近年来, 猪饲料重金属超标问题屡禁不止, 严重危害食用人群健康与环境安全。 国家标准中所采用的干灰化-原子吸收光谱法存在耗时长、 需破坏样品、 试剂易造成环境污染等问题。 激光诱导击穿光谱(LIBS)以其快速、 近乎无损、 无需复杂制样的检测特性被誉为化学分析领域的“未来巨星”。 传统LIBS技术在应用于猪饲料安全品质检测时具有特征光谱强度弱, 检测精度较低等缺陷, 针对该缺陷, 提出LIBS技术与空间限域相结合, 采用空间限域方法提高分析谱线强度, 从而实现更低浓度样品的检出, 实现对猪饲料样品中Cu元素含量进行快速绿色检测。 以Cu Ⅰ 324.75 nm为分析谱线, 在优化后的能量下, 对比不同延时时间下加载不同高度和直径的圆柱形空间限域腔对分析谱线影响, 再选取对分析谱线整体增强效果最佳的空间限域腔对7组不同浓度猪饲料样品进行LIBS光谱采集, 结合采用国家标准方法获取的7组猪饲料样品中Cu元素参考浓度对LIBS系统检测灵敏度进行分析。 结果表明, 加载空间限域腔对分析谱线强度引起增强的同时不会对背景光谱造成明显影响, 分析谱线强度增强因子最大值为5.16, 空间限域腔直径为5.0 mm、 高度为2.0 mm情况下对分析谱线整体增强效果最佳。 在上述最佳试验参数基础上, 以Cu元素在324.75 nm处特征光谱峰值强度为参考, 对猪饲料进行定量分析。 结果发现加载空间限域腔后不同浓度下猪饲料样品中Cu元素浓度与分析谱线强度之间线性关系相较于传统LIBS提升明显, 其单变量定标模型R2从0.742提升至0.996, 检测限从6.21 mg·kg-1降低至1.61 mg·kg-1(《饲料添加安全使用规范》中猪类Cu元素日粮推荐含量为3~6 mg·kg-1), 检测灵敏度提高了2.86倍。 研究表明, 采用空间限域与LIBS技术相结合, 可以大幅提升系统检测精度与灵敏度, 使待测元素检测限降低至国家要求以下, 对于实现猪饲料中Cu元素含量较低样品的LIBS快速绿色检测具有较好的作用。

为了降低或消除激光诱导击穿光谱（LIBS）检测过程中激光能量、背景辐射、噪声信号对特征光谱信息的影响，以镉靶材为对象，构建偏振分辨激光诱导击穿光谱（PRLIBS）系统，探索提高重金属污染物LIBS分析能力的方法。结合光波在多层媒介传播过程中的菲涅耳方程，分析入射光波长对光强透射比的作用机理，构建正入射方向上的等离子体辐射强度分光透射比模型。利用该模型获得了相同条件下的LIBS、PRLIBS光谱数据，比较了镉元素特征谱线强度的相对标准偏差（RSD），并分析了不同延迟时间下特征谱线强度的变化趋势。结果表明：在低能量密度情况下，PRLIBS具有明显的测量优势，可以采集到更多的特征峰信号，并且PRLIBS光谱特征谱线强度的RSD值小于相同检测参数下LIBS光谱特征谱线强度的RSD值，说明分光透射比模型能够有效提高等离子体光谱的稳定性；LIBS与PRLIBS的谱线强度随延迟时间的变化趋势一致，说明PRLIBS并不影响原有LIBS的延迟时间；随着脉冲能量增大，分光透射比模型可以有效降低基线漂移和背景辐射，增强光谱的分辨能力；分光透射比模型不仅保留了连续谱中的有效信息，还提高了谱线识别的稳定性，对于提高低激光能量诱导条件下LIBS特征谱线识别能力具有重要的参考意义。

为提高激光诱导击穿光谱（LIBS）技术对猪饲料中重金属的定量分析精度，以市场常见猪饲料中的Cu元素为研究对象，采用偏最小二乘法（PLS）建立猪饲料中Cu元素定量分析模型，结合空间限域提高LIBS信号强度及定量模型精度，实验所用空间限域腔内腔直径和高度分别为4.5 mm和2 mm。采用九点平滑、标准正态变量变换、多元散射校正等方法对60组猪饲料样品的LIBS进行光谱预处理，并建立PLS预测模型。结果显示，基于圆柱形空间限域，利用九点平滑结合多元散射校正预处理效果最好。传统LIBS条件下预测集相关系数（R）为0.8684，预测均方根误差（RMSEP）为49.3，预测集平均相对误差（ARE）为43.95%；结合空间限域LIBS条件下R为0.9881，RMSEP为14.4，ARE为12.51%。研究结果表明，外加空间限域的LIBS技术能够明显提高猪饲料中Cu元素的光谱信号强度及PLS模型的精度，为猪饲料的精准安全检测提供较好的支持作用。

运用激光诱导击穿光谱(LIBS)技术对赣南脐橙橙汁进行了快速绿色鉴别。实验分别测定了健康和黄龙病脐橙果汁的糖度及Ca、K、Zn元素含量,并分析了糖度及元素含量差异。采集了脐橙果汁的LIBS光谱数据,运用九点平滑(9SM)法并结合多元散射校正(MSC)对数据进行了预处理,最后运用主成分分析(PCA)法并结合多层感知器(MLP)神经网络和径向基函数(RBF)神经网络模型对健康和黄龙病脐橙进行了快速判别。结果表明,PCA-MLP模型对健康和黄龙病脐橙的判别效果优于PCA-RBF模型,其训练集对健康脐橙和黄龙病脐橙的判别准确率分别为93.8%和93.4%,预测集对健康脐橙和黄龙病脐橙的判别准确率分别为93.9%和94.8%。LIBS检测结果证明了黄龙病导致脐橙果肉品质发生了变化;进一步利用光谱预处理方法和分类模型,从品质上区分了黄龙病脐橙果汁和健康脐橙果汁,提高了出厂橙汁的产品合格率。

微波产生形式会影响激光诱导击穿光谱(LIBS)中等离子体光谱信号的强度和稳定性。实验选择重金属镉(Cd)质量分数为1.5×10-5的叶菜样品作为研究对象, 对比分析了双针、单针、环形、双环4种微波探针和前、中、后3个探针位置处传导微波对等离子体光谱信号强度和稳定性的影响, 以优化微波辅助LIBS(MA-LIBS)实验中的微波作用形式, 达到更好的辅助增强效果。分析MA-LIBS光谱图发现, Cd元素的等离子体光谱信号增强了2.58倍, Si、P元素的等离子体光谱信号强度分别增强了2.70倍和3.08倍, 有较好的增强效果。这表明：选择合适形状的微波探针和微波加载位置可以提高微波辅助增强效果, 增强LIBS技术在低浓度样品检测方面的应用性能。

为了快速识别茶叶品种,提出了激光诱导击穿光谱全光学诊断方法。采集7种茶叶样品在200~480 nm波长范围的激光诱导击穿光谱的全谱数据,分别运用九点平滑和九点平滑/一阶导数方法对光谱进行降噪、消除干扰预处理,再结合主成分分析对预处理后的光谱进行降维。选择判别分析(DA)、径向基函数网络(RBF)和B-P反向传播网络(又称MLP)三种模型对7种茶叶进行品种识别。结果显示:综合九点平滑和一阶导数预处理后,再结合主成分分析降维,可使三种模型对茶叶品种的识别准确率均有一定程度的提高,MLP的识别准确率高于DA和RBF,其训练集识别准确率为99.6%,测试集识别准确率为99.1%。选择合适的激光诱导击穿光谱预处理及模型构建方法,对快速准确识别茶叶品种具有可行性。

为了对脐橙产地进行快速鉴别, 提出了激光诱导击穿光谱(LIBS)全光学诊断方法。选取江西赣州4区县及湖北、四川等6省市共10产地的纽荷尔脐橙, 清洗表皮后直接采集等离子体羽时间演变形貌图及LIBS光谱, 定性分析脐橙产地鉴别的可行性; 采用15点平滑结合多元散射处理(15SM+MSC)预处理脐橙的LIBS光谱, 分别运用主成分分析(PCA)、主成分分析结合多层感知器神经网络(PCA-MLP)鉴别脐橙产地。实验结果显示：采用一定的数据预处理方法结合PCA-MLP对全国7省市大地域范围脐橙产地鉴别的训练集总准确率为97.8%, 预测集总准确率为95.3%; 对赣州4区县小地域范围脐橙产地鉴别的训练集总准确率为100%, 预测集总准确率为96.2%。这说明, 采用合适的数据预处理及分类模型对脐橙产地进行快速鉴别具有一定的可行性。

为验证激光诱导击穿光谱（LIBS）对江西省环鄱阳湖水田污染区稻谷中铬元素的分析可行性, 本试验以在该区收集的稻壳、 糙米和白米作为研究对象, 分别对所有样品进行LIBS测试, 并利用火焰原子吸收法（AAS）对铬元素进行真实浓度检测。 LIBS图谱显示稻壳中明显地检测到了铬元素的特征谱线, 而糙米和白米则检测不到。 AAS结果显示稻壳中Cr浓度远高于糙米, 而白米中Cr未超标, 同时, 稻壳与糙米Cr浓度比率具有一定的梯度关系。 结果说明, Cr在稻壳中的富集量高于糙米和白米, 利用LIBS技术对稻壳中Cr进行检测具有一定的可行性, 最终有望实现通过采集稻壳LIBS光谱信号, 预测出糙米中重金属元素的分布规律, 进而采用类似的方法获取大米中重金属元素含量。

农产品基体复杂, 为了减弱水分和有机质对其痕量重金属元素LIBS检测能力的影响, 以期提高目标元素LIBS分析灵敏度和预测精度。 以实验室含Pb溶液污染处理的新鲜猪肉样品为例, 对猪肉样品进行烘干、 粉碎、 压片处理, 比较样品简单的物理方法前处理提高目标元素LIBS探测效果的可行性。 通过采集猪肉鲜样和干样的LIBS谱线信息发现, 鲜样受水分、 有机质成分影响致使其谱线信息背景和噪声信号干扰较大； 对于10个浓度梯度的样品, 目标元素特征谱线Pb Ⅰ 405.78的LIBS强度信息在鲜样中无明显的差异性, 而在干样样品中差异明显并表现出一定的梯度关系。 说明LIBS缺乏对鲜样样品低浓度Pb污染的探测能力, 干燥处理削弱了水分的影响、 浓缩了样品浓度范围, 提高了LIBS的检测灵敏度。 通过目标元素Pb的真实浓度与其特征谱线LIBS强度线性定量模型分析, 干样样品的线性相关系数远大于鲜样样品, 此时猪肉干样样品检测限为5.13 mg·kg-1, 说明干样样品具有一定的预测精度。 整个工作证明猪肉等农产品在经过合适的、 简单的物理方法前处理后, 有望在LIBS分析灵敏度和检测精度方面发挥应有的潜力, 且该物理方法前处理同样适用于其他肉类的LIBS检测分析。