能传感平台结合了智能手机、机器视觉和深度学习功能、3D打印设备以及经过三发射比率荧光碳点（TCDs）染色的纸基芯片，实现了Zn²⁺和EDTA的顺序检测（图1）。TCDs通过水热法用酒石酸和茜素红制备，在370纳米激发下分别在426纳米、490纳米和628纳米处表现出三发射特性。有趣的是，随着Zn²⁺浓度的增加，TCDs在426纳米和490纳米处的荧光强度适度下降，而在628纳米处的红色荧光增强，这种从蓝色到紫色的荧光颜色变化是由于Zn²⁺与TCDs的配位作用，这一点通过密度泛函理论（DFT）得到了证实。随后加入EDTA后，TCDs的荧光强度可以恢复到初始状态，同时显示荧光颜色从紫色变为蓝色，这表明EDTA与TCDs表面的Zn²⁺发生了竞争性捕获，这也通过DFT得到了验证。基于这些传感现象，TCDs被进一步加载到纸基芯片上，以便实时分析Zn²⁺和EDTA的含量。此外，该平台能够智能、准确、快速且直接地定量检测土壤滤液、植物汁液和自来水中的Zn²⁺和EDTA含量，为检测方法的创新提供了新的思路。

材料、试剂和设备

土壤滤液和自来水来自学校实验室。茜素红、酒石酸、乙二胺四乙酸（EDTA）、丙氨酸、精氨酸、天冬氨酸、半胱氨酸、甘氨酸、谷胱甘肽、异亮氨酸、亮氨酸、赖氨酸、甲硫氨酸、苯丙氨酸、脯氨酸、苏氨酸和缬氨酸均从上海Aladdin试剂有限公司购买。Zn(NO₃)₂、AlCl₃、BaCl₂、BiCl₃、CaCl₂、CdCl₂、CrCl₃、CuCl₂、FeCl₃、KCl、MgCl₂、MnCl₂、NaCl、NiCl₂、PbCl₂、KBr、CH₃COONa、Na₂CO₃、KF、KI、NaNO₂、NaNO₃、Na₃等试剂也由学校提供。

TCDs的特性分析

透射电子显微镜（TEM）图像（图2A-C）显示TCDs具有近似球形形态，平均直径为3.75纳米（图2C插图），表现出优异的单分散性和均匀分布。原子力显微镜（AFM）图像（图2D-E）直观地表明，形成的TCDs具有出色的分散性，高度分布在3.6–5.4纳米范围内，平均统计高度为4.8纳米（图2F），这与TEM结果一致。

X射线光电子能谱（XPS）分析也进一步证实了这一结论。

结论

MV和DL双驱动的智能传感平台实现了Zn²⁺和EDTA的快速和智能定量。在该系统中，比率荧光纸基芯片作为探针，配备高清晰度摄像头的智能手机和自编程应用程序作为结果处理终端。该传感器能够实时在现场检测土壤滤液、植物汁液和自来水中的Zn²⁺和EDTA。此外，还实现了荧光光谱和紫外-可见光谱的降维处理。

作者贡献声明

严丽茹：撰写原始稿件、方法论设计、实验研究、概念构思、软件开发。张边香：数据验证、资金筹集。周伟：数据验证。冯超：软件开发。张彩红：数据验证。张燕：数据验证、资金筹集。双少敏：数据验证、资金筹集。史丽红：撰写、审稿与编辑、监督、资金筹集、概念构思。

利益冲突声明

作者声明以下可能的财务利益和个人关系：[张边香的报告得到了山西省重点研发项目的支持。如果还有其他作者，他们声明没有已知的财务利益或个人关系可能影响本文的研究结果。]

致谢

本研究得到了山西省重点研发项目（项目编号：202202040201009）的支持。