支持实现拉曼信号数据处理与鉴别功能的系统结构的制作方法

本实用新型涉及光学领域，尤其涉及光学检测技术领域，具体是指一种支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构。

背景技术：

拉曼光谱法是上世纪20年代由印度科学家拉曼提出来的一项技术。上世纪六十年代激光器的诞生，给拉曼光谱的应用带来了发展空间。拉曼光谱分析技术由于具有丰富的物质特性信息、无损检验、无需样品制备等优点，作为一种行之有效的检测分析方法目前已被广泛应用，是现代物质特征分析技术的重要组成部分。早期的拉曼光谱仪体积较大且安装不方便，主要应用于实验室中，随着光电、嵌入式软硬件、拉曼光谱分析技术的不断进步，体积小、重量轻、移动方便的手持便携式拉曼光谱仪具有检测快速准确等优点，迅速得到了发展，市场需求不断增加。世界上各知名光谱仪生产厂家相继推出了多种型号的便携式拉曼光谱仪。

原始的拉曼光谱包含荧光、各种干扰源等噪声，对测量造成极大影响。拉曼光谱数据处理技术是指在对样品进行定性、定量分析之前对所测光谱进行消除荧光、噪声的处理，为拉曼光谱物质鉴别提供可靠有效的数据，以获得稳定、可靠的分析结果。在实际测量中，对荧光进行抑制措施是十分必要的。此外，实际测量时，拉曼光谱中还存在着多种干扰源，主要有激光及拉曼散射光的发射噪声，CCD探测器的散粒噪声、暗电流噪声及读出噪声，样品、样品容器等的荧光和磷光背景、样品及其周围环境的黑体辐射，环境中射线导致的尖峰等等。这些干扰源会给后续的分析结果带来不准确性及不稳定性。所以，为了获得有效待测物品光谱，首先要对测的原始光谱进行有效的去荧光效应，去噪声处理，同时还要对被测物质光谱进行特征谱分析，实现物质鉴别。

随着机器学习、人工智能技术的不断发展，基于机器学习的自动、、智能拉曼光谱数据处理与鉴别方法，将是拉曼光光谱仪数据处理与鉴别发展的趋势。

技术实现要素：

本实用新型的目的是克服了上述现有技术的缺点，提供了一种可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类的支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构。

为了实现上述目的，本实用新型的支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构如下：

该基于深度机器学习模型的拉曼信号数据处理与鉴别的系统，其主要特点是，所述的系统包括：

光学探头和光谱仪，所述的光学探头与所述的光谱仪相连接，所述的光谱仪包括激光器、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏，所述的激光器与所述的光学探头相连接，并与所述的处理器相连接，所述的信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏均与所述的处理器相连接。

较佳地，所述的光谱仪的激光器通过光纤与所述的光学探头相连接。

较佳地，所述的样品分类标注装置还包括分类器，所述的分类器分别与所述的处理器、信号预处理装置和深度机器学习模型数据处理装置相连接。

采用了该支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类，为拉曼光谱仪的应用提供快速有效的分析途径，体现了拉曼光光谱仪应用优势，为拉曼光谱仪的应用提供快速有效的方法。

附图说明

图1为本实用新型的支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构整体示意图。

具体实施方式

本实用新型的支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构的技术方案中，其主要保护的是支持实现相应功能的整体硬件功能平台的硬件结构及其连接关系，而且其中所包括的各个功能模块和模块单元均能够对应于实际已知的硬件设备或者集成电路结构中的具体硬件电路，因此仅涉及具体硬件拓扑连接结构以及具体硬件电路的改进，硬件部分的改进是存在的，并非仅仅依赖于计算机控制软件，且并非属于仅仅执行控制软件或者计算机程序的载体，因此解决相应的技术问题并获得相应的技术效果也并未涉及任何控制软件或者计算机程序的应用，也就是说，本实用新型仅仅利用这些模块和单元所涉及的实际已知的硬件设备或者硬件电路结构方面的改进即可以解决所要解决的技术问题，并获得相应的技术效果，而并不需要辅助以特定的控制软件或者计算机程序即可以实现相应功能。

为了能够更清楚地描述本实用新型的技术内容，下面结合具体实施例来进行进一步的描述。

本实用新型的基于深度机器学习模型的拉曼信号数据处理与鉴别的系统包括：

光学探头和光谱仪，所述的光学探头与所述的光谱仪相连接，所述的光谱仪包括激光器、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏，所述的激光器与所述的光学探头相连接，并与所述的处理器相连接，所述的信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏均与所述的处理器相连接。

较佳地，所述的光谱仪的激光器通过光纤与所述的光学探头相连接。

较佳地，所述的样品分类标注装置还包括分类器，所述的分类器分别与所述的处理器、信号预处理装置和深度机器学习模型数据处理装置相连接。

本实用新型的具体实施方式中，本实用新型提出一种深度机器学习模型的拉曼数据处理与鉴别方法，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类，为拉曼光谱仪的应用提供快速有效的分析途径。

光学探头通过光纤与光谱仪连接，一方面光学探头从光谱仪激光器获得光源并采集样品拉曼信号，然后光学探头通过光纤把采集的样品拉曼原始信号传输给光谱仪，光谱仪的处理器通过信号预处理方法、深度机器学习模型数据处理与鉴别方法、样品分类和标注方法对样品拉曼原始光谱进行快速自动数据处理、鉴别和分类，最后实现物质特征鉴别，获得物质特征信息。

具体技术方案如下：

1、基于机器学习的拉曼光谱数据处理与鉴别方法包含一个光学探头、一个光谱仪，其中光谱仪又包含一个处理器、一个激光器、一个显示屏、一个信号预处理方法、一项深度机器学习模型数据处理方法、一项样品分类和标注方法。

2、一个光学探头，用于激光光束与检测样品表面接触并接收样品拉曼信号，其中的激光光束可以是红外线、紫外线以及可见光的一种。

3、一个光谱仪主要由激光器、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏组成，用于[样品]激发光源，接收光学探头样品拉曼信号，处理信号并显示信号

4、一项信号预处理方法，主要对原始数据进行格式规范、数据校验和坏数据剔除以及数据平滑滤波和去噪，为下一步机器学习做好准备工作，实现数据机器学习前的准备工作。

5、一项深度机器学习模型数据处理方法，主要由主成分分析(PCA)、神经网络(NN)、判别函数分析(DFA)、支持向量机(SVM)等多种数据分析工具组成，不限于列举的方法，全部过程都具有人工智能的特性，全自动自适应判别，全自动处理，可以显示物质的特征谱，也可以不显示特征谱，直接通过深度自动学习与数据库对比，即可鉴别出物质。

6、一项样品分类和标注，利用机器学习与数据处理训练好的分类器，对输入的新样品数据进行样品类别归属和标注，并存入数据库。

按照以上的实用新型设计实现的基于机器学习的拉曼光谱数据处理与鉴别方法为拉曼光光谱仪应用提供快速、智能分析物质特征的功能。体现了拉曼光光谱仪应用优势。

如图1所示，本实施例包括光学探头、光纤、光谱仪，光谱仪又包括激光器、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏。所述的光学探头通过光纤与光谱仪连接，一方面光学探头从光谱仪的激光器获得光源并采集样品拉曼信号，然后光学探头通过光纤把采集的样品拉曼原始信号传输给光谱仪；光谱仪主要包含激光器、处理器、信号预处理模块、深度机器学习模型数据处理模块、样品分类标注模块和显示屏，处理信号并显示信号；信号预处理主要有数据格式规范、数据校验和坏数据剔除、数据平滑滤波和去噪，实现数据机器学习前的准备工作；深度机器学习模型数据处理主要是采用多种数据分析工具，对数据进行自动分析，这些工具有主成分分析(PCA)、神经网络(NN)、判别函数分析(DFA)、支持向量机(SVM)等，全部过程都具有人工智能的特性，全自动处理。样品分类和标注利用机器学习与数据处理训练好的分类器，对输入新的样品数据进行新样品类别归属和标注，并存入数据库，可以显示物质的特征谱，也可以不显示特征谱，直接通过深度自动学习与数据库对比，即可鉴别出物质。

通过基于机器学习的拉曼光谱数据处理与鉴别方法，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的识别和分类，为拉曼光谱仪的应用提供快速有效的方法。采用了该支持实现基于深度机器学习模型的拉曼信号数据处理与鉴别功能的系统结构，可以实现对拉曼光谱仪采集的原始拉曼数据进行自动、快速去噪、有效信号的智能识别和分类，为拉曼光谱仪的应用提供快速有效的分析途径，体现了拉曼光光谱仪应用优势，为拉曼光谱仪的应用提供快速有效的方法。

在此说明书中，本实用新型已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本实用新型的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。