As ligas de magnésio são amplamente utilizadas nas indústrias aeroespacial, automotiva e eletrônica devido à sua baixa densidade, alta resistência específica e excelente resistência à corrosão. A espectroscopia de plasma induzido por laser (LIBS) apresenta vantagens como análise rápida e ausência de necessidade de preparação complexa de amostras, o que lhe confere boas perspectivas de aplicação no campo da detecção de ligas de magnésio. Devido às grandes flutuações nos espectros LIBS em medições diferentes, à alta similaridade espectral entre diferentes tipos de ligas de magnésio e à presença de informações redundantes nos dados, a classificação direta muitas vezes tem desempenho limitado. Este artigo propõe um método rápido de classificação de ligas de magnésio baseado na seleção de características. Foram comparados sistematicamente três métodos de seleção de características: máxima relevância e mínima redundância (mRMR), floresta aleatória (RF) e índices espectrais, combinados com três modelos de classificação: máquina de vetor de suporte (SVM), rede neural de retropropagação (BPNN) e k-vizinhos mais próximos (KNN), construindo vários modelos de classificação de ligas de magnésio. Os resultados experimentais mostram que o método mRMR-BPNN alcançou precisão de 99,4% e 92,5% nos dados do primeiro e segundo dia, respectivamente, utilizando apenas 180 características, superando significativamente outras combinações de métodos de seleção de características e classificadores, bem como métodos de classificação direta dos espectros originais. Este método melhora eficazmente a precisão da classificação e a capacidade de generalização do modelo sem necessidade de pré-processamento complexo, oferecendo um meio analítico confiável para a detecção rápida online e o controle de qualidade de materiais de ligas de magnésio-alumínio, e tem significado positivo para promover a aplicação prática da tecnologia LIBS em ambientes industriais.

espectroscopia induzida por laser; ligas de magnésio; seleção de características; aprendizado de máquina