近日，我院“光電智能感知”團隊在基于光纖SERS探針的遠程SERS光譜檢測領域取得進展，在光學重要期刊Optics Letters上發表題為“Remote SERS detection at a 10-meter scale using quartz fiber SERS probes coupled with convolutional neural network”的研究論文。2020級聯合培養研究生黃俊鵬為文章第一作者，我院周飛副研究員、劉晔研究員為該論文的通訊作者。

利用拉曼光譜開展痕量分析物的遠程檢測在環境監測、爆炸物分析、危險現場檢測等領域具有重要應用價值，但常規拉曼光譜信号弱，檢測靈敏度受限。表面增強拉曼散射（Surface-enhanced Raman scattering，SERS）技術利用貴金屬納米材料的局域表面等離子體共振（Localized surface plasmonic resonance，LSPR）效應能夠顯著提高拉曼光譜的檢測靈敏度，通過将貴金屬納米結構制備在光纖表面形成的光纖SERS探針為高靈敏遠程SERS探測提供新途徑（如圖1a）。

圖1、(a)利用光纖SERS探針開展遠程SERS光譜檢測示意圖，(b)光纖SERS探針表面的納米顆粒團簇結構，(c)光纖自身拉曼對待測物SERS光譜的影響。

石英光纖SERS探針具有成本低、傳輸損耗小、傳輸帶寬寬等顯著優點，然而将其用于遠程SERS光譜檢測時，拉曼激發光在石英光纖中傳輸時将激發光纖自身的拉曼信号，進而疊加到待測物的SERS光譜中，嚴重限制SERS光譜的信噪比和檢測靈敏度（如圖1c）。本工作提出一種基于卷積神經網絡（Convolutional neural network，CNN）的深度學習算法實現光纖SERS探針中光纖自身拉曼本底的有效濾除，以顯著提高了石英光纖SERS探針的遠程檢測能力。我們構建了如圖2所示的U-Net架構CNN模型，利用實驗數據和計算機生成數據相結合的方法産生數百萬條光譜數據對網絡模型進行訓練，獲得優良的光纖光譜背景去除能力，其在驗證集和測試集上的R²系數達到0.9963和0.9948。

圖2、基于U-Net構架的CNN光纖本底去除模型

基于上述訓練好的CNN模型，我們利用實驗室發展的激光誘導蒸發自組裝法制備了系列納米顆粒團簇結構光纖SERS探針，測量了1 m、5 m、10 m距離的遠程SERS光譜，并比較了CNN法和傳統參考光譜法（RSM）的拉曼背景去除效果。結果表明，CNN法比RSM法的檢測靈敏度高一個數量級；利用CNN法實現了10 m長度下10^-8 mol/L的Rh6G溶液的液相高靈敏、快速檢測。該工作為SERS光譜的遠程痕量檢測提供了一種可行方案，在危險物質檢測和遠程環境監測中展現出重要應用前景。

圖3、不同檢測距離和背景去除方法獲得的Rh6G溶液的SERS光譜

以上工作得到國家自然科學基金面上項目、國家重點研發計劃項目子課題、廣東省自然科學基金面上項目、粵莞聯合基金培育項目等項目的資助。

（撰稿：初讓；初審：李豔霞；複審：劉晔；終審：胡耀華）