高通量光谱成像与卷积神经网络的结合，用于水环境中混合阴离子表面活性剂的同步定量分析

《Analytical Methods》：High-throughput spectral imaging combined with convolutional neural networks for simultaneous quantitative analysis of mixed anionic surfactants in aqueous environments

针对阴离子表面活性剂混合污染监测难题，本研究提出高通量光谱成像结合卷积神经网络的新方法，无需预处理即可实现高效同步定量分析，在复杂水质环境中表现优异。

　　

像十二烷基硫酸钠（SDS）和十二烷基苯磺酸钠（SDBS）这样的阴离子表面活性剂被广泛使用，但过量排放会对水生生态系统和人类健康造成威胁，因此准确高效的监测对于环境保护和公共卫生保护至关重要。然而，对这些混合污染物的同时定量分析仍然具有挑战性：现有的检测方法（如亚甲蓝分光光度法）依赖于繁琐的前处理步骤，遵循“单一组分-单一波长”的模式，并且存在通量低、处理周期长以及适应复杂水样能力差的问题。为了解决这一问题，我们开发了一种无需前处理的方法，该方法将高通量光谱成像技术与卷积神经网络（CNN）相结合。我们构建了一个多探针显色系统，并通过宽带光谱成像生成了6216张与浓度相关的RGB图像。通过用ReLU函数替换预训练的ResNet-50网络中的Softmax层，并引入一个线性层，我们定制了一个能够将光谱图像信息非线性映射到表面活性剂浓度的回归模型。实验结果表明，随机采样显著提高了模型的泛化能力，SDS和SDBS的平均绝对误差（MAE）分别达到了0.80 mg L^?1和0.80 mg L^?1，均方根误差（RMSE）分别为1.612 mg L^?1和1.655 mg L^?1。相对百分比差异（RPD）分别为5.432和5.281，决定系数（R²）分别为0.96和0.96。该方法表现出高灵敏度，检测限（LOD）低至0.5 mg L^?1。该模型能够成功适应不同的水样类型，在超纯水、天然水和工业废水中均表现出优异的预测性能和鲁棒性。值得注意的是，这种方法消除了液-液萃取等前处理步骤的需求，为复杂环境中的实时混合污染物监测提供了一种新的高通量方法，有助于提升水生环境监测水平并支持污染控制决策。