基于LIBS-深度学习联用技术的食用豆类快速解剖分类与铅污染分析新策略

本研究创新性地将激光诱导击穿光谱（LIBS）与深度学习框架（DLIBS-FFNet和PLSNetL）相结合，实现了食用豆类解剖结构的精准分类（准确率最高达99.83%）和铅污染定量分析（R2最高达0.9924）。该技术为农产品安全监测提供了快速、无损、高精度的（in-situ）检测方案，对食品安全评估具有重要实践价值。

　　

^?? Highlight

^?? 实验亮点

本研究通过激光诱导击穿光谱（LIBS）技术结合深度学习模型，实现了对六种食用豆类（黑豆、蚕豆、 kidney豆、红豆、大豆和白扁豆）解剖结构（种皮、种脐、子叶）的精准元素分析。关键营养元素如钙（Ca）、钾（K）、镁（Mg）等被稳定检出，证实豆类富含必需矿物质。

^?? 智能分类与污染预测

DLIBS-FFNet模型融合主成分分析（PCA）、线性判别分析（LDA）和自编码器（AE）特征，对未污染豆类解剖部位分类准确率达96.12%，对铅（Pb）污染样本更高达99.83%。PLSNetL模型通过动态峰选择和自适应特征提取，精准预测铅浓度，R2在种皮、种脐、子叶中分别达到0.9924、0.9022和0.8462。

^? 结论

LIBS与深度学习联用技术为豆类解剖分类和重金属污染检测提供了快速、无损、可靠的解决方案，显著提升了食品安全评估的效率和精度。

^?? Conclusion

（注：原文中第二个Conclusion部分未提供具体内容，此处仅保留标题）