一种采用近场微波显微镜对样本中重金属的检测方法

1.本发明涉及对待测样品内部重金属含量检测技术领域，具体涉及一种利用近场微波显微镜实验再结合机器学习来实现重金属检测的方法。


背景技术：

2.目前对于样品内重金属检测的方式有下列几种：
3.1.近红外光谱法；
4.近红外光谱谱区的吸收带主要是由低能电子跃迁、含氢原子团(如n-h,o-h,c-h)的伸缩振动的倍频及组合频吸收产生。重金属元素与作物成分(如淀粉、蛋白质等)中的c-h,n-h和o-h等基团结合，对样品的生化参数产生影响，这些生化参数在近红外光谱范围内有特定的吸收带，使得采用近红外光谱技术检测重金属成为可能。
5.2.质谱法；
6.质谱法是一种利用电场和磁场将运动的离子按它们的质荷比分离后进行检测的方法。测出离子准确质量即可确定离子的化合物组成。因此，质谱法可以对样品内化合物的含量进行精确的分析。
7.3.激光诱导击穿光谱
8.激光诱导击穿光谱技术是一种基于激光的光谱技术，用于检测元素的原子和分子发射信号。少量样品被高能激光脉冲烧蚀，形成包含激发的中性和带电原子和分子物质的混合物的等离子体。当这些物种回到基态时，便可以测量这些物种的光发射。因此，激光诱导击穿光谱技术可以对样品的进行多元素分析。
9.4.高光谱图像技术
10.重金属胁迫会影响植物体中的色素、细胞结构和含水量等生化参数，这些参数是植物特征光谱的主导因子，通过搭载在不同空间平台上的高光谱传感器，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像。可同时获得样品的地表图像和光谱信息。
11.5.基于计算机视觉技术的无损检测
12.计算机视觉技术是指让计算机和系统能够从图像、视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。通过学习算法将图像数据链接到适当的质量类或级别以实现对样品的分类和检测。
13.6.生物传感器检测技术
14.生物传感器建立在生物元素(蛋白质、dna、抗体等)的基础之上，通过物理吸附、静电吸引、生物识别、化学偶联等作用力，将待测物对力、热、电、光、磁等的敏感性直接或间接转换为可测信号进行检测。
15.上述方法的不足之处
16.1.近红外光谱分析技术需要选取大量代表性样品进行化学分析以建立维护模型，所以需要较多的化学分析知识、分析费用和时间；
17.2.质谱法重复性差，要求严格控制操作条件，操作复杂且需要专人操作。其次设备价格昂贵；
18.3.激光诱导击穿光谱仪器成本高，且操作也较为复杂，准确性、精确性受样品的均匀性及激光器激发特性影响较大，高能量的激光脉冲还会对视力的造成损害；
19.4.高光谱图像技术受到光照、阴影、气候条件、拍摄环境等因素的影响，地物的光谱会发生变化，导致“同物异谱，同谱异物”。其次波段多、波段间的相关性高，因此训练分类识别模型需要的样本数目大大增多；
20.5.基于计算机视觉技术的检测方法仅仅研究了样品表面的直观特征，没有利用到其内部结构和性质的变化信息，大部分研究局限于定性分析；
21.6.生物传感器检测技术容易受物理环境、化学环境因素的影响，导致检测结果出现偏差，最终结果失真，稳定性不够理想。


技术实现要素：

22.本发明相比于质谱法和两种光谱法，具有操作简单、设备及分析成本低的优势；相比于高光谱图像技术，具有测试结果范围窄，可控性高，分类识别模型训练需求样本数量较少；相比于计算机视觉技术，具有探测样品内外部结构和性质的能力，能够实现定量分析；相比于生物传感器检测技术，具有受物理环境影响小，不受化学环境影响的优势，检测结果稳定性强。
23.本技术的目的在于：提供一种采用近场微波显微镜对样本中重金属的检测方法，该方法采用的设备包括：矢量网络分析仪、高精度x-y-z位移台、控制计算机、同轴谐振腔、耦合探针、ccd相机、机器学习分类器；矢量网络分析仪用于给谐振腔提供微波能量，并实时测量谐振腔内部的微波参数；同轴谐振腔用于存储微波能量；耦合探针接在同轴谐振腔内导体上，用于将谐振腔内的能量辐射出去，同时接收反射信号；ccd相机用于拍摄谐振腔耦合探针的针尖到样本的距离；
24.步骤1：制备不同重金属浓度污染后的训练样本；
25.步骤2：将训练样本放入高精度x-y-z位移台上，使训练样本位于谐振腔耦合探针正下方；在z方向上移动高精度x-y-z位移台，z方向为谐振腔耦合探针的指向；通过ccd相机确定谐振腔耦合探针针尖到训练样本的距离，当距离达到临界接触点时，停止移动；临界接触点范围为[－位移电机最小位移距离至，+位移电机最小位移距离])
[0026]
步骤3：以一定的步长向上移动耦合探针，每移动一次，则记录当前位置探针针尖与训练样本的距离d
tip-sample
和判断因子c，判断因子c计算方法为微波谐振腔在谐振状态下腔体内部存储的电磁能量与一个周期内损耗的电磁能量的比值；
[0027]
在移动至少50次以后便完成一轮的测试，可得到探针针尖到训练样本的距离d
tip-sample
与判断因子c的离散关系。对制备好的不同重金属浓度污染后训练样本施以相同的步骤以获取大量数据；
[0028]
步骤4：采用步骤3得到的样本数据训练一个分类器；分类模型拓扑结构如图4所示，该分类器包括：输入层、特征工程处理模块、n棵二叉决策树、类别判断模块、输出层组成；n为自定义的分类数量；其中，输入层接收探针针尖到训练样本的距离d
tip-sample
与判断因子c的离散关系原始数据，然后将输入数据传给特征工程处理模块，特征工程处理模块对
数据进行预处理和特征提取，然后将处理后的数据分别传给n棵二叉决策树，决策树根据特征值进行判断，将数据分配到不同的叶子节点，叶子节点输出预测得分；所有的预测得分输入类别判断模块进行加权平均，最终输出分类结果；
[0029]
步骤5：处理待识别样本时，首先采用步骤2和步骤3的方法得到待识别样本的探针针尖到训练样本的距离与判断因子c的离散关系，然后采用训练好的分类器对待识别的样本进行重金属浓度的识别。
[0030]
本发明具有操作简单、成本低、检测精度可控、受物理化学环境影响小等特点，对被测样品无接触、无损坏，模型建立与维护方便，训练分类检测模型的数据获取简单且容易实现自动化。
附图说明
[0031]
图1为本发明的装置结构示意图；
[0032]
图2为矢量网络分析仪、同轴谐振腔和耦合探针的连接关系；
[0033]
图3为探针针尖到被测样本的距离d
tip-sample
与判断因子c的离散关系示意图；
[0034]
图4为步骤4分类模型的拓扑结构图；
[0035]
图5为步骤2寻找临界接触点的自动化控制程序流程图；
[0036]
图6为步骤3点扫描的自动化控制程序流程图。
[0037]
实施方式
[0038]
步骤一(样品制备)：准备好同种样品的正常和被污染样本，如需实现定量检测，则其中的被污染样本需划分污染程度或按重金属浓度梯度分类。将准备好的样本置于位移台上，如附图一所示。
[0039]
步骤二(找软接触点)：利用计算机控制在x和y方向上移动位移台，使待测试样品位于谐振腔耦合探针下方。然后利用计算机控制位移台在z方向上移动并观察ccd相机使得样品靠近耦合探针针尖并到达临界接触点(软接触点)。
[0040]
步骤三(点扫描)：根据电动位移电机的最小位移距离，选择合适的步数以确定合理的步长，根据测试经验，由于判断因子可能在较小的距离内会发生跃变，因此设置较大的步长分辨率将会降低，在第四步的模型训练中特征点可能会减少从而导致不良的训练结果。以第二步确定的临界接触点为起点，利用计算机控制位移台远离样品，根据需要移动至少50步，期间记录每步移动后耦合探针与样品的距离(单位为μm)和对应距离下谐振频点的判断因子c。最终将获得一组单次样品的针样距d
tip-sample
关于谐振腔有载判断因子c的离散关系数据。其中的谐振腔有载判断因子包含了样品内部重金属含量的信息。
[0041]
步骤四(模型训练)：对被污染样品和正常样品执行上述步骤，反复多次获取大量组针样距关于谐振腔判断因子的离散关系数据，数据量越大最终分类准确性越高，鲁棒性越强。在完成数据收集后，选择一种分类算法(逻辑回归、朴素贝叶斯、最近邻、决策树、支持向量机等)，把准备好的针样距关于谐振腔判断因子的离散关系数据提供给模型学习，根据需求设置二分类或多分类模型，即可开展定性或定量检测的训练。
[0042]
本技术的方法对洋葱植株进行重金属镍的检测：
[0043]
(1)从40％浓度乙酸镍溶液培养的洋葱植株上任取一片洋葱鳞片，从其内侧撕取内表皮层平整置于载玻片上，并将载玻片上的样品置于近场微波测试设备探针针尖正下
方。
[0044]
(2)调整位移台使样品靠近针尖，当其间距离很小后查看矢量网络分析仪(vna)软件端谐振频点下的c值，根据位移电机的最小位移距离，将z方向的位移步长调整为5μm/step-10μm/step，反复多次调整位移台接近耦合探针，同时观察vna端的c值变化，依探针与样品距离由远到近将其c值记为c0、c1、c2、
……
、c
n-2
、c
n-1
、cn，当出现c
n-c
n-1
《c
n-1-c
n-2
后终止位移台的移动。
[0045]
(3)根据位移电机的最小位移距离，调整单次移动步长为0.47μm/step，以第二步确定的cn点为起点，利用计算机控制位移台远离细胞样品，共计移动60步，期间从cn点开始记录下每次移动后耦合探针与样品的距离(单位为μm)和对应距离下谐振频点的c值。最终将获得一组单次样品的针样距关于谐振腔有载判断因子的离散关系数据如下附图3所示(图中曲线为五次数据的均值)。
[0046]
(4)将正常洋葱植株内表皮和被污染的洋葱植株内表皮再依次执行步骤一二三，反复多次获取412组针样距关于谐振腔判断因子的离散关系数据。在完成数据收集后，分别利用xgboost工具包和keras包中的sequential建立二分类模型。将每组数据中的c值提取，并按照针样距由小到大对应的c值从左到右排为一个序列共计412个序列存入数据库用于训练。最终测试模型预测精度xgboost为92.23％，sequential为68.93％。
[0047]
以上所述的实验测试矢量网络分析仪设备为anritsu ms46122b，分类模型设置简单，仅是本技术在已有条件下的测试结果，并非对本技术做任何形式上的限制，如对检测有更高分辨率要求可以采用更高性能的矢量网络分析仪和选用曲率半径更小的探针针尖以及更优的分类模型。凡是依据本技术的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本技术的保护范围。
[0048]
技术方案中可改善或替代的地方：
[0049]
步骤二可以通过编写自动化控制程序来简化工作，流程图如附图5所示。
[0050]
步骤三可以通过编写自动化控制程序来简化工作，流程图如附图6所示。
[0051]
本技术与现有技术相比，具有以下有益技术效果：
[0052]
本技术在近场中对样品进行检测，并结合机器学习对检测数值结果进行推理来实现重金属的检测。该方法是通过样品在测试系统中的纵向移动进行等间隔点扫描，利用矢量网络分析仪获取样品的判断因子。以大量的测试数据为基础训练出机器学习推理模型，最终模型可通过测量出的参数推理出样品内重金属的定性或定量结果。
[0053]
该方法与现有的技术相比，能够以非接触、非破坏的方式对样品进行检测，因为微波的穿透性能够透过样品外层实现了对内部电磁特性的探测，最终反映到谐振腔的微波参数上；样品制备无需消耗任何试剂；半数以上的步骤都可以通过计算机实现自动化控制；机器学习的模型训练和结果推理仅需极小的算力。

技术特征：
1.一种采用近场微波显微镜对样本中重金属的检测方法，该方法采用的设备包括：矢量网络分析仪、高精度x-y-z位移台、控制计算机、同轴谐振腔、耦合探针、ccd相机、机器学习分类器；矢量网络分析仪用于给谐振腔提供微波能量，并实时测量谐振腔内部的微波参数；同轴谐振腔用于存储微波能量；耦合探针接在同轴谐振腔内导体上，用于将谐振腔内的能量辐射出去，同时接收反射信号；ccd相机用于拍摄谐振腔耦合探针的针尖到样本的距离；步骤1：制备不同重金属浓度污染后的训练样本；步骤2：将训练样本放入高精度x-y-z位移台上，使训练样本位于谐振腔耦合探针正下方；在z方向上移动高精度x-y-z位移台，z方向为谐振腔耦合探针的指向；通过ccd相机确定谐振腔耦合探针针尖到训练样本的距离，当距离达到临界接触点时，停止移动；临界接触点范围为[－位移电机最小位移距离至，+位移电机最小位移距离])步骤3：以一定的步长向上移动耦合探针，每移动一次，则记录当前位置探针针尖与训练样本的距离d
tip-sample
和判断因子c，判断因子c计算方法为微波谐振腔在谐振状态下腔体内部存储的电磁能量与一个周期内损耗的电磁能量的比值；在移动至少50次以后便完成一轮的测试，可得到探针针尖到训练样本的距离d
tip-sample
与判断因子c的离散关系。对制备好的不同重金属浓度污染后训练样本施以相同的步骤以获取大量数据；步骤4：采用步骤3得到的样本数据训练一个分类器；该分类器包括：输入层、特征工程处理模块、n棵二叉决策树、类别判断模块、输出层组成；n为自定义的分类数量；其中，输入层接收探针针尖到训练样本的距离d
tip-sample
与判断因子c的离散关系原始数据，然后将输入数据传给特征工程处理模块，特征工程处理模块对数据进行预处理和特征提取，然后将处理后的数据分别传给n棵二叉决策树，决策树根据特征值进行判断，将数据分配到不同的叶子节点，叶子节点输出预测得分；所有的预测得分输入类别判断模块进行加权平均，最终输出分类结果；步骤5：处理待识别样本时，首先采用步骤2和步骤3的方法得到待识别样本的探针针尖到训练样本的距离与判断因子c的离散关系，然后采用训练好的分类器对待识别的样本进行重金属浓度的识别。

技术总结
该发明公开了一种采用近场微波显微镜对样本中重金属的检测方法，属于重金属含量检测技术领域。本发明相比于质谱法和两种光谱法，具有操作简单、设备及分析成本低的优势；相比于高光谱图像技术，具有测试结果范围窄，可控性高，分类识别模型训练需求样本数量较少；相比于计算机视觉技术，具有探测样品内外部结构和性质的能力，能够实现定量分析；相比于生物传感器检测技术，具有受物理环境影响小，不受化学环境影响的优势，检测结果稳定性强。检测结果稳定性强。检测结果稳定性强。


技术研发人员：郭俊涛 吴喆 刘昊 刘浩韵 魏召唤
受保护的技术使用者：电子科技大学
技术研发日：2023.06.28
技术公布日：2023/9/23