[发明专利]物质识别方法和设备及计算机可读存储介质

说明书

本申请公开了一种物质识别方法及物质识别设备。该物质识别方法包括：将待测样品的多组一维光谱数据融合成二维光谱矩阵；以及通过利用卷积神经网络对所述二维光谱矩阵进行分类来识别所述待测样品中的物质。本方法可以提高物质识别的准确率、减少过拟合风险，具有良好的系统稳健性。

技术领域

本发明的实施例涉及光谱检测技术领域，特别涉及一种物质识别方法、一种物质识别设备及一种计算机可读存储介质。

背景技术

光谱分析技术包括紫外-可见光谱、红外光谱、拉曼光谱、原子吸收光谱、原子荧光光谱、X射线荧光光谱等。对于同一检测目标，多种光谱分析技术的融合可以弥补单一方法的不足，通过丰富的信息获得稳健的模型并拓展适用范围。例如红外光谱和拉曼光谱同样表征样品的分子组成和结构，但由于选率不同，红外光谱更多体现了极性官能团的信息，而拉曼光谱对非极性官能团更敏感。红外光谱和拉曼光谱的数据融合分析可以检测大多数有机物和无机物分子，得到更为准确可靠的定性或定量分析结果。

多谱融合识别技术的关键问题是如何将不同来源的信息融合起来，结合合适的分类器形成有效的分类算法。目前尚缺乏能够对于多种光谱数据进行有效整合的多光谱融合识别算法。

发明内容

本发明的实施例提供一种物质识别方法，包括：将待测样品的多组一维光谱数据融合成二维光谱矩阵；以及通过利用卷积神经网络对所述二维光谱矩阵进行分类来识别所述待测样品中的物质。

在一些实施例中，所述将待测样品的多组一维光谱数据融合成二维光谱矩阵包括：对所述多组一维光谱数据根据光谱关联性进行插值以将所述多组一维光谱数据基于同一坐标系对齐；将经过对齐的所述多组一维光谱数据进行标准化；以及将经过标准化的所述多组一维光谱数据叠加成二维光谱矩阵。

在一些实施例中，所述经过标准化的所述多组一维光谱数据包括N组一维光谱数据，且每组一维光谱数据的长度为M，所述二维光谱矩阵为N×M矩阵，所述二维光谱矩阵的N个行向量分别由所述N组一维光谱数据构成，其中，M和N均为大于1的正整数。

在一些实施例中，所述物质识别方法在通过利用卷积神经网络对所述二维光谱矩阵进行分类来识别所述待测样品中的物质之前还包括：生成模拟训练样本；以及基于该模拟训练样本对所述卷积神经网络进行训练。

在一些实施例中，所述生成模拟训练样本包括：以与将待测样品的多组一维光谱数据融合成二维光谱矩阵相同的方式将多组一维参考光谱数据融合成二维参考光谱矩阵；对于二维参考光谱矩阵中的光谱数据施加模拟的谱峰偏移、强度变化和基线变化中的至少一者以生成模拟训练样本。

在一些实施例中，所述物质识别方法在将待测样品的多组一维光谱数据融合成二维光谱矩阵之前还包括：对所述待测样品的所述多组一维光谱数据进行非对称最小二乘法、S-G卷积平滑、S-G卷积求导中的一种或多种预处理。

在一些实施例中，所述卷积神经网络包括：输入层，所述输入层用于将所述二维光谱矩阵输入所述卷积神经网络；输出层，所述输出层用于输出多个分类，所述多个分类分别对应于待测样品中的不同的预定物质；以及位于所述输入层和输出层之间的多个中间层，所述多个中间层配置成对从所述输入层输入的所述二维光谱矩阵进行处理并将经过处理的数据传送至输出层。

在一些实施例中，所述多个中间层依次包括：第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、全连接输入层以及全连接隐藏层。

在一些实施例中，所述多组一维光谱数据包括紫外光谱数据、可见光谱数据、红外光谱数据、拉曼光谱数据、原子吸收光谱数据、原子荧光光谱数据以及X射线荧光光谱数据中的一种或多种。

在一些实施例中，在将待测样品的多组一维光谱数据融合成二维光谱矩阵之前，所述物质识别方法还包括：通过多个光谱检测器分别采集待测样品的所述多组一维光谱数据。