融合激光诱导击穿光谱(LIBS)与深度学习实现食用豆类解剖结构分类与铅污染精准定量分析

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（种皮、种脐、子叶）的精准分类（准确率最高达99.83%）和铅(Pb)污染定量检测（R2最高达0.9924），为农产品安全监测提供了快速无损的分析范式。

　　

Highlight

非污染豆样品的光谱分析

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、种脐和子叶）的光谱分析揭示了一致的元素组成。如图3和表1所示，所有样品中均显著检测到钙(Ca)、钾(K)、镁(Mg)、钠(Na)和铷(Rb)等关键元素。这些元素的存在与豆类既定的生化组成特征高度吻合。

Conclusion

本研究成功将激光诱导击穿光谱(LIBS)与先进机器学习技术相结合，通过实现豆类解剖部位的精确分类和铅(Pb)污染的精确定量，有效应对了关键食品安全挑战。所提出的DLIBS-FFNet框架能有效区分食用豆类的不同部位（种皮、种脐和子叶），对天然样品的平均K折分类准确率达96.12%，对铅污染样品更是高达99.83%。同时，PLSNetL模型通过动态峰选择和自适应特征提取，在种皮、种脐和子叶的铅浓度预测中分别实现了0.9924、0.9022和0.8462的R2值，展现出卓越的定量性能。该集成方法为豆类和其他农产品的快速、原位安全筛查提供了强大可靠的技术支撑。

Author Contributions

Asiri Iroshan：概念设计、研究实施、方法开发、实验操作、数据管理、形式分析、可视化、原始稿件撰写。

Nuerbiye Aizezi：实验操作、方法验证、形式分析、稿件审阅编辑。

Yuzhu Liu：研究监督、项目管理、资金获取、稿件审阅编辑。

Asiri Iroshan主导了研究设计和执行，开发了实验流程并撰写原稿。Nuerbiye Aizezi为实验验证和数据分析做出了贡献。

CRediT authorship contribution statement

Asiri Iroshan: 稿件审阅编辑、原始稿件撰写、可视化、软件开发、方法设计、研究实施、形式分析、数据管理、概念设计。

Nuerbiye Aizezi: 稿件审阅编辑、方法验证、形式分析。

Yuzhu Liu: 稿件审阅编辑、研究监督、项目管理、资金获取。

Declaration of Generative AI and AI-assisted technologies in the writing process

在论文准备过程中，作者使用了ChatGPT对稿件进行重写和语言优化。使用该工具后，作者对内容进行了必要的审阅和编辑，并对出版物的全部内容承担完全责任。

Declaration of Competing Interest

作者声明不存在任何可能影响本研究报告的已知竞争性经济利益或个人关系。

Acknowledgements

本研究得到国家自然科学基金（项目批准号：62375136）的资助。

Declaration of Interest

作者声明不存在可能影响本研究工作的竞争性经济利益或个人关系。