一种深度学习辅助的物质定量分析方法

本发明涉及物质定量分析，具体为一种深度学习辅助的物质定量分析方法。

背景技术：

1、在环保监测、食品安全监测、毒品监测等应用中常采用光谱仪进行定量分析。

2、传统色散型光谱仪通常主要由狭缝、光栅和探测器构成，利用光栅将光波的光谱分量衍射到光电探测器阵列的不同位置来探测光谱信息，但其分辨率有限，同时狭缝的存在使色散型光谱仪的信噪比与光谱分辨力相互制约。傅里叶光谱仪虽结构紧凑、精度高，但其干涉仪光程差有限，实现高分辨率在尺寸上有所牺牲。以上传统光谱仪基于衍射和干涉原理往往需要复杂的光机结构，导致光谱仪体积庞大且成本高昂；另外，传统光谱仪受宽带的限制，只能同时分析一至两种成分，而无法对多种成分的物质进行分析。

技术实现思路

1、针对现有技术的不足，本发明的目的在于提供一种深度学习辅助的物质定量分析方法。

2、为实现上述目的，本发明提供如下技术方案：一种深度学习辅助的物质定量分析方法，所述物质定量分析方法通过深度学习辅助的物质定量分析系统实现，所述物质定量分析系统包括：光源及驱动单元，光散射及物质作用单元，多象限红外探测器，智能分析单元；

3、所述光源及驱动单元，用于产生入射光波；

4、所述光散射及物质作用单元，用于与待测物质作用形成多模态散射光；

5、所述多象限红外探测器，通过n个独立光电探测芯片接收多模态散射光，并形成n个电压信号；

6、所述智能分析单元，对实时探测的n个电压信号以相同序列组成向量组，其中，通过半监督型深度学习进行物质定量识别；

7、所述物质定量分析方法包括如下步骤：

8、s1、采用物质定量分析系统对m个单一的已知量的物质分析，获得n个维度的散射光强值，建立作用矩阵，其表达式为：

9、，

10、其中，m个单一的已知量的物质分别为、、···、、，则 ；

11、s2、采用物质定量分析系统分析不同定量的m个样品混合物，获得各个n维度散射光强值对应的各物质定量信息，并对应建立以定量信息为标记数据集和以n维度散射光强值为信号数据集，即：

12、，

13、其中p为不同定量的m个样品混合物质的组合随机组合次数；

14、s3、通过相同随机种子函数，将标记数据集和信号数据集打乱后，以6:2:2配比随机抽样分成训练集、测试集和验证集；

15、s4、将n维度散射光强值建立1×n数组a，以升维方式扩展至×的矩阵，以最大化散斑强度之间的差异，提高分辨率；其中n为6～10；

16、s5、以深度学习框架进行训练，包括10层卷积层，损失函数如下：

17、，

18、其中，为经过深度学习模型输出的各物质定量数据，为真实的各物质定量数据； ，为以获得的作用矩阵乘以真实的各物质定量数据，为对应n维度散射光强度值，r为迭代次数；

19、采用测试集迭代训练后，损失不大于0.0005；

20、s6、采用验证集对训练的模型文件进行验证，准确率大于99.99%合格，否则将验证集中不合格数据抽取到训练集中进行模型的迭代训练及验证。

21、进一步的，所述光散射及物质作用单元由一个或多个光学元件组成，组合模式包括：1）多模光纤+反应池；2）反应池+积分球；3）中孔光纤；4）中孔光纤+积分球；5）多模光纤+反应池+积分球；光束通过光散射及物质作用单元后形成包含有与物质反应信号的多模态散射光。

22、进一步的，所述多象限红外探测器的n个独立光电探测芯片都有独立的信号放大器，用于校准不同光电探测芯片间与参考芯片之间偏差值；每个独立信号放大器的放大系数表达式为：

23、，

24、其中，为最高响应波长照射第个芯片的电压信号，为最高响应波长照射参考芯片的电压信号；为对准标准黑体时第个芯片暗电压值，为对准标准黑体时参考芯片暗电压值。

25、进一步的，所述智能分析单元至少包括gpu芯片。

26、进一步的，光源为红外光源，其波长可通过调制器或非线性晶体进行调制。

27、进一步的，所述多象限红外探测器包括ingaas、hgcdte、热释电、snse、pbs/pbse；多象限为n个，通过不同角度及位置接收混合模态的散射光。

28、进一步的，所述信号放大器的个数等于多象限红外探测器的个数n，用于放大和处理多象限红外探测器光电、光伏或光热转化后的电信号。

29、进一步的，所述物质反应信号可为光与物质间的吸收信号，或荧光信号，或拉曼信号。

30、进一步的，s4中，升维方法如下：

31、s4.1、对n维度散射光强值进行归一化处理；

32、s4.2、将1×n的数组a计算其1~100次幂，组成3n×3n矩阵；

33、，

34、s4.3、然后3n×3n矩阵通过分段3次埃尔米特插值，扩展成×矩阵。

35、与现有技术相比，本发明的有益效果是：

36、本发明不受光谱分辨力局限、且无复杂通用光谱仪光谱结构实现了物质（混合气体和水污染物等）的高精度定量监测，同时采用半监督深度学习算法，有利于提高训练速度，节省硬件资源。

技术特征：

1.一种深度学习辅助的物质定量分析方法，所述物质定量分析方法通过深度学习辅助的物质定量分析系统实现，其特征在于：所述物质定量分析系统包括：光源及驱动单元，光散射及物质作用单元，多象限红外探测器，智能分析单元；

2.根据权利要求1所述的一种深度学习辅助的物质定量分析方法，其特征在于：所述光散射及物质作用单元由一个或多个光学元件组成，组合模式包括：1）多模光纤+反应池；2）反应池+积分球；3）中孔光纤；4）中孔光纤+积分球；5）多模光纤+反应池+积分球；光束通过光散射及物质作用单元后形成包含有与物质反应信号的多模态散射光。

3.根据权利要求1所述的一种深度学习辅助的物质定量分析方法，其特征在于：所述多象限红外探测器的n个独立光电探测芯片都有独立的信号放大器，用于校准不同光电探测芯片间与参考芯片之间偏差值；每个独立信号放大器的放大系数表达式为：

4.根据权利要求1所述的一种深度学习辅助的物质定量分析方法，其特征在于：所述智能分析单元至少包括gpu芯片。

5.根据权利要求1所述的一种深度学习辅助的物质定量分析方法，其特征在于：光源为红外光源，其波长通过调制器或非线性晶体进行调制。

6.根据权利要求3所述的一种深度学习辅助的物质定量分析方法，其特征在于：所述多象限红外探测器包括ingaas、hgcdte、热释电、snse、pbs/pbse；多象限为n个，通过不同角度及位置接收混合模态的散射光。

7.根据权利要求6所述的一种深度学习辅助的物质定量分析方法，其特征在于：所述信号放大器的个数等于多象限红外探测器的个数n，用于放大和处理多象限红外探测器光电、光伏或光热转化后的电信号。

8.根据权利要求2所述的一种深度学习辅助的物质定量分析方法，其特征在于：所述物质反应信号为光与物质间的吸收信号，或荧光信号，或拉曼信号。

9.根据权利要求1所述的一种深度学习辅助的物质定量分析方法，其特征在于：s4中，升维方法如下：

技术总结
本发明提供了一种深度学习辅助的物质定量分析方法，利用光源及驱动单元产生入射光波；利用光散射及物质作用单元与待测物质作用形成多模态散射光；利用多象限红外探测器通过N个独立光电探测芯片接收多模态散射光，并形成N个电压信号；利用智能分析单元对实时探测的N个电压信号以相同序列组成向量组，通过半监督型深度学习进行物质定量识别。本发明不受光谱分辨力局限、且无复杂通用光谱仪光谱结构实现了物质（混合气体和水污染物等）的高精度定量监测，同时采用半监督深度学习算法，有利于提高训练速度，节省硬件资源。

技术研发人员：王启胜,邱梦春,陈君明,成者,王立
受保护的技术使用者：南昌大学
技术研发日：
技术公布日：2024/1/16