壹(yi)粒(li)種(zhong)子的 “元(yuan)素(su)密碼(ma)” ：FireFly LIBS 如(ru)何(he)看透(tou)種(zhong)質(zhi)優(you)劣(lie)？

易(yi)科(ke)泰FireFly LIBS快速(su)元(yuan)素分析與成(cheng)像系統(tong)憑借(jie)無(wu)需樣(yang)品(pin)預處(chu)理、多元素(su)同時(shi)檢(jian)測(ce)及(ji)原(yuan)位成像的能(neng)力，正成為(wei)種質(zhi)資(zi)源(yuan)研究(jiu)中潛(qian)力的分(fen)析(xi)工具(ju)。其使用(yong)的LIBS技(ji)術(shu)有效解(jie)決(jue)了傳(chuan)統(tong)化(hua)學分(fen)析(xi)耗時(shi)長(chang)、破壞性強的問題，可(ke)直(zhi)接(jie)對植(zhi)物葉片、種子乃(nai)至土壤進(jin)行(xing)快速(su)掃(sao)描，實現(xian)對(dui)氮(dan)（N）、磷(lin)（P）、鉀（K）等(deng)關鍵(jian)營養元(yuan)素及(ji)重(zhong)金(jin)屬的實(shi)時(shi)監測。該(gai)系統(tong)能(neng)夠(gou)獲取樣(yang)本表(biao)面(mian)的空(kong)間分(fen)布(bu)信息(xi)（Mapping），通(tong)過機器(qi)學習(xi)算法分(fen)析(xi)不同品種間的元(yuan)素(su)特征差(cha)異(yi)，從而(er)輔(fu)助(zhu)作(zuo)物品(pin)種鑒別、產地溯(su)源與遺(yi)傳(chuan)背(bei)景分析(xi)。在(zai)逆境脅迫研究(jiu)與品(pin)質(zhi)評(ping)估(gu)領域，這項(xiang)技(ji)術(shu)被廣泛(fan)應(ying)用(yong)於(yu)探(tan)究(jiu)植物在(zai)重金(jin)屬汙(wu)染(ran)或(huo)幹(gan)旱(han)脅迫下的生(sheng)理響應(ying)——例(li)如(ru)通(tong)過監測葉片中矽(gui)（Si）或(huo)鈣（Ca）的積(ji)累(lei)模(mo)式，評(ping)估(gu)作(zuo)物對(dui)非生物脅(xie)迫的耐(nai)受(shou)性。

種(zhong)子(zi)活(huo)力檢(jian)測(ce)

巴(ba)西作為大豆(dou)出(chu)口國(guo)，其研究(jiu)團隊與意大(da)利團隊攜(xie)手(shou)，運(yun)用(yong)激光(guang)誘(you)導(dao)擊穿(chuan)光(guang)譜(pu)（LIBS）技(ji)術(shu)，結(jie)合(he)多元分(fen)析與(yu)機器(qi)學習(xi)算法，探(tan)索(suo)快速(su)高(gao)效區(qu)分(fen)低活(huo)力與(yu)高(gao)活(huo)力大(da)豆(dou)種子(zi)批次的可(ke)行(xing)性。研究(jiu)發現(xian)，兩(liang)類(lei)種子(zi)的主要(yao)元(yuan)素(su)（C、Mg、Ca、N、K）發射峰強(qiang)度(du)存在差(cha)異(yi)，其中高(gao)活(huo)力種(zhong)子(zi)的Ca I、C、C=N、Mg I/II等(deng)峰強(qiang)度(du)低於(yu)低(di)活(huo)力種(zhong)子(zi)。結(jie)果表(biao)明(ming)，LIBS技(ji)術(shu)結(jie)合(he)主成分分(fen)析(xi)（PCA）及(ji)支持(chi)向量(liang)機（SVM）等(deng)機器(qi)學習(xi)算法，能(neng)夠(gou)高(gao)效區(qu)分(fen)低活(huo)力與(yu)高(gao)活(huo)力大(da)豆(dou)種子(zi)批次——350-450 nm光(guang)譜(pu)波(bo)段為(wei)鑒別區(qu)域(yu)，鈣元素(su)是(shi)核(he)心(xin)區分(fen)因子(zi)；SVM算(suan)法的分(fen)類(lei)準確(que)率可(ke)達98.9%，其中二(er)次SVM和(he)三(san)次SVM分(fen)別在(zai)高(gao)活(huo)力、低(di)活(huo)力種(zhong)子(zi)識別中實(shi)現(xian)100%準(zhun)確(que)率(lv)。

種(zhong)子(zi)品(pin)種(zhong)識(shi)別

浙(zhe)江(jiang)大(da)學技(ji)術(shu)團隊在《PLANT SCIENCES》發表(biao)題(ti)為“Fast identification of soybean seed varieties using laser-induced breakdown spectroscopy combined with convolutional neural network"的研究(jiu)文章，通(tong)過激光(guang)誘(you)導(dao)擊穿(chuan)光(guang)譜(pu)（LIBS）結(jie)合(he)深(shen)度學習(xi)技術(shu)，實現(xian)了(le)大豆種子(zi)品(pin)種(zhong)的快速(su)鑒別，單(dan)粒(li)種(zhong)子檢(jian)測(ce)耗(hao)時僅30秒(miao)；其中以(yi)“光(guang)譜(pu)矩(ju)陣(zhen)"為(wei)輸入的2D-PCSA-ResNet模(mo)型(xing)表現(xian)，預測準(zhun)確(que)率達91.75%；研究(jiu)中顯著性圖(tu)與元素(su)峰位置的對(dui)應(ying)關(guan)系表明(ming)，大豆中碳(tan)（C）、矽(gui)（Si）、鎂(mei)（Mg）、鈣（Ca）、鈉(na)（Na）等(deng)元素(su)的含(han)量(liang)及(ji)比(bi)例(li)是(shi)區(qu)分品(pin)種差(cha)異(yi)的關(guan)鍵(jian)；該方(fang)法為(wei)農(nong)產品品(pin)種(zhong)鑒別提(ti)供了(le)全(quan)新範式(shi)，具(ju)有廣闊(kuo)的實(shi)際(ji)應(ying)用(yong)前景。

稻米(mi)品質(zhi)檢(jian)測(ce)

華中農(nong)業(ye)大(da)學與(yu)長(chang)春(chun)光(guang)學精(jing)密(mi)機械(xie)與(yu)物理研究(jiu)所(suo)，針(zhen)對(dui)顯微高(gao)光(guang)譜(pu)成(cheng)像、拉(la)曼(man)光(guang)譜(pu)、激光(guang)誘(you)導(dao)擊穿(chuan)光(guang)譜(pu)（LIBS）三(san)種技術(shu)在水稻支鏈澱粉與(yu)蛋(dan)白(bai)質(zhi)含(han)量(liang)檢(jian)測(ce)中的適(shi)用(yong)性展開研究(jiu)，分析(xi)了稻谷、糙(cao)米(mi)、精米(mi)、米(mi)粉四(si)類(lei)樣(yang)品(pin)對光(guang)譜(pu)檢(jian)測(ce)建(jian)模(mo)結(jie)果的影響，並篩選(xuan)出(chu)與支鏈澱粉、蛋(dan)白(bai)質(zhi)等(deng)目標(biao)成分相關的特征變量，旨(zhi)在(zai)為水稻品質(zhi)無(wu)損(sun)檢(jian)測(ce)技(ji)術(shu)的優(you)化(hua)提(ti)供參(can)考(kao)。實(shi)驗結(jie)果顯示，在(zai)三(san)種光(guang)譜(pu)技(ji)術(shu)中，LIBS在(zai)水(shui)稻支鏈澱粉和(he)蛋(dan)白(bai)質(zhi)含(han)量(liang)檢(jian)測(ce)中的表(biao)現(xian)（R²達0.81），拉(la)曼(man)光(guang)譜(pu)次之(zhi)，顯微高(gao)光(guang)譜(pu)成(cheng)像效果相(xiang)對(dui)較差(cha)。此(ci)外(wai)，LIBS篩(shai)選(xuan)的特征變量與目標(biao)成分的元(yuan)素(su)組成(cheng)匹(pi)配度較高(gao)，而(er)拉(la)曼(man)光(guang)譜(pu)的特征變量受(shou)分子結(jie)構(gou)及(ji)實(shi)驗條件的影響較(jiao)大。本研究(jiu)為水(shui)稻品質(zhi)無(wu)損(sun)檢(jian)測(ce)提(ti)供了(le)技(ji)術(shu)對比(bi)依(yi)據，LIBS與(yu)拉(la)曼(man)光(guang)譜(pu)可(ke)作(zuo)為優先(xian)選(xuan)用的技(ji)術(shu)手段，且(qie)需結(jie)合(he)樣(yang)品(pin)類型(xing)進(jin)壹步(bu)優(you)化(hua)檢(jian)測(ce)方(fang)案。

營(ying)養(yang)元(yuan)素(su)與(yu)農藥檢(jian)測(ce)

美(mei)韓(han)科研團隊運(yun)用(yong)LIBS技(ji)術(shu)，對菠菜(cai)和(he)大米(mi)中的關(guan)鍵(jian)營養元(yuan)素（Mg、Ca、Na、K）開(kai)展(zhan)快速(su)定(ding)量(liang)分析(xi)；同(tong)時(shi)結(jie)合(he)化(hua)學計(ji)量(liang)學方(fang)法，實(shi)現(xian)了(le)農藥汙染(ran)與(yu)未(wei)汙染(ran)農(nong)產品（菠(bo)菜(cai)、大米(mi)）的快速(su)區(qu)分，有效解(jie)決(jue)了傳(chuan)統(tong)方(fang)法難(nan)以(yi)鑒別農(nong)藥汙染(ran)的問題。盡(jin)管農藥所(suo)含(han)元(yuan)素(su)與農產品自(zi)身(shen)元素存在(zai)重(zhong)疊(die)，無(wu)法通(tong)過單(dan)壹元(yuan)素檢(jian)測(ce)鑒別汙(wu)染(ran)，但PLS-DA方(fang)法可(ke)借(jie)助(zhu)LIBS光(guang)譜(pu)的多元素(su)發射線分(fen)布(bu)特征，高效區(qu)分(fen)汙染(ran)與(yu)未(wei)汙染(ran)樣(yang)品(pin)。其中，清潔(jie)菠(bo)菜(cai)的誤(wu)分(fen)類率(lv)為0%，10 ppm農(nong)藥汙染(ran)菠(bo)菜(cai)的誤(wu)分(fen)類率(lv)僅為(wei)2%，且(qie)該(gai)方(fang)法三(san)乙膦(lin)酸(suan)鋁(lv)汙(wu)染(ran)均(jun)適(shi)用，充分驗證(zheng)了(le)此(ci)項(xiang)技(ji)術(shu)的實(shi)用(yong)性。

FireFly LIBS已(yi)發表(biao)文獻內(nei)容

北(bei)京(jing)易(yi)科(ke)泰專(zhuan)註於(yu)農(nong)業(ye)科(ke)研設(she)備的研發與(yu)技(ji)術(shu)推(tui)廣，為(wei)國內(nei)科研機構(gou)提(ti)供涵(han)蓋(gai)種(zhong)子活(huo)力檢(jian)測(ce)、質(zhi)量(liang)評(ping)估(gu)、營(ying)養成分分析及(ji)在(zai)線分選(xuan)的全(quan)套儀(yi)器(qi)設備，為(wei)種(zhong)質(zhi)資(zi)源(yuan)創新、品種(zhong)選(xuan)育與產業(ye)化(hua)研究(jiu)提(ti)供高(gao)效技(ji)術(shu)支撐(cheng)，具體(ti)包(bao)括：

² PhenoTron種(zhong)質(zhi)資(zi)源(yuan)檢(jian)測(ce)系統(tong)  

² SeedSort種(zhong)子(zi)高(gao)光(guang)譜(pu)成(cheng)像在(zai)線(xian)分(fen)析(xi)平臺  

² PhenoTron復(fu)式(shi)智(zhi)能(neng)LED光(guang)源培養(yang)與光(guang)譜(pu)成(cheng)像分(fen)析(xi)系統(tong)  

² Thermo-RGB種(zhong)子(zi)形(xing)態與(yu)動態熱成像融(rong)合(he)分(fen)析(xi)系統(tong)  

² 高(gao)通(tong)量(liang)種子呼(hu)吸(xi)和活(huo)力測(ce)量(liang)系統(tong)  

² Grainsense谷物成(cheng)分分析(xi)系統(tong)

² 種(zhong)子(zi)X射線成(cheng)像分(fen)析(xi)儀(yi)

² PhenoTron-APP：種(zhong)子(zi)發芽(ya)率(lv)快速(su)測(ce)量APP

1. Kim G, Kwak J, Choi J, et al. Detection of nutrient elements and contamination by pesticides in spinach and rice samples using laser-induced breakdown spectroscopy (LIBS)[J]. Journal of agricultural and food chemistry, 2012, 60(3): 718-724.

2. Larios G S, Nicolodelli G, Senesi G S, et al. Laser-induced breakdown spectroscopy as a powerful tool for distinguishing high-and low-vigor soybean seed lots[J]. Food Analytical Methods, 2020, 13(9): 1691-1698.

3. Li X, He Z, Liu F, et al. Fast identification of soybean seed varieties using laser-induced breakdown spectroscopy combined with convolutional neural network[J]. Frontiers in plant science, 2021, 12: 714557.

4. Guo J, Jiang S, Lu B, et al. Exploring the potential of microscopic hyperspectral, Raman, and LIBS for nondestructive quality assessment of diverse rice samples[J]. Plant Methods, 2025, 21(1): 25.