基于卷积神经网络的毒品拉曼光谱识别方法技术

公开了一种基于卷积神经网络(CNN)的拉曼光谱识别方法，包括：构建基于卷积神经网络的分类器；使用包含拉曼光谱的训练数据集对所述分类器进行训练，以得到经训练的分类器；获取待测样品的拉曼光谱；以及使用所述经训练的分类器对所获取的拉曼光谱进行检测。类器对所获取的拉曼光谱进行检测。类器对所获取的拉曼光谱进行检测。

【技术实现步骤摘要】
基于卷积神经网络的毒品拉曼光谱识别方法


[0001]本专利技术涉及安全检测的
，并且更具体地涉及基于毒品的拉曼光谱的识别。

技术介绍

[0002]拉曼光谱是一种分子振动光谱，它可以反映分子的指纹特征。拉满光谱被广泛地用于对物质的检测。拉曼光谱检测是一种通过检测待测样品针对激发光的拉曼散射效应所产生的拉曼光谱来检测和识别物质的一种技术。
[0003]物质由于拉曼散射效应而产生的拉曼光谱谱带的数目、频率位移、谱带强度及形状等与分子的振动及转动直接相关联。拉曼散射效应普遍存在于一切分子中。不同类型的物质都有对应的“指纹”拉曼光谱，并且在一定条件下，其强度与物质浓度成线性关系。据此可以实现对物质结构、成分、浓度的检测。与红外、近红外、紫外荧光等光谱分析手段相比，拉曼光谱具有突出优势，包括：广泛的检测范围；无损、快速、无污染；远距离测试技术；检测灵敏度高等。由于上述优点，拉曼光谱目前被普遍用于对毒品的检测。
[0004]现有的用于毒品的拉曼光谱检测方法主要包括以下步骤：测量待测样品的原始拉曼光谱；以及将所得的拉曼光谱与数据库中的毒品本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络CNN的拉曼光谱识别方法，包括：构建基于CNN的分类器(101)；使用包含拉曼光谱的训练数据集对所述分类器进行训练(102)，以得到经训练的分类器；获取待测样品的拉曼光谱(103)；以及使用所述经训练的分类器对所获取的拉曼光谱进行检测(104)。2.根据权利要求1所述的方法，还包括：在所述检测之前，对所述所获取的拉曼光谱进行预处理，其中所述预处理包括基线校正和/或自适应滤波。3.根据权利要求2所述的方法，还包括：在所述检测之前，对经预处理的拉曼光谱进行小波变换，以得到近似拉曼光谱。4.根据权利要求1-3中的任一项所述的方法，其中，构建基于CNN的所述分类器包括构建所述分类器的输入层(300)、第一卷积层(301)、第一池化层(302)、第二卷积层(303)、第二池化层(304)、激励层(305)和全连接层(306)。5.根据权利要求4所述的方法，其中：所述输入层(300)用于接收输入数据，所述第一卷积层(301)采用6种特征尺寸为13*1的卷积核对所述输入数据进行卷积运算，从而得到6个特征图(C
1-1
至C
1-6
)；所述第一池化层(302)采用特征尺寸为3*1的一个滤波器来对所述第一卷积层(301)输出的6个特征图(C
1-1
至C
1-6
)进行池化运算，从而得到经池化的6个特征图(P
1-1
至P
1-6
)；所述第二卷积层(303)采用16种特征尺寸为13*1的6通道卷积核来对所述第一池化层(302)输出的6个特征图(P
1-1
至P
1-6
)进行卷积运算，从而得到16个特征图(C
2-1
至C
2-16
)；所述第二池化层(304)采用特征尺寸为3*1的一个滤波器来对所述第二卷积层(303)输出的16个特征图(C
2-1
至C
2-16
)进行池化运算，从而得到经池化的16个特征图(P
2-1
至P
2-16
)；所述激励层(305)使用逻辑回归模型对所述第二池化层(304)输出的16个特征图(P
2-1
至P
2-16
)进行判定；以及其中，所述全连接层(306)中的节点的数量取决于要由所述分类器进行分类的类别的数量。6.根据权利要求4或5所述的方法，其中，所述分类器的所述全连接层(306)包括两个节点，并且其中，所述训练数据集包括各种毒品的拉曼光谱和各种毒品掩盖剂的拉曼光谱，并且所述各种毒品的拉曼光谱均对应于第一标记，而所述各种毒品掩盖剂的拉曼光谱均对应于与第一标记不同的第二标记。7.根据权利要求4或5所述的方法，其中，所述分类器的所述全连接层(306)包括N+1个节点，N表示要由所述分类器检测的毒品类型的数量，并且其中，所述训练数据集包括N种毒品的拉曼光谱和各种毒品掩盖剂的拉曼光谱，并且N种毒品的拉曼光谱分别对应于彼此不同的N个标记，而各种毒品掩盖剂的拉曼光谱均对应于与N个标记不同的另一标记；或者所述分类器的所述全连接层(306)包括N个节点，N表示要由所述分类器检测的毒品类型的数量，并且其中，所述训练数据集包括N种毒品的拉曼光谱，并且N种毒品的拉曼光谱分别对应于彼此不同的N个标记。
8.根据权利要求7所述的方法，其中，构建所述分类器还包括构建第三卷积层和第三池化层，其中：所述第三卷积层采用M种特征尺寸为13*1的16通道卷积核来对所述第二池化层(304)输出的16个特征图(P
2-1
至P
2-16
)进行卷积运算，从而得到M个特征图，M大于或等于16；所述第三池化层采用特征尺寸为3*1的一个滤波器来对所述第三卷积层输出的M个特征图进行池化运算，从而得到经池化的M个特征图。9.一种基于CNN的毒品拉曼光谱识别设备，包括：分类器构建模块(401)，被配置为构建基于CNN的分类器；分类器训练模块(402)，被配置为使用包含拉曼光谱的训练数据集对所述分类器进行训练，以得到经训练的分类器；拉曼光谱获取模块(403)，被配置为获取待测样品的拉曼光谱；以及毒品检测模块(4...

【专利技术属性】
技术研发人员：刘耀红，陈志强，李荐民，左佳倩，王红球，耿琳，王健年，
申请(专利权)人：清华大学，
类型：发明
国别省市：