Las aleaciones de magnesio se utilizan ampliamente en la industria aeroespacial, automotriz y electrónica debido a su baja densidad, alta resistencia específica y excelente resistencia a la corrosión. La espectroscopía inducida por láser (LIBS) tiene la ventaja de un análisis rápido y no requiere preparación compleja de muestras, por lo que tiene buenas perspectivas de aplicación en el campo de la detección de aleaciones de magnesio. Debido a las grandes fluctuaciones en los espectros de LIBS en diferentes mediciones, a la alta similitud espectral entre diferentes tipos de aleaciones de magnesio y a la información redundante contenida en los datos, la clasificación directa suele tener un rendimiento limitado. Este artículo propone un método rápido de clasificación de aleaciones de magnesio basado en la selección de características. Se compararon sistemáticamente tres métodos de selección de características: máxima relevancia y mínima redundancia (mRMR), bosque aleatorio (RF) e índices espectrales, combinados con tres modelos de clasificación: máquina de vectores de soporte (SVM), red neuronal de retropropagación (BPNN) y k vecinos más cercanos (KNN), construyendo varios modelos de clasificación de aleaciones de magnesio. Los resultados experimentales muestran que mRMR-BPNN alcanza una precisión del 99.4 % y 92.5 % en los datos del primer y segundo día respectivamente, utilizando solo 180 características, superando significativamente otras combinaciones de selección de características y clasificadores, así como métodos de clasificación directa de espectros originales. Este método mejora eficazmente la precisión de la clasificación y la capacidad de generalización del modelo sin necesidad de un preprocesamiento complejo, proporcionando un medio analítico confiable para la detección rápida en línea y el control de calidad de aleaciones de magnesio-aluminio, y tiene un significado positivo para promover la aplicación práctica de la tecnología LIBS en entornos industriales.

espectroscopía inducida por láser; aleaciones de magnesio; selección de características; aprendizaje automático