YicotaiFireFly LIBSEl sistema rápido de análisis e imágenes de elementos se está convirtiendo en una herramienta de análisis potencial en la investigación de recursos de germoplasma debido a su capacidad de no requerir pretratamiento de muestras, detección simultánea de múltiples elementos e imágenes in situ. Su usoLIBSLa tecnología resuelve eficazmente el problema del análisis químico tradicional, que lleva mucho tiempo y es muy destructivo, y puede escanear rápidamente las hojas, semillas e incluso el suelo de las plantas directamente para lograr nitrógeno.N), fósforoP), potasioKMonitoreo en tiempo real de nutrientes clave y metales pesados. El sistema es capaz de obtener información sobre la distribución espacial de la superficie de la muestra..Mapeo) analizar las diferencias en las características de los elementos entre las diferentes variedades a través de algoritmos de aprendizaje automático, ayudando así a la identificación de las variedades de cultivos, la trazabilidad del origen y el análisis de antecedentes genéticos. En el campo de la investigación del estrés adverso y la evaluación de la calidad, esta tecnología se utiliza ampliamente para explorar la respuesta fisiológica de las plantas bajo la contaminación por metales pesados o el estrés por sequía, por ejemplo, monitoreando el silicio en las hojas.Si) o calcioCaModelo de acumulación para evaluar la tolerancia de los cultivos al estrés abiótico.

Detección de la vitalidad de las semillas

Brasil, como exportador de soja, su equipo de investigación se unió al equipo italiano para usar el espectro de ruptura inducida por láser..LIBSTecnología, combinada con análisis múltiples y algoritmos de aprendizaje automático, para explorar la viabilidad de distinguir rápidamente y eficientemente los lotes de semillas de soja de baja vitalidad y alta vitalidad. El estudio encontró que los principales elementos de los dos tipos de semillas..C,Mg,Ca,N,K) hay diferencias en la intensidad de los picos de emisión, de los cuales las semillas de alta vitalidadCa I,C,C = N,Mg I/IILa intensidad del pico igual es menor que la de las semillas de baja vitalidad. Los resultados muestran que,LIBSLa tecnología se combina con el análisis de componentes principales..PCA) y máquinas vectoriales de soporteSVM) y otros algoritmos de Aprendizaje automático pueden distinguir eficientemente los lotes de semillas de soja de baja vitalidad y alta vitalidad.350-450 nmLa banda espectral es la región de identificación, y el calcio es el factor diferencial central;SVMLa precisión de clasificación del algoritmo puede alcanzar98,9%, dos de ellosSVMY tres vecesSVMSe realiza en el reconocimiento de semillas de alta vitalidad y baja vitalidad, respectivamente.100%Precisión.

Identificación de variedades de semillas

El equipo técnico de la Universidad de Zhejiang está enCIENCIAS PLANTALES"Publicado bajo el título"Identificación rápida de variedades de semillas de soja utilizando espectroscopia de descomposición inducida por láser combinada con red neuronal convolucional"Artículo de investigación, espectro de ruptura inducido por láser..LIBS) combinado con la tecnología de aprendizaje profundo, se ha logrado una identificación rápida de las variedades de semillas de soja, y la detección de una sola semilla lleva solo tiempo.30Segundos; Entre ellos, con la "matriz espectral" como entrada2D-PCSA-ResNetRendimiento del modelo，La precisión de la predicción alcanza91,75%; la relación correspondiente entre el mapa de visibilidad y la posición del pico de elementos en el estudio muestra que el carbono en la soja..C), silicioSi), magnesioMg), CalcioCa), sodioLaEl contenido y la proporción de otros elementos son la clave para distinguir las diferencias entre las variedades; Este método proporciona un nuevo paradigma para la identificación de variedades de productos agrícolas y tiene amplias perspectivas de aplicación práctica.

Pruebas de calidad del arroz

La Universidad Agrícola de Huazhong y el Instituto de maquinaria y física de precisión Óptica de Changchun están dirigidos a imágenes hiperespectrales microscópicas, espectros Raman y espectros de ruptura inducidos por láser.LIBS) la aplicabilidad de las tres tecnologías en la detección del contenido de almidón y proteínas de la cadena de arroz se ha estudiado, se han analizado los efectos de cuatro tipos de muestras de arroz, arroz integral, arroz refinado y harina de arroz en los resultados del modelado de la prueba espectral, y se han seleccionado variables características relacionadas con los componentes objetivo de almidón y proteínas de la cadena de arroz, con el objetivo de proporcionar una referencia para la optimización de la tecnología de detección no destructiva de la calidad del arroz. Los resultados experimentales muestran que de las tres técnicas espectrales,LIBSManifestaciones en la detección del contenido de Amilopectina y proteínas del arroz..RCuadrado0.81), seguido por el espectro raman, el efecto de imagen hiperespectral microscópica es relativamente pobre. Además,LIBSLas variables características seleccionadas coinciden más con la composición de los elementos de la composición objetivo, mientras que las variables características del espectro Raman se ven más afectadas por la estructura molecular y las condiciones experimentales. Este estudio proporciona una base técnica comparativa para las pruebas no destructivas de la calidad del arroz.LIBSY la espectrometría Raman se pueden utilizar como medios técnicos prioritarios y es necesario optimizar aún más el esquema de detección en combinación con el tipo de muestra.

Detección de nutrientes y pesticidas

Aplicación de equipos de investigación científica estadounidenses y coreanosLIBSTecnología, nutrientes clave en espinacas y arroz..Mg,Ca,La,K(llevar a cabo un análisis cuantitativo rápido; Al mismo tiempo, la combinación de métodos químicos y econométricos ha logrado una rápida distinción entre la contaminación por pesticidas y los productos agrícolas no contaminados (espinacas, arroz), lo que ha resuelto eficazmente el problema de que los métodos tradicionales son difíciles de identificar la contaminación por pesticidas. Aunque los elementos contenidos en los plaguicidas se superponen a los propios elementos de los productos agrícolas y no pueden identificar la contaminación mediante pruebas de un solo elemento, peroPLS-DAEl método se puede utilizarLIBSLas características de distribución de las líneas de emisión multielementos del espectro distinguen eficientemente entre muestras contaminadas y no contaminadas. Entre ellos, la tasa de clasificación errónea de las espinacas limpias es0%,10 ppmLa tasa de clasificación errónea de las espinacas contaminadas por pesticidas es solo de2%Y este método es aplicable a la contaminación por trietilfosfonato de aluminio, lo que demuestra plenamente la practicidad de esta tecnología.

FireFly LIBSContenido de la literatura publicada

Beijing yiketai se centra en la investigación y el desarrollo y la promoción tecnológica de equipos de investigación científica agrícola, proporciona a las instituciones nacionales de investigación científica un conjunto completo de instrumentos y equipos que cubren la detección de vitalidad de semillas, la evaluación de la calidad, el análisis de nutrientes y la clasificación en línea, y proporciona apoyo técnico eficiente para la Innovación de recursos de germoplasma, la selección de variedades y la investigación de industrialización, incluyendo:

²PhenoTronSistema de detección de recursos de germoplasma

²SemillaOrdenarPlataforma de análisis en línea de imágenes hiperespectrales de semillas

²PhenoTronInteligencia dúplexledSistema de cultivo de fuentes de luz y análisis de imágenes espectrales

²Termo-RGBSistema de análisis de fusión de morfología de semillas e imágenes térmicas dinámicas

²Sistema de medición de respiración y vitalidad de semillas de alto rendimiento

²GrainsenseSistema de análisis de la composición de los cereales

²SemillasXAnalizador de imágenes de rayos X

²Benzotriazina AP: medición rápida de la tasa de germinación de las semillasAplicación

1. Kim G, Kwak J, Choi J, et al. Detección de elementos nutrientes y contaminación por pesticidas en muestras de espinacas y arroz utilizando espectroscopia de descomposición inducida por láser (LIBS) [J]. Revista de química agrícola y alimentaria, 2012, 60(3): 718-724.

2. Larios G S, Nicolodelli G, Senesi G S, et al. Espectroscopia de descomposición inducida por láser como una poderosa herramienta para distinguir lotes de semillas de soja de alto y bajo vigor [J]. Métodos analíticos de alimentos, 2020, 13(9): 1691-1698.

3. Li X, He Z, Liu F, et al. Identificación rápida de variedades de semillas de soja utilizando espectroscopia de descomposición inducida por láser combinada con red neuronal convolucional [J]. Fronteras en la ciencia vegetal, 2021, 12: 714557.

4. Guo J, Jiang S, Lu B, et al. Explorando el potencial de hiperespectral microscópico, Raman y LIBS para la evaluación de calidad no destructiva de diversas muestras de arroz [J]. Métodos Plantales, 2025, 21(1): 25.