CN113866125B - 一种利用液晶传感器实现气体特异性定量检测的方法 - Google Patents
一种利用液晶传感器实现气体特异性定量检测的方法 Download PDFInfo
- Publication number
- CN113866125B CN113866125B CN202111147279.2A CN202111147279A CN113866125B CN 113866125 B CN113866125 B CN 113866125B CN 202111147279 A CN202111147279 A CN 202111147279A CN 113866125 B CN113866125 B CN 113866125B
- Authority
- CN
- China
- Prior art keywords
- gas
- liquid crystal
- sensor
- concentration
- standard
- 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.)
- Active
Links
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种利用液晶传感器实现气体特异性定量检测的方法。所述方法为:1)选取梯度浓度的多种不同标准气体,定标由多个液晶传感器组成的传感器阵列,绘制标准曲线图;2)待测气体通过自由扩散进入液晶传感器阵列,通过偏光显微镜采集各个液晶传感器的光学图像;3)对每个光学图像进行灰度化处理,分别计算平均灰度;4)将平均灰度分别代入标准曲线,得到关于待测气体种类和浓度的唯一解。该方法可以利用深度学习训练机器进一步简化流程。机器根据输入的传感器阵列光学图像直接确定待测气体种类和浓度。本发明实现了基于液晶气体传感器的气体定量特异性检测,具有准确性高,检测方便,普适性强的优势。
Description
技术领域
本发明涉及传感器技术领域,特别涉及一种利用液晶传感器实现气体特异性定量检测的方法。
背景技术
液晶传感器的主要原理在于利用待测物分子影响液晶分子排布,进而影响液晶对入射光的双折射能力。通过检测出射光的光学图像信号,可以实现对气体的高灵敏度检测。当前主流液晶气体传感器有两个种类,其一是通过气体分子直接改变液晶相变温度,使液晶排布发生变化;其二是在液晶相中原位掺杂或共价修饰特定受体,通过受体结合气体分子影响液晶排布。
然而,现有的液晶气体传感器存在特异性不强的缺点。一方面,气体分子直接改变相变温度是一个非特异性过程;另一方面,液晶相中的受体只能识别特定官能团,无法辨别有相同官能团的不同气体。此外,液晶气体传感器无法实现气体浓度的定量检测。气体浓度和光学图像之间缺少一一对应关系。
发明内容
本发明的目的在于提供一种利用液晶传感器实现气体特异性定量检测的方法,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:
本申请公开了一种利用液晶传感器实现气体特异性定量检测的方法,包括如下步骤:
S1、选择不同浓度梯度的m种标准气体,定标由k个液晶传感器组成的传感器阵列;以气体浓度为横坐标,以传感器图像灰度为纵坐标,针对每一个液晶传感器绘制标准曲线图C1-Ck;具体操作如下:
S11、根据标准气体的种类进行1至m的编号,对液晶传感器进行1-k的编号;
S12、将浓度为c1,编号为1的标准气体通过自由扩散进入编号为1的液晶传感器;通过偏光显微镜采集光学图像;
S13、对光学图像进行灰度化处理,统计平均灰度,记为H1;
S14、对编号为1的标准气体进行梯度稀释,得到浓度为c2-cn的多组气体;所述n为浓度编号;
S15、将浓度为c2-cn的多组气体通过自由扩散进入编号为1的液晶传感器,通过偏光显微镜采集光学图像,并分别进行灰度化处理,分别统计平均灰度,记为H2-Hn;
S16、以气体浓度为横坐标,以平均灰度为纵坐标,将(c1,H1)-(cn,Hn)填入坐标图,用平滑的曲线描点绘出曲线B1;
S17、对编号为2-m的标准气体进行S12至S16的操作,得到曲线B2-Bm;
S18、将曲线B1-Bm记为标准曲线图C1;
S19、采用编号为2-k的液晶传感器重复S12至S18的操作,得到标准曲线图C2-Ck;
S2、将单一组分待测气体通过自由扩散进入传感器阵列,通过偏光显微镜采集传感器阵列中每一个液晶传感器的光学图像,记为I1-Ik;
S3、对I1-Ik进行灰度化处理,分别统计平均灰度,记为G1-Gk;
S4、将G1-Gk分别代入标准曲线图C1-Ck,得到多组关于气体种类与浓度的解;其中有且至多有k组解中气体种类与浓度完全一致,将其视为传感器检测结果;
所述液晶传感器中掺有与所有标准气体起作用的受体;
所述浓度编号n为任意大于等于10的自然数;
所述传感器编号k为任意大于等于2的自然数,所述标准气体编号m为任意大于等于2的自然数。
作为优选,所述传感器阵列中包含有不同种类液晶的液晶传感器,所述液晶为单体液晶或混合液晶中的任意一种。
作为优选,所述步骤S3和步骤S4可通过深度学习训练机器进行简化,所述深度学习具体为监督式学习;所述监督式学习通过以下步骤实现:
S5、利用有明确种类和浓度的气体样品采集传感器阵列光学图像;
S6、预测模型建立:以传感器阵列光学图像为训练数据,将机器预测结果与对应的气体种类、浓度进行对比,根据对比结果调整预测模型;
S7、检测结果分类:机器依据输入的光学图像直接通过分类确定待测气体种类和浓度。
本发明的有益效果:
上述方案中,传感器阵列包含多个由不同液晶组成的液晶气体传感器。在待测气体通过自由扩散进入传感器阵列时,气体分子影响液晶分子排布,导致液晶气体传感器在偏光显微镜下可以通过双折射产生明亮的图像。通过对图像进行灰度化处理后,图像的灰度和待测气体的浓度、种类有一一对应关系。通过将传感器阵列产生的灰度数据代入标准曲线,可以得到关于待测气体浓度、种类的唯一解。该过程可以借助深度学习训练机器进行简化。通过对机器进行监督式学习,机器可以根据输入的传感器阵列光学图像直接确定待测气体种类和浓度。本发明可以利用液晶气体传感器实现待测气体的定量特异性检测,具有准确性高,检测方便,普适性强的优势。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1为本发明方法中液晶传感器阵列与气体接触前的示意;
图2为本发明方法中液晶传感器阵列与一种标准气体接触后的示意图;
图3为本发明方法中液晶传感器阵列与待测气体接触后的示意图;
图4为本发明方法中平均灰度代入标准曲线图得到唯一解甲醛的示意图;
图5为本发明方法的流程图;
图6为本发明方法引入深度学习辅助后的流程图;
图7为本发明方法中平均灰度代入标准曲线图得到唯一解氨气的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例1、利用液晶传感器阵列实现甲醛、乙醛和戊二醛的特异性检测
本实施例中,液晶传感器阵列包含两个分别由不同液晶组成的液晶气体传感器,液晶相中掺有可以识别醛类气体的受体十二胺,标准气体包含甲醛、乙醛和戊二醛。如图1所示,在液晶传感器阵列与气体接触之前,传感器中的液晶分子垂直底面排布,此时通过偏光显微镜无法观察到传感器阵列的光学图像。待测气体种类和浓度的检测通过以下步骤进行:
步骤一:绘制标准曲线图:依次将40组浓度梯度的甲醛、乙醛和戊二醛通过自由扩散进入传感器阵列。如图2所示,此时掺杂在液晶相中的十二胺结合标准气体,导致液晶相排布混乱,通过偏光显微镜可以采集两个液晶传感器的光学图像。分别计算光学图像的平均灰度,并以气体浓度为横坐标,平均灰度为纵坐标,通过描点法将每一种气体的数据点连接得到曲线。最终可以得到分别对应两个液晶传感器的标准曲线图Cx和Cy,且每一个曲线图中各有分别对应甲醛、乙醛和戊二醛的三条曲线。
步骤二:待测气体通过自由扩散进入传感器阵列。如图3所示,由于待测气体的种类、浓度与标准气体不完全相同,导致液晶传感器中液晶分子的混乱程度不同。通过偏光显微镜可以采集两个液晶传感器的光学图像,记为Ix,Iy。
步骤三:对Ix,Iy进行灰度化处理,分别统计二者平均灰度,记为Gx,Gy。
步骤四:将Gx代入标准曲线图Cx,得到多组解;将Gy代入标准曲线图Cy,得到多组解。如图4所示,Gx和Gy得到的解中,有且仅有两组解完全一致,说明待测气体为浓度为p 的甲醛。
通过引入监督式学习,可以简化本实施例的操作流程。图5展示了本实施例在经过深度学习简化前的流程图。在深度学习过程中,随机选取不同浓度的甲醛、乙醛和戊二醛,以传感器阵列光学图像为训练数据,将机器预测结果与气体种类和浓度进行对比,根据对比结果调整预测模型,直至预测结果准确率达到98.0%以上。图6展示了本实施例在引入深度学习辅助后的流程图。机器可以根据输入的传感器阵列光学图像直接确定待测气体种类和浓度。
实施例2、利用液晶传感器阵列实现氨气、甲基膦酸二甲酯和乙腈的特异性检测
本实施例中,液晶传感器阵列包含三个分别由不同液晶组成的液晶气体传感器,液晶相中掺有可以识别氨基、磷酸基团和氰基的受体高氯酸铜,标准气体包含氨气、甲基膦酸二甲酯(DMMP)和乙腈。在液晶传感器阵列与气体接触之前,传感器中的液晶分子平行底面排布,此时通过调整传感器和偏振片的相对角度,在偏光显微镜下可以观察到传感器阵列的暗场图像。待测气体种类和浓度的检测通过以下步骤进行:
步骤一:绘制标准曲线图:依次将30组浓度梯度的氨气、DMMP和乙腈通过自由扩散进入传感器阵列。此时掺杂在液晶相中的高氯酸铜通过配位键结合待测气体,导致液晶相排布混乱。利用偏光显微镜采集传感器光学图像并计算平均灰度。并以气体浓度为横坐标,平均灰度为纵坐标,通过描点法将每一种气体的数据点连接得到曲线。最终可以得到分别对应三个液晶传感器的标准曲线图Cα,Cβ,Cγ,且每一个标准曲线图中各有分别对应氨气、甲基膦酸二甲酯和乙腈的三条曲线。
步骤二:待测气体通过自由扩散进入由三个液晶传感器组成的传感器阵列。通过偏光显微镜可以采集三个液晶传感器的光学图像,记为Iα,Iβ,Iγ。
步骤三:对Iα,Iβ,Iγ进行灰度化处理,分别统计平均灰度,记为Gα,Gβ,Gγ。
步骤四:将Gα代入标准曲线图Cα,得到多组解;将Gβ代入标准曲线图Cβ,得到多组解;将Gγ代入标准曲线图Cγ,得到多组解;如图7所示,得到的解中,有且仅有三组解完全一致,说明待测气体为浓度为γ2的氨气。
通过引入监督式学习,可以简化本实施例的操作流程。在深度学习过程中,随机选取不同浓度的氨气、DMMP和乙腈,以传感器阵列光学图像为训练数据,将机器预测结果与气体种类和浓度进行对比,根据对比结果调整预测模型,直至预测结果准确率达到98.0%以上。随后,机器可以根据输入的传感器阵列光学图像直接确定待测气体种类和浓度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种利用液晶传感器实现气体特异性定量检测的方法,其特征在于,包括如下步骤:
S1、选择不同浓度梯度的m种标准气体,定标由k个液晶传感器组成的传感器阵列;以气体浓度为横坐标,以传感器图像灰度为纵坐标,针对每一个液晶传感器绘制标准曲线图C1-Ck;具体操作如下:
S11、根据标准气体的种类进行1至m的编号,对液晶传感器进行1-k的编号;
S12、将浓度为c1,编号为1的标准气体通过自由扩散进入编号为1的液晶传感器;通过偏光显微镜采集光学图像;
S13、对光学图像进行灰度化处理,统计平均灰度,记为H1;
S14、对编号为1的标准气体进行梯度稀释,得到浓度为c2-cn的多组气体;所述n为浓度编号;
S15、将浓度为c2-cn的多组气体通过自由扩散进入编号为1的液晶传感器,通过偏光显微镜采集光学图像,并分别进行灰度化处理,分别统计平均灰度,记为H2-Hn;
S16、以气体浓度为横坐标,以平均灰度为纵坐标,将(c1,H1)-(cn,Hn)填入坐标图,用平滑的曲线描点绘出曲线B1;
S17、对编号为2-m的标准气体进行S12至S16的操作,得到曲线B2-Bm;
S18、将曲线B1-Bm记为标准曲线图C1;
S19、采用编号为2-k的液晶传感器重复S12至S18的操作,得到标准曲线图C2-Ck;
S2、将单一组分待测气体通过自由扩散进入传感器阵列,通过偏光显微镜采集传感器阵列中每一个液晶传感器的光学图像,记为I1-Ik;
S3、对I1-Ik进行灰度化处理,分别统计平均灰度,记为G1-Gk;
S4、将G1-Gk分别代入标准曲线图C1-Ck,得到多组关于气体种类与浓度的解;其中有且至多有k组解中气体种类与浓度完全一致,将其视为传感器检测结果;
所述液晶传感器中掺有与所有标准气体起作用的受体;
所述浓度编号n为任意大于等于10的自然数;
所述传感器编号k为任意大于等于2的自然数,所述标准气体编号m为任意大于等于2的自然数。
2.如权利要求1所述的一种利用液晶传感器实现气体特异性定量检测的方法,其特征在于:所述传感器阵列中包含有不同种类液晶的液晶传感器,所述液晶为单体液晶或混合液晶中的任意一种。
3.如权利要求1所述的一种利用液晶传感器实现气体特异性定量检测的方法,其特征在于:所述步骤S3和步骤S4可通过深度学习训练机器进行简化,所述深度学习具体为监督式学习;所述监督式学习通过以下步骤实现:
S5、利用有明确种类和浓度的气体样品采集传感器阵列光学图像;
S6、预测模型建立:以传感器阵列光学图像为训练数据,将机器预测结果与对应的气体种类、浓度进行对比,根据对比结果调整预测模型;
S7、检测结果分类:机器依据输入的光学图像直接通过分类确定待测气体种类和浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147279.2A CN113866125B (zh) | 2021-09-29 | 2021-09-29 | 一种利用液晶传感器实现气体特异性定量检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147279.2A CN113866125B (zh) | 2021-09-29 | 2021-09-29 | 一种利用液晶传感器实现气体特异性定量检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113866125A CN113866125A (zh) | 2021-12-31 |
CN113866125B true CN113866125B (zh) | 2022-05-17 |
Family
ID=78992396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111147279.2A Active CN113866125B (zh) | 2021-09-29 | 2021-09-29 | 一种利用液晶传感器实现气体特异性定量检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113866125B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2004316165B2 (en) * | 2003-09-23 | 2009-03-05 | Wisconsin Alumni Research Foundation | Using liquid crystals to detect affinity microcontact printed biomolecules |
JP2008518196A (ja) * | 2004-07-02 | 2008-05-29 | プラティパス テクノロジーズ エルエルシー | 分析物の検出 |
AU2006244486A1 (en) * | 2005-05-06 | 2006-11-16 | Platypus Technologies, Llc | Liquid crystal based analyte detection |
EP2344879A4 (en) * | 2008-09-15 | 2013-03-20 | Platypus Technologies Llc | DETECTION OF STEAM PHASE COMPOUNDS BY CHANGING THE PHYSICAL PROPERTIES OF A LIQUID CRYSTAL |
EP2221592A1 (en) * | 2009-01-22 | 2010-08-25 | Stichting Dutch Polymer Institute | Multifunctional optical sensor |
CN102725784B (zh) * | 2009-12-18 | 2016-03-23 | 株式会社半导体能源研究所 | 具有光学传感器的显示设备及其驱动方法 |
WO2014165196A1 (en) * | 2013-03-13 | 2014-10-09 | Platypus Technologies, Llc | Detection of gas-phase analytes using liquid crystals |
-
2021
- 2021-09-29 CN CN202111147279.2A patent/CN113866125B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113866125A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0651879B1 (en) | Digital analyte detection system | |
Giavazzi et al. | A fast and simple label-free immunoassay based on a smartphone | |
Svitel et al. | Probing the functional heterogeneity of surface binding sites by analysis of experimental binding traces and the effect of mass transport limitation | |
CN100570337C (zh) | 膜蛋白分子相互作用的光学探测方法 | |
CN113866125B (zh) | 一种利用液晶传感器实现气体特异性定量检测的方法 | |
CN106092967A (zh) | 一种生物分子相互作用的检测方法及装置 | |
Kurç et al. | Molecularly imprinted polymers based surface plasmon resonance sensor for sulfamethoxazole detection | |
Çakır et al. | Sensitive and selective detection of amitrole based on molecularly imprinted nanosensor | |
CN103940793B (zh) | 荧光检测系统及检测方法 | |
Haddad et al. | A feature extraction algorithm for multi-peak signals in electronic noses | |
CN102692367B (zh) | 纳米粒子辨识系统装置及其识别方法 | |
CN110567900A (zh) | 试样反应中抗原过量的判断方法、装置及光学检测系统 | |
CN104237169B (zh) | 一种基于外场调制的spr检测系统的检测方法 | |
CN115791663A (zh) | 一种通过识别未知气体特征测量气体浓度的方法和系统 | |
CN114509410A (zh) | 基于受抑全反射光自旋霍尔效应手性分子鉴别系统及方法 | |
JPS6361144A (ja) | 微生物測定方法 | |
WO2024046267A1 (zh) | 基于反应曲线的曲率检测待检测样本的前带现象的方法和装置 | |
CN103592265A (zh) | 一种生物芯片的透射式扫描方法 | |
EP4273259A1 (en) | Antibiotic susceptibility evaluation apparatus | |
WO2024051512A1 (zh) | 基于反应曲线的长度检测待检测样本的前带现象的方法和装置 | |
CN1570649A (zh) | 生物芯片的检测方法 | |
US20230228676A1 (en) | Method and system for classifying monitored molecular interactions | |
US20230340560A1 (en) | Antibiotic susceptibility evaluation apparatus | |
JPH08219730A (ja) | 紙葉類良否判別装置 | |
CN114113059A (zh) | 一种用于tnt检测的复合材料的制备方法及tnt的快速检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |