一种基于LIBS和拉曼光谱结合机器学习的水质检测方法及装置

本发明涉及水质检测领域，具体涉及一种基于libs和拉曼光谱结合机器学习的水质检测方法及装置。

背景技术：

1、水作为人类和自然系统的需求，水体质量的监测在保护公众健康、环境和经济，农业灌溉，工业制造等方面具有重大的意义。目前常用的水质检测方法包括化学检测法：通过检测水样中特定化学物质的浓度来判断水质。该方法包括分光光度法、电化学法、比色法等。但该方法需要使用大量的化学试剂，操作复杂，而且对于有机污染物的检测较为困难。生物检测法：通过检测水中生物的数量和种类来判断水质。该方法包括生物学指标法和生物传感器法。但该方法需要使用生物标本，操作需要一定的技术和经验，而且可能受到环境因素的干扰。物理检测法：通过检测水样的物理特性，如温度、颜色、浊度、ph值等来判断水质。该方法简单易行，但对于一些化学性污染物的检测较为困难。综上，现有的方法大多面临成本高昂，样品处理复杂，检测周期长等缺点。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明提供一种结合激光诱导击穿光谱技术与拉曼光谱技术，以及结合机器学习技术进行水质的检测，通过扩展数据库，数据比对，实现对水质污染的定性定量检测的方法及装置。

2、为实现上述目的，本发明采用的技术方案为：一种基于libs和拉曼光谱结合机器学习的水质检测方法，利用拉曼光谱检测系统收集激光照射样本水质的散射光信号，其次通过libs检测系统收集激光照射样本水质所获取的电磁波数据，并对两次光谱数据输入至计算机中利用反向传播误差神经算法建立机器学习分类识别网络并构建本地数据库，然后再通过对被测未知污染检测后的数据信息的融合与比对分析实现被测样品的识别，具体包括以下步骤：

3、步骤1，控制第一激光器对带有已知污染物的样本发射激光，并通过光纤探头接收散射光信号，并将该散射光信号转化为电信号传输至计算机；

4、步骤2，控制第二激光器击穿带有已知污染物的样本辐射处电磁波，通过信号收集器得到辐射电磁波数据，并将所述辐射电磁波数据转化为电信号传输至计算机；

5、步骤3，计算机对所述步骤1和步骤2中获得的两次数据进行学习；

6、步骤4，不断更换标记好的常见污染物，重复步骤1-步骤3，并对数据信息进行预处理，利用反向传播误差神经网络算法建立机器学习分类识别网络并构建本地数据库；

7、步骤5，本地数据库建立之后，针对未知污染物的样本进行测试，532nm旋钮激光器先工作，对未知污染物的样本发射激光，通过光纤探头接收散射光信号，并将该散射光信号转化为电信号传输至计算机；

8、步骤6，第二激光器激发样品辐射出电磁波，通过信号收集器得到辐射电磁波数据，并转化为电信号传输至计算机；

9、步骤7，计算机依据本地数据库和神经网络算法对比分析污染物成分。

10、作为本发明的一种优选实施方式：所述步骤3中，输入的光谱数据的每一次采样结果的每一个通道都进行归一化处理，归一化后的数据作为对应波长的输入数据输入给计算机中的机器学习识别算法。

11、作为本发明的一种优选实施方式：所述步骤4中，数据预处理包括主成分分析、线性判别降维对数据信息进行处理和压缩。

12、作为本发明的一种优选实施方式：所述步骤7中计算机通过本地数据库以及线性判别降维、反向传播误差神经网络对污染物进行判定。

13、另一方面，一种基于libs和拉曼光谱结合机器学习的水质检测方法的装置，其特征在于，包括:

14、外壳，内部设置有用于放置水质样本的载物转盘，载物转盘的一侧设置有放置计算机的机箱，内部上方设置有用于折射至载物转盘上的反射透镜；

15、第一激光器，固定设置在所述外壳内部侧壁上，其激光发射端朝向所述载物转盘；

16、第二激光器，固定设置在所述外壳内部的顶壁上，沿光路方向依次设置有反射透镜，焦透镜；

17、光纤探头，设置在所述机箱上，且朝向所述载物转盘，用于接收第一激光器经过样品后的散射光以及第二激光器击穿样品污染物后所散逸的电磁波；

18、光谱仪，设置在所述机箱内，其输入端与光纤探头连接，输出端与计算机连接，用于将第一激光器照射样品后的散射光以及第二激光器击穿污染物所散逸出的电磁波转换为电信号后传输至计算机中；

19、液晶显示器，设置在外壳上，用于人员与整个装置交互；

20、开关门，设置在所述外壳对应载物转盘的位置，且其开合方向朝外。

21、作为本发明的一种优选实施方式：所述计算机上设置有两个usb接口，所述外壳、机箱上对应usb接口设置有开孔。

22、作为本发明的一种优选实施方式：所述载物转盘上设置有待测凹槽，且所述载物转盘通过电机驱动旋转。

23、作为本发明的一种优选实施方式：所述反射透镜上设置有反射透镜调节旋钮，所述焦透镜上设置有焦透镜调节旋钮。

24、作为本发明的一种优选实施方式：所述第一激光器激光波长为532nm的激光器；所述第二激光器为激光波长为1065nm的nd-yag激光器。

25、本发明相比现有技术，具有以下有益效果：本发明是基于激光诱导击穿光谱技术、拉曼光谱技术和机器学习技术，设计的水质检测方法和装置。利用不同污染物的不同结构分子在吸收能量后电子能级跃迁所释放出的多种电磁波波长和波长对应的光谱强度，以及不同分子结构散射出的不同波长的拉曼散射光，经过对波长、光强数据、谱线数目，频移等光谱信息的机器学习算法处理以识别出水中的污染物类别以检测水质。使用激光诱导击穿光谱技术和拉曼光谱技术可以无限进行学习，且有能力分辨相近的物质。

26、结合激光诱导击穿光谱技术与拉曼光谱技术，以及结合机器学习技术进行水质的检测，通过扩展数据库，数据比对，实现对水质污染的定性定量检测，本系统能够实现原位，在线检测，检测、响应速度快，其中libs技术可视为工业上的无损级别检测技术。拉曼光谱监测技术也具有非接触、无损检测，检测时间短、样品用量小等优点。libs与拉曼光谱技术结合，增加检测结果的可靠性。

技术特征：

1.一种基于libs和拉曼光谱结合机器学习的水质检测方法，其特征在于，利用拉曼光谱检测系统收集激光照射样本水质的散射光信号，其次通过libs检测系统收集激光照射样本水质所获取的电磁波数据，并对两次光谱数据输入至计算机中利用反向传播误差神经算法建立机器学习分类识别网络并构建本地数据库，然后再通过对被测未知污染检测后的数据信息的融合与比对分析实现被测样品的识别，具体包括以下步骤：

2.根据权利要求1所述一种基于libs和拉曼光谱结合机器学习的水质检测方法，其特征在于，所述步骤3中，输入的光谱数据的每一次采样结果的每一个通道都进行归一化处理，归一化后的数据作为对应波长的输入数据输入给计算机中的机器学习识别算法。

3.根据权利要求1所述一种基于libs和拉曼光谱结合机器学习的水质检测方法，其特征在于，所述步骤4中，数据预处理包括主成分分析、线性判别降维对数据信息进行处理和压缩。

4.根据权利要求1所述一种基于libs和拉曼光谱结合机器学习的水质检测方法，其特征在于，所述步骤7中计算机通过本地数据库以及线性判别降维、反向传播误差神经网络对污染物进行判定。

5.一种根据权利要求1-4中任一所述基于libs和拉曼光谱结合机器学习的水质检测方法的装置，其特征在于，包括:

6.根据权利要求5所述基于libs和拉曼光谱结合机器学习的水质检测方法的装置，其特征在于，所述计算机上设置有两个usb接口，所述外壳、机箱上对应usb接口设置有开孔。

7.根据权利要求5所述基于libs和拉曼光谱结合机器学习的水质检测方法的装置，其特征在于，所述载物转盘上设置有待测凹槽，且所述载物转盘通过电机驱动旋转。

8.根据权利要求5所述基于libs和拉曼光谱结合机器学习的水质检测方法的装置，其特征在于，所述反射透镜上设置有反射透镜调节旋钮，所述焦透镜上设置有焦透镜调节旋钮。

9.根据权利要求5所述基于libs和拉曼光谱结合机器学习的水质检测方法的装置，其特征在于，所述第一激光器激光波长为532nm的激光器；所述第二激光器为激光波长为1065nm的nd-yag激光器。

技术总结
本发明公开了一种基于LIBS和拉曼光谱结合机器学习的水质检测方法及装置，结合激光诱导击穿光谱技术与拉曼光谱技术，以及结合机器学习技术进行水质的检测，通过扩展数据库，数据比对，实现对水质污染的定性定量检测；利用不同污染物的不同结构分子在吸收能量后电子能级跃迁所释放出的多种电磁波波长和波长对应的光谱强度，以及不同分子结构散射出的不同波长的拉曼散射光，经过对波长、光强数据、谱线数目，频移等光谱信息的机器学习算法处理以识别出水中的污染物类别以检测水质，使用激光诱导击穿光谱技术和拉曼光谱技术可以无限进行学习，且有能力分辨相近的物质。

技术研发人员：蔡玉垚,陈子昂,金鑫,李祖羽,刘玉柱
受保护的技术使用者：南京信息工程大学
技术研发日：
技术公布日：2024/1/13