技術(shù)原理
 
利用脈沖激光在待測(cè)樣品表面激發(fā)產(chǎn)生等離子體，通過等離子體發(fā)射的光譜波長(zhǎng)和強(qiáng)度信息，分別獲得待測(cè)元素的種類和含量信息。

FireFly功能特色

• 一次測(cè)量獲取所有元素信息

• Mapping功能獲取元素分布2D成像圖譜

 

• 自動(dòng)獲取樣品不同深度的元素含量和組成差異

 
FireFly 規(guī)格
該表包含了通用的系統(tǒng)參數(shù)
定制化配置參數(shù)會(huì)有所差異  
FireFly LIBS應(yīng)用于生物免疫化學(xué)檢測(cè)：       利用LIBS技術(shù)對(duì)含釔（Y ll 437.49 nm）元素的標(biāo)記物進(jìn)行2D成像檢測(cè)，以替代免疫組織化學(xué)（IHC）和免疫細(xì)胞化學(xué)（ICC）等傳統(tǒng)癌細(xì)胞標(biāo)記檢測(cè)方法，突破原有生物標(biāo)記檢測(cè)技術(shù)的有用標(biāo)記范圍和低多重檢測(cè)能力的限制，有望利用不同的 NPs 標(biāo)簽實(shí)現(xiàn)生物標(biāo)記多重檢測(cè)等應(yīng)用。
 
LIBS技術(shù)應(yīng)用于寶石鑒定：       天然形成的黃色、橙色、粉橙色的藍(lán)寶石很稀有，市場(chǎng)價(jià)格很高。部分人員通過在氧氣環(huán)境中高溫下將鈹擴(kuò)散到紅寶石和藍(lán)寶石中，形成虛假的變色寶石。利用 LIBS 技術(shù)對(duì)寶石進(jìn)行檢測(cè)，能夠同時(shí)檢測(cè)到每一種感興趣的元素，從而獲得寶石成分的完整信息，可用于真假寶石的鑒定。

利用 LIBS 技術(shù)對(duì)混凝土中氯的定量分析
地質(zhì)與礦石鑒定——FireFly檢測(cè)鋰礦空間分布       鋰可存在于多種礦物中，但僅有一部分在經(jīng)濟(jì)上可用于采礦，主要的富鋰礦物是偉晶巖中的鋰云母或鋰輝石，另一個(gè)重要來源是鹵水。測(cè)量鋰元素對(duì)幾乎所有分析技術(shù)來說都是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，但對(duì) LIBS 來說并非如此，上圖揭示了FireFly對(duì)鋰礦進(jìn)行鑒定和空間定量分析的應(yīng)用效果。
 
FireFly在植物毒理學(xué)研究中的應(yīng)用
FireFly在腫瘤醫(yī)學(xué)領(lǐng)域中的應(yīng)用       皮膚是人體最大的器官，起著保護(hù)身體免受外部影響的作用。許多腫瘤可以在皮膚上形成，皮膚惡性腫瘤是最常見的癌癥之一，但死亡率非常低，因此頻繁的預(yù)防至關(guān)重要。研究人員發(fā)現(xiàn)，癌癥感染的組織會(huì)改變細(xì)胞的形狀和化學(xué)成分，這些變化可以通過 LIBS 觀察到，其中生物元素的成像提供了有關(guān)軟組織元素分布的信息。
 
FireFly應(yīng)用于小鼠牙齒和骨骼的元素分析       對(duì)硬組織（牙齒和骨骼）的分析是考古學(xué)、人類學(xué)、法醫(yī)分析和醫(yī)學(xué)應(yīng)用等許多領(lǐng)域的重要組成部分。這些分析的結(jié)果可以提供有關(guān)個(gè)體的年齡、性別、健康、飲食、起源地和遷移等信息�？梢酝ㄟ^多種分析方法獲得這些信息，例如 LIBS技術(shù)。上圖即為FireFly獲取的小鼠牙齒和骨骼Ca、Mg、Pb、Sr元素分布圖。
 

• POŘÍZKA, Pavel. Laser - induced breakdown spectroscopy as a readout method for immunocytochemistry with upconversion nanoparticles [online], website: https://link.springer.com/article/10.1007%2Fs00604 - 021 - 04816 - y
• BUDAY, Jakub. Imaging laser - induced plasma under different laser irradiances [online], website: https://www.sciencedirect.com/science/article/pii/S0584854720300756
• Kateřina. Imaging margins of skin tumors using laser - induced breakdown spectroscopy and machine learning [online]. website: https://pubs.rsc.org/en/content/articlelanding/2021/ja/d0ja00469c