基于深度机器学习模型实现拉曼信号鉴别的系统及方法与流程

本发明涉及光学领域，尤其涉及光学检测技术领域，具体是指一种基于深度机器学习模型实现拉曼信号数据处理与鉴别功能的系统及其方法。

背景技术：

拉曼光谱法是上世纪20年代由印度科学家拉曼提出来的一项技术。上世纪六十年代激光器的诞生，给拉曼光谱的应用带来了发展空间。拉曼光谱分析技术由于具有丰富的物质特性信息、无损检验、无需样品制备等优点，作为一种行之有效的检测分析方法目前已被广泛应用，是现代物质特征分析技术的重要组成部分。早期的拉曼光谱仪体积较大且安装不方便，主要应用于实验室中，随着光电、嵌入式软硬件、拉曼光谱分析技术的不断进步，体积小、重量轻、移动方便的手持便携式拉曼光谱仪具有检测快速准确等优点，迅速得到了发展，市场需求不断增加。世界上各知名光谱仪生产厂家相继推出了多种型号的便携式拉曼光谱仪。

原始的拉曼光谱包含荧光、各种干扰源等噪声，对测量造成极大影响。拉曼光谱数据处理技术是指在对样品进行定性、定量分析之前对所测光谱进行消除荧光、噪声的处理，为拉曼光谱物质鉴别提供可靠有效的数据，以获得稳定、可靠的分析结果。在实际测量中，对荧光进行抑制措施是十分必要的。此外，实际测量时，拉曼光谱中还存在着多种干扰源，主要有激光及拉曼散射光的发射噪声，ccd探测器的散粒噪声、暗电流噪声及读出噪声，样品、样品容器等的荧光和磷光背景、样品及其周围环境的黑体辐射，环境中射线导致的尖峰等等。这些干扰源会给后续的分析结果带来不准确性及不稳定性。所以，为了获得有效待测物品光谱，首先要对测的原始光谱进行有效的去荧光效应，去噪声处理，同时还要对被测物质光谱进行特征谱分析，实现物质鉴别。

随着机器学习、人工智能技术的不断发展，基于机器学习的自动、、智能拉曼光谱数据处理与鉴别方法，将是拉曼光光谱仪数据处理与鉴别发展的趋势。

技术实现要素：

本发明的目的是克服了上述现有技术的缺点，提供了一种可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类的基于深度机器学习模型实现拉曼信号数据处理与鉴别功能的系统及其方法。

为了实现上述目的，本发明的基于深度机器学习模型的实现拉曼信号数据处理与鉴别功能的系统及其方法如下：

该基于深度机器学习模型的拉曼信号数据处理与鉴别的系统，其主要特点是，所述的系统包括：

光学探头，与所述的光谱仪相连接，用于接收所述的光谱仪发出的激光光束并使所述的激光光束与样品表面接触，并采集样品的拉曼信号；

所述的光谱仪包括：

激光器，与所述的光学探头连接，用于发出激光光束；

处理器，与所述的激光器相连接，用于控制处理器处理数据并控制处理器的其余模块；

信号预处理模块，与所述的处理器相连接，用于对所述的样品的拉曼信号数据进行预处理；

深度机器学习模型数据处理模块，与所述的处理器相连接，用于根据数据分析工具对所述的样品的拉曼信号数据进行自动分析，并训练分类器；

样品分类标注模块，与所述的处理器相连接，用于通过所述的分类器对样品数据进行样品类别归属和标注，并存入数据库；

显示屏，与所述的处理器相连接，用于展示信号数据。

较佳地，所述的光谱仪的激光器发出的激光光束包括红外线、紫外线和可见光。

较佳地，所述的光谱仪的激光器通过光纤与所述的光学探头相连接。

较佳地，所述的信号预处理模块对拉曼信号数据进行预处理包括对拉曼信号数据进行格式规范、数据校验、坏数据剔除、数据平滑滤波和去噪。

较佳地，所述的深度机器学习模型数据处理模块中的数据分析工具包括主成分分析子模块、神经网络子模块、判别函数分析子模块和支持向量机子模块，所述的主成分分析子模块、神经网络子模块、判别函数分析子模块和支持向量机子模块均与所述的处理器相连接。

较佳地，所述的样品分类标注模块还包括分类器，所述的分类器分别与所述的处理器、信号预处理模块和深度机器学习模型数据处理模块相连接，用于通过所述的处理器与信号预处理模块和深度机器学习模型数据处理模块进行数据调用。

该基于深度机器学习模型的拉曼信号数据处理与鉴别的方法，其主要特点是，所述的方法包括以下步骤：

(1)光学探头采集样品的拉曼信号，并传输给光谱仪；

(2)信号预处理模块对所述的样品的拉曼信号数据进行预处理工作；

(3)深度机器学习模型数据处理模块根据数据分析工具对所述的样品的拉曼信号数据进行分析；

(4)样品分类标注模块通过分类器对新样品数据进行分类和标注，并存入数据库。

较佳地，所述的步骤(2)中所述的对拉曼信号数据进行预处理工作具体包括对拉曼信号数据进行格式规范、数据校验、坏数据剔除、数据平滑滤波和去噪。

较佳地，所述的步骤(4)具体包括以下步骤：

(4.1)样品分类标注模块通过深度自动学习与数据库对比来鉴别样品的类别；

(4.2)样品分类标注模块标注样品的类别，并存入数据库。

采用了该基于深度机器学习模型的实现拉曼信号数据处理与鉴别功能的系统及其方法，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类，为拉曼光谱仪的应用提供快速有效的分析途径，体现了拉曼光光谱仪应用优势，为拉曼光谱仪的应用提供快速有效的方法。

附图说明

图1为本发明的基于深度机器学习模型的拉曼信号数据处理与鉴别的系统结构图。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

本发明的基于深度机器学习模型实现拉曼信号数据处理与鉴别功能的系统，其中包括：

光学探头，与所述的光谱仪相连接，用于接收所述的光谱仪发出的激光光束并使所述的激光光束与样品表面接触，并采集样品的拉曼信号；

所述的光谱仪包括：

激光器，与所述的光学探头连接，用于发出激光光束；

处理器，与所述的激光器相连接，用于控制处理器处理数据并控制处理器的其余模块；

信号预处理模块，与所述的处理器相连接，用于对所述的样品的拉曼信号数据进行预处理；

深度机器学习模型数据处理模块，与所述的处理器相连接，用于根据数据分析工具对所述的样品的拉曼信号数据进行自动分析，并训练分类器；

样品分类标注模块，与所述的处理器相连接，用于通过所述的分类器对样品数据进行样品类别归属和标注，并存入数据库；

显示屏，与所述的处理器相连接，用于展示信号数据。

较佳地，所述的光谱仪的激光器发出的激光光束包括红外线、紫外线和可见光。

较佳地，所述的光谱仪的激光器通过光纤与所述的光学探头相连接。

较佳地，所述的信号预处理模块对拉曼信号数据进行预处理包括对拉曼信号数据进行格式规范、数据校验、坏数据剔除、数据平滑滤波和去噪。

较佳地，所述的深度机器学习模型数据处理模块中的数据分析工具包括主成分分析子模块、神经网络子模块、判别函数分析子模块和支持向量机子模块，所述的主成分分析子模块、神经网络子模块、判别函数分析子模块和支持向量机子模块均与所述的处理器相连接。

较佳地，所述的样品分类标注模块还包括分类器，所述的分类器分别与所述的处理器、信号预处理模块和深度机器学习模型数据处理模块相连接，用于通过所述的处理器与信号预处理模块和深度机器学习模型数据处理模块进行数据调用。

在本发明的具体实施方式中，该基于深度机器学习模型的拉曼信号数据处理与鉴别的方法，其中包括以下步骤：

(1)光学探头采集样品的拉曼信号，并传输给光谱仪；

(2)信号预处理模块对所述的样品的拉曼信号数据进行预处理工作；

(3)深度机器学习模型数据处理模块根据数据分析工具对所述的样品的拉曼信号数据进行分析；

(4)样品分类标注模块通过分类器对新样品数据进行分类和标注，并存入数据库。

(4.1)样品分类标注模块通过深度自动学习与数据库对比来鉴别样品的类别；

(4.2)样品分类标注模块标注样品的类别，并存入数据库。

较佳地，所述的步骤(2)中所述的对拉曼信号数据进行预处理工作具体包括对拉曼信号数据进行格式规范、数据校验、坏数据剔除、数据平滑滤波和去噪。

本发明的具体实施方式中，本发明提出一种深度机器学习模型的拉曼数据处理与鉴别方法，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类，为拉曼光谱仪的应用提供快速有效的分析途径。

光学探头通过光纤与光谱仪连接，一方面光学探头从光谱仪激光器获得光源并采集样品拉曼信号，然后光学探头通过光纤把采集的样品拉曼原始信号传输给光谱仪，光谱仪的处理器通过信号预处理方法、深度机器学习模型数据处理与鉴别方法、样品分类和标注方法对样品拉曼原始光谱进行快速自动数据处理、鉴别和分类，最后实现物质特征鉴别，获得物质特征信息。

具体技术方案如下：

1、基于机器学习的拉曼光谱数据处理与鉴别方法包含一个光学探头、一个光谱仪，其中光谱仪又包含一个处理器、一个激光器、一个显示屏、一项信号预处理方法、一项深度机器学习模型数据处理方法、一项样品分类和标注。

2、一个光学探头，用于激光光束与检测样品表面接触并接收样品拉曼信号，其中的激光光束可以是红外线、紫外线以及可见光的一种。

3、一个光谱仪主要由激光器、光纤、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏组成，用于[样品]激发光源，接收光学探头样品拉曼信号，处理信号并显示信号

4、一项信号预处理方法，主要对原始数据进行格式规范、数据校验和坏数据剔除以及数据平滑滤波和去噪，为下一步机器学习做好准备工作，实现数据机器学习前的准备工作。

5、一项深度机器学习模型数据处理方法，主要由主成分分析(pca)、神经网络(nn)、判别函数分析(dfa)、支持向量机(svm)等多种数据分析工具组成，不限于列举的方法，全部过程都具有人工智能的特性，全自动自适应判别，全自动处理，可以显示物质的特征谱，也可以不显示特征谱，直接通过深度自动学习与数据库对比，即可鉴别出物质。

6、一项样品分类和标注，利用机器学习与数据处理训练好的分类器，对输入的新样品数据进行样品类别归属和标注，并存入数据库。

按照以上的发明设计实现的基于机器学习的拉曼光谱数据处理与鉴别方法为拉曼光光谱仪应用提供快速、智能分析物质特征的功能。体现了拉曼光光谱仪应用优势。

如图1所示，本实施例包括光学探头、光纤、光谱仪，其中的光谱仪又包含激光器、光纤、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏。

所述的光学探头通过光纤与光谱仪连接，一方面光学探头从光谱仪的激光器获得光源并采集样品拉曼信号，然后光学探头通过光纤把采集的样品拉曼原始信号传输给光谱仪；光谱仪主要包含激光器、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏，用于样品激发光源，接收光学探头拉曼信号，处理信号并显示信号；其中信号预处理主要有数据格式规范、数据校验和坏数据剔除、数据平滑滤波和去噪，实现数据机器学习前的准备工作；深度机器学习模型数据处理主要是采用多种数据分析工具，对数据进行自动分析，这些工具有主成分分析(pca)、神经网络(nn)、判别函数分析(dfa)、支持向量机(svm)等，全部过程都具有人工智能的特性，全自动处理。样品分类和标注利用机器学习与数据处理训练好的分类器，对输入新的样品数据进行新样品类别归属和标注，并存入数据库，可以显示物质的特征谱，也可以不显示特征谱，直接通过深度自动学习与数据库对比，即可鉴别出物质。

通过基于机器学习的拉曼光谱数据处理与鉴别方法，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的识别和分类，为拉曼光谱仪的应用提供快速有效的方法。

采用了该基于深度机器学习模型的实现拉曼信号数据处理与鉴别功能的系统及其方法，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类，为拉曼光谱仪的应用提供快速有效的分析途径，体现了拉曼光光谱仪应用优势，为拉曼光谱仪的应用提供快速有效的方法。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。