マグネシウム合金は、その低密度、高い比強度および優れた耐食性により、航空宇宙、自動車、電子工業で広く使用されています。レーザー誘起ブレイクダウン分光法（LIBS）は、分析速度が速く、複雑なサンプル前処理を必要としないという利点があり、マグネシウム合金の検出分野で良好な応用展望があります。LIBSスペクトルは繰り返し測定間で大きなばらつきがあり、異なるタイプのマグネシウム合金のスペクトル類似度が高く、データには冗長情報も含まれているため、直接分類では効果が限られることが多いです。本稿では、特徴選択に基づくマグネシウム合金の高速分類法を提案し、最大関連性最小冗長性（mRMR）、ランダムフォレスト（RF）、およびスペクトル指数という三つの特徴選択手法を体系的に比較し、サポートベクターマシン（SVM）、逆伝播型ニューラルネットワーク（BPNN）、k近傍法（KNN）の三種類の分類モデルと組み合わせて、複数のマグネシウム合金分類モデルを構築しました。実験結果は、mRMR-BPNNがわずか180個の特徴を用いて、初日および翌日のデータテストにおいてそれぞれ99.4%と92.5%の精度を達成し、他の特徴選択－分類器組み合わせ方法および元スペクトルの直接分類方法より顕著に優れていることを示しました。本手法は複雑な前処理を必要とせずにモデルの分類精度と汎化能力を効果的に向上させ、マグネシウム－アルミニウム合金材料の迅速なオンライン検出と品質管理のための信頼できる分析手段を提供し、産業現場でのLIBS技術の実用化促進に積極的な意義を持ちます。

レーザー誘起ブレイクダウン分光法;マグネシウム合金;特徴選択;機械学習