基于机器学习的激光诱导击穿光谱技术用于阿拉比卡（Arabica）和罗布斯塔（Robusta）咖啡品种的表征与区分

《Microchemical Journal》：Machine learning-supported laser-induced breakdown spectroscopy for the characterization and differentiation of Arabica and Robusta coffee varieties

咖啡元素组成与品种鉴别研究利用LIBS技术，优化1064nm和532nm激发波长，分析22个巴西阿拉比卡与罗布斯塔咖啡样本的元素差异，结合PCA和SVM模型实现高精度分类（100%和93%准确率），揭示钠、铝等元素可作为品质标志物。

　　

Alessandra de Souza Teixeira | Gustavo Pontes | Ricardo Schneider | Cleverson Busso | Jorge Kondo | Andressa Moreira de Souza | Otniel Freitas-Silva | Giorgio S. Senesi | Gustavo Nicolodelli

巴西圣卡塔琳娜联邦大学物理系，弗洛里亚诺波利斯

摘要

随着对食品质量控制和真实性评估需求的增长，快速可靠的分析技术变得至关重要。激光诱导击穿光谱（LIBS）是一种高效的光子方法，能够在最少的样品准备条件下直接进行元素分析。本研究应用LIBS技术分析了巴西烘焙和研磨咖啡的元素组成，并区分了阿拉比卡（Arabica）和罗布斯塔（Robusta）咖啡品种。共分析了22个商业样品和野外采集的样品，通过使用1064纳米和532纳米的激发波长优化了数据采集参数。多变量分析和机器学习方法被用于数据解释。主成分分析（PCA）和K均值聚类显示了不同品种之间的明显成分差异，而线性支持向量机（SVM）模型则通过8折交叉验证进行了监督分类。罗布斯塔样品中的钠元素发射强度更高，一些商业样品中检测到了铝元素，表明这些元素可以作为真实性和质量的标志物。SVM分类器在1064纳米激发波长下的准确率为100%，在532纳米激发波长下的准确率为93%。结果表明，LIBS结合化学计量学为咖啡鉴定和常规食品质量控制提供了一种快速、经济且破坏性最小的方法。

引言

咖啡是全球消费量最大的饮料之一，巴西是全球第二大咖啡消费国。在巴西，米纳斯吉拉斯州（Minas Gerais）的咖啡产量尤为突出，其次是圣埃斯皮里图州（Espírito Santo）和圣保罗州（S?o Paulo）[1]。在众多咖啡品种中，只有两种主导了全球商业生产：阿拉比卡（Coffea arabica）和罗布斯塔（Coffea canephora）。阿拉比卡咖啡通常具有更甜美的风味和更好的感官品质，通常在较高海拔地区种植，市场价值也更高。相比之下，罗布斯塔咖啡味道较苦，可以在较低海拔地区种植，栽培周期较短，因此生产成本较低。尽管这两种咖啡的化学成分存在显著差异[2]，但仍存在阿拉比卡咖啡被掺杂罗布斯塔咖啡或添加外壳及其他添加剂的风险。

全球人口的增长和食品需求的增加推动了快速且环境可持续的分析技术的发展，这些技术用于食品的化学表征。当前咖啡研究的主要方向包括评估烘焙程度和冲泡特性、咖啡分类与鉴定、豆源识别、化学成分分析以及掺假、缺陷和有毒化合物的检测。传统的分析技术基于化学和光谱特性，包括色谱法、质谱法和各种光谱方法[3]。然而，这些方法大多需要高精度仪器、复杂的操作流程和大量的样品准备工作。尽管这些技术效率很高，但相关的仪器设备价格昂贵，且样品准备过程复杂耗时，限制了其广泛应用。尽管计算机视觉和成像技术也有所探索，但它们主要依赖于材料表面特征。Sagita等人（2025）[4]建议未来的研究应致力于开发低成本、高精度、快速且非破坏性的传感器。

在此背景下，激光诱导击穿光谱（LIBS）是一种快速、定性和定量的技术，广泛应用于各种材料的元素分析，包括食品中的营养成分和污染物[5]、[6]以及农业环境样品[7]。大多数使用LIBS分析咖啡样品的研究都采用了主成分分析（PCA）作为化学成分和掺假评估的化学计量工具。例如，Alresawum等人（2017）[2]研究了七种埃塞俄比亚咖啡的质量控制和掺假情况；Silva等人（2017）[3]分析了影响阿拉比卡咖啡整体质量的主要因素，包括劣质豆子（黑色、未成熟和苦味豆子）；Sezer等人（2018）[8]评估了咖啡被小麦、玉米和鹰嘴豆掺杂的程度；Alkallas等人（2023）[9]确定了烘焙咖啡的多元素组成。Suci等人（2019）[10]使用LIBS-QCL（量子级联激光）技术区分了阿拉比卡和罗布斯塔咖啡，并分别对每种咖啡进行了PCA分析，以探讨其内部变异性。

神经网络已被广泛用于咖啡样品的分类和鉴定。Guerrero等人（2017）[11]使用多层感知器（MLP）神经网络研究了咖啡掺假程度，在训练过程中实现了100%的准确率。Zhang等人（2018）[12]通过偏最小二乘判别分析（PLS-DA）、径向基函数神经网络（RBFNN）和支持向量机（SVM）研究了咖啡品种，构建了分类模型。Shin等人（2023）[13]使用线性判别分析（LDA）、人工神经网络（ANN）、支持向量机（SVM）和带弹性网络正则化的多项式逻辑回归（ENET）对食品产品进行了分类和鉴定。此外，Khalil和Labib（2018）[14]结合双脉冲LIBS技术和电感耦合等离子体光发射光谱法，估算了埃及市场上13个商业咖啡品牌中有毒微量元素（铝、铅、锌和铬）的浓度。

本研究旨在通过优化LIBS光谱采集参数，利用从烘焙豆子和烘焙研磨咖啡样品制备的颗粒，确定阿拉比卡和罗布斯塔咖啡的元素组成。同时，采用机器学习技术（如PCA和SVM）通过模式识别区分这两种咖啡品种，识别掺假和/或异常化学成分，并评估LIBS方法在咖啡品种分类中的潜力。

样品

本研究分析的22个咖啡样品来自巴西的米纳斯吉拉斯州、里约热内卢州、圣保罗州和圣埃斯皮里图州，由巴西农业研究公司（Embrapa）提供（表1）。数据集包括9个阿拉比卡样品（A1–A8和A2+CA2）和8个罗布斯塔样品（R1–R8），这些样品直接从农场和田间采集。所有田间样品均为中烘焙咖啡，除了R1、R2、R3和R5样品。

使用1064纳米激光获得的光谱

图1展示了使用1064纳米激光获得的咖啡样品的LIBS光谱。为便于查看，图中仅显示了商业样品的光谱，并标出了主要发射线。检测到的所有发射线列表见表2。最强烈的线条对应于C I（247.86纳米）、Mg II（280.27纳米）、Mg I（285.18纳米）、Ca II（393.36纳米）、Ca II（396.83纳米）、Ca I（422.67纳米）和K I（766.55纳米），这些元素是咖啡中的主要成分。

结论

实验结果表明，在探索性PCA方法和监督SVM分类中，1064纳米激光的性能优于532纳米激光。这一结果可以归因于激光束与咖啡样品相互作用相关的物理因素。由于1064纳米激光的脉冲能量较高，它在等离子体中产生的激发物种数量更多，从而产生了更强的光谱线。此外，它还倾向于形成更稳定、能量更高的激发态。

CRediT作者贡献声明

Alessandra de Souza Teixeira：撰写初稿、方法论设计、实验研究、数据分析、概念化。 Gustavo Pontes：软件开发、数据分析、数据管理。 Ricardo Schneider：撰写修订稿、实验研究、资金筹集、数据分析、概念化。 Cleverson Busso：撰写修订稿、实验研究、资金筹集。 Jorge Kondo：软件开发、方法论设计、数据分析、概念化。

伦理声明

作者声明没有需要报告的利益冲突或个人关系，这些因素可能影响本文的研究结果。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本项工作得到了FAPESC（资助编号CP48/2021；2023TR001507）、里约热内卢州研究基金会（FAPERJ E-26/201.302.2022）、巴西咖啡研究联盟以及国家科学技术发展委员会（CNPq 308510/2023-2和309528/2025-9）的支持。