基于Au-Mn-Cu纳米酶催化沉淀反应与催化发夹组装策略的SERS适体传感器用于氯霉素灵敏检测

本综述创新性地提出将激光诱导击穿光谱（LIBS）技术与深度学习框架（DLIBS-FFNet、PLSNetL）相结合，实现对食用豆类解剖结构分类和重金属铅（Pb）污染的精准定量。该研究通过特征融合策略和动态峰选择算法，在非破坏性检测中分别取得96.12%分类准确率和0.99+的预测相关系数（R2），为农产品安全监测提供了快速高效的解决方案。

　　

^??Highlight

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、芸豆、红豆、大豆和白扁豆）三种解剖结构（种皮、种脐、子叶）的精准分类与铅污染定量分析。

^??Experiment

实验分为两个阶段：第一阶段检测天然豆样，第二阶段检测重金属污染样本。

^??Spectral Analysis of Non-Contaminated Bean Samples

对未污染豆样的光谱分析显示，所有豆类解剖部位均稳定存在钙（Ca）、钾（K）、镁（Mg）、钠（Na）和铷（Rb）等必需矿物质元素。这些元素的分布模式与豆类的生化特性高度一致，证实LIBS技术能有效捕获豆类组织的元素指纹特征。

^??Conclusion

本研究成功将LIBS技术与机器学习相结合，通过DLIBS-FFNet框架实现对豆类解剖结构的精确区分（天然样本分类准确率96.12%，铅污染样本99.83%），同时PLSNetL模型对铅浓度的预测达到极高精度（R2最高达0.9924）。该技术体系为农产品重金属污染监测提供了快速、无损且可靠的创新方案。