[发明专利]一种拉曼光谱谱带区域分割方法

说明书

本发明涉及一种拉曼光谱谱带区域分割方法，包括以下步骤：拉曼光谱数据预处理，包括SG平滑、去基线；专家依据拉曼特征峰，对重要拉曼谱带区域进行标注，构建拉曼光谱分割模型训练集与测试集；利用深度学习算法，建立拉曼光谱重要谱带分割模型，在该模型中利用带有残差边的1D卷积神经网络提取拉曼光谱特征信息，使用锚点结构对重要谱带区域进行预测。本发明可对拉曼光谱数据重要谱带区域进行高效、准确的分割，实用性强，能够准确定位拉曼光谱重要表征区域。

技术领域

本发明涉及光谱信息学领域，尤其涉及光学检测技术领域，具体是 指一种基于深度学习模型实现拉曼光谱谱带区域分割方法。

背景技术

拉曼光谱分析技术已被广泛应用于各个领域，如岩石组成成分探测、 生物医学检测、污水成分检测等。在拉曼光谱分析技术中，拉曼光谱数 据分析方法是其中重要的环节。

目前，拉曼光谱数据分析方法主要集中于识别被测物质的类型，其 识别方法主要包括基于机器学习的主成分分析(PCA)、线性判别分析 (LDA)、支持向量机(SVM)。然而，目前的检测方法无法对拉曼光 谱重要谱带区域进行分割，因此，不能将识别的拉曼光谱结果准确定位 至特征峰对应的谱带区域，进而无法表征模型的检测结果。鉴于现有技 术中存在的缺陷，本发明提出一种基于深度学习的拉曼光谱谱带区域分 割方法，该方法能够准确定位拉曼光谱重要表征区域。

发明内容

本发明的目的是设计一种拉曼光谱谱带区域分割方法，实现准确定 位拉曼光谱重要表征区域。基于这个目的，本发明利用深度学习方法， 设计与实现一种基于深度学习的拉曼光谱谱带区域分割方法。

为了实现上述目的，本发明采用的技术方案如下：

一种拉曼光谱谱带区域分割方法，包括以下几个步骤：

步骤1：利用拉曼光谱设备采集拉曼光谱数据，对拉曼光谱数据进行 预处理，包括SG平滑、去基线；

步骤2：专家依据光谱中的特征峰位置，标注重要谱带区域，建立拉 曼谱带分割模型训练数据集与测试集；

步骤3：建立深度学习模型，在该模型中利用带有残差边的1D卷积 神经网络提取拉曼光谱特征信息；使用锚点结构的特征谱带区域推荐网 络对重要谱带区域进行第一次预测；使用第一次预测的谱带区域对特征 图进行截取，通过分类与回归网络预测出最终的重要谱带区域；

步骤4：使用训练集训练深度学习模型，包括主干特征提取网络、基 于锚点的特征谱带区域推荐网络、以及最终的分类回归网络；

步骤5：使用测试集测试改进深度学习模型性能，然后将模型用于对 拉曼光谱重要谱带区域的分割，并输出分割出的重要谱带区域。

上述方案中，步骤1，对拉曼光谱数据进行预处理，其具体步骤如下：

步骤11：拉曼光谱数据复杂且带有大量噪音，为有效标注拉曼光谱 重要谱带区域和模型训练，需对拉曼光谱数据进行SG平滑、去基线，减 除拉曼光谱噪音数据。

上述方案中，步骤2，对拉曼光谱重要谱带区域进行标注，具体步骤 如下：

步骤22：采用目标检测标注工具LabelImg对拉曼光谱数据中的重要 谱带区域进行标注，在标注中，专家利用该工具框选拉曼光谱谱带重要 谱带区域，并记录谱带坐标，同时设置谱带的类别标签，然后，按照 LabelImg工具的格式协议将标注的信息存入至XML格式文件中，具体包 括：目标标注类别、目标起始坐标X1和终止坐标X2(一维数据)。

上述方案中，步骤3，该模型中，利用带有残差边的1D卷积神经网 络提取拉曼光谱特征信息，使用锚点结构的特征谱带区域推荐网络对重 要谱带区域进行第一次预测；使用第一次预测的谱带区域对特征图进行 截取，通过分类与回归网络预测出最终的重要谱带区域，具体步骤如下：