一種深度學習輔助的物質定量分析方法技術

本發明專利技術提供了一種深度學習輔助的物質定量分析方法，利用光源及驅動單元產生入射光波；利用光散射及物質作用單元與待測物質作用形成多模態散射光；利用多象限紅外探測器通過

【技術實現步驟摘要】
一種深度學習輔助的物質定量分析方法


[0001]本專利技術涉及物質定量分析
，具體為一種深度學習輔助的物質定量分析方法
。

技術介紹

[0002]在環保監測
、
食品安全監測
、
毒品監測等應用中常采用光譜儀進行定量分析
。
[0003]傳統色散型光譜儀通常主要由狹縫
、
光柵和探測器構成，利用光柵將光波的光譜分量衍射到光電探測器陣列的不同位置來探測光譜信息，但其分辨率有限，同時狹縫的存在使色散型光譜儀的信噪比與光譜分辨力相互制約
。
傅里葉光譜儀雖結構緊湊
、
精度高，但其干涉儀光程差有限，實現高分辨率在尺寸上有所犧牲
。
以上傳統光譜儀基于衍射和干涉原理往往需要復雜的光機結構，導致光譜儀體積龐大且成本高昂；另外，傳統光譜儀受寬帶的限制，只能同時分析一至兩種成分，而無法對多種成分的物質進行分析
。

技術實現思路

[0004]針對現有技術的不足，本專利技術的目的在于提供一種深度學習輔助的物質定量分析方法
。
[0005]為實現上述目的，本專利技術提供如下技術方案：一種深度學習輔助的物質定量分析方法，所述物質定量分析方法通過深度學習輔助的物質定量分析系統實現，所述物質定量分析系統包括：光源及驅動單元，光散射及物質作用單元，多象限紅外探測器，智能分析單元；所述光源及驅動單元，用于產生入射光波；所述光散射及物質作用單元，用于與待測物質作用形成多模態散射光；所述多象限紅外探測器，通過
N
個獨立光電探測芯片接收多模態散射光，并形成
N
個電壓信號；所述智能分析單元，對實時探測的
N
個電壓信號以相同序列組成向量組，其中，通過半監督型深度學習進行物質定量識別；所述物質定量分析方法包括如下步驟：
S1、
采用物質定量分析系統對
M
個單一的已知量的物質分析，獲得
N
個維度的散射光強值，建立作用矩陣，其表達式為：，其中，
M
個單一的已知量的物質分別為
、、
···
、、
，則 ；
S2、
采用物質定量分析系統分析不同定量的
M
個樣品混合物，獲得各個
N
維度散射
光強值對應的各物質定量信息，并對應建立以定量信息為標記數據集和以
N
維度散射光強值為信號數據集，即：，其中
p
為不同定量的
M
個樣品混合物質的組合隨機組合次數；
S3、
通過相同隨機種子函數，將標記數據集和信號數據集打亂后，以
6:2:2
配比隨機抽樣分成訓練集
、
測試集和驗證集；
S4、
將
N
維度散射光強值建立1×
N
數組
A
，以升維方式擴展至
×
的矩陣，以最大化散斑強度之間的差異，提高分辨率；其中
n
為6～
10
；
S5、
以深度學習框架進行訓練，包括
10
層卷積層，損失函數如下：，其中，為經過深度學習模型輸出的各物質定量數據，為真實的各物質定量數據； ，為以獲得的作用矩陣乘以真實的各物質定量數據，為對應
N
維度散射光強度值，
r
為迭代次數；采用測試集迭代訓練后，損失不大于
0.0005
；
S6、
采用驗證集對訓練的模型文件進行驗證，準確率大于
99.99%
合格，否則將驗證集中不合格數據抽取到訓練集中進行模型的迭代訓練及驗證
。
[0006]進一步的，所述光散射及物質作用單元由一個或多個光學元件組成，組合模式包括：1）多模光纖
+
反應池；2）反應池
+
積分球；3）中孔光纖；4）中孔光纖
+
積分球；5）多模光纖
+
反應池
+
積分球；光束通過光散射及物質作用單元后形成包含有與物質反應信號的多模態散射光
。
[0007]進一步的，所述多象限紅外探測器的
N
個獨立光電探測芯片都有獨立的信號放大器，用于校準不同光電探測芯片間與參考芯片之間偏差值；每個獨立信號放大器的放大系數表達式為：，其中，為最高響應波長照射第個芯片的電壓信號，為最高響應波長照射參考芯片的電壓信號；為對準標準黑體時第個芯片暗電壓值，為對準標準黑體時參考芯片暗電壓值
。
[0008]進一步的，所述智能分析單元至少包括
GPU
芯片
。
[0009]進一步的，光源為紅外光源，其波長可通過調制器或非線性晶體進行調制
。
[0010]進一步的，所述多象限紅外探測器包括
InGaAs、HgCdTe、
熱釋電
、SnSe、PbS/PbSe
；多象限為
N
個，通過不同角度及位置接收混合模態的散射光
。
[0011]進一步的，所述信號放大器的個數等于多象限紅外探測器的個數
N
，用于放大和處理多象限紅外探測器光電
、
光伏或光熱轉化后的電信號
。
[0012]進一步的，所述物質反應信號可為光與物質間的吸收信號，或熒光信號，或拉曼信
號
。
[0013]進一步的，
S4
中，升維方法如下：
S4.1、
對
N
維度散射光強值進行歸一化處理；
S4.2、
將1×
N
的數組
A
計算其
1~100
次冪，組成
3N
×
3N
矩陣；，
S4.3、
然后
3N
×
3N
矩陣通過分段3次埃爾米特插值，擴展成
×
矩陣
。
[0014]與現有技術相比，本專利技術的有益效果是：本專利技術不受光譜分辨力局限
、
且無復雜通用光譜儀光譜結構實現了物質（混合氣體和水污染物等）的高精度定量監測，同時采用半監督深度學習算法，有利于提高訓練速度，節省硬件資源
。
附圖說明
[0015]圖1為一種深度學習輔助的物質定量分析方法流程圖；圖2為實施例1的一種深度學習輔助的物質定量分析系統示意圖；圖3為實施例1的半監督型深度學習框架示意圖；圖4為實施例1的半監督型深度學習框架訓練損失曲線；圖5為實施例2的一種深度學習輔助的物質定量分析系統示意圖；圖6為實施例2的半監督型深度學習框架示意圖；圖7為實施例2的半監督型深度學習框架訓練損失曲線
。
具體實施方式
[0016]下面結合附圖本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種深度學習輔助的物質定量分析方法，所述物質定量分析方法通過深度學習輔助的物質定量分析系統實現，其特征在于：所述物質定量分析系統包括：光源及驅動單元，光散射及物質作用單元，多象限紅外探測器，智能分析單元；所述光源及驅動單元，用于產生入射光波；所述光散射及物質作用單元，用于與待測物質作用形成多模態散射光；所述多象限紅外探測器，通過
N
個獨立光電探測芯片接收多模態散射光，并形成
N
個電壓信號；所述智能分析單元，對實時探測的
N
個電壓信號以相同序列組成向量組，其中，通過半監督型深度學習進行物質定量識別；所述物質定量分析方法包括如下步驟：
S1、
采用物質定量分析系統對
M
個單一的已知量的物質分析，獲得
N
個維度的散射光強值，建立作用矩陣，其表達式為：，其中，
M
個單一的已知量的物質分別為
、、
···
、、
，則 ；
S2、
采用物質定量分析系統分析不同定量的
M
個樣品混合物，獲得各個
N
維度散射光強值對應的各物質定量信息，并對應建立以定量信息為標記數據集和以
N
維度散射光強值為信號數據集，即：，其中
p
為不同定量的
M
個樣品混合物質的組合隨機組合次數；
S3、
通過相同隨機種子函數，將標記數據集和信號數據集打亂后，以
6:2:2
配比隨機抽樣分成訓練集
、
測試集和驗證集；
S4、
將
N
維度散射光強值建立1×
N
數組
A
，以升維方式擴展至
×
的矩陣；其中
n
為6～
10
；
S5、
以深度學習框架進行訓練，包括
10
層卷積層，損失函數如下：，其中，為經過深度學習模型輸出的各物質定量數據，為真實的各物質定量數據； ，為以獲得的作用矩陣乘以真實的各物質定量數據，為對應
N
維度散射光強度值，
r
為迭代次數；采用測試集迭代訓練后，損失不大于
0.0005
；
S6、
采用驗證集對訓練的模型文件進行驗證，準確率大于
99.99%
合格，否則將驗證集中不合格數據抽取到訓練集中進行模型的迭代訓練及驗證
。
2.
根據權利要求1所述的一種深度學習輔助的物質定量分析方法，其特征在于：所述光散射及物質...

【專利技術屬性】
技術研發人員：王啟勝，邱夢春，陳君明，成者，王立，
申請(專利權)人：南昌大學，
類型：發明
國別省市：