融合激光诱导击穿光谱与深度学习：一种用于食用豆类解剖结构分类与铅污染快速检测的新方法

本文提出了一种结合激光诱导击穿光谱（LIBS）与深度学习框架（DLIBS-FFNet和PLSNetL）的创新分析方法，实现了食用豆类解剖结构的高精度分类（准确率最高达99.83%）和铅污染定量检测（R²最高达0.9924）。该技术为农产品重金属污染快速筛查及食品安全评估提供了高效、无损的解决方案。

^†亮点^†

本研究首次将激光诱导击穿光谱（LIBS）与特征融合深度学习框架相结合，实现对食用豆类不同解剖结构（种皮、种脐、子叶）的精准分类及铅污染定量分析。DLIBS-FFNet模型通过融合主成分分析（PCA）、线性判别分析（LDA）和自编码器（AE）特征，在铅污染样本中达成99.83%的分类准确率。PLSNetL模型通过动态峰选择与自适应特征提取，在种皮、种脐和子叶的铅浓度预测中分别获得0.9924、0.9022和0.8462的R²值，展现了卓越的定量检测能力。

实验

本研究分两阶段进行：第一阶段检测天然豆样，第二阶段检测重金属污染。

未污染豆样的光谱分析

对六种豆类（黑豆、蚕豆、芸豆、红豆、大豆和白扁豆）三个解剖部位（种皮、种脐、肉质）的光谱分析显示其元素组成高度一致。如图3和表1所示，所有样本中均显著检测到钙（Ca）、钾（K）、镁（Mg）、钠（Na）和铷（Rb）等关键元素。这些元素的分布与豆类已知生化特征高度吻合。

结论

本研究成功将激光诱导击穿光谱（LIBS）与先进机器学习技术结合，通过精准分类豆类解剖部位和定量检测铅污染，有效应对食品安全核心挑战。所提出的DLIBS-FFNet框架对天然豆样和铅污染豆样的解剖结构分类准确率分别达96.12%和99.83%。PLSNetL模型通过动态光谱峰筛选和自适应学习机制，在种皮、种脐和子叶的铅浓度预测中均表现出色（R²: 0.9924, 0.9022, 0.8462）。该技术为农产品重金属污染快速筛查提供了强有力的无损检测方案。

作者贡献

Asiri Iroshan：研究构思、实验设计、方法开发、数据整理、形式分析、可视化及初稿撰写。

Nuerbiye Aizezi：实验执行、方法验证、形式分析、文稿审阅。

Yuzhu Liu：研究指导、项目管理、资金获取、文稿审阅。

Asiri Iroshan主导研究设计与实施，开发实验流程并撰写初稿。Nuerbiye Aizezi协助实验验证与数据分析，Yuzhu Liu提供学术监督与资源支持。

CRediT作者贡献声明

Asiri Iroshan：文稿审阅与撰写、可视化、软件实现、方法设计、研究执行、形式分析、数据整理、概念化。

Nuerbiye Aizezi：文稿审阅、方法验证、形式分析。

Yuzhu Liu：文稿审阅、研究指导、项目管理、资金获取。

生成式AI使用声明

本研究在文稿撰写过程中使用ChatGPT进行语言优化与重述。作者对优化内容进行全程审核并对最终发表内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本研究的财务利益或个人关系。

致谢

本研究由国家自然科学基金（项目编号：62375136）资助。

利益声明

作者声明本研究不存在任何可能影响成果的利益冲突。