对空气中矿物颗粒中主要和次要元素的直接监测和分析对于工业过程控制和材料加工至关重要。铝 (Al)、硅 (Si) 和铁 (Fe) 等主要元素与矿石品位、矿物成分以及矿物原料的工业价值直接相关，而钙 (Ca)、钾 (K) 和钛 (Ti) 等次要元素则提供了关于熔剂行为、与碱有关的工艺稳定性以及矿物识别的重要信息。激光诱导击穿光谱 (LIBS) 使得可以在无需额外样品制备的情况下，对天然岩石颗粒进行原位或在线测定，但由于激光 - 颗粒相互作用的随机性导致严重的光谱波动，这带来了重大挑战。特别是在数据处理方面，传统的浅层机器学习模型通常依赖于预处理，这可以包括根据物理先验知识和实际许可设计的归一化、数据折叠对齐和特征选择。此类预处理的适当性可能会受到设计者对所涉及具体物理过程的理解所限制，这些过程可能非常复杂，例如激光 - 颗粒相互作用的情况。此外，建模能力有限，特别是在使用浅层神经网络处理高度复杂的非线性依赖关系时，使得整体预测性能严重依赖于所应用的预处理。这种情况可能导致针对特定预处理对训练数据集过拟合，并且在模型应用于原始训练上下文之外时泛化能力较差。这项工作通过引入基于 Transformer-Res-CNN 架构的数据处理方法来解决上述挑战，这是一种混合深度学习框架，将 1D-ResNet 与 Transformer 模块集成在一起。Res-CNN 自然地处理原始光谱数据，自动学习低级特征，特别是来自次要元素的弱发射线。Transformer 的自注意力机制捕捉长距离依赖关系，通过多头注意力可以是各种类型的，以及全局光谱上下文。因此，这种组合的混合架构对噪声和分布变化更具韧性，降低了对广泛数据清洗或归一化的需求。实验使用了 48 个岩石颗粒样品，尺寸分布主要范围为 1 μm 到 1000 μm，这些样品由机械破碎产生。它们的矿物成分很好地代表了工业和地质应用中通常遇到的岩石和矿物。颗粒在之前研究中开发的负压粒子流系统中通过 LIBS 相互作用区进行气相输送。实验原始光谱直接用开发的 Transformer-Res-CNN 方法进行处理。将获得的分析性能与使用与合适的数据预处理相结合的反向传播神经网络 (BPNN) 和随机森林 (RF) 算法的经典机器学习模型获得的性能进行了比较。进一步进行了数据处理消融实验，仅使用 Res-CNN 模块或 Transformer 模块进行处理，允许分别比较组件深度学习结构，并证明其组合的必要性。开发方法的优点得到了明确证明，对于主要氧化物 Al2O3、SiO2 和 TFe2O3，平均预测均方根误差 (RMSEPs) 分别为 0.62 wt%、1.38 wt% 和 0.99 wt%，相应的平均预测相对误差 (REPs) 分别为 3.5%、3.4% 和 6.8%。对于次要元素，获得的分析指标显示 CaO、K2O 和 TiO2 的 RMSEPs 分别为 0.79 wt%、0.90 wt% 和 0.10 wt%，相应的 REPs 分别为 16.9%、22.4% 和 50.3%。
