《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
編輯推薦：
智能傳感平臺整合智能手機、機器視覺及深度學習，采用3D打印手持設備和紙微流控芯片負載三發射比色熒光碳點（TCDs），實現Zn2?和EDTA的快速單步定量檢測，檢測限分別為3.8和7.9 μM，線性范圍達280和560 μM。
作者：嚴麗茹、張邊香、周偉、馮超、張彩紅、張燕、雙少敏、史麗紅
單位：山西大學化學與化學工程學院，中國山西省太原市030006
摘要
在發展中國家和資源匱乏的地區，高度智能且用戶友好的傳感策略變得極為迫切且不可或缺。本文成功構建了一個智能傳感平臺，該平臺結合了智能手機、機器視覺和深度學習功能、3D打印手持設備以及經過三發射比率熒光（FL）碳點（TCDs）染色的紙基微流控芯片。該智能系統僅通過智能手機的單一操作即可定量檢測鋅離子（Zn2+）和乙二胺四乙酸（EDTA）。TCDs在370納米激發下可產生明亮的藍色和青色熒光，以及微弱的紅色熒光，是通過酒石酸和茜素紅制備的。加入Zn2+和EDTA后，TCDs的熒光顏色會從藍色逐漸變為紫色，最終再次變為藍色。隨后，基于TCDs的紙基芯片被用于實現現場便攜式的Zn2+和EDTA的順序區分。有趣的是，該傳感器能夠快速、智能地定量檢測土壤濾液、植物汁液和自來水中的Zn2+和EDTA，檢測限分別為3.8 μM和7.9 μM，并且在這些濃度范圍內具有寬線性相關性（0–280 μM和0–560 μM）。我們期待這種方法將成為分析技術新一輪變革的強大推動力。
引言
機器視覺（MV）作為新一輪技術革命和工業轉型的強大驅動力，正在為自動檢測（Rouet-Leduc和Hulbert，2024年）、自動組裝（Wang等人，2024年）、機器人視覺定位與控制（Wei等人，2022年）等多個領域帶來新的發展動力。MV利用圖像處理和分析技術自動獲取、分析、理解和處理圖像信息，使計算機能夠像人類一樣識別和理解目標對象（Zhang和Lu，2021年）。MV的基本組件包括用于圖像采集的硬件設備和用于圖像處理、特征提取、模式識別和決策制定的軟件系統（Yadav等人，2021年）。其中，硬件設備包括圖形處理單元、光源、帶有光學鏡頭的數碼相機以及計算機/智能手機，其中相機和計算機/智能手機分別對應于人眼的眼球和大腦（Badgujar等人，2024年）。此外，軟件系統主要采用各種算法工具，如尺度不變特征變換算法（Lin等人，2024年）、加速魯棒特征算法（Chen等人，2024年）、自適應提升算法（Gu等人，2024年）和Viola-Jones算法，使MV具備類似人腦的功能，從而能夠分析和理解圖像（Soleimanipour和Chegini，2020年）。然而，現有的MV軟件算法依賴于手工設計的特征提取器，在快速和智能處理方面存在不足（Jiao等人，2022年）。深度學習（DL）算法作為現代人工智能的核心算法，能夠利用自身的卷積神經網絡（CNN）結構快速學習數據的復雜模式和關鍵特征，無需人工設計的特征（Ruffle等人，2019年）。憑借更高的準確性、更強的性能和處理大規模數據及復雜任務的通用能力，DL算法在目標檢測領域取得了突破（Bai等人，2020年）。然而，現有的基于DL的兩階段目標檢測算法（如基于區域的CNN（R-CNN）和Faster R-CNN）最常見的挑戰是檢測速度無法實現實時預測（Goswami等人，2024年）。You Only Look Once（YOLO）是一種基于一階段回歸的目標識別方法，能夠在端到端的神經網絡中同時預測目標位置并對目標進行分類（Shen等人，2022年）。不過，YOLO v1和YOLO v2算法在檢測小尺寸物體時仍存在困難，邊界框坐標的誤差較大（Cao等人，2021年）。YOLO的第三個版本YOLO v3通過結合深度特征和淺層特征提取了更具代表性的特征，被認為是檢測小尺寸物體的理想算法模型（Zhang等人，2022年）。該算法不僅大幅提高了精度，還具有快速的檢測速度，尤其是在檢測小尺寸物體時（Cao等人，2021年）。與后續版本相比，YOLO v3對硬件資源的需求更低。鑒于這些優勢，YOLO v3 DL算法正越來越多地與MV結合，用于實現快速和智能的定量分析。Qiu等人將數碼相機和計算機安裝在移植機上，構建了YOLO v3和MV雙驅動系統用于檢測和跟蹤障礙物（Qiu等人，2020年）；Wu等人利用MV和改進的YOLO v3雙驅動設備檢測多種類型的電氣連接器（Wu和Li，2020年）。盡管如此，MV和DL雙驅動智能傳感器的研究仍處于初期階段，因此仍是一個充滿活力的研究領域。
鋅離子（Zn2+）是一種生理上至關重要的元素，在酶調節（Xu等人，2010年）、細胞增殖和凋亡（Wang等人，2019年）、神經信號傳導以及基因轉錄和表達（Xia等人，2018年）中發揮著極其重要的作用。然而，鋅穩態的失調可能導致多種健康問題，包括肌萎縮側索硬化癥（Beers等人，2011年）、癲癇、缺血性中風（Doboszewska等人，2019年）和糖尿病（Vanderlaan等人，2023年）。因此，對Zn2+的敏感和定量監測變得極為迫切。乙二胺四乙酸（EDTA）是一種常用的螯合劑，廣泛用于治療重金屬中毒和降低血液膽固醇（Wen等人，2021年），也常作為防腐劑和抗氧化劑添加到食品中（Huang等人，2017b）。然而，過量攝入EDTA可能對人體造成嚴重危害，如引發過敏性皮炎（Kimura和Kawada，1999年）、導致肥胖（Xu等人，2021年），以及使身體容易出現低鋅血癥、低鎂血癥和低鈣血癥（Sharratt等人，2009年）。因此，迫切需要開發有效的EDTA現場檢測方法。
紙基芯片是通過在紙基底上構建微型流體通道制備的，這些通道可以引導和限制0.1至100 μL的液體流動（Yang等人，2017年）。由于便攜性、響應迅速、成本低廉且易于制備，近年來紙基芯片已成為識別多種分析物的強大工具（Sanjay等人，2016年）。2007年，Whitesides團隊首次利用紙基芯片檢測葡萄糖和蛋白質（Martinez等人，2007年）。Zhang等人通過在石墨烯氧化物傳感器中標記功能性單鏈DNA，構建了一種廉價的蠟印芯片，用于檢測Ag+、Hg2+和氨基糖苷類抗生素殘留物（Zhang等人，2015年）。Tong等人利用激光打印芯片和多色比率熒光（FL）傳感器檢測多種抗生素（Tong等人，2022年）。然而，將紙基芯片與MV/DL結合用于多分析物定量仍然較為罕見。
本文提出的高度智能傳感平臺結合了智能手機、機器視覺和深度學習功能、3D打印設備以及經過三發射比率熒光碳點（TCDs）染色的紙基芯片，實現了Zn2+和EDTA的順序檢測（圖1）。TCDs通過水熱法用酒石酸和茜素紅制備，在370納米激發下分別在426納米、490納米和628納米處表現出三發射特性。有趣的是，隨著Zn2+濃度的增加，TCDs在426納米和490納米處的熒光強度適度下降，而在628納米處的紅色熒光增強，這種從藍色到紫色的熒光顏色變化是由于Zn2+與TCDs的配位作用，這一點通過密度泛函理論（DFT）得到了證實。隨后加入EDTA后，TCDs的熒光強度可以恢復到初始狀態，同時顯示熒光顏色從紫色變為藍色，這表明EDTA與TCDs表面的Zn2+發生了競爭性捕獲，這也通過DFT得到了驗證。基于這些傳感現象，TCDs被進一步加載到紙基芯片上，以便實時分析Zn2+和EDTA的含量。此外，該平臺能夠智能、準確、快速且直接地定量檢測土壤濾液、植物汁液和自來水中的Zn2+和EDTA含量，為檢測方法的創新提供了新的思路。
材料、試劑和設備
土壤濾液和自來水來自學校實驗室。茜素紅、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、異亮氨酸、亮氨酸、賴氨酸、甲硫氨酸、苯丙氨酸、脯氨酸、蘇氨酸和纈氨酸均從上海Aladdin試劑有限公司購買。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等試劑也由學校提供。
TCDs的特性分析
透射電子顯微鏡（TEM）圖像（圖2A-C）顯示TCDs具有近似球形形態，平均直徑為3.75納米（圖2C插圖），表現出優異的單分散性和均勻分布。原子力顯微鏡（AFM）圖像（圖2D-E）直觀地表明，形成的TCDs具有出色的分散性，高度分布在3.6–5.4納米范圍內，平均統計高度為4.8納米（圖2F），這與TEM結果一致。
X射線光電子能譜（XPS）分析也進一步證實了這一結論。
結論
MV和DL雙驅動的智能傳感平臺實現了Zn2+和EDTA的快速和智能定量。在該系統中，比率熒光紙基芯片作為探針，配備高清晰度攝像頭的智能手機和自編程應用程序作為結果處理終端。該傳感器能夠實時在現場檢測土壤濾液、植物汁液和自來水中的Zn2+和EDTA。此外，還實現了熒光光譜和紫外-可見光譜的降維處理。
作者貢獻聲明
嚴麗茹：撰寫原始稿件、方法論設計、實驗研究、概念構思、軟件開發。張邊香：數據驗證、資金籌集。周偉：數據驗證。馮超：軟件開發。張彩紅：數據驗證。張燕：數據驗證、資金籌集。雙少敏：數據驗證、資金籌集。史麗紅：撰寫、審稿與編輯、監督、資金籌集、概念構思。
利益沖突聲明
作者聲明以下可能的財務利益和個人關系：[張邊香的報告得到了山西省重點研發項目的支持。如果還有其他作者，他們聲明沒有已知的財務利益或個人關系可能影響本文的研究結果。]
致謝
本研究得到了山西省重點研發項目（項目編號：202202040201009）的支持。
