基于激光诱导击穿光谱积分信号的水稻种子鉴别研究

基于LIBS技术结合BP神经网络技术,对6类水稻种子进行类型鉴别研究.对水稻种子的LIBS全谱和分段光谱进行积分,再输入BP神经网络,得到:全谱积分前的识别率为81.02％,积分后识别率为93.40％,识别率提高12.38％;分段光谱积分后识别效果较好的是中心波长为405 nm、570 nm、810 nm的光谱,将这三...     

基于激光诱导荧光光谱的塑料分类鉴别

为了实现 废弃塑料的快速分类识别,利用激光诱导荧光(LIF)光谱技术对不同材质塑料进行分类和鉴 别,通过搭建LIF测量系统,使用发射波长为266nm的ND:YAG固体激 光器作为光源,Ocean Maya2000 Pro光谱仪 作为荧光检测装置,探测了9种塑料荧光光谱。对获得的荧光光谱进行均值化处理和平滑处 理,消除数据 误差、减低光谱噪声。然后根据欧式距离对9种塑料样品光谱特征值进行聚类分析,结果显 示,同元素构成 的塑料聚类效果较好,其中5种塑料只含C、H元素为一类,剩余4种多元素塑料归为另一 大类,此外荧 光峰数目、位置、强度可作为塑料种类鉴定的依据。实验结果表明,LIF光谱技术可应用于识 别不同塑料样品的材质,为塑料制品的快速识别分类提供一种新的方法。     

云台山地质的激光诱导击穿光谱研究

利用高能量Nd:YAG脉冲激光器1064nm光束聚焦待测样品表面产生等离子体,并用光谱仪和ICCD来探测其光谱信号.采用激光击穿光谱(LIBS)技术对云台山的泉水、岩石和土壤进行了定性研究.对比分析泉水和纯净水的光谱图,得出泉水中含有Ca和Mg元素.通过比较茱萸峰岩石和潭瀑峡岩石的实验结果,可知两种岩石的成分存在较大差异,潭瀑峡岩石所含成分相对较多.同时还对云台山茱萸峰土壤和中南民族大学附近的土壤进行了对比分析,发现中南民族大学电信学院附近的土壤中含有Zn、Cu、Hg,而在茱萸峰的土壤中发现一种植物生长必需的微量矿质元素Ni.     

氯化钾溶液的激光诱导击穿光谱研究

利用脉冲Nd:YAG激光器、光谱仪I、CCD等设备设计了一套激光诱导击穿光谱测试实验装置,并采用该装置对氯化钾溶液的全谱进行了测量,得到了含量为1mg/l的镁(Mg),3mg/l的钙(Ca),20mg/l的钠(Na)的线状谱线。实验结果表明,对氯化钾溶液做定性分析时,延时是一个非常重要的参数。合理地选取延时,利用激光诱导击穿光谱方法可以快速准确地同时检测到多种微量金属元素。同时定性分析也证明了利用激光诱导击穿光谱方法探测废水中的微量有毒金属的可行性。     

基于激光诱导击穿光谱和神经网络的蛋壳研究

为了研究残缺蛋壳的分类方法以及某些蛋制品中存在的食品安全问题,采用激光诱导击穿光谱技术(LIBS)和反向传播神经网络(BPNN)相结合的方法开展了对于蛋壳元素的探究、不同种类蛋壳的甄别以及蛋壳中污染元素的检测工作。结果表明,鸭蛋壳中含有Si,Cu,Ca,Mg,C,Na和Al等元素;采用LIBS测量并标定污染的皮蛋壳中的元素组成,成功探测到了明显的铅元素特征峰;对鸡蛋壳、鸭蛋壳和鹌鹑蛋壳进行快速的甄别,得到了94.167%的准确率;对鸭蛋壳和皮蛋壳进行不同制作方法的蛋壳分类,获得了97.5%的准确率。LIBS与BPNN的结合为蛋壳的分类与甄别提供了一个新的思路与研究方法。     

激光诱导击穿光谱技术研究进展

激光诱导击穿光谱（laser-induced breakdown spectroscopy, LIBS）技术是一种基于原子发射光谱的物质成分分析技术,具有无需样品预处理、快速、多元素同时测量等特点;国内外研究人员在环境监测、工业过程控制、空间探测等多个领域均开展了大量研究工作,已形成较为完善的理论方法体系;在技术设备开发方面虽取得一定进展,但也存在诸多技术应用难题。综述了现阶段LIBS技术主要研究进展,重点包括光谱获取技术、光谱增强方法、元素识别, 及定量分析方法等,分析了LIBS仪器开发现状与存在的问题,为进一步发展LIBS技术的实用化提供参考。     

激光诱导击穿光谱技术研究的新进展

激光诱导击穿光谱技术（LIBS）是一种基于原子发射光谱学的物质组分分析技术。随着激光技术和光学检测技术的发展,激光诱导击穿光谱技术已经成为光谱学领域的研究热点。尤其是近几年,LIBS技术发展迅速,涌现出多种LIBS的激发和探测新技术。在光谱激发方面,出现了如飞秒激光及飞秒激光大气中长距离成丝诱导击穿光谱技术,双脉冲激光诱导击穿光谱技术等。在光谱探测方面,出现了时间分辨激光诱导击穿光谱技术,偏振分辨激光诱导击穿光谱技术等。本文将对这几种LIBS中所出现的新技术进行介绍并给出LIBS技术的发展趋势。     

基于激光诱导击穿光谱的燃煤热值定量分析

煤的热值是影响燃煤锅炉运行最重要的煤质特性之一。燃煤热值在线分析能够为实时优化调整锅炉运行提供重要依据。采用激光诱导击穿光谱技术对烟煤样品热值进行了定量分析。实验用Nd:YAG固体激光器1 064 nm激光脉冲在空气环境下烧蚀烟煤样品表面而形成等离子体。采用偏最小二乘法和基于主导因素的偏最小二乘法提高煤热值定量分析的准确性。对于基于主导因素的偏最小二乘法,利用碳双原子分子（C2）和碳氮双原子分子（CN）的谱线强度建立主导因素模型。采用偏最小二乘法建立的定标曲线拟合优度和预测均方根误差分别为0.94和1.46 MJ/kg;采用基于主导因素的偏最小二乘法建立的定标曲线拟合优度和预测均方根误差分别为0.99和1.18 MJ/kg。结果表明:激光诱导击穿光谱技术对燃煤热值在线分析具有很大的应用潜力。     

基于激光诱导击穿光谱的煤样典型特性研究北大核心CSCD

为了准确检测煤样的各种元素含量、灰分和发热量等工业指标,提出利用激光诱导击穿光谱技术进行煤样的光谱强度信息采集。激光诱导击穿光谱技术作为一种新型的元素分析技术,通过高能脉冲激光聚集在样品表面,分析等离子体释放出的元素谱线信息,得出样品元素含量和组成。而光谱信息采样的延迟时间是光谱检测中一个非常重要的参数,为了研究延迟时间对煤样激光诱导击穿光谱信号强弱的影响,提出了通过连续背景强度变化和相对标准偏差计算来判定测量煤样的最佳延迟时间。本研究选取山东济南众标科技有限公司的三种标准煤样作为研究对象,实验测试使用Nd∶YAG脉冲激光器,波长为1064nm。对于煤质的检测,采用AvaSpec Dual型光纤光谱仪,光谱探测波长范围为两通道195~467nm和615~973nm。延迟时间为247~252μs对三种标准煤样ZBM100、ZBM101、ZBM104的光谱信息进行特征分析,通过光谱信号强度和连续背景强度随延迟时间变化的关系,判断出247~252μs范围内的最佳延迟时间。随着延迟时间的增加,连续背景强度快速衰减,在250μs时,连续背景强度和光谱信号强度分别衰减到延迟时间为247μs时的30和50。其次通过在不同延迟时间下相对标准偏差的计算,判断出标准煤样样本中Al、Si、Fe三种元素最佳延迟时间为247μs、248μs、249μs所对应的标准偏差达到最小值,得到因选用标准煤样对象不同其相对标准偏差对应元素的最佳延迟时间也会有所差异。研究结果表明,三种标准煤样ZBM100、ZBM101、ZBM104的光谱强度在247~252μs的最佳采样延迟时间为250μs。此实验研究结果,为激光诱导击穿光谱技术探测和分析煤质检测的最佳延迟时间提供了依据。     

机器学习结合激光诱导击穿光谱技术铁矿石分类方法

铁矿石是非常重要的矿产资源,它的开发利用对钢铁产业的发展有很大的影响,铁矿石的选检与分类是冶金行业必不可少的环节,不同种类的铁矿石及其品质会直接影响与其他物质的配比,因此对铁矿石的选检分类研究在冶金行业具有重要意义。激光诱导击穿光谱技术(LIBS)是近年来发展起来的一项成分检测技术,具有无损、快速、原位在线检测等优点,在化学成分检测及样品分类领域有一定的优势。为了提高铁矿石的分类精度,提出将激光诱导击穿光谱技术与机器学习相结合对赤铁矿、褐铁矿、菱铁矿、云母赤铁矿、磁铁矿、磁赤铁矿、鲕状赤铁矿、黄铁矿、钴磁铁矿、磁黄铁矿等10种天然铁矿石进行分类研究。在研究中,首先通过激光诱导击穿光谱技术烧蚀10种天然铁矿石样品获得其对应的光谱数据;然后通过设定阈值的方法选定最大光谱强度对应的10个光谱特征;最后通过KNN、RF、SVM机器学习模型对选定的特征光谱进行分类训练及测试。结果表明:KNN、RF、SVM三种机器学习模型的分类准确度分别为83.0%、80.7%、90.3%。从分类准确度可以看出,激光诱导击穿光谱技术与机器学习相结合可以实现对铁矿石的快速、精确分类,这将为冶金行业的铁矿石选检分类提供一种全新的方法。     

紫外激光诱导击穿光谱的应用与发展

激光诱导击穿光谱（LIBS）技术是一种基于原子发射光谱的元素分析技术,是元素分析领域重要的研究手段。作为LIBS分析的激发光源,紫外激光具有光子能量大、空间分辨率高等优点,可以提高烧蚀效率、减少分馏效应,在地质检测和生物医药检测方面有很好的应用前景;也可从提升元素分析的效果,扩大LIBS技术的应用范围。介绍了紫外LIBS技术的原理与特点,讨论了国内外紫外LIBS技术的应用,总结了紫外LIBS技术的发展趋势。     

基于激光诱导击穿光谱技术的煤灰分特征研究

灰分是衡量煤炭质量优劣的关键指标,是衡量煤矿和选煤厂煤炭产品质量的主要指标之一。针对传统煤灰分含量识别效率低、煤样本质量不高的问题,本文基于粒子群优化算法(PSO)和BP神经网络,提出了基于粒子群神经网络的煤炭灰分预测模型。目的是快速识别出煤炭产品中灰分的含量,为煤炭开采提供技术支撑。研究选取了180个标准煤粉样品,1～140号样本数据用于训练集,141～180号样本数据作为测试集。应用PSO BP模型对煤炭灰分特性进行了研究,仿真结果表明:优化后的6维BP神经网络模型,决定系数R2为088501越接近1,表明建立的PSO BP模型具有较好的预测性能,灰分预测值与灰分真值无限逼近。进而表明所构建的灰分预测模型具有较高的预测精度,提升了模型的泛化能力和预测精度,为后续的LIBS术应用于煤炭检测提供一定的理论依据。     

激光诱导击穿光谱在生物医学中的应用

概述了激光诱导击穿光谱技术的发展历史及其基本原理,给出了激光诱导击穿光谱技术分类及其应用领域,并对该技术在生物医学领域中的应用及最新进展进行了详细的阐述,最后通过对研究结果进行分析,得出结论:激光诱导击穿光谱在生物医学这一领域中正逐步吸引越来越多的科学家的兴趣,具有重要的应用价值和发展前景。     

克服大气环境干扰的激光诱导等离子体光谱技术研究

介绍了激光诱导等离子体光谱技术的工作原理,通过阐述激光诱导等离子体光谱产生的物理机制解释了大气分子干扰固态样本测量结果的原因,建立了既能够提供低气压工作环境又方便实用的激光诱导等离子体光谱探测装置,开展了低气压环境下的试验研究,证明了大气分子元素干扰固态样本测量结果的客观存在,同时证明了低气压环境能够有效避免或者缓解大气分子干扰问题的可行性。     

Elemental composition of rice using calibration free laser induced breakdown spectroscopy

In this paper, we apply laser induce breakdown spectroscopy (LIBS) to determine the elemental composition of different parts (root, stem and seed) of the rice plant and determine their weighted concentration using calibration free laser induced breakdown spectroscopy (CF-LIBS) technique. Ca, Fe and K are identified as major elements, while C, Ti, Mg, Si, Li, Ba, Sr, Cr, Na and Al as minor elements. We also detect the H-alpha line of hydrogen in the spectrum and determine the electron number density. The electron number density and its behavior as a function of laser energy, laser wavelength and the detector position are investigated. The plasma temperatures of samples are determined, and the validity of the assumption of the local thermodynamic equilibrium (LTE) is discussed.     

LIBS与其它原子光谱技术在机油检测中的研究进展

发动机机油中磨损元素在发动机正常运转中发挥着重要的作用,对其进行实时检测可以预知事故的发生,防止发动机进一步磨损,因此实现机油中磨损元素的探测具有重要的应用价值。归纳了利用原子光谱对机油检测的关键问题,指出了原子发射光谱技术中的激光诱导击穿光谱（LIBS）技术和其它原子光谱技术在机油样品检测方面的研究进展,讨论了各种技术的优缺点。介绍了LIBS技术在机油检测方面的优势,引入了间接烧蚀LIBS技术。该技术不仅保存了LIBS技术本身的优势,而且大大提高了检测灵敏度。用间接烧蚀LIBS技术探测机油中磨损元素,具有巨大的应用前景,对该技术的现场探测应用进行了展望。     

复合肥中磷元素的激光诱导击穿光谱定量分析

为了在复合肥生产中对其成分进行快速检测, 达到指导生产的目的, 采用激光诱导击穿光谱技术(LIBS)与支持向量机(SVM)方法结合对复合肥中磷(P)元素进行定量分析。实验中选取磷元素的P Ⅰ 213.5nm, P Ⅰ 214.9nm和P Ⅰ 215.4nm 3条特征谱线对58个复合肥样品进行分析。采用随机选择法将58个样品划分为训练集(43个样本)和测试集(15个样本), 用网格搜索法对复合肥中P元素的定量分析模型进行参量寻优, 构建了SVM分析模型。结果表明, 所建立的训练集定标模型的相关系数R2=0.981, 说明训练集的参考值和预测值的相关性较高; 测试集中验证样本P元素的参考值与预测值的相关系数R2=0.992, 均方误差为4.95×10-5, 说明所构建的SVM模型的适用性较强; 训练集的平均绝对误差和相对误差分别为5.9×10-4和3.99×10-3; 测试集的平均绝对误差和相对误差分别为5.6×10-4和3.28×10-3。将SVM算法与LIBS技术结合可实现复合肥中磷元素的快速检测, 这为复合肥中元素含量快速检测提供了参考。