基于LIBS‑CNN协同优化的结构金属材料中痕量Cr元素的定量分析

作者：汪倩 Wang Qian, 钟绪 Zhong Xu, 李国文 Li Guowen, 李京徽 Li Jinghui, 陈思磊 Chen Silei, 尚毅 Shang Yi, 刘宇轩 Liu Yuxuan · 发表于：Chinese Journal of Lasers · 年份：2025 · DOI：10.3788/cjl250598 · 研究领域：Ultrasonics and Acoustic Wave Propagation、Laser-induced spectroscopy and plasma、Thermography and Photoacoustic Techniques

针对结构金属材料中痕量元素快速精准检测的需求，本团队将激光诱导击穿光谱（LIBS）技术与卷积神经网络（CNN）相结合，对合金钢中的痕量元素Cr进行了定量分析。搭建光纤式LIBS系统并通过该系统采集高低合金钢的光谱数据，结合小波阈值降噪、自适应基线校正和归一化三级预处理对光谱数据进行优化，基于特征谱线算法提取Cr I 359.35~428.97 nm特征波段，构建包含4个卷积层、4个池化层的13层CNN模型，并采用留一法交叉验证优化模型参数。研究结果表明：CNN模型在高低合金钢Cr元素定量分析中的决定系数分别为0.9999和0.9998，平均相对误差分别低至2.41%和4.96%，检出限分别低至82.72 mg/kg和84.25 mg/kg，相较于内标法、主成分回归、偏最小二乘回归和支持向量回归等算法，精度提升50%以上。CNN模型能有效抑制噪声干扰，提升分析效率，并且可将痕量元素Cr的检测误差控制在0.0002%。本研究验证了深度学习对光谱强度与元素含量之间非线性关系的强大表征能力，将LIBS和CNN相结合可以实现核电管道钢样中Cr含量的近乎零偏差检测，为材料性能评估与金属质量控制提供了可靠的技术支撑。