CN112649414A - 赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法 - Google Patents
赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法 Download PDFInfo
- Publication number
- CN112649414A CN112649414A CN202011372759.4A CN202011372759A CN112649414A CN 112649414 A CN112649414 A CN 112649414A CN 202011372759 A CN202011372759 A CN 202011372759A CN 112649414 A CN112649414 A CN 112649414A
- Authority
- CN
- China
- Prior art keywords
- wheat
- toxoid
- fusarenol
- solution
- head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000209140 Triticum Species 0.000 title claims abstract description 26
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000001727 in vivo Methods 0.000 title claims abstract description 22
- 206010039509 Scab Diseases 0.000 title claims abstract description 11
- 230000003902 lesion Effects 0.000 title claims abstract description 8
- 239000000523 sample Substances 0.000 claims abstract description 39
- 239000003053 toxin Substances 0.000 claims abstract description 35
- 231100000765 toxin Toxicity 0.000 claims abstract description 35
- 241000495841 Oenanthe oenanthe Species 0.000 claims abstract description 27
- 201000010099 disease Diseases 0.000 claims abstract description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000000479 surface-enhanced Raman spectrum Methods 0.000 claims abstract description 16
- 239000002105 nanoparticle Substances 0.000 claims abstract description 15
- 241001024327 Oenanthe <Aves> Species 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000000243 solution Substances 0.000 claims description 44
- XEKOWRVHYACXOJ-UHFFFAOYSA-N Ethyl acetate Chemical compound CCOC(C)=O XEKOWRVHYACXOJ-UHFFFAOYSA-N 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 10
- 239000010931 gold Substances 0.000 claims description 10
- 229910052737 gold Inorganic materials 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000005119 centrifugation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- WCDSVWRUXWCYFN-UHFFFAOYSA-N 4-aminobenzenethiol Chemical compound NC1=CC=C(S)C=C1 WCDSVWRUXWCYFN-UHFFFAOYSA-N 0.000 claims description 4
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000011259 mixed solution Substances 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 229910017604 nitric acid Inorganic materials 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000003756 stirring Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 125000003396 thiol group Chemical group [H]S* 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 125000003277 amino group Chemical group 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000011049 filling Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 231100000915 pathological change Toxicity 0.000 claims description 2
- 230000036285 pathological change Effects 0.000 claims description 2
- 230000035040 seed growth Effects 0.000 claims description 2
- 239000006228 supernatant Substances 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 6
- 238000011065 in-situ storage Methods 0.000 abstract description 4
- 230000009545 invasion Effects 0.000 abstract description 3
- 108700012359 toxins Proteins 0.000 description 24
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 description 5
- 241000223218 Fusarium Species 0.000 description 4
- -1 fusarium enol Chemical class 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 1
- 241000223195 Fusarium graminearum Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001338 self-assembly Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明特别涉及一种赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,包括如下步骤:S100、构筑纳米探针溶液;S200、对纳米探针溶液进行调整后滴加在受赤霉病侵害的小麦麦穗上;S300、待溶液蒸发后,通过光谱仪采集小麦麦穗表面形成的纳米颗粒阵列薄膜的SERS光谱;S400、将测得的SERS光谱传输至服务器上,并由已建立的解译模型进行处理得到光谱对应的毒素含量。小麦穗部镰刀菌烯醇类毒素的在体原位探测,可以动态反馈小麦穗部的毒素以及受侵害程度;将一维光谱数据折叠成二维数据,建立全卷积网络对毒素含量进行分析,解决了毒素含量的准确获取问题,快速准确解析SERS光谱中镰刀菌烯醇类毒素含量信息。
Description
技术领域
本发明涉及小麦赤霉病检测技术领域,特别涉及一种赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法。
背景技术
赤霉病是小麦最主要病害之一,该病会引起小麦大幅减产,甚至绝产。小麦赤霉病由禾谷镰孢菌引起,而禾谷镰孢菌主要侵染麦穗,且侵染过程中会分泌多种镰刀菌烯醇类毒素。麦穗中镰刀菌烯醇类毒素信息是赤霉病研究与防治过程中的病害确诊、传染性能评估以及防治效果评价的重要指标。毒素的在体探测能现场快速获取毒素信息,同时可观测毒素的变化趋势,进而形成便捷高效的反馈机制,为赤霉病研究与防治提供准确可靠的数据参考与技术手段,将有效避免由赤霉病引发的小麦减产,对保障国家粮食安全具有重要意义。常规实验室分析方法仪器庞大、前处理复杂和操作繁复,而免疫与吸收光谱、高光谱等快检方法又面临着环境要求高和检测精度低等问题,都难以实现麦穗毒素的在体探测。
发明内容
本发明的目的在于提供一种赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,能够方便的实现麦穗中镰刀菌烯醇类毒素的检测。
为实现以上目的,本发明采用的技术方案为:一种赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,包括如下步骤:S100、构筑纳米探针溶液;S200、对纳米探针溶液进行调整后滴加在受赤霉病侵害的小麦麦穗上;S300、待溶液蒸发后,通过光谱仪采集小麦麦穗表面形成的纳米颗粒阵列薄膜的SERS光谱;S400、将测得的SERS光谱传输至服务器上,并由已建立的解译模型进行处理得到光谱对应的毒素含量。
与现有技术相比,本发明存在以下技术效果:小麦穗部镰刀菌烯醇类毒素的在体原位探测,可以动态反馈小麦穗部的毒素以及受侵害程度;将一维光谱数据折叠成二维数据,建立全卷积网络对毒素含量进行分析,解决了毒素含量的准确获取问题,快速准确解析SERS光谱中镰刀菌烯醇类毒素含量信息。
附图说明
图1是高选择性SERS纳米探针结构;
图2是毒素原位提取及气液界面SERS探针阵列同步自组装流程图;
图3是SERS光谱数据的直接数据折叠;
图4是全卷积网络的构架模型。
具体实施方式
下面结合图1至图4,对本发明做进一步详细叙述。
参阅图1至图4,一种赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:包括如下步骤:S100、构筑纳米探针溶液;S200、对纳米探针溶液进行调整后滴加在受赤霉病侵害的小麦麦穗上;S300、待溶液蒸发后,通过光谱仪采集小麦麦穗表面形成的纳米颗粒阵列薄膜的SERS光谱;S400、将测得的SERS光谱传输至服务器上,并由已建立的解译模型进行处理得到光谱对应的毒素含量。小麦穗部镰刀菌烯醇类毒素的在体原位探测,可以动态反馈小麦穗部的毒素以及受侵害程度;将一维光谱数据折叠成二维数据,建立全卷积网络对毒素含量进行分析,解决了毒素含量的准确获取问题,快速准确解析SERS光谱中镰刀菌烯醇类毒素含量信息。
进一步地,所述的步骤S100中,包括如下步骤:S101、采用多步还原的种子生长法合成金纳米颗粒溶液,合成过程中控制金纳米颗粒的尺寸为60~70nm,金纳米颗粒的浓度为2.6×10-2mol/L;S102、取一定体积的金纳米颗粒溶液进行离心,离心后取出底部灰色溶胶;向灰色溶胶中加水至初始体积,振荡使其充分分散;S103、重复多次步骤S102后执行下一步;S104、将具备氨基和疏基两种基团结构的探针分子和步骤S103得到的溶液按照1:1的体积混合,水浴加热并旋转搅拌一定时间后获得纳米探针溶液。采用该步骤制得的纳米探针溶液可以存放较长时间,可以方便使用。
进一步地,所述的步骤S102中,离心的转速为6000~8000rpm,振荡时间为1~3分钟;步骤S103中重复执行三次步骤S102;步骤S104中,将体积为2mL、浓度为4mol/L的4-氨基苯硫酚溶液加入到2mL步骤S103中得到的金纳米颗粒溶液中,水浴加热并旋转搅拌的时间为10~15小时。具备氨基和疏基两种基团结构的探针分子有很多种,比如4,4-二硫代二苯胺以及本案中使用的4-氨基苯硫酚都可以,我们优选采用的是4-氨基苯硫酚。
进一步地,所述的步骤S200中,纳米探针溶液按如下步骤进行调整:S201、对步骤S104得到的纳米探针溶液进行离心后去除上清液,取出底部灰色溶胶;S202、将步骤S201中得到的灰色溶胶和分析纯乙酸乙酯溶液按照体积比1:1进行混合,并分散一定时间;S203、向步骤S202中得到的混合溶液中添加硝酸溶液,调节混合溶液的PH值至4~5即完成纳米探针溶液的调整。
以上将纳米探针溶液的制备和调整分为两个不同的步骤,可以方便的进行使用,纳米探针溶液可以一次性多制备一点,然后在需要使用的时候,取出一定量的纳米探针溶液按照步骤S201-S203进行调整后即可进行使用,非常的方便。
进一步地,所述的步骤S201中,离心的转速为6000~8000rpm、时间为4~6分钟;步骤S202中,灰色溶胶和乙酸乙酯溶液的体积均为2微升;步骤S203中,硝酸的浓度为2mol/L。以上参数的选择是更为优选的方案,采用这些参数步骤制得的溶液更利于在小麦麦穗上形成纳米颗粒阵列薄膜,更利于后续SERS光谱的采集。
进一步地,所述的步骤S400中,解译模型包括光谱关联表达和全卷积网络,将步骤S300中采集到的光谱数据通过光谱关联表达重塑成二维数据,二维数据代入训练好的全卷积网络中识别得到毒素含量。光谱关联表达,相当于对光谱数据进行预处理,光谱数据不能直接输入至全卷积网络中进行识别,因此预处理步骤也很重要。
参阅图3,具体地,所述的步骤S400中,采用直接数据折叠实现光谱的关联表达,包括如下步骤:S401、选取特定波长区域的一维光谱数据等长截断得到一维数据,如果所取的波长范围不能被整除,则应在前或后补零;S402、把一维数据按照从上到下、从左到右的顺序填入二维方阵中得到二维数据。
进一步地,全卷积网络的构架模型如图4所示,所述的步骤S400中,全卷积网络由五个卷积层和三个批处理归一化层组成,批处理归一化层可以防止梯度消失和过拟合,卷积层的卷积核使用3×3,这样可以获得更为准确的细节信息,每个卷积层后面的激活函数选择ReLU,可增加网络的非线性度。第一个、第二个、第四个卷积层的后面各连接一个批处理归一化层,在连续卷积之后选用正则归一化或网络丢弃,可有效避免梯度消失问题,并且获得更为深度的特征解析。第五个卷积层依次连接全局平均池化层和Dense连接层,在全卷积网络的最后两层结合全局平均池化层和Dense连接层来建立多层多维深度特征与典型含量的特征解析网络。
进一步地,所述的步骤S400中,按如下步骤进行全卷积网络的训练:A、选取多个不同病变程度的小麦麦穗;B、采用现有技术手段检测小麦麦穗中毒素浓度;C、通过步骤S100-S300以及步骤S401和S402获得小麦麦穗的二维数据;D、每个小麦麦穗即为一个训练样本,样本的输入值为该小麦麦穗对应的二维数据,样本的标签为该小麦麦穗对应的毒素浓度;E、将样本代入全卷积网络中进行训练,训练后得到毒素含量解析模型。模型只需要训练一次,训练完成后,后续检测时,只需要将测得的SERS光谱数据处理为二维数据后直接代入模型即可得到毒素浓度。
考虑到实际情况中,小麦麦穗中的毒素浓度是连续的,会有很多种不同可能,为了减少标签数量,这里优选地,所述的步骤D中,按如下步骤为小麦麦穗划分标签:D1、样本的标签有N个,分别为1、2、3、…、N;D2、根据所有小麦麦穗中可能出现的毒素浓度得到一组浓度值{a1、a2、…、aN},这N个浓度值为等差数列;D3、记步骤B中小麦麦穗中的毒素浓度为ax,
其中i∈{2、3、…、N-1};
采用以上方案进行标签的划分,可以进一步提高模型的处理速度,实际使用时,当待测小麦麦穗的SERS光谱数据经过模型识别后输出的标签为3,则认为待测小麦麦穗中的毒素浓度为a3,以此即可方便的对小麦麦穗中的毒素浓度进行检测。
Claims (10)
1.一种赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:包括如下步骤:
S100、构筑纳米探针溶液;
S200、对纳米探针溶液进行调整后滴加在受赤霉病侵害的小麦麦穗上;
S300、待溶液蒸发后,通过光谱仪采集小麦麦穗表面形成的纳米颗粒阵列薄膜的SERS光谱;
S400、将测得的SERS光谱传输至服务器上,并由已建立的解译模型进行处理得到光谱对应的毒素含量。
2.如权利要求1所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S100中,包括如下步骤:
S101、采用多步还原的种子生长法合成金纳米颗粒溶液,合成过程中控制金纳米颗粒的尺寸为60~70nm,金纳米颗粒的浓度为2.6×10-2mol/L;
S102、取一定体积的金纳米颗粒溶液进行离心,离心后取出底部灰色溶胶;向灰色溶胶中加水至初始体积,振荡使其充分分散;
S103、重复多次步骤S102后执行下一步;
S104、将具备氨基和疏基两种基团结构的探针分子和步骤S103得到的溶液按照1:1的体积混合,水浴加热并旋转搅拌一定时间后获得纳米探针溶液。
3.如权利要求2所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S102中,离心的转速为6000~8000rpm,振荡时间为1~3分钟;步骤S103中重复执行三次步骤S102;步骤S104中,将体积为2mL、浓度为4mol/L的4-氨基苯硫酚溶液加入到2mL步骤S103中得到的金纳米颗粒溶液中,水浴加热并旋转搅拌的时间为10~15小时。
4.如权利要求3所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S200中,纳米探针溶液按如下步骤进行调整:
S201、对步骤S104得到的纳米探针溶液进行离心后去除上清液,取出底部灰色溶胶;
S202、将步骤S201中得到的灰色溶胶和分析纯乙酸乙酯溶液按照体积比1:1进行混合,并分散一定时间;
S203、向步骤S202中得到的混合溶液中添加硝酸溶液,调节混合溶液的PH值至4~5即完成纳米探针溶液的调整。
5.如权利要求4所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S201中,离心的转速为6000~8000rpm、时间为4~6分钟;步骤S202中,灰色溶胶和乙酸乙酯溶液的体积均为2微升;步骤S203中,硝酸的浓度为2mol/L。
6.如权利要求5所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S400中,解译模型包括光谱关联表达和全卷积网络,将步骤S300中采集到的光谱数据通过光谱关联表达重塑成二维数据,二维数据代入训练好的全卷积网络中识别得到毒素含量。
7.如权利要求6所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S400中,采用直接数据折叠实现光谱的关联表达,包括如下步骤:
S401、选取特定波长区域的一维光谱数据等长截断得到一维数据,如果所取的波长范围不能被整除,则应在前或后补零;
S402、把一维数据按照从上到下、从左到右的顺序填入二维方阵中得到二维数据。
8.如权利要求7所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S400中,全卷积网络由五个卷积层和三个批处理归一化层组成,卷积层的卷积核使用3×3,每个卷积层后面的激活函数选择ReLU,第一个、第二个、第四个卷积层的后面各连接一个批处理归一化层,第五个卷积层依次连接全局平均池化层和Dense连接层。
9.如权利要求8所述的赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法,其特征在于:所述的步骤S400中,按如下步骤进行全卷积网络的训练:
A、选取多个不同病变程度的小麦麦穗;
B、采用现有技术手段检测小麦麦穗中毒素浓度;
C、通过步骤S100-S300以及步骤S401和S402获得小麦麦穗的二维数据;
D、每个小麦麦穗即为一个训练样本,样本的输入值为该小麦麦穗对应的二维数据,样本的标签为该小麦麦穗对应的毒素浓度;
E、将样本代入全卷积网络中进行训练,训练后得到毒素含量解析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372759.4A CN112649414A (zh) | 2020-11-30 | 2020-11-30 | 赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372759.4A CN112649414A (zh) | 2020-11-30 | 2020-11-30 | 赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112649414A true CN112649414A (zh) | 2021-04-13 |
Family
ID=75349679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372759.4A Pending CN112649414A (zh) | 2020-11-30 | 2020-11-30 | 赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649414A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130115717A1 (en) * | 2011-07-13 | 2013-05-09 | OptoTrace (SuZhou) Technologies, Inc. | Analyzing chemical and biological substances using nano-structure based spectral sensing |
CN104568908A (zh) * | 2015-02-06 | 2015-04-29 | 上海师范大学 | 基于表面增强拉曼散射的高效测定谷物中微量呕吐毒素的新方法 |
JP2018004252A (ja) * | 2016-06-27 | 2018-01-11 | 株式会社テクノスルガ・ラボ | かび毒の分析方法及びかび毒の分析装置 |
CN109709084A (zh) * | 2019-01-04 | 2019-05-03 | 安徽大学 | 半胱胺修饰金纳米棒方法及检测乙酰甲胺磷的基片和方法 |
CN111337476A (zh) * | 2020-04-22 | 2020-06-26 | 安徽大学 | 空气中小麦赤霉病致病孢子sers检测装置及方法 |
-
2020
- 2020-11-30 CN CN202011372759.4A patent/CN112649414A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130115717A1 (en) * | 2011-07-13 | 2013-05-09 | OptoTrace (SuZhou) Technologies, Inc. | Analyzing chemical and biological substances using nano-structure based spectral sensing |
CN104568908A (zh) * | 2015-02-06 | 2015-04-29 | 上海师范大学 | 基于表面增强拉曼散射的高效测定谷物中微量呕吐毒素的新方法 |
JP2018004252A (ja) * | 2016-06-27 | 2018-01-11 | 株式会社テクノスルガ・ラボ | かび毒の分析方法及びかび毒の分析装置 |
CN109709084A (zh) * | 2019-01-04 | 2019-05-03 | 安徽大学 | 半胱胺修饰金纳米棒方法及检测乙酰甲胺磷的基片和方法 |
CN111337476A (zh) * | 2020-04-22 | 2020-06-26 | 安徽大学 | 空气中小麦赤霉病致病孢子sers检测装置及方法 |
Non-Patent Citations (2)
Title |
---|
CHENTAI CAO ET AL: "Cys-functionalized AuNP substrates for improved sensing of the marine toxin STX by dynamic surface-enhanced Raman spectroscopy", 《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》 * |
SHIZHUANG WENG ET AL: "Deep learning networks for the recognition and quantitation of surface-enhanced Raman spectroscopy", 《ANALYST》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Detection of canopy chlorophyll content of corn based on continuous wavelet transform analysis | |
Lin et al. | Rapid determination of thiabendazole pesticides in rape by surface enhanced Raman spectroscopy | |
Dong et al. | Density functional theory analysis of deltamethrin and its determination in strawberry by surface enhanced Raman spectroscopy | |
Cozzolino et al. | Applications and developments on the use of vibrational spectroscopy imaging for the analysis, monitoring and characterisation of crops and plants | |
Hassan et al. | Rapid detection and prediction of chloramphenicol in food employing label-free HAu/Ag NFs-SERS sensor coupled multivariate calibration | |
CN112200770A (zh) | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 | |
Dos Santos et al. | Unraveling surface-enhanced Raman spectroscopy results through chemometrics and machine learning: Principles, progress, and trends | |
CN113989623A (zh) | 一种中药饮片图像的自动识别方法 | |
Lu et al. | Nondestructive testing of pear based on Fourier near-infrared spectroscopy | |
Basak et al. | Determination of leaf nitrogen concentrations using electrical impedance spectroscopy in multiple crops | |
Cheng et al. | Simultaneous determination of metal ions in zinc sulfate solution using UV–Vis spectrometry and SPSE-XGBoost method | |
Tao et al. | Use of line-scan Raman hyperspectral imaging to identify corn kernels infected with Aspergillus flavus | |
Kothari et al. | Review of laser Raman spectroscopy for surgical breast cancer detection: stochastic backpropagation neural networks | |
Tan et al. | Soil nitrogen content detection based on near-infrared spectroscopy | |
González-Albarrán et al. | Determination of cadmium (II) in aqueous solutions by in situ MID-FTIR-PLS analysis using a polymer inclusion membrane-based sensor: First considerations | |
Zhu et al. | Prediction of tumor size in patients with invasive ductal carcinoma using FT-IR spectroscopy combined with chemometrics: a preliminary study | |
Hu et al. | Intelligent spectral algorithm for pigments visualization, classification and identification based on Raman spectra | |
Samuel et al. | Deconstruction of obscure features in SVD-decomposed Raman images from P. chrysogenum reveals complex mixing of spectra from five cellular constituents | |
Guo et al. | Flexible Au@ AgNRs/MAA/PDMS-based SERS sensor coupled with intelligent algorithms for in-situ detection of thiram on apple | |
Zhang et al. | Non-destructive hyperspectral imaging for rapid determination of catalase activity and ageing visualization of wheat stored for different durations | |
CN112649414A (zh) | 赤霉病病变小麦穗部镰刀菌烯醇类毒素的在体探测方法 | |
Shi et al. | Using Molecular Spectroscopic Techniques (NIR and ATR-FT/MIR) Coupling with Various Chemometrics to Test Possibility to Reveal Chemical and Molecular Response of Cool-Season Adapted Wheat Grain to Ergot Alkaloids | |
Lin et al. | Multivariate approaches for SERS data analysis in clinical applications | |
CN114444543A (zh) | 一种光谱数据处理方法、装置、存储介质及电子设备 | |
Galata et al. | Comparing the performance of Raman and near-infrared imaging in the prediction of the in vitro dissolution profile of extended-release tablets based on artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |