仿生视觉色度识别的浓度快速测定

doi:10.19894/j.issn.1000-0518.210459

摘要/Abstract

摘要：

对分光光度计检测设备的依赖，以及通过系列浓度样品测量建立标准曲线的操作限制，极大限制了分光光度法使用场景。当前日益增长的日常健康监测、大样本量的临床测试、野外环境监测等巨大需求，渴望通过触手可及的设备，实现快速、便捷的样本定量分析。受视觉对色度快速识别的启发，设计了一种深度学习辅助的比色法，利用相机拍照，将样品的色度、亮度等信息与对应浓度建立联系，应用于宽浓度范围测定和多组分体系分析。相比传统的分光光度法，深度学习辅助的比色法对单组分体系、多组分体系检测能力均有显著提升，对KMnO₄单组分体系的浓度检测范围从1×10^-5~9×10^-4 mol/L拓宽到1×10^-6~8×10^-2 mol/L，对Co²⁺、Ni²⁺多组分体系的检测浓度范围也从1×10^-2~1×10^-1 mol/L拓宽到1×10^-2~1.0 mol/L，并且检测效率显著提高，建立宽范围浓度样品的检测模型，可对后续未知样品浓度进行快速检测，为家庭临床检测与野外监测工作，提供了快速、便捷的定量分析手段。

关键词: 分光光度法, 视觉仿生, 角形比色皿, 深度学习, 宽浓度范围分析, 多组分体系

Abstract:

The application of spectrophotometry is limitted by its instrumental operation and serial concentration sample investigations for obtaining the concentration dependence linear diagram. With enormous and increasing requirements of daily health or clinic detection and field environment monitoring， rapid and facile approach with accessible equipment is desired. Inspired by human optesthesia chroma recognition， a deep learning assisted photographing colorimetry method was designed to achieve rapid colored multi-analytes quantitative analysis in this paper. The chroma， brightness and photographic information of the samples could be corresponded with their concentrations. Compared with the traditional spectrophotometry， the deep learning assisted photographing colorimetry improved the detection ability of single component system and multi-component system， which not only significantly widens the concentration detection range， but also improves the detection ability. The detection range of KMnO₄ single component system was promoted from 1×10^-5~9×10^-4 mol/L of spectrophotometry to 1×10^-6~8×10^-2 mol/L of photographic colorimetry. The detection range of Co²⁺ and Ni²⁺ multi-component system was promoted from 1×10^-2~1×10^-1 mol/L of spectrophotometry to 1×10^-2~1.0 mol/L of photographic colorimetry. Based on the big-data base of deep learning assisted photographing， the concentration of subsequent unknown samples can be quickly detected， which provides a fast and convenient quantitative analysis means for family clinical detection and field monitoring.

Key words: Spectrophotometry, Optesthesia inspired, Angular cuvette, Deep learning, Wide-range concentration analysis, Multi-analysis

中图分类号:

O657

刘志浩, 谭晓晴, 梁永鹏, 夏超, 孟建新, 李风煜. 仿生视觉色度识别的浓度快速测定[J]. 应用化学, 2022, 39(1): 196-204.

LIU Zhi-Hao, TAN Xiao-Qing, LIANG Yong-Peng, XIA Chao, MENG Jian-Xin, LI Feng-Yu. Optesthesia Inspired Chroma Analysis for Rapid Chromatic Concentration Determination[J]. Chinese Journal of Applied Chemistry, 2022, 39(1): 196-204.

图/表 5

图1 基于视觉色度识别仿生的拍照比色学习（A）视觉色度识别（人眼观察不同浓度的样品，经由视神经细胞传递至大脑皮层形成视觉感受，实现对样品的半定量分析）；（B）拍照比色学习（照相机拍摄收集大量图片，输入卷积神经网络学习人的视觉系统，基于样品的色度和亮度实现对样品的定量分析）

Fig.1 Bionic photographing colorimetric learning based on optesthesia inspired chroma analysis（A） Optesthesia chroma recognition （human eyes observe samples of different concentrations， which are transmitted to the cerebral cortex through optesthesia nerve cells to form optesthesia perception， so as to realize semi-quantitative analysis of samples）；（B） Photographing colorimetric learning （camera captures and collects a large number of pictures， inputs them into convolutional neural network to learn human optesthesia system， and realizes quantitative analysis of samples based on chromaticity and brightness of samples）

图2 分光光度法和拍照比色法对KMnO4的检测浓度范围比较（A） 1×10-6~9×10-2 mol/L KMnO4的紫外分光光谱分析；（B） 1×10-6~9×10-2 mol/L KMnO4的拍照比色分析

Fig.2 Comparison of detection concentration range of KMnO4 by spectrophotometry and photographic colorimetry（A） Concentration dependence of 1×10-6~9×10-2 mol/L KMnO4 detection with UV-Vis spectrophotometry analysis；（B） Concentration dependence of 1×10-6~9×10-2 mol/L KMnO4 detection with photographic colorimetric analysis

图3 使用矩形比色皿（上）和角形比色皿（下）对1×10-7~8×10-2 mol/L范围浓度的KMnO4的照片对比

Fig.3 Photograph table of rectangular cuvette （above） and angle cuvette （below） images for various KMnO4 solutions at 1×10-7~8×10-2 mol/L （unit： mol/L）

图4 对1×10-6~8×10-2 mol/L浓度范围的KMnO4进行卷积神经网络分析，预测集与实测集的回归曲线（A）矩形比色皿实现97.83%的准确性；（B）角形比色皿实现99.88%的准确性

Fig.4 Actual vs predicted concentration for the test set of KMnO4 detection at 1×10-6 ~ 8×10-2 mol/L（A） Rectangular cuvette performed 97.83% accuracy；（B） Angle cuvette achieved 99.88% accuracy

图5 比色分析与分光光度分析法对进行Co2+、Ni2+混合组分进行检测的对比（A）角形比色皿中1×10-2~1 mol/L Co2+、Ni2+不同混合浓度的色度分析；（B）分光光度法对Co2+、Ni2+不同混合浓度的浓度梯度分析，分别针对Co2+ （a）513 nm处和Ni2+（b）395 nm的特征吸收，监测混合溶液的吸光度；（C）深度学习比色法图像识别对1×10-2~1 mol/L Co2+（红色斑点）、Ni2+（绿色斑点）混合组分的分析，准确率达到99.01%

Fig.5 Concentration dependence of Co2+ and Ni2+ mixed solutions via colorimetric photography or spectrophotometry（A） The angle cuvette to photographic colorimetric diagram of 1×10-2~1 mol/L Co2+, Ni2+ mixed solution; （B） The UV?Vis spectra analysis map of 1×10-2~1 mol/L Co2+ (a), Ni2+ (b) mixed solution; the absorption of Co2+ (a) at 513 nm, or Ni2+ (b) at?395 nm was monitored; （C） The photographic colorimetric map of 1×10-2~1 mol/L Co2+ (red spot), Ni2+ (green spot) mixed solution. The 99.01% accuracy was achieved

参考文献 35

1	ROBERT C H. Ultraviolet Spectrophotometry［J］. Anal Chem， 1958， 30（4）： 589-593.
2	YUAN W H， ZHAO L， YANG J Z， et al. Insights into the decomposition and oxidation chemistry of p-xylene in laminar premixed flames［J］. J Phys Chem A， 2021， 125（15）： 3189-3197.
3	EHNERT S， SEEHASE J， WULLER-RENNO C， et al. Simultaneous quantification of total carbohydrate and protein amounts from aqueous solutions by the sulfuric acid ultraviolet absorption method （SA-UV method）［J］. Anal Chim Acta， 2021， 5（3）： 1174-1184.
4	LIU Z X， TIAN W G， JI X， et al. Visualized discriminant analysis and recognition of multiple metal ions with a single cellulose-based fluorescent probe［J］. ACS Sustainable Chem Eng， 2021， 9（28）： 9376-9385.
5	SUN L， ROTARU A， ROBEYNS K， et al. A colorimetric sensor for the highly selective， ultra-sensitive， and rapid detection of volatile organic compounds and hazardous gases［J］. Ind Eng Chem Res， 2021， 60（24）： 8788-8798.
6	TU E， PEARLMUTTER P， TIANGCO M， et al. Comparison of colorimetric analyses to determine cortisol in human sweat［J］. ACS Omega， 2020， 5（14）： 8211-8218.
7	HIROSHI M， SU P， DOOUBERLY G E. Fabrication of nanocrystal tube using peptide tubule as template and its application as signal-enhancing cuvette［J］. Phys Chem， 2001， 105（9）： 1683-1686.
8	WHITEHEAD H D， WALDMAN J V， WIRTH D M， et al. 3D printed UV-Visible cuvette adapter for low-cost and versatile spectroscopic experiments［J］. ACS Omega， 2017， 2（9）： 6118-6122.
9	DARIN Z， BIRTHE DM， MAJED F， et al. Developing a simple method to enhance the generation of cone and rod photoreceptors in pluripotent stem cell-derive retinal organoids［J］. Stem Cells， 2020， 38（1）： 45-51.
10	NICK S， GENMANY FRANZ F. Visual shape perception in the case of transparent objects［J］. JOV， 2019， 19（24）： 1-36.
11	JOSEPH B， ALISTAIR B， ROBERT P， et al. The perceived size and shape of objects in peripheral vision［J］. i-Perception， 2016， 8（17）： 1-23.
12	CAMILLE C， THOMAS E， TIMM S. How do horizontal cells ‘talk’ to cone photoreceptors？ different levels of complexity at the cone-horizontal cell synapse［J］. J Physiol， 2017， 595（16）： 5495-5506.
13	HOLZNER G， KRIEL F H， PRIEST C. Pillar cuvettes： capillary-filled， microliter quartz cuvettes with microscale path lengths for optical spectroscopy［J］. Anal Chem， 2015， 87（9）： 4757-4764.
14	SONG H M， SOKOLOV M. Analysis of protein expression and compartmentalization in retinal neurons using serial tangential sectioning of the retina［J］. J Proteome Res， 2009， 8（28）： 346-351.
15	ERIKSEN A Z， ELIASEN R， OSWALD R， et al. Multifarious biologic loaded liposomes that stimulate the mammalian target of rapamycin signaling pathway show retina neuroprotection after retina damage［J］. ACS Nano， 2018， 12（8）： 7497-7508.
16	LUCHOWSKI R， GRUDZINSKI W， WELC R， et al. Light-modulated sunscreen mechanism in the retina of the human eye［J］. J Phys Chem B， 2021， 125（23）： 6090-6102.
17	LIU Y X， LIU M， ZHANG X C， et al. Protective effect of fucoxanthin isolated from laminaria japonica against visible light-induced retinal damage both in vitro and in vivo［J］. J Agric Food Chem， 2016， 64（2）： 416-424.
18	DUAN Q N， LEE J C， ZHENG S R， et al. A color-spectral machine learning path for analysis of five mixed amino acids［J］. Chem Commun， 2020， 56（31）： 1058-1061.
19	XING J， ZHENG S X， DIND D， et al. Deep learning for prediction of the air quality response to emission changes［J］. Environ Sci Technol， 2020， 54（20）： 8589-8600.
20	JU L， LYU A H， HAO H X， et al. Deep learning-assisted three-dimensional fluorescence difference spectroscopy for identification and semi-quantification of illicit drugs in biofluids［J］. Anal Chem， 2019， 91（15）： 9343-9347.
21	GUO L L， WANG T， WU Z H， et al. Portable food-freshness prediction platform based on colorimetric barcode combinatorics and deep convolutional neural networks［J］. Adv Mater， 2020， 32（45）： 2004805.
22	ZHENG L， ASKIM J R， SUSLICK K S. The optoelectronic nose： colorimetric and fluorometric sensor arrays［J］. Chem Rev， 2019， 119（1）： 231-292.
23	CAROLOS H， RIOS M， CHRISTOPHE D. Rapid determination of ionization constants （pK_a） by UV-spectroscopy using 96-well microtiter plates［J］. ACS Med Chem Lett， 2013， 4（1）： 142-145.
24	HAN J K， GEUM D M， LEE M W， et al. Bioinspired photo responsive single transistor neuron for a neuromorphic visual system［J］. Nano Lett， 2020， 20（12）： 8781-8788.
25	CHO S Y， LEE Y H， LEE S W， et al. Finding hidden signals in chemical sensors using deep learning［J］. Anal Chem， 2020， 92（9）： 6529-6537.
26	REIMER M， OPDENBOSCH D V， CORDT Z. Fabrication of cellulose-based biopolymer optical fibers and their theoretical attenuation limit［J］. Biomacromolecules， 2021， 22（8）： 3297-3312.
27	DAVIS E J， JONES M， THIEL D A， et al. Using open-source， 3D printable optical hardware to enhance student learning in the instrumental analysis laboratory［J］. J Chem Educ， 2018， 95（5）： 672-677.
28	HAO D D， ZHANG J Y， DAI S L， et al. Perovskite/organic semiconductor-based photonic synaptic transistor for artificial visual system［J］. ACS Appl Mater Interfaces， 2020， 12（35）： 39487-39495.
29	WANG H Q， YANG L， CHU S Y， et al. Semiquantitative visual detection of lead ions with a smart phone via a colorimetric paper-based analytical device［J］. Anal Chem， 2019， 91（14）： 9292-9299.
30	YAN S F， YAN X F. Using labeled autoencoder to supervise neural network combined with k-nearest neighbor for visual industrial process monitoring［J］. Ind Eng Chem Res， 2019， 58（23）： 9952-9958.
31	YANG Q， LI J H， WANG X Y， et al. Ternary emission of a blue-， green-， and red-based molecular imprinting fluorescence sensor for the multiplexed and visual detection of bovine hemoglobin［J］. Anal Chem， 2019， 91（10）： 6561-6568.
32	HIRAYAMA E， SUGIYAMA T， HISAMOTO H， et al. Visual and colorimetric lithium ion sensing based on digital color analysis［J］. Anal Chem， 2000， 72（3）： 465-474.
33	MATER A C， CCOOTE M L. Deep learning in chemistry［J］. J Chem Inf Model， 2019， 59（6）： 2545-2559.
34	HE H， YAN S， LYU D Y， et al. Deep learning for bio-spectroscopy and bio-spectral imaging： state-of-the-art and perspectives［J］. Anal Chem， 2021， 93（19）： 3653-3665.
35	ZHANG J， YU J L， LIN D， et al. Hybrid deep learning approach for the identification of clathrin［J］. J Chem Inf Model， 2021， 61（1）： 516-524.

[1]	刘振邦, 张硕, 包宇, 马英明, 梁蔚淇, 王伟, 何颖, 牛利. 深度学习在化学信息学中的应用研究进展[J]. 应用化学, 2023, 40(3): 360-373.
[2]	孙瑶, 吴呈珂, 李全民. 硝普钠分光光度法测定头孢他啶[J]. 应用化学, 2012, 29(09): 1082-1086.
[3]	张亚秋. 茚三酮为显色剂分光光度法测定氨苄西林钠[J]. 应用化学, 2012, 29(03): 316-319.
[4]	于游, 聂毅. 离子液体对淀粉酶催化反应的影响[J]. 应用化学, 2011, 28(05): 602-604.
[5]	李晶, 张美芸, 李全民. 用铁氰化钾分光光度法测定头孢噻肟钠[J]. 应用化学, 2011, 28(01): 88-93.
[6]	李翠侠, 刘绍璞, 刘忠芳, 胡小莉. 呋塞米-Pd(Ⅱ)-碱性三苯甲烷染料反应体系的吸收光谱及分析应用[J]. 应用化学, 2010, 27(10): 1215-1220.
[7]	胡小莉, 秦明友, 刘绍璞, 刘忠芳, 陈佩丽. 盐酸丁卡因-赤藓红反应体系的吸收光谱及分析应用[J]. 应用化学, 2010, 27(07): 855-859.
[8]	李晶, 郑立庆, 张甜甜, 李全民. 赖氨酸-甲醇-1,2-萘醌-4-磺酸钠体系褪色光度法测定甲醇[J]. 应用化学, 2010, 27(04): 484-487.
[9]	牛金刚, 梁晓静, 刘霞, 蒋生祥. 分光光度法测定水溶液中的有机酸含量[J]. 应用化学, 2010, 27(03): 342-346.
[10]	吴伶俐, 张欢欢, 李全民. 1,2-萘醌-4-磺酸钠体系分光光度法测定对苯二酚[J]. 应用化学, 2009, 26(4): 462-466.
[11]	向东山, 翟琨. 分光光度法测定竹节人参甲醇提取物中皂甙含量[J]. 应用化学, 2009, 26(3): 358-360.
[12]	侯延民, 谢吉民,李春香, 赵晓军. 双水相气浮浮选光度法分离/测定废水中痕量土霉素[J]. 应用化学, 2009, 26(12): 1492-1494.
[13]	曾艳, 李玲, 袁世东, 代俊红. 植物油脂对苯酚的吸附性能[J]. 应用化学, 2009, 26(1): 37-41.
[14]	王祥洪,谢兵. 灿烂甲酚蓝体系分光光度法测定肌苷[J]. 应用化学, 2009, 26(08): 999-1001.
[15]	秦宗会, 刘艳, 牛卫芬, 赵小辉. 某些酸性三苯甲烷染料与盐酸吡格列酮相互作用的分子光谱特点及其分析应用[J]. 应用化学, 2008, 25(9): 1017-1021.