综述:基于比色传感器阵列的AI辅助气味检测技术进展:从传感器设计到高维数据智能分析

《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》:Advances in AI-Assisted Odor Sensing Using Colorimetric Sensor Arrays: From Sensor Design to High-Dimensional Data Intelligence

【字体: 大 中 小 】 时间:2026年06月27日 来源:TRAC-TRENDS IN ANALYTICAL CHEMISTRY 13.5

编辑推荐:

  李丹丹|王宇|李登山|朱琳娜|关国强|欧阳琴 中国江苏省镇江市江苏大学食品与生物工程学院,邮编212013 摘要:利用比色传感器阵列进行气味检测是一种快速、低成本且无损的食品安全与质量评估方法。然而,传统比色传感器阵列的稳定性、耐湿度性及重复性存在局限,而传统化学计量方法在处理

  李丹丹|王宇|李登山|朱琳娜|关国强|欧阳琴 中国江苏省镇江市江苏大学食品与生物工程学院,邮编212013

摘要:利用比色传感器阵列进行气味检测是一种快速、低成本且无损的食品安全与质量评估方法。然而,传统比色传感器阵列的稳定性、耐湿度性及重复性存在局限,而传统化学计量方法在处理复杂气体混合物时也面临困难。近年来,纳米材料在传感器技术中的应用提升了比色传感器阵列的性能,同时光谱学和成像技术则能够提供更具信息量且维度更高的数据,这些数据包含了化学信息和空间信息。人工智能通过特征学习、降维以及预测建模等方法,为处理高维数据提供了灵活的工具。本综述综合阐述了人工智能辅助的比色传感器阵列在传感器工程、高维数据获取、基于人工智能的建模以及食品监测应用方面的进展。文中总结了各种传感机制、制造策略、光谱技术以及先进的成像方法,重点介绍了深度学习如何提升对高维响应数据的定性和定量分析能力。此外,还探讨了典型应用案例、当前应用中的瓶颈以及未来的发展方向。

引言 食品在储存、运输和加工过程中会释放出挥发性有机化合物,这些化合物是评估食品质量和安全的重要化学标志物。气相色谱-质谱法仍然是识别挥发性有机化合物的金标准[1]。不过,该技术存在操作成本高、便携性差以及无法实现实时检测的缺陷。2000年,Suslick团队率先提出了利用固定在载体上的染料构成的比色传感器阵列进行气味检测的方法,这种方法能够检测并区分多种不同的挥发性有机化合物[2]。这一研究为后续基于比色传感器阵列的食品质量与安全检测技术的发展奠定了基础。比色传感器阵列通过挥发性有机化合物与染料之间的相互作用产生颜色变化,从而将嗅觉信息转化为直观的视觉信号。其核心技术依赖于一系列具有化学响应特性的染料,如金属卟啉、pH指示剂以及溶剂致色染料。这些颜色变化主要是由分子间相互作用引起的,包括金属-配体配位、质子转移、氢键作用以及偶极-偶极相互作用。这些机制使得传感器阵列能够捕获广泛的化学信息。与气相色谱-质谱法相比,比色传感器阵列能够实现快速、实时的检测,且无需破坏样本即可反复检测,分析时间可缩短至几分钟甚至几秒[3]、[4]。比色传感器阵列的性能取决于染料和载体的物理化学性质。近年来,材料科学和纳米技术的进步推动了染料化学和载体工程的创新,提升了比色传感器阵列的灵敏度、稳定性和耐湿度性。基于比色传感器阵列的气味可视化系统的检测限已达到ppm甚至ppb级别[5]、[6]。有些比色传感器阵列即使在相对湿度接近90%的环境下仍能保持稳定的响应[7]。与此同时,将比色传感技术与包装材料相结合,还可以实现运输和储存过程中的智能现场监测[8]。

传统的生物和化学传感技术大多遵循“锁钥”识别原理,适用于单一目标检测[9]。而比色传感器阵列则利用交叉反应机制,在多个染料点位产生特征性的响应模式,从而实现对复杂挥发性有机化合物混合物的定性区分和定量分析。这些颜色变化通常通过CIELAB(L*、a*、b*)、RGB(红、绿、蓝)以及HSV(色调、饱和度、明度)等颜色模型转换为数值特征。对于单个染料点位而言,这些描述符提供的变量数量有限。但当结合多个染料点位和颜色通道时,仍可生成高维数据集,尤其是当变量数量相对于样本规模较大时。这类特征主要反映颜色变化情况。而光谱学方法则为每个染料点位生成数百到数千个波长相关的变量,从而提供包含更丰富化学信息的高维数据。其中,可见光-近红外光谱技术既能捕捉与可见光区域相关的颜色信息,又能检测与分子振动以及官能团吸收相关的近红外吸收特征[10]。高光谱成像技术则通过在每个像素点获取完整的光谱信息,进一步整合了光谱信息和空间信息,实现了对不同染料点位的空间分辨分析[11]。可见光-近红外光谱技术和高光谱成像技术共同构成了高维、多通道的数据集,这些数据集包含了互补的化学信息和空间信息。不过,这类数据集也带来了诸多分析挑战,包括相邻波长之间的强相关性、较高的噪声敏感性以及不理想的样本与变量比例。在处理高维光谱成像数据中存在的非线性关系和复杂特征结构时,传统化学计量方法的性能可能较为有限[12]。人工智能则为从复杂数据集中提取有意义的信息以及实现实时决策提供了先进的分析框架[13]。基于人工智能的建模方法,尤其是深度学习技术,能够实现端到端的特征学习,减少对人工特征工程的依赖,从而提升系统的稳健性和预测精度。计算机科学的快速发展推动了机器学习和技术在基于比色传感器阵列的食品质量评估体系中的应用。目前的综述大多介绍了用于提升比色传感器阵列性能的传统化学响应染料以及表面改性策略,但对于新型载体开发以及功能集成方面的内容探讨不够深入[14]。除了传感器阵列的设计之外,高效的数据采集方式对于准确捕捉挥发性有机化合物与传感器阵列之间的相互作用也至关重要。Mazur等人(2024年)主要研究了基于传统颜色模型的比色传感器阵列的数字化处理方法,未涉及能够获取高维信息的先进数据采集技术,如高光谱成像技术和可见光-近红外光谱技术[15]。这类高维数据集需要合适的建模方法才能提取出有用的特征信息,并实现可靠的解读。Shen等人(2026年)总结了气味成像技术的发展现状,但大多数研究仍然依赖颜色描述符和传统的化学计量分析方法[16]。针对高维数据建模的策略,包括深度学习、优化算法以及先进的数据融合框架,目前尚未得到系统性的评估。此外,Johnson等人(2025年)研究了用于模式识别和多组分分析的机器学习技术,但并未全面探讨深度学习的整合应用、多模态数据融合以及人工智能辅助的比色传感器阵列未来面临的挑战[17]。在食品质量与安全领域,人工智能辅助的比色传感器阵列应用在诸多关键场景中仍处于发展初期。Zhai等人(2025年)研究了食品包装中用于判断新鲜度的比色指标,但并未系统探讨人工智能辅助的比色传感器阵列在成分分析、微生物检测以及毒素检测中的应用[18]。Parakh等人(2025年)聚焦于人工智能辅助的比色生物传感技术在环境和生物医学领域的应用,但并未专门讨论针对食品应用的人工智能辅助比色传感器阵列的算法开发以及工程实现方案[19]。尽管已有部分综述探讨了利用比色传感器阵列进行食品质量与安全检测的相关技术,但据我们所知,目前还没有专门的综述对食品监测相关内容进行系统整合。本综述通过连接传感器工程、高维数据获取、基于人工智能的建模以及食品监测应用这四个相互关联的方面,填补了这一空白。我们并非将这些问题视为独立的发展内容,而是着重阐述这四个方面的整合如何影响人工智能辅助的比色传感器阵列系统的分析性能、可解释性以及实际应用潜力。图1展示了本综述的整体框架。首先,我们介绍借助纳米材料在比色传感器阵列设计方面取得的进展,包括那些能够提升灵敏度、选择性、稳定性以及耐湿度性的染料/载体设计策略。接着,我们回顾了从传统颜色特征向包含更多信息的内容的光谱学和成像技术的发展历程,随后介绍了针对复杂挥发性有机化合物混合物的基于人工智能的建模方法。最后,我们总结了人工智能辅助的比色传感器阵列在食品监测领域的典型应用案例,并分析了当前存在的瓶颈、实际应用中的问题以及未来的发展方向。总体而言,本综述为构建可靠、可解释且易于应用的人工智能辅助比色传感器阵列平台以用于食品监测提供了发展路径。

章节节选 基于比色传感器阵列的气味可视化系统构成 基于比色传感器阵列的气味可视化系统通常由三个功能模块组成:基于比色传感器阵列的传感模块、数据采集模块以及数据分析模块。这种划分符合基于比色传感器阵列的检测流程,即化学传感、信号采集以及数据解读。在此语境下,比色传感器阵列特指传感模块,它由具有响应特性的染料以及用于固定染料的载体构成。染料和载体的选择 染料 染料是比色传感器阵列中进行气味可视化检测的关键组成部分,因为挥发性有机化合物引发的颜色变化包含了多维度的信息,这些信息可为后续的人工智能分析提供依据。传统的化学敏感染料,包括pH指示剂、卟啉、金属卟啉以及溶剂致色染料,由于其成熟的颜色响应机制以及多样的对挥发性有机化合物的响应特性,依然是设计比色传感器阵列的基础材料[14]、[17]。不过,它们的实际应用性能往往受到限制 人工智能算法在比色传感器阵列分析中的应用 比色传感器阵列产生的数据具有高维度且复杂的特征,这使得后续的特征提取和建模工作变得更加困难。这类数据集不仅包含颜色变化的信息,还涉及样本成分[58]、多组分混合物的特性[11]以及空间分布模式[59]等信息。尤其是光谱学和成像数据,相比低维度的颜色特征,能更直接地展现挥发性有机化合物与比色传感器阵列之间的相互作用模式。化学计量学方法以及人工智能辅助的比色传感器阵列在食品质量与安全领域的应用 在介绍了人工智能,特别是机器学习和技术的基本概念之后,本节将综述人工智能辅助的比色传感器阵列在食品挥发性有机化合物检测与分析方面的各类应用。文中重点介绍了四个主要应用领域:食品新鲜度监测、食品成分分析、微生物与毒素检测,以及食品分级和掺假检测(见图S1)。表2汇总了近年来发表的典型人工智能辅助的比色传感器阵列相关研究,重点介绍了研究的目标分析物、传感器设计、数据输入等内容 人工智能辅助的比色传感器阵列面临的挑战与未来发展趋势 最近,人工智能辅助的比色传感器阵列技术在食品安全与质量监测领域的应用范围不断扩大,这得益于其快速响应、高灵敏度、无损分析以及能够实现在线挥发性有机化合物检测的优势。不过,其在实际应用中仍面临诸多挑战,这些挑战涉及比色传感器阵列的可持续性、稳定性、选择性、可扩展性,以及人工智能模型的稳健性等方面。本节总结了比色传感器阵列设计以及人工智能辅助的比色传感器阵列整合应用过程中面临的关键挑战和未来发展趋势,指出了相应的发展方向 结论 本综述总结了近期在将人工智能辅助的比色传感器阵列应用于食品气味感知与检测方面的研究成果。研究表明,通过优化染料负载技术以及载体功能化处理,可以提高比色传感器阵列的灵敏度、选择性和稳定性。还有证据表明,人工智能算法能够支持在多种应用场景中的使用,有助于从响应信号中提取特征信息,从而推动其在食品新鲜度监测、食品分级、掺假检测等方面的应用。

作者贡献说明 朱琳娜:可视化分析、实验研究、正式分析。李登山:论文撰写与修改、可视化分析、概念构建。王宇:论文撰写与修改、可视化分析、研究指导、概念构建。李丹丹:论文撰写与修改、原始草稿撰写、实验研究、概念构建。欧阳琴:论文撰写与修改、可视化分析。关国强:可视化分析、研究指导、概念构建

利益冲突声明 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢 本研究得到了国家关键研发计划(2022YFD2100604)以及江苏省自然科学基金(BK20250052)的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号