激光诱导击穿光谱技术对水稻产地识别研究-电子发烧友网

在激光诱导击穿光谱技术具有多成分同时探测分析、快速、在线定性分析及定量检测等特点。水稻产地溯源研究方面，在前期农作物产地溯源研究基础上，采用LIBS技术结合机器学习算法，对同一品种水稻的不同水稻产地进行快速识别研究。

水稻是中国主要粮食作物,而水稻品质与其生长的外部环境如土壤特性、气候、日照时间和灌溉水等环境息息相关,高品质水稻的产地区域面积有一定地域限制,因此水稻可看成为是一个明显的地理标志物。市场常出现一些假冒或者贴牌的知名优质水稻出售,损害了水稻品牌，降低了消费者的水稻品质保障,并且扰乱了市场稳定性，因此对于水稻产地快速识别技术的需求十分迫切。

一、实验内容

图1激光诱导击穿水稻光谱实验装置

在相同实验条件下，获得五个产地的水稻LIBS光谱信号。实验过程中，为了防止水稻样品表面过度激光烧蚀，将压制成片的水稻样品固定在三维平移台上“弓”状匀速运动，使每发激光脉冲作用在新的位置。为了降低激光脉冲能量抖动对水稻LIBS光谱稳定性的影响，采用100个脉冲进行LIBS光谱平均。实验工作是在标准大气压、室内温度为25℃、空气相对湿度为35%的环境下开展。

图2水稻LIBS光谱（产地依次为大安、公主岭、前郭、松原、洮儿河）

水稻内的元素含量与产地土壤特性、日照条件以及灌溉水质有关，水稻LIBS光谱强度的差异性，可反映出水稻的产地属性，因此选取多条元素LIBS特征光谱信息可对水稻产地进行识别。

表1水稻LIBS特征谱线

在实验过程中，受到激光脉冲能量抖动、空气流动和样品压制不均匀等因素影响，导致水稻LIBS光谱谱线强度间绝对值存在一定的差异，从而削弱谱线强度相对低的元素作用。

二、水稻产地聚类

表2水稻产地识别机器学习算法模型结果对比

2.1水稻产地聚类

在进行水稻产地聚类分析过程中，由于LIBS特征光谱谱线数据变量之间具有强相关性，导致LIBS特征信息重叠从而降低水稻产地聚类分析精度。主成分分析(principacomponentanalysis，PCA)是将相关的变量综合为一个或少数几个主成分的非监督学习算法，因此采用PCA对水稻LIBS的选择16条元素特征谱线进行降维，除去水稻LIBS光谱中相关性较强的多余特征信息，从而实现水稻产地聚类分析，为水稻产地的识别莫定基础。

2.2水稻产地识别

水稻LIBS光谱数据经PCA降维后，由水稻产地聚类分析结果表明，部分产地聚类有一定的空间重叠，不能有效分开，因此需要结合机器学习算法来对水稻产地进行精确快速识别。

图3结合LIBS和机器学习的水稻产地识别混淆矩阵

三、结论

结合LIBS光谱技术和PCA-BaggedTrees、PCA-Weigh-tedKNN、PCA-QuadraticSVM和PCA-CoarseGaussianSVM四种机器学习算法对同一水稻品种的五个水稻产地进行了识别研究。基于主成分分析对水稻LIBS光谱进行降维，获得水稻产地聚类分析散点图，发现具有较好的空间聚类效果。

推荐：

实验室一体化LIBS激光诱导光谱仪iSpecLIBS-SCI800

主要由激光器、高分辨率光谱仪、LIBS光路收集探头、XYZ样品窗、触发延迟控制器等组成，由于其采用一体化，可扩展非常灵活，非常适合科研研究、LIBS光学应用实验、光学应用中心等用户，可以非常方便的灵活选用配置激光器和光谱仪。

审核编辑黄宇