(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211041783.9 (22)申请日 2022.08.29 (71)申请人 中国计量大 学 地址 310000 浙江省杭州市下沙高教园区 学源街258号 (72)发明人 梁培　周粲入　曹丹　颜劲远　 杨思危　谢宇浩　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G01N 21/65(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 20/00(2019.01) G06N 3/04(2006.01) (54)发明名称 一种基于拉曼光谱和图像算法的物质检测 方法 (57)摘要 本发明公开了一种基于拉曼光谱和图像算 法的物质检测方法， 包括以下步骤： S1.采集各种 不同形态样品包括固体、 液体、 气体及各个形态 不同混合比例的混合物拉曼光谱数据； S2.对样 品的拉曼光谱数据进行归一化预处理； S3.将所 有归一化后的拉曼光谱数据分别经过连续小波 变换CWT和短时傅里叶变换STFT后得到CWT时频 域二维数据尺度图和STFT时频域二维数据尺度 图； S4.融合CWT时频域二维数据尺度图分别 与对 应的STFT时频域二维数据尺度图,构建融合光谱 图象数据库； S5.对迁移学习网络模型进行训练； S6.采集待测物不同浓度时的拉曼光谱数据， 通 过训练好的迁移学习网络模型对待测物进行分 类。 本发明有效提高检测准确率和灵敏度。 权利要求书3页 说明书7页 附图3页 CN 115389482 A 2022.11.25 CN 115389482 A 1.一种基于拉曼光谱和图像算法的物质检测方法， 其特 征在于， 包括以下步骤： S1.通过不同波长的拉曼光谱仪采集各种不同形态样品的拉曼光谱数据， 并建立各类 样品的一维拉曼光谱数据库； 其中样品包括： 固体、 液体、 气体及各个形态不同混合比例的 混合物； S2.对样品的所述拉曼光谱数据进行归一化预处理， 使得预处理的数据被限定在[0,1] 范围内； S3.将所有归一化后的所述拉曼光谱数据分别经过连续小波变换CWT和短时傅里叶变 换STFT后得到 CWT时频域 二维数据尺度图和STFT时频域 二维数据尺度图； S4.通过深度学习图像融合方法将每个所述CWT时频域二维数据尺度图分别与对应的 所述STFT时频域二维数据尺度图进行融合， 生成的融合图像构成拉曼光谱融合图像数据 库； S5.将所述拉曼光谱数据库分为训练集和验证集， 通过训练集对迁移学习网络模型进 行训练， 并通过验证集完成训练后模型的验证， 得到训练好的迁移学习网络模型； S6.采集待测物不同浓度时的拉曼光谱数据， 通过训练好的迁移学习网络模型对所述 待测物进行分类。 2.根据权利要求1所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， S2的具体内容包括： 设原始拉曼光谱信 号为Y＝{yi|i＝1,2, …N},其中N表示原始拉曼光谱的数目， 每个拉 曼光谱信号表示为yi(t),t＝[t1,t2…,tn],n表示每个拉曼位移序列的长度， yi(tj)表示在 tj位置拉曼光谱信号强度； 所述归一化过程具体为将拉曼光谱的所有的谱峰强度数据除以 谱峰强度最大值yi(tj)max。 3.根据权利要求1所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， S2中预处 理还包括去噪声和平 滑。 4.根据权利要求1所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， 所述连续小 波变换CWT的过程中的母小 波包括Morse小 波、 Morlet小 波和/或bump小 波。 5.根据权利要求4所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， 将归一化后的所述拉曼光谱数据经过连续小波变换CWT得到CWT时频域二维数据尺度图的 具体内容包括： 1)采用所述Morse小波作为所述母小波将拉曼光谱信号变为时频域二维信号， 其中所 述Morse小 波为： 其中， ω为数字域频率， 表示序列变化的速率， 其表达式为ω＝2πf*Ts， 其中Ts是采样 周期， 为Morse小 波， U(ω)是 单位步长， a是归一 化常数， β 是时间带宽积， γ为对称参 数表征Morse小 波的对称性； 2)根据光谱分辨率， 设置时间带宽积β和对称参数γ， 计算出ω， 并将拉曼光谱数据作 为输入， 通过Morse小 波进行特征变换：权　利　要　求　书 1/3 页 2 CN 115389482 A 2其中， b为长度固定的缩放因子； 将所述CWT时频域 二维数据尺度图表示 为 6.根据权利要求1所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， 将归一化后的所述拉曼光谱数据经过短时傅里叶变换STFT得到STFT时频域二维数据尺度 图的具体内容包括： 采用短时傅里叶变换将拉曼光谱信号变为时频域 二维信号， 短时傅里叶变换为： 其中， yi(t)是为输入信号， 该公式ω与前文中ω含义相同， 都为数字域频率， 表示序列 变化的速率， ω*(t‑t')为Kaiser窗函数： 其中k， λ是一个可调整常数参数， I0为第一类贝瑟尔函数： 设置长度k、 形状参数λ， 同时指定最终输出序列长度为拉曼光谱的个数的一半左右进 行STFT变换,得到STFT时频域 二维数据； 将所述STFT时频域 二维数据集 合表示为 7.根据权利要求6所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， 窗函数还包括矩形窗Rectangular、 海明窗Hamming、 汉宁窗Hanning和布莱克曼窗 Blackman。 8.根据权利要求1所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， S4中通过深度学习图像融合方法生成的融合图像的内容包括： 将所述CWT时频域二维数据尺度图和所述STFT时频域二维数据尺度图分别转换成 向量 z和x； 根据深度 学习图像融合网络初始参数进行数据解析， 将多源信道所采集到的关于目标 的图像数据经 过深度卷积神经网络层， 提取z和x中的特 征； 通过loss函数sigmoid_cross_entropy进行评估判别， 经过重复评估和参数调整， 将损 失函数降低到 趋近于0得到综合成高质量的向量， 并生成融合图像。 9.根据权利要求1所述的一种基于拉曼光谱和图像算法的物质检测方法， 其特征在于， S5的具体内容包括： 将处理好的图片数据库进行训练集和验证集的划分， 通过数字编码方法对图片数据进 行标记， 运用pytorc h框架， 选择Mobi leNet模型作为迁移学习网络模型， 训练网络模型：权　利　要　求　书 2/3 页 3 CN 115389482 A 3