激光诱导击穿光谱结合机器学习实现玫瑰品种快速精准分类

针对玫瑰品种分类难题，研究人员创新性地将激光诱导击穿光谱(LIBS)与机器学习结合，首次实现玫瑰花瓣和叶片的元素指纹图谱分析。通过优化Nd:YAG激光参数(532 nm/290 mJ)，采用PCA降维和SVM、LDA等算法，最终实现最高100%的分类准确率，为植物品种鉴定提供高效无损检测新范式。

　　

玫瑰作为全球重要的经济作物，在化妆品、医药和香料领域具有广泛应用。然而，不同品种玫瑰（如Rosa centifolia与Gruss an Teplitz）虽同属蔷薇科，其元素组成和功能特性却存在显著差异。传统检测方法如原子吸收光谱(AAS)和电感耦合等离子体发射光谱(ICP-OES)虽能获取元素数据，但存在样品破坏、耗时昂贵等缺陷，难以满足现代农业对快速精准鉴定的需求。

针对这一技术瓶颈，巴基斯坦费萨拉巴德农业大学的研究团队在《Analytica Chimica Acta》发表创新研究。他们首次将激光诱导击穿光谱(LIBS)技术应用于玫瑰品种分类，结合机器学习算法，开发出高效无损的检测体系。研究人员选用Q开关Nd:YAG激光器(波长532 nm，能量290 mJ，脉宽5 ns)激发样品等离子体，采集6个品种（包括Rosa Hybrida的Margaret Thatcher等4个变种）的花瓣和叶片光谱数据，通过优化信噪比和动态范围，建立元素指纹数据库。

关键技术包括：1) LIBS参数优化获取Ca、Ti等特征元素谱线；2) 主成分分析(PCA)降维处理高维光谱数据；3) 采用支持向量机(SVM)和线性判别分析(LDA)构建分类模型。实验发现，虽然所有样本均含Ti、Ca、Fe等7种共性元素，但花瓣中Ti含量最高而叶片富集Ca。PCA虽能区分部分品种，但对光谱相似品种（如Whisky Mac与Iceberg）分辨力不足。引入监督学习后，二次SVM对花瓣分类准确率达95%（耗时101.59秒），LDA对叶片分类更实现100%准确率（仅需50.59秒）。

研究结论部分指出，该工作首次证实LIBS结合机器学习可突破传统技术的局限性：1) 5ns级激光脉冲实现微损检测；2) 元素指纹与算法协同解决"同谱异种"难题；3) 为蔷薇科植物分类学提供新方法学框架。作者Yasir Jamil特别强调，该技术可推广至其他元素组成相同但浓度差异的生物样本鉴定，对花卉育种、药材溯源等领域具有重要应用价值。巴基斯坦科学基金会资助项目(PSF-NSLP 670)的支持为后续开发便携式设备奠定基础。