一粒種子的 “元素密碼” ：FireFly LIBS 如何看透種質優劣？

易科泰FireFly LIBS快速元素分析與成像系統憑借無需樣品預處理、多元素同時檢測及原位成像的能力，正成為種質資源研究中潛力的分析工具。其使用的LIBS技術有效解決了傳統化學分析耗時長、破壞性強的問題，可直接對植物葉片、種子乃至土壤進行快速掃描，實現對氮（N）、磷（P）、鉀（K）等關鍵營養元素及重金屬的實時監測。該系統能夠獲取樣本表面的空間分布信息（Mapping），通過機器學習算法分析不同品種間的元素特征差異，從而輔助作物品種鑒別、產地溯源與遺傳背景分析。在逆境脅迫研究與品質評估領域，這項技術被廣泛應用于探究植物在重金屬污染或干旱脅迫下的生理響應——例如通過監測葉片中硅（Si）或鈣（Ca）的積累模式，評估作物對非生物脅迫的耐受性。

種子活力檢測

巴西作為大豆出口國，其研究團隊與意大利團隊攜手，運用激光誘導擊穿光譜（LIBS）技術，結合多元分析與機器學習算法，探索快速高效區分低活力與高活力大豆種子批次的可行性。研究發現，兩類種子的主要元素（C、Mg、Ca、N、K）發射峰強度存在差異，其中高活力種子的Ca I、C、C=N、Mg I/II等峰強度低于低活力種子。結果表明，LIBS技術結合主成分分析（PCA）及支持向量機（SVM）等機器學習算法，能夠高效區分低活力與高活力大豆種子批次——350-450 nm光譜波段為鑒別區域，鈣元素是核心區分因子；SVM算法的分類準確率可達98.9%，其中二次SVM和三次SVM分別在高活力、低活力種子識別中實現100%準確率。

種子品種識別

浙江大學技術團隊在《PLANT SCIENCES》發表題為“Fast identification of soybean seed varieties using laser-induced breakdown spectroscopy combined with convolutional neural network"的研究文章，通過激光誘導擊穿光譜（LIBS）結合深度學習技術，實現了大豆種子品種的快速鑒別，單粒種子檢測耗時僅30秒；其中以“光譜矩陣"為輸入的2D-PCSA-ResNet模型表現，預測準確率達91.75%；研究中顯著性圖與元素峰位置的對應關系表明，大豆中碳（C）、硅（Si）、鎂（Mg）、鈣（Ca）、鈉（Na）等元素的含量及比例是區分品種差異的關鍵；該方法為農產品品種鑒別提供了全新范式，具有廣闊的實際應用前景。

稻米品質檢測

華中農業大學與長春光學精密機械與物理研究所，針對顯微高光譜成像、拉曼光譜、激光誘導擊穿光譜（LIBS）三種技術在水稻支鏈淀粉與蛋白質含量檢測中的適用性展開研究，分析了稻谷、糙米、精米、米粉四類樣品對光譜檢測建模結果的影響，并篩選出與支鏈淀粉、蛋白質等目標成分相關的特征變量，旨在為水稻品質無損檢測技術的優化提供參考。實驗結果顯示，在三種光譜技術中，LIBS在水稻支鏈淀粉和蛋白質含量檢測中的表現（R2達0.81），拉曼光譜次之，顯微高光譜成像效果相對較差。此外，LIBS篩選的特征變量與目標成分的元素組成匹配度較高，而拉曼光譜的特征變量受分子結構及實驗條件的影響較大。本研究為水稻品質無損檢測提供了技術對比依據，LIBS與拉曼光譜可作為優先選用的技術手段，且需結合樣品類型進一步優化檢測方案。

營養元素與農藥檢測

美韓科研團隊運用LIBS技術，對菠菜和大米中的關鍵營養元素（Mg、Ca、Na、K）開展快速定量分析；同時結合化學計量學方法，實現了農藥污染與未污染農產品（菠菜、大米）的快速區分，有效解決了傳統方法難以鑒別農藥污染的問題。盡管農藥所含元素與農產品自身元素存在重疊，無法通過單一元素檢測鑒別污染，但PLS-DA方法可借助LIBS光譜的多元素發射線分布特征，高效區分污染與未污染樣品。其中，清潔菠菜的誤分類率為0%，10 ppm農藥污染菠菜的誤分類率僅為2%，且該方法三乙膦酸鋁污染均適用，充分驗證了此項技術的實用性。

FireFly LIBS已發表文獻內容

北京易科泰專注于農業科研設備的研發與技術推廣，為國內科研機構提供涵蓋種子活力檢測、質量評估、營養成分分析及在線分選的全套儀器設備，為種質資源創新、品種選育與產業化研究提供高效技術支撐，具體包括：

2 PhenoTron種質資源檢測系統  

2 SeedSort種子高光譜成像在線分析平臺  

2 PhenoTron復式智能LED光源培養與光譜成像分析系統  

2 Thermo-RGB種子形態與動態熱成像融合分析系統  

2 高通量種子呼吸和活力測量系統  

2 Grainsense谷物成分分析系統

2 種子X射線成像分析儀

2 PhenoTron-APP：種子發芽率快速測量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.