买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京师范大学

摘要：本发明提出了一种利用聚集诱导发光材料AIE的荧光变异性与图形几何组‑U型神经网络VGG‑UNet深度学习相结合的方法，对全氟和多氟化合物PFAS类新污染物进行溯源分析。该方法首先利用AIE荧光探针的特性，通过聚集诱导荧光发特性来标识PFAS类污染物的光谱指纹特性。随后，借助VGG‑UNet深度学习网络对采集的荧光图像进行高精度分割和识别，以实现对PFAS污染源的精准定位。本发明提高了PFAS类污染物溯源的准确性和效率，为环境保护和污染治理提供了新的技术手段。

主权项：1.以聚集诱导发光体AIE荧光变异和视觉几何组-U型神经网络VGG-UNet对PFAS类新污染物溯源的方法，其特征在于，该方法包括以下步骤：步骤1，筛选具有荧光指纹特性的亲脂性聚集诱导发光体AIE材料，记为A1、A2、A3、A4等；步骤2，筛选待分析的全氟和多氟化合物PFAS类污染物，记为P1、P2、P3、P4等；步骤3，将低浓度的聚集诱导发光体AIE材料分散至水中形成透明溶液，加入待分析的全氟和多氟化合物PFAS类污染物水样，缓慢蒸发混合溶液，使全氟和多氟化合物PFAS达到其临界胶束浓度，此时以三维荧光波谱仪在激发波长260～350nm，发射波长320～550nm范围内扫描，扣除背景和散射信号，进行数据清洗，获取其指纹波谱信息；步骤4，重复步骤3，采集不同聚集诱导发光体AIEs和不同全氟和多氟化合物PFAS的对应谱图，如A1-P1、A2-P2、A1-P2、A2-P1等；步骤5，将所获得的对应谱图导入视觉几何组-U型神经网络VGG-UNet进行机器学习，以U型神经网络UNet在解码器阶段强化采样层，执行卷积运算以施加高维特征，然而，对于复杂的情况，U型神经网络UNet无法从小数据集中学习足够的特征，需要加入视觉几何组VGG预训练权重的交叉学习策略提取弱缺陷特征，以保持原始模型对缺陷形状、大小和位置的准确性，输出具有指导意义的视觉几何组-U型神经网络VGG-UNet网络模型；步骤6，对可疑区和敏感区的上下游水体进行野外采样，对水样进行预处理，实现杂质的分离纯化，进一步地进行电化学强氧化，以消除除全氟和多氟化合物PFAS之外任何有机质对光谱信息的干扰；步骤7，将步骤6获得的仅含有全氟和多氟化合物PFAS的纯净水样与步骤1中筛选的聚集诱导发光体AIE材料混合，获得对应的指纹波谱信息，具体操作同步骤3；步骤8，重复步骤7，获得不同聚集诱导发光体AIE和不同水样的对应谱图，具体操作同步骤4；步骤9，对获得的谱图进行数据整合和数据清洗，建立数据库，在步骤5建立的视觉几何组-U型神经网络VGG-UNet网络模型算法的基础上，将可疑区的水样与下游受污染区的谱图进行比对分析，进行识别和验证，最终确定污染源。

全文数据：

权利要求：

百度查询： 北京师范大学 以AIE荧光变异和VGG-UNet对PFAS类新污染物溯源的方法