一种基于深度学习与静电纺丝结合的食品中亚硝酸盐快速检测平台

1.本发明属于食品安全快速检测技术领域，具体涉及一种利用智能识别快速可视化检测分析食品中亚硝酸盐浓度的方法。


背景技术：

2.亚硝酸盐比色分析在食品安全现场快速检测中被广泛运用到，通常只运用在腌制食品、西式火腿和腊肉生产中，具有选择性强、准确度高等优点。但由于其使用的试剂多，对操作者有一定的技术要求，无法满足现场快速检测的需求：“1、实验准备简化 , 使用的试剂较少 , 配制好的试剂保存期长 ; 2、样品前处理简单 , 对操作人员要求低 ; 3、分析方法简单、准确和快速。”于是有研究者提出了将显色试剂负载在一张试纸上的做法，利用定量分析滤纸通过浸泡显色剂溶液或将显色剂喷涂在硅胶板上而后烘干制成显色试纸并通过标准比色卡来进行比色分析。
3.可是传统的试纸和试剂盒多是采用醋酸纤维素滤纸、普通滤纸、定量分析滤纸等，或是通过涂板法将材料铺平制成，这些方法都用一个无法克服的缺点，就是用于负载显色物质的基底材料并不能保证薄厚一致且均匀的负载上显色剂。在实际应用时，制板或者涂板操作会因为操作人员的差异导致涂板不均，复现性差。本研究拟采用静电纺丝技术，将一定浓度的显色剂原料和有机高分子复合的溶液通过静电纺丝形成浓度均一稳定、分布均匀的标准试纸，以代替普通试纸，利用静电纺丝的稳定性克服普通试纸间差异及人工操作带来的误差。
4.而为了降低目视比色所带来的主观误差和环境误差，以机器视觉与深度卷积神经网络模型结合。代替人的视觉系统，以标准光源代替环境光源，可以极大程度地降低误差、而这些功能都可以通过一台手机提供。通过手机的标准光源拍摄图片上传到云端，利用后台的机器学习模型计算，将结果返还到我们的手机上，通过简单的操作就可以得到比色分析结果，以期满足现场快速检测及“飞入寻常百姓家”的目标。


技术实现要素：

5.本发明的目的在于克服现有技术缺陷，提供一种快速检测食品中亚硝酸盐的方法。
6.本发明的技术方案如下：1、一种基于深度学习与静电纺丝结合的食品中亚硝酸盐快速检测的方法，包括如下步骤：（1）将0.9gpan溶解于10ml的dmf中，60摄氏度下磁力搅拌3h，使得pan完全溶解，再加入0.3g薄层析硅胶（sg）和0.16g无水对氨基苯环酸（sa）及0.08g盐酸萘乙二胺(neh)，继续搅拌2h得到浓稠且分散均匀的混合液；（2）该溶液作为静电纺丝的纺丝溶液，纺丝前需要使用调节室内温度25摄氏度，湿
度低于50%，将纺丝溶液吸入10ml注射器，以光刻纸包裹铝箔作为接收板，置注射泵推进速度2ml/h，正负电极间电压16kv，纺丝溶液在静电引力的作用下在注射器尖端形成泰勒锥并拉扯出一根根射流均匀的堆积在接收板表面，当纺丝结束后将纤维膜放入真空干燥箱60摄氏度烘干2h，得到静电纺丝可视化试纸；（3）在实验室中，总共制备了1,000份浓度为0 mg / l至100 mg / l的亚硝酸钠标准样品，还从环境中选择了1,000份天然水，食糜和其他样品进行标准样品制备，将前期制备的可视化检测试纸裁剪成1cm*1cm大小，吸取10微升样品滴加在试纸上静置30s显色反应，待反应稳定，使用标准平面光源拍照取样；（4）为了将样本按照亚硝酸盐浓度差异分为合格、超标两个类别，我们参考了中国食品安全国家标准、食品添加剂使用标准以及国际食品法典委员会 ( cac) 标准中关于食品中亚硝酸盐限量指标，对图像样本进行分类将肉类食品中亚硝酸盐残留量合格线为西式火腿70mg/kg、肉罐头类50mg/kg，其他均为30 mg/kg、蔬菜20mg/kg，以此对图像样本进行分类，总共获得了2000幅图像，形成了亚硝酸盐安全浓度评估的数据集，2000幅图像被随机分为1600张训练集，400张测试集，通过参考开源的深度卷积神经网络模型设计了由输入层、卷积层、池化层、全连接和输出层组成的机器学习模型对样品数据进行分析学习，这种经过训练的模型可以从图像中提取显色试纸的颜色特征从而将其分类为某一浓度，进而判断为合格或者超标，随着训练次数的增加训练精度不断提高，经过200次的训练以后训练精度达到了98.5%。
7.所述每10ml亚硝酸盐可视化检测试纸纺丝溶液基底为0.9gpan和0.3g薄层析硅胶。
8.所述亚硝酸盐可视化检测试纸采用0.16g无水对氨基苯环酸（sa）及0.08g盐酸萘乙二胺(neh)作为显色剂。
9.所述静电纺丝仪参数为温度25摄氏度，湿度低于50%，注射泵推进速度2ml/h，正负电极间电压16kv。
10.所述深度学习模型为深度卷积神经网络模型。
附图说明
11.图1为本发明实施例1中亚硝酸盐可视化检测标准曲线。
12.图2为本发明实施例1中深度卷积神经网络模型结构示意图。
13.图3为本发明实施例1中卷积神经网络训练精度和训练损失随着历元（训练完成次数）的变化图。
14.图4为本发明实施例1中每类试样150张样本图像在使用dcnn测试分类的混淆矩阵图。
15.图5为本发明实施例1中每类试样同时采用欧氏距离算法和卷积神经网络预测的精确度对比图。
16.图6为本发明实施例1中深度学习模型与微信小程序结合实际应用。
具体实施方式
17.以下通过具体实施方式结合附图对本发明的技术方案进行进一步的说明和描述。
18.实施例1：1、亚硝酸盐试纸性能分析：将待测试纸修剪为1cm*1cm的方片，并用移液枪吸取10ul待测标液滴加在试纸上，同时观察到，随反应时间的增加，到30s时，试纸上的色块颜色趋于稳定；我们又制备了0mg/l、3mg/l、5mg/l、10mg/l、20mg/l、30mg/l、40mg/l、50mg/l、60mg/l、70mg/l浓度的亚硝酸钠溶液，分别移取10ul滴加在试纸上，稳定30s后拍照采样，随着浓度的升高色块的颜色渐渐由无色向粉红再向紫红色转变，色块随着浓度的变化逐渐变深；为了探究色块变化与亚硝酸盐浓度之间的关系，我们使用传统的灰度值计算法，将照片导入photoshop软件进行处理，使用灰度模式丢掉颜色仅保留灰度，发现随着浓度的提高，灰度值呈现不断下降的趋势，提取出灰度值进行标准曲线拟合计算发现在0-70mg/l浓度区间内下降符合线性变化规律，得到r2为0.99383的标准曲线：y=-1.0619x+215.95714，当浓度超过100mg/l时灰度值随浓度的变化而单调递减，但是其变化不再符合线性变化规律；2、深度卷积神经网络模型构建：深度卷积神经网络模型的数据集由训练集和测试集组成，其中2000张样品图片中随机选取400张作为测试集，1600张作为训练集。该模型由输入、五次卷积和五次池化、全连接、输出组成。结果如图2所示；3、本实施例的具体检测方法如下：（1）移取10ul滴样品加在试纸上，稳定30s后拍照采样，再将得到的图片用于卷积神经网络模型的训练，其精确度随着历元的增加而增加；（2）将图片按样品种类进行划分，分为不同浓度的牛肉、猪肉、鸡肉、鸭肉、香肠、鱼肉、蔬菜各150张，并分别按照国家标准中对该食物中亚硝酸盐浓度的限值进行划分，在浓度限值以下归类为合格，浓度限值以上归类为超标，对ed值计算的结果做分析对比计算其对每种食品辨别的准确率；得出通过ed值计算方法判断各种食品中亚硝酸盐浓度是否超标的准确率为63.33%-80%，其中牛肉是77.73%、猪肉是75.33%、蔬菜是80%、鱼是72%、鸡肉是76.67%、鸭肉是79.33%、香肠是63.33%；（3）以同样的分类方法对样品数据进行分类，得到不同肉类的样品图片数据集，供给深度卷积神经网络模型学习，当图像数据被输入到分类网络中时，给出样品最可能属于的亚硝酸盐浓度范围，辨别出其浓度合格或者超标；以此得到的准确率为牛肉是100%、猪肉是92.67%、蔬菜是96.67%、鱼是100%、鸡肉是97.33%、鸭肉是91.33%、香肠是93.33%均高于ed值计算方法；（4）将深度学习模型与微信小程序结合，通过手机相机的拍照，见图片上传到云端，经过短短十几秒就能返还准确的预测结果。