基于深度学习的光谱图像分析技术实现水体中多种农药与抗生素的智能监测

　　本研究提出一种创新的深度学习驱动光谱图像分析方法（DL-SIA），通过优化ResNet-50模型实现对草甘膦（GL）、苯达松（BE）、青霉素钾（BP）和四环素（TH）四种污染物的同步快速检测。该方法在10–550 μg/L浓度范围内判定系数（R2）＞0.993，检测限低至0.23–0.38 μg/L，为水体污染物实时预警提供了高精度、低成本的技术方案。

　　

Highlight

Experimental setup

实验基于自主设计的光谱仪开展，其核心组件包括光源、磨砂匀光板、滤光芯片、样品反应器与图像采集器（见图1A）。

光谱仪运行时，光源发出的可见光经匀光板转化为均匀面光源，随后通过特殊滤光芯片照射至透明视窗的金属密封反应器中。

Model prediction results

图2展示了采用ResNet-50算法框架对四种污染物的测试集训练结果。训练模型对GL的预测性能最优，其R²与RPD分别高于0.995和14.8。其余三种污染物的R²与RPD值均较为接近，分别高于0.993和11，表明预测值与实际值高度吻合。RMSE与MAE指标同样表现优异，分别低于13和6。

Conclusions

本研究提出了一种以农业废水实时监测为应用场景的新方法，可同步检测水体中的GL、BE、BP与TH。该技术无需复杂预处理，仅需通过图像采集器批量捕获特征图像，并输入卷积神经网络自动提取与学习大量特征，最终实现污染物浓度的快速预测。