DP-LIBS技术结合CARS优化检测食用植物油中铬含量的研究

"该研究应用了共轴双脉冲激光诱导击穿光谱(DP-LIBS)技术，结合竞争性自适应重加权采样(CARS)方法和最小二乘支持向量机(LSSVM)，对食用植物油中的铬(Cr)含量进行了快速定量检测。通过二通道高精度光谱仪收集LIBS数据，识别出Cr的原子谱线和相关影响变量。CARS方法减少了变量数量，提高了模型预测准确性。实验结果显示，CARS-LSSVM模型的预测性能优于其他模型，表明DP-LIBS技术在食品重金属检测中有潜力，CARS方法能有效地筛选关键变量。" 本研究的核心是利用激光诱导击穿光谱(DP-LIBS)技术来检测食用植物油中的重金属铬含量。DP-LIBS是一种非接触、无损的分析技术，通过激光照射样品，产生光谱信号，进而分析其中的元素成分。在实验中，研究人员选择了420~430 nm波段的Cr I 425.39 nm、Cr I 427.43 nm、Cr I 428.87 nm作为Cr元素的原子谱线，同时考虑了CN分子谱线(CN 421.49 nm)和Ca II 422.64 nm的Ca原子谱线，这些谱线是Cr存在的指示。 为了提高检测的准确性和效率，研究采用了竞争性自适应重加权采样(CARS)算法。CARS是一种变量选择方法，它能够从大量的原始光谱数据中挑选出对目标变量影响最大的特征变量，从而降低模型的复杂度，提高预测能力。在这个过程中，原本132个波长变量被缩减到10个，变量压缩率达到92.42%，这意味着模型的计算负担显著减轻。 接下来，研究运用最小二乘支持向量机(LSSVM)构建了Cr含量的定量检测模型。LSSVM是一种有效的非线性回归和分类工具，特别适合处理小样本和高维数据。CARS-LSSVM模型的建立，使得相关系数达到0.9926，校正均方根误差和预测均方根误差分别低至5.287×10^-6和5.860×10^-6，预测集样品的平均相对误差仅为8.55%。这个结果表明，CARS-LSSVM模型的预测性能优于仅基于单变量或五变量的LSSVM模型。 这项研究展示了DP-LIBS技术在快速检测食用植物油中Cr含量的潜力，而CARS方法则有效地优化了数据处理，提高了检测的准确性和模型的预测性能。这为食品安全监测提供了一种新的、高效的解决方案，特别是在重金属污染检测方面。未来的研究可以进一步探讨这种技术在其他食品和环境样本中的应用，并优化模型参数以提升整体检测效果。