激光诱导击穿光谱对蕹菜中Pb元素定量分析研究

果蔬重金属污染日趋严重,急需发展一种绿色快速无损检测技术。激光诱导击穿光谱(LIBS)是一种新兴的快速检测技术,为了验证LIBS检测蔬菜中重金属含量的可行性,以新鲜蕹菜为样品,应用共轴双脉冲LIBS对比分析了有无Pb污染的蕹菜菜叶的特征光谱。实验选取铅405.78 nm处的特征谱线作为分析谱线,对7个样品的发射光谱进行研究,并得到了铅元素真实浓度与其LIBS强度拟合曲线,相关系数为0.9857。定标模型浓度预测的相对误差在0.928%~15.05%之间,平均为8.31%,而高浓度污染的测量相对误差均低于3%。试验结果表明,LIBS用于定量分析蕹菜中重金属元素含量是可行的。     

激光诱导击穿光谱谱峰元素自动识别方法研究

激光诱导击穿光谱(LIBS)中通常含有丰富的元素特征谱峰,谱峰的准确识别是利用LIBS技术进行元素定性、定量分析的前提和基础。针对传统谱峰元素识别方法准确率偏低、可靠性不足的缺点,提出了一种元素谱峰自动识别的新方法。该方法首先利用Voigt函数对实验光谱进行拟合,以克服谱峰重叠和噪声干扰;通过滤波处理后提取拟合谱峰的中心波长、光强、半峰全宽和谱峰质心作为谱峰特征参数向量,并将待识别光谱的谱峰特征参数向量与美国国家标准与技术研究院(NIST)标准谱线数据库中的元素谱线进行相似性分析,从而实现谱峰元素的自动识别。分别利用NIST标准数据库和茶叶样品LIBS光谱数据进行实验研究,验证了该方法在LIBS谱峰元素识别上的有效性。     

基于LIBS技术结合AFSA-SVM算法对岩石类别的识别

激光诱导击穿光谱（LIBS）具备遥感、原位探测的特性，是深空探测识别物质元素组成及含量的重要技术。探测火星表面元素组成及其矿物分布特征是研究火星地质演化和成因的前提。在天问一号任务发射前，基于火星表面成分分析仪（MarSCoDe）开展了15个类别矿物样品的火星模拟探测实验，获取了1920条光谱数据。为验证仪器的探测性能，本文采用人工鱼群算法（AFSA）优化支持向量机（SVM）的高效分类模型（AFSA-SVM），对包括火成岩、沉积岩和金属矿物在内的32种矿物进行分类。首先，采用主成分分析（PCA）算法将原始光谱数据降维，送入AFSA-SVM训练。其次，通过AFSA来优化SVM的参数，实现了99.56%的矿物识别准确率。最后，对比AFSA-SVM模型与其他算法的识别准确率，其中随机森林（RF）算法、反向传播人工神经网络（BPANN）和K近邻（KNN）算法的准确率分别为95.60%、95.80%和90.17%，结果表明AFSA-SVM算法在辅助LIBS识别矿物种类中具有优势。     

基于遗传神经网络的激光诱导击穿光谱元素定量分析技术

提出了一种基于遗传神经网络定量分析模型的激光诱导击穿光谱(LIBS)分析技术。采用误差反向传播(BP)算法构造三层神经网络(ANN)结构,通过遗传算法对神经网络权值和阈值进行优化,并将该定量分析模型与LIBS技术有机结合,实现了元素含量的高精度检测。对土壤中的Ba和Ni元素进行定量检测,平均相对误差分别为4.15%和6.06%,相关系数分别为0.983和0.990,检测精度明显优于BP-ANN方法和光谱分析中常用的内标法。研究表明遗传神经网络建模方法具有很好的预测效果,为LIBS技术进行元素高精度检测提供了一种新的建模方法。     

基于PLS的飞机CFRP激光除漆LIBS监测判据研究

激光分层除漆的可靠性与可控性依赖于有效的在线监测技术,采用激光诱导击穿光谱(LIBS)技术能有效监控激光除漆过程。本文采用激光去除飞机碳纤维复合材料(CFRP)表面漆层,并基于高重频激光除漆LIBS在线监测平台,在线采集除漆过程所激发的面漆和底漆2类光谱共60组。分别建立了基于主成分分析(PCA)和偏最小二乘法(PLS)的判别和预测模型,研究了激光分层除漆过程中LIBS光谱的分类判别。PCA模型前两个主成分累计贡献率达到了79.2%,PLS-DA模型前两个主成分累计贡献率达到了85.5%。PLS回归模型校正标准差(RMSEE)为0.142923,均方根误差(RMSEcv)为0.152053,模型的预测标准差(RMSEP)为0.142421,对20组激光清洗面漆和底漆的混合数据集进行预测,预测准确率达100%。结果表明PLS判别模型比PCA模型分类判别效果更好,PLS预测模型实时评估和自动分类漆层具有较好的预测精度。本研究可为LIBS在线监测激光除漆过程,实现自动化、智能化的激光除漆提供技术支持。     

基于激光诱导击穿光谱技术的铜铟镓硒纳米薄膜的分析探测研究

铜铟镓硒薄膜中4种元素的含量比对薄膜的性能有非常大的影响。采用磁控溅射方法在不同工作气压下制备了铜铟镓硒薄膜,利用激光诱导击穿光谱(LIBS)技术实现了铜铟镓硒薄膜中Ga含量与(In+Ga)含量之比以及Cu含量与(In+Ga)含量之比的定量分析。分析了不同工作气压下制备的铜铟镓硒薄膜中元素谱线的强度,结果表明:IGa/I(In+Ga)与薄膜的禁带宽度是对应的,均随工作气压的增加而先增大后减小,当工作气压为2.0Pa时,获得了最大的薄膜禁带宽度;ICu/I(In+Ga)与能谱仪测得的浓度变化一致。LIBS技术能够实现薄膜中元素含量比例的快速检测,不同元素谱线强度的相对比值能够间接反映薄膜中元素含量的比值,验证了LIBS技术在薄膜分析方面的潜力,为优化磁控溅射制备铜铟镓硒薄膜的工作参数提供了方法和技术支持。     

基于宽度学习的太赫兹光谱图像小麦霉变识别研究

小麦质量安全是粮食安全的重要组成部分。传统的小麦霉变籽粒识别检测方法需要复杂的处理步骤,耗时较长且特征提取能力较差,易造成图像有效信息的丢失,导致小麦霉变籽粒识别检测效果不佳。为解决上述问题,提出了一种基于去噪宽度学习(D-BLS)的霉变小麦太赫兹光谱图像识别方法。该方法对传统宽度学习(BLS)算法进行了改进,通过引入去噪卷积神经网络(DnCNN)模块,构建D-BLS霉变小麦分类识别模型,以增强图像质量,提高霉变小麦太赫兹光谱图像的识别精度。初步研究表明, D-BLS在识别准确率方面优于传统BLS算法,识别准确率达到93.13%。进一步使用支持向量机(SVM)、后向传播神经网络(BPNN)、卷积神经网络(CNN)与D-BLS进行建模对比。研究结果表明, D-BLS网络的分类准确率分别比SVM、BPNN和CNN高出了13.83%、7.79%和3.96%。因此, DBLS能够为小麦发霉早期鉴别提供一种新方法。     

内定标法水中Cr元素LIBS定量分析

以提高激光诱导击穿光谱(LIBS)技术精准检测水体中的重金属元素Cr为研究目的,对实验室配制的7种不同质量浓度的含铬(Cr)水溶液采用护肤棉进行富集,并对自然晾干后的护肤棉进行LIBS试验。首先对试验参数进行了优化并确定425.43 nm为Cr的特征分析谱线。选择护肤棉中固有的钙(Ca)元素作为内定标元素,其特征谱线为422.67 nm。分别采用内定标法和直接定标法进行定量分析,取其中的五个样品建立定量分析模型,并利用另外的两个样品验证模型的准确性,得出拟合曲线的线性相关系数分别为0.99614、0.73655,两个验证样品的相对误差值分别为11.38%、4.84%和64.66%、11.58%;内定标法LIBS的检出限为5.27μg/m L,优于之前滤纸富集的6.06μg/m L。试验结果表明以护肤棉为吸附基质结合内定标法能提高LIBS检测水体Cr元素的准确性、并能降低检出限。     

基于主成分回归的土壤重金属LIBS定量分析方法研究

采用激光诱导击穿光谱(LIBS)技术结 合主成分分析(PCA )和基于PCA的偏最小二乘回归法(PLSR ),对8种土壤样品进 行分类及Cr元素含量的分析研究。对比分析了不同土壤样品基体元素的特征光谱,利用PCA 对8种土壤样品进行分类,并采用PLSR定量分析不同土壤中Cr元素的含量。研究结果表 明,不同土壤样品中的基体元素特征光谱出现较大差异,8种土壤样品经PCA分析后大致 分为3类;利用PLSR训练模型得到的定标曲线将拟合相关系数提高至0.986,对同一类的 土壤样品Cr的含量预测相对误差小于7.5%,对非同一类土壤样品Cr的预测相对 误差较大。这说明,对待测样品定量分析前,采用PCA对土壤样品分类可以提高对待测样品 重金属元素定量检测的精确度,对建立定量分析模型提供指导。     

激光诱导击穿光谱对大米中镉元素的检测分析

食品重金属污染日趋严重, 为了证明LIBS快速检测大米中重金属元素含量的可行性, 采用LIBS技术对经实验室含Cd溶液浸泡过的大米中Cd元素进行分析。首先采用LIBS和AAS技术, 获取5个浓度系列的大米中Cd元素的LIBS光谱及真实浓度信息, 再采用一元一次和一元二次定标分析模型, 对Cd元素的特征光谱Cd II 214.4、Cd II 226.5和Cd I 228.8进行定量分析。结果表明, 原子谱线Cd I 228.8具有较高的线性相关性, 并且一元二次回归模型具有较好的预测精度。试验结果表明, LIBS技术用于大米中重金属Cd元素的快速检测在理论和实践上具有可行性。     

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。     

机器学习结合激光诱导击穿光谱技术铁矿石分类方法

铁矿石是非常重要的矿产资源,它的开发利用对钢铁产业的发展有很大的影响,铁矿石的选检与分类是冶金行业必不可少的环节,不同种类的铁矿石及其品质会直接影响与其他物质的配比,因此对铁矿石的选检分类研究在冶金行业具有重要意义。激光诱导击穿光谱技术(LIBS)是近年来发展起来的一项成分检测技术,具有无损、快速、原位在线检测等优点,在化学成分检测及样品分类领域有一定的优势。为了提高铁矿石的分类精度,提出将激光诱导击穿光谱技术与机器学习相结合对赤铁矿、褐铁矿、菱铁矿、云母赤铁矿、磁铁矿、磁赤铁矿、鲕状赤铁矿、黄铁矿、钴磁铁矿、磁黄铁矿等10种天然铁矿石进行分类研究。在研究中,首先通过激光诱导击穿光谱技术烧蚀10种天然铁矿石样品获得其对应的光谱数据;然后通过设定阈值的方法选定最大光谱强度对应的10个光谱特征;最后通过KNN、RF、SVM机器学习模型对选定的特征光谱进行分类训练及测试。结果表明:KNN、RF、SVM三种机器学习模型的分类准确度分别为83.0%、80.7%、90.3%。从分类准确度可以看出,激光诱导击穿光谱技术与机器学习相结合可以实现对铁矿石的快速、精确分类,这将为冶金行业的铁矿石选检分类提供一种全新的方法。     

Rapid identification of rice seed based on inverse Fourier transform of laser-induced breakdown spectroscopy

The identification of rice seeds is crucial for agriculture production. An inverse Fourier transform (IFT) method based on laser-induced breakdown spectroscopy (LIBS) is proposed to identify five kinds of rice seeds. The LIBS data of the samples were preprocessed by inverse fast Fourier transform (IFFT), and the time-domain signals of rice seeds were obtained. The back propagation (BP) neural network was used to establish full spectrum, segmented spectrum, time-domain full spectrum and time-domain segmented spectrum discrimination models. Compared with the original spectrum, the time-domain spectrum can significantly improve the identification accuracy. The time-domain full-spectrum identification accuracy reached 95.28%, and the time-domain segmented spectrum identification accuracy reached 94.36%, whose identification time was only a few seconds. The results demonstrate that LIBS detection technology combined IFFT and BP neural network is fast and accurate, which provides a new idea for batch detection of rice seeds.     

磁场约束提高LIBS定量分析精度研究

对磁约束下激光诱导击穿光谱技术定量分析精度及检出限进行了专门研究。本文将磁场约束应用于LIBS技术中,选择Ni II 221.648 nm为镍元素分析线,Fe II 258.588 nm为内标元素谱线,利用标准不锈钢光谱样品303,304,316,321,347结合内标法进行不锈钢中Ni元素定标曲线拟合,用310样品光谱进行定标曲线精度分析及检出限分析。实验结果表明,磁场约束可以有效增强等离子体光谱强度,磁约束下内标法得到的定标曲线拟合系数更高,且310样品检测浓度较LIBS技术更为准确,Ni元素的探测下限降低了1.7倍。     

基于神经网络的移动机器人多传感器数据融合研究

针对单超声波的测距缺陷,采用多个超声波结合红外开关共同测距,提高整体测量精度;针对BP神经网络训练收敛速度慢,容易陷入局部极小值等缺点,加入动量-自适应因子来改进BP神经网络;将改进的BP应用于移动机器人传感器旅行家II号数据融合中,实践证明,经改进后的BP神经网络收敛精度高误差小,融合后的信息比未经融合的信息更精确。     

准东煤化学处理后碱金属含量的激光测量研究

为了评价水洗、醋酸铵洗和盐酸洗等化学处理方法去除准东煤中碱金属的能力,分析激光诱导击穿光谱（LIBS）技术快速测量煤中碱金属含量的可行性和准确性,采用去离子水、醋酸铵溶液和稀盐酸溶液依次对准东煤进行化学处理,并利用LIBS技术对各样本中的Na,K元素进行测量,同时与电感耦合等离子光谱（ICP）检测结果进行对比,得到了验证LIBS技术测量准东煤中碱金属含量可靠性的实验数据。结果表明,水洗等化学处理可高效地去除准东煤中的碱金属,而LIBS技术对不同样本中的Na,K元素测量重复性较好,并且具有较高的灵敏度和较低的检测极限,LIBS检测结果与ICP的相对误差不超过7%。该结果说明LIBS可作为在线测量煤样中碱金属含量的一种有效手段。     

Study on enrichment characteristics of Chinese herbal medicine based on LIBS technology

To improve the accuracy of laser induced breakdown spectroscopy(LIBS) measurement and investigate the enrichment characteristics of trace elements in different parts of Chinese herbal medicine, the original spectral data of different Chinese herbal medicines were preprocessed by combining median absolute deviation(MAD), segmented feature extraction, and wavelet denoising, and the enrichment laws of trace elements in different parts of Chinese herbal medicine were studied based on the calibration...     

激光诱导击穿光谱技术在燃煤电厂及土壤污染物在线检测中的应用研究

介绍了自主研发的激光诱导击穿光强技术（LIBS）煤质在线检测设备,可完成自动取样并带有自清洁系统,能实时对电厂输煤管道中煤粉的C、Ca、Mg、Ti、Si、H、Al、Fe、S等元素进行自动定量分析并转化为工业分析（发热量和灰分）结果。提出了飞灰含碳量在线检测成套方案并研制了自动采样及LIBS检测装置,建立了去除C线中Fe线的数学方法,利用二阶多元非线性逆回归模型建立了定标方程来校正基底效应,获得了0.26%的C元素测量精度。开发了便携式LIBS设备用于土壤污染物的现场检测,可对土壤中的重金属污染物进行快速的定性分析。     

基于多元统计分析的香烟烟灰XRF快速检验

香烟烟灰是案件现场中重要的物证。为了对香烟烟灰进行快速无损检测,采用多元统计分析方法,利用能量色散型X射线荧光光谱仪对收集到的83个烟灰样品进行了理论分析和实验验证,建立了基于化学计量学的香烟烟灰分类模型。借助聚类分析对样品聚类区分,聚类结果的准确性通过回归分析进行检验;而后采用物质元素作为变量,通过判别分析建立判别分类模型。结果表明,聚类结果良好,回归分析显示聚类分析的类别与各元素可建立良好拟合关系;判别分析得到的分类模型的准确率达到100%,若想对未知香烟烟灰样品进行归类,只需要输入判别模型的相关变量,在判别分布图中会显示出其位置, 就能对样品类别进行归类。此方法简单快速、结果准确可靠,为公安基层实际办案提供了参考。