一种基于钴离子的碳量子点及其制备方法与应用

技术领域

本发明涉及食品安全技术领域，具体涉及一种基于钴离子的碳量子点及其制备方法与应用。

背景技术

红茶是中国生产和出口的主要茶叶类型之一。根据加工技术的不同，它可以分为三类：工夫红茶、小种红茶和CTC(粉碎、撕碎、卷曲的简称)红茶。工夫红茶是中国分布最广、产量最大的红茶品种。祁门红茶是工夫红茶的一种，其加工过程包括萎凋、揉捻、发酵和干燥。发酵对红茶的质量至关重要，因为它对颜色、味道和香气有影响。发酵不充分或过度会对红茶的质量产生负面影响。红茶发酵的主要过程是多酚氧化，由多酚氧化酶和过氧化物酶催化，发酵过程中的这种氧化对茶叶的口感、汤色和香气的形成起着关键作用。多酚类物质在红茶发酵过程中可以自我氧化和自我聚合，产生氧化产物，如茶黄素(TFs)、茶红素(TRs)和茶氨酸(TB)。发酵程度分别与TF含量和儿茶素含量呈正负相关，发酵时间与儿茶素呈正相关。儿茶素在红茶中占多酚类物质的最大比例，包括EGCG、EC、C、EGC、ECG、GCG和GC。显然，这些成分直接决定了成品茶的口感和品质。传统上，红茶的发酵质量是由专家确定的，容易产生主观的偏差。而由实验室的专业技术人员进行检测时，又具有一些明显的缺点，如昂贵和耗时，决定了现有的检测技术无法适应实际生产。因此，需要开发一种快速、方便、无损的发酵主要成分检测方法。为了解决这个问题，已经制定了确定红茶发酵质量的自动化方法。

对质量的监测和控制一直是茶叶加工领域的主要研究方向。儿茶素和TFs等化学成分的含量变化可以作为红茶发酵质量的关键指标，电子鼻技术、电子舌技术和机器视觉技术已经得到应用。电子鼻技术是基于发酵过程中的茶叶香气，但香气很容易受到环境因素和设备特定因素(检测器漂移)的影响。在电子舌技术中，采用各种功能的仿生检测传感器来获得样品的总特征信号，并采用适当的模式识别方法识别液体样品的特征信息，以确定发酵程度；然而，这种系统中采用的传感器有局限性，单一的电子舌不能用于检测所有物质。计算机视觉系统是基于茶叶的外观，如茶叶的形态和颜色，这些信息与化学计量数据相结合；然而，机器视觉不能用于分析发酵的基本化学成分。一般来说，这些方法不能全面地描述发酵过程中发生的物质变化。因此，必须开发新的策略来解决上述限制。

发明内容

为解决背景技术中所提出的技术问题，本发明提供一种基于钴离子的碳量子点及其制备方法与应用，制备的基于钴离子的碳量子点绿色稳定，经济易于操作，且对红茶的发酵程度在30s内对红茶发酵中的关键物质达到稳定响应，达到100％的正确率。

本发明采用以下技术方案实现：

一种基于钴离子的碳量子点的制备方法，包括如下步骤：

将0.28mmol柠檬酸钠溶解在30mL超纯水中，加入1.26mmol尿素和0.42mmol硫脲并混合，然后使用超声波处理器对溶液进行10min的处理，当完全溶解时，将其转移到内衬聚四氟乙烯的高压灭菌反应釜中，在180℃下加热6h，即可。

如上述所述的制备方法制备得到的碳量子点。

如上述所述的碳量子点在检测红茶发酵质量中应用，包括以下步骤：

(1)待检测红茶样品的制备

准备待检测的红茶样品并进行感官评价分类；

(2)发酵质量的检测

在5mL的离心管中加入2.7mL超纯水、0.1mL碳量子点溶液、0.1mL10

(3)发酵程度的有效分组

采用PCA和HCA研究了通过不同发酵时间红茶样品对碳量子点的荧光淬灭来对发酵程度进行分组；

PCA、HCA均在Origin中进行，PCA结果分析中我们采用了两个主成分代表样品信息，PCA是一种常用的无监督的机器学习技术，通过识别数据中最重要的主成分来降低数据集的维度，这些主成分可以解释数据中的方差；简单来说，PCA能够将原始的高维数据映影到一个低维空间，该空间能够捕捉变量之间最重要的模式和关系，HCA同样为一种常用无监督的机器学习算法，通过将相似的观察值分组，旨在得到样本簇结构的同时发现阉割版分布的层次结构；HCA和PCA主要区别在于它们的目的不同：PCA旨在降低数据集的维度，而HCA旨在将相似的样本进行分组，此外，PCA的输出是一个新的坐标系和对应的主成分，而HCA的输出是一个树状图，其中每个叶节点代表一个样本，而内部节点表示样本的聚类关系；

(4)监督机器学习技术建立定性模型

ELM、SVM、LSSVM模型在MATLAB2014a(Mathworks，Natick，USA)中进行，在建模前，我们将步骤(2)分组后的样本按2：1的比例分成校准集和预测集，将光谱数据设置为输入变量，将发酵程度设置为输出变量，ELM是一种基于前馈神经网络的机器学习系统或方法，适用于有监督学习和无监督学习问题，首先，利用ELM算法对输入权值和偏差进行随机初始化，得到相应的输出权值，通过比较不同神经元数目对分类精度的影响，选择最佳隐层神经元数目N建立模型；SVM是一种用于分类和回归任务的有监督的机器学习技术，接着，利用SVM通过最大化超平面与最近数据点之间的间隔来找到最佳分离数据中类别的超平面，SVM也可以使用核函数来处理非线性数据和进行特征选择，LSSVM是SVM的改进版本，最后，通过事先选择的非线性映射将输入向量映射到高维特征空间，在这个空间中构造最优决策函数；在构造最优决策函数时，利用了结构风险最小化原则，并利用原空间的核函数取代高维特征空间中的点积运算，使用最小二乘方法来估计模型的参数。简化了计算的复杂性，对于大型数据集，LSSVM也比SVM更快，SVM和LSSVM都对分类和回归任务有效，但LSSVM可能更适用于嘈杂或大型数据集。

上述所述的碳量子点在检测红茶发酵质量中应用，

所述的准备待检测的红茶样品的方法如下：

红茶的发酵：将茶叶揉成团，放在温度为25℃、空气湿度为95％的发酵室中，共发酵6h，得到红茶样品；在发酵开始时，茶叶一般是绿色的，并散发出难闻的草味。随着发酵的进行，叶子的颜色从青绿色变成了红黄色再到红色，草香味逐渐变成了令人愉快的花香和果香。过度发酵导致叶子变成暗红色，甜味减少，并出现轻微的酸味；

红茶样品的加工处理：从发酵开始，采用五点取样法，每隔1h采集一次样品；每次平行采集20个样品并充分混合，以保证样品的代表性；所有样品依次装入编号的密封袋中，随后进行冻干保存。

上述所述的碳量子点在检测红茶发酵质量中应用，

所述的感官评价分类的方法如下：

由7名专业审评员组成的小组对样品进行了感官评价，参考《GB/T23776-2018》规定的红茶评价因素，叶底、汤色、香气、滋味等因素的权重分别设定为15％、25％、30％、30％；由于整个研究中使用的是同一批原料，形状不会提供鉴别力，因此不包括在评价中；发酵不足或过度发酵以70至84分表示，中度发酵以85至99分表示；通过感官审查，审查人员将发酵0-2、3-5和6h的红茶样品分别归类为发酵不足、中度发酵和过度发酵。

相比现有技术，本发明的有益效果在于：

(1)本发明碳量子点是一种由碳聚合物组成的碳基材料，颗粒大小一般在1至10纳米之间。碳量子点表面有许多亲水官能团，如羧基、羰基和羟基。水溶液中的碳量子点的荧光强度可以保持长时间的稳定。

(2)碳量子点具有易于制备、价格低廉、无毒的优点，具有较大的比表面积，具有超导性，具有良好的电子转移能力和电子存储能力。水热法通常用于制备碳量子点，具有操作简单、易于控制和环境可持续性等优点。由于其独特的荧光和光学特性以及稳定性，碳量子点被广泛用于食品分析和其他领域。

(3)碳量子点在被特定波长的光激发时发出荧光，而加入特定的物质会导致荧光被淬灭、恢复、增强或不同波长的荧光。因此，碳量子点作为一种荧光探针具有很大的潜力。金属离子是强氧化剂，有利于量子点对痕量有机分子进行超灵敏的检测。

(4)本发明通过建立监督机器学习技术建立定性模型实现了对红茶发酵质量进行实时监测的新技术，基于钴离子的碳量子点传感系统对红茶发酵中的关键物质有稳定的实时反应。

附图说明

图1为本发明提供的检测红茶发酵质量的原理示意图；

图2为本发明制备的碳量子点探针的粒径图；

图3CQD的能谱图；

图4为定性模型构建的主成分分析得分图和层次聚类分析图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例1

本发明中碳量子点探针溶液的制备。

将0.28mmol柠檬酸钠溶解在30mL超纯水中，加入1.26mmol尿素和0.42mmol硫脲并混合，然后使用超声波处理器对溶液进行10min的处理。一旦试剂完全溶解，将其转移到一个内衬聚四氟乙烯的高压灭菌器室，在180℃下加热6h，获得碳量子点溶液。

本研究对制备的量子点溶液通过透射电镜和扫描电镜对CQD进行相貌表征。如图1、2所示，粒径大小分布在2.0nm～5.0nm范围内，通过计算其平均粒径为3.23nm，在50nm视野下大约有118颗量子点，表明CQD具有良好的分散性。根据图3的CQD的能谱图，揭示了样品中存在碳、氮、氧和硫。为了更好地描述它的颜色，根据(Commission Internationale deL'Eclairage，CIE):国际照明委员会定义其颜色坐标为(0.1401,0.0914)。为进一步探究其光学性质，从CQD的紫外-可见光吸收光谱可以看出主要在230nm、244nm、260nm处有吸收峰，230nm处的吸收峰主要是由C＝C键的π-π跃迁引起的。从荧光光谱图可以看出，CQD的最大激发波长出现在340nm处，最强发射波长在445nm处。

实施例2

定性模型的构建

利用7个不同发酵时间的红茶样品的光谱数据绘制了PCA和HCA聚类分析图。如图4所示，PCA直观地表示了发酵程度可能的样品分组，PC1、PC2对光谱数据的方差贡献率分别为92.8％、2.1％，这表明前两个PC可以解释94.9％的茶叶样品信息。发酵不足、发酵适度和发酵过度三个阶段样品的点都有很好的聚类分布，并且三个不同发酵程度的样品间有明显的的分离。而HCA则客观地给出了与感官审评相一致的最佳发酵集群，发酵不足组由0-2h样品组成，发酵适度组包括3-5h样品组成，发酵过度组由第6h的样品组成。

表1.比较不同红茶发酵程度判别模型

本研究还采用监督算法构建了三个鉴别性的定性模型，并比较了这些模型的性能。如表1中结果显示，ELM校准集和预测集的判别率分别为57.14％和52.38％，这是由于ELM模型的缺点，即学习率难以确定，模型容易陷入局部最小值。SVM和LSSVM都取得了较好的结果，LSSVM获得了最佳的判别结果(惩罚因子c＝26.1530，核参数g＝1.6020)，因为它对数据中的噪声和异常值更加稳健。LSSVM模型在训练和预测集上的发酵水平的正确分类率为100％。

实施例3

红茶样品的定性检测

(1)样品前处理

(1.1)样品的制备

红茶加工按照《红茶加工技术规程》GB/T35810-2018进行。从发酵开始，采用五点取样法，每隔1h采集一次样品；每次平行采集20个样品并充分混合，以保证样品的代表性。所有样品依次装入编号的密封袋中，随后进行冻干保存。

(1.2)样品预处理

红茶样品被捣碎并通过100目筛子之后，将0.2g茶粉加入10mL纯水中，在70℃的水浴中提取10min。然后将混合物以3500转/分的速度离心10min，离心后立即将1mL的上清液稀释到10mL。

(2)样品检测

在5mL的离心管中加入2.7mL超纯水、0.1mL碳量子点溶液、0.1mL10-3mol/L钴离子溶液和0.1mL茶叶提取物。离心后，得到上层液体，并获得其荧光光谱。每个样品平行进行六次测量，每次记录三张光谱，将光谱带入定性模型，判断红茶发酵程度；

碳量子点溶液为实施例1所制备。

(3)不同发酵程度红茶样品的定性判别

利用7个不同发酵时间的红茶样品的光谱数据绘制了PCA和HCA聚类分析图。如图4所示，PCA直观地表示了发酵程度可能的样品分组，PC1、PC2对光谱数据的方差贡献率分别为99.8％、0.1％，这表明前两个PC可以解释99.9％的茶叶样品信息。发酵不足、发酵适度和发酵过度三个阶段样品的点都有很好的聚类分布，并且三个不同发酵程度的样品间有明显的的分离。而HCA则客观地给出了与感官审评相一致的最佳发酵集群，发酵不足组由0-2h样品组成，发酵适度组包括3-5h样品组成，发酵过度组由第6h的样品组成。

进一步，利用有监督的算法建立定性模型，本研究比较了3种判别模型的性能，如表1中结果表明，ELM校正集和预测集的判别率分别是77.14％和74.29％，这是由于ELM模型具有学习率难以确定且易陷入局部最小值的缺点，SVM和LSSVM均取得较好的效果，其中LSSSVM在惩罚因子c＝714.5139，核参数g＝1.772155情况下取得最好的判别结果因为它对数据中的噪声和异常值更加稳健，训练集和预测集的正确分类率均为100％，实现了对红茶不同发酵程度的准确判别。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。