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、電子工業で広く応用されています。レーザー誘起ブレイクダウン分光（LIBS）は、分析速度が速く、複雑なサンプル前処理が不要であるという利点があり、マグネシウム合金の検出分野で良好な応用展望を持っています。LIBSスペクトルは異なるサブ測定間で大きく変動し、異なるタイプのマグネシウム合金のスペクトルの類似度が高く、データに冗長な情報が含まれているため、直接分類は効果が限定されることが多いです。本研究では特徴選択に基づくマグネシウム合金の高速分類方法を提案し、最大相関最小冗長（mRMR）、ランダムフォレスト（RF）、スペクトル指数の3つの特徴選択方法を体系的に比較し、サポートベクターマシン（SVM）、逆伝播ニューラルネットワーク（BPNN）、k近傍法（KNN）の3つ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の特徴を使用した条件下で、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-分類器の組み合わせ方法および元スペクトルの直接分類方法を大幅に上回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信頼できる分析手段を提供し、産業現場におけるLIBS技術の実用化推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;マグネシウム合金;特徴選択;機械学習