易科泰FireFly LIBS快速元素分析與成像系統(tǒng)憑借無需樣品預(yù)處理、多元素同時檢測及原位成像的能力，正成為種質(zhì)資源研究中潛力的分析工具。其使用的LIBS技術(shù)有效解決了傳統(tǒng)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(xiàn)對氮（N）、磷（P）、鉀（K）等關(guān)鍵營養(yǎng)元素及重金屬的實時監(jiān)測。該系統(tǒng)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(chǎn)地溯源與遺傳背景分析。在逆境脅迫研究與品質(zhì)評估領(lǐng)域，這項技術(shù)被廣泛應(yīng)用于探究植物在重金屬污染或干旱脅迫下的生理響應(yīng)——例如通過監(jiān)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(dǎo)擊穿光譜（LIBS）技術(shù)，結(jié)合多元分析與機器學習算法，探索快速高效區(qū)分低活力與高活力大豆種子批次的可行性。研究發(fā)現(xiàn)，兩類種子的主要元素（C、Mg、Ca、N、K）發(fā)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(jié)果表明，LIBS技術(shù)結(jié)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(qū)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(qū)域，鈣元素是核心區(qū)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(xiàn)100%準確率。

種子品種識別

浙江大學技術(shù)團隊在《PLANT SCIENCES》發(fā)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(dǎo)擊穿光譜（LIBS）結(jié)合深度學習技術(shù)，實現(xiàn)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(xiàn)，預(yù)測準確率達91.75%；研究中顯著性圖與元素峰位置的對應(yīng)關(guān)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(qū)分品種差異的關(guān)鍵；該方法為農(nóng)產(chǎn)品品種鑒別提供了全新范式，具有廣闊的實際應(yīng)用前景。

稻米品質(zhì)檢測

華中農(nóng)業(yè)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(dǎo)擊穿光譜（LIBS）三種技術(shù)在水稻支鏈淀粉與蛋白質(zhì)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(jié)果的影響，并篩選出與支鏈淀粉、蛋白質(zhì)等目標成分相關(guān)的特征變量，旨在為水稻品質(zhì)無損檢測技術(shù)的優(yōu)化提供參考。實驗結(jié)果顯示，在三種光譜技術(shù)中，LIBS在水稻支鏈淀粉和蛋白質(zhì)含量檢測中的表現(xiàn)（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(jié)構(gòu)及實驗條件的影響較大。本研究為水稻品質(zhì)無損檢測提供了技術(shù)對比依據(jù)，LIBS與拉曼光譜可作為優(yōu)先選用的技術(shù)手段，且需結(jié)合樣品類型進一步優(yōu)化檢測方案。

營養(yǎng)元素與農(nóng)藥檢測

美韓科研團隊運用LIBS技術(shù)，對菠菜和大米中的關(guān)鍵營養(yǎng)元素（Mg、Ca、Na、K）開展快速定量分析；同時結(jié)合化學計量學方法，實現(xiàn)了農(nóng)藥污染與未污染農(nóng)產(chǎn)品（菠菜、大米）的快速區(qū)分，有效解決了傳統(tǒng)方法難以鑒別農(nóng)藥污染的問題。盡管農(nóng)藥所含元素與農(nóng)產(chǎn)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(fā)射線分布特征，高效區(qū)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(nóng)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(shù)的實用性。

FireFly LIBS已發(fā)表文獻內(nèi)容

北京易科泰專注于農(nóng)業(yè)科研設(shè)備的研發(fā)與技術(shù)推廣，為國內(nèi)科研機構(gòu)提供涵蓋種子活力檢測、質(zhì)量評估、營養(yǎng)成分分析及在線分選的全套儀器設(shè)備，為種質(zhì)資源創(chuàng)新、品種選育與產(chǎn)業(yè)化研究提供高效技術(shù)支撐，具體包括：

2 PhenoTron種質(zhì)資源檢測系統(tǒng)  

2 SeedSort種子高光譜成像在線分析平臺  

2 PhenoTron復(fù)式智能LED光源培養(yǎng)與光譜成像分析系統(tǒng)  

2 Thermo-RGB種子形態(tài)與動態(tài)熱成像融合分析系統(tǒng)  

2 高通量種子呼吸和活力測量系統(tǒng)  

2 Grainsense谷物成分分析系統(tǒng)

2 種子X射線成像分析儀

2 PhenoTron-APP：種子發(fā)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.