基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统技术方案

本发明专利技术公开了基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统。该方法包括：获取待测样品N个采样点的表面增强拉曼光谱序列；将N个表面增强拉曼光谱序列分别输入训练好的CNN

【技术实现步骤摘要】
基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统


[0001]本专利技术涉及毒品检测
，特别是涉及基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统。

技术介绍

[0002]常见的毒品检测方法有色谱法、毛细管电泳法、化学显色法和胶体金法等。色谱法具有高效性、高选择、样品用量少等众多优势受到毒品检测行业的青睐。但是这些方法前处理过程复杂繁琐、检测的时间长、需要专业的人员操作且存在较大的检测局限性。近年来，基于表面增强拉曼光谱(SERS)的物质分析方法因其快速、灵敏、高选择的特点，在毒品检测中受到广泛关注。然而，随着SERS技术在复杂基质中的实际应用，痕量物质的信号很难与基质背景进行分离，无法观测到目标物的信号。因此实际应用中利用拉曼光谱进行物质识别，对光谱的数据分析提出了极高的要求。
[0003]人工智能(AI)技术的出现为科学研究提供了新的途径。深度学习(DL)作为人工智能的一个子领域，具有挖掘复杂体系内非线性关系的能力，深度学习模型可以学习重要的原始数据模式，而无需使用高级预处理和特征提取技术。该技术适用于发现复杂系统中的复杂关系，具有远超传统程序的能力。近年来，深度学习在生物、化学、工业、医学等诸多领域引起广泛关注。模糊识别是指在模糊数据中识别出有用部份，即对接收的信息与以往的记忆和经验进行有关联认识，剔除无关信息。对于复杂体系中目标物的高通量识别而言，模糊识别是为数不多的有效方式。在人工智能领域，模糊识别策略广泛应用于人脸识别、车辆识别、文字识别等。
[0004]2019年Ju L等人构建了基于银纳米簇探针与不同毒品相互作用的三维荧光光谱，并利用深度学习模型捕获三维荧光差谱中毒品分子的指纹信息，实现对尿液中5种不同毒品的模糊识别。但该方法对多种毒品同时检测的灵敏度较低，容易产生荧光误差导致假阴性与假阳性，同时三维荧光差谱的获取复杂不适用于现场快速检测。2021年，Ciloglu F U等人提出了一个深度神经网络，利用表面增强拉曼光谱对抗生素耐药性细菌进行鉴别，虽然显示了深度学习在利用SERS光谱数据表征和检测物质方面具有巨大潜力该方法识别物质单一，但无法实现多种毒品的模糊识别。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题之一，实现同时对多种毒品进行快速和高准确率识别，以及同时显示定性分类和定量识别，特别创新地提出了基于表面增强拉曼光谱的多通道毒品模糊识别方法及系统。
[0006]为了实现本专利技术的上述目的，本专利技术提供了基于表面增强拉曼光谱的多通道毒品模糊识别方法，包括：获取待测样品N个采样点的表面增强拉曼光谱序列，所述N为大于1的正整数；将N个表面增强拉曼光谱序列分别输入训练好的CNN
‑
GRU深度学习模型的N个独立通道输入端，将N个表面增强拉曼光谱序列集中输入训练好的CNN
‑
GRU深度学习模型的集中
通道输入端；CNN
‑
GRU深度学习模型输出毒品类别，或者，CNN
‑
GRU深度学习模型输出毒品类别和毒品浓度等级。
[0007]为了实现本专利技术的上述目的，基于同样的专利技术构思，本专利技术第二个方面提供了一种电子设备，包括输入单元和处理器；所述输入单元用于接收待测样品N个采样点的表面增强拉曼光谱序列数据并传输至处理器；所述处理器按照专利技术第一方面所述的基于表面增强拉曼光谱的多通道毒品模糊识别方法获取待测样品中的毒品类别，或者，获取待测样品的毒品类别和毒品浓度等级。
[0008]为了实现本专利技术的上述目的，基于同样的专利技术构思，本专利技术第三个方面提供了一种基于表面增强拉曼光谱的多通道毒品模糊识别系统，包括：待测样品承载器，用于承载待测样品，待测样品承载器内设有金纳米颗粒作为增强基底；激光器，朝向待测样品输出激光；拉曼光谱仪，用于测量待测样品的表面增强拉曼光谱；本专利技术第二方面所述的电子设备，所述电子设备与拉曼光谱仪连接。
[0009]综上所述，由于采用了上述技术方案，本专利技术的有益效果是：CNN
‑
GRU深度学习模型将CNN与GRU引入拉曼光谱数据特征的分析，以完整的提取光谱中的细节特征与空间相关性并用于判断毒品类型，能够实现对多种毒品类型进行快速、同时、高准确率识别，还能对毒品的浓度进行准确的定量识别，对样品进行多个采样点采集表面增强拉曼光谱序列，使得不同采样点的空间信息提取过程具有独立性，多通道的光谱空间特征提取过程使得CNN
‑
GRU深度学习模型对数据的异常具有更强的鲁棒性，能够限制异常数据的影响，本专利技术建立了一种适用于复杂体系的缴获毒品和人体检材毒品的快速检测技术提供参考，有利于毒品检测环节在禁毒工作中的效能最大化，推进禁毒工作的发展。
附图说明
[0010]图1是本专利技术实施例1基于表面增强拉曼光谱的多通道毒品模糊识别方法的流程示意图；
[0011]图2是本专利技术实施例1中CNN
‑
GRU深度学习模型的结构框图；
[0012]图3是本专利技术实施例1中CNN
‑
GRU深度学习模型具体结构示意图；
[0013]图4是本专利技术实施例1中GRU的结构示意图；
[0014]图5是本专利技术实施例1一种应用场景中训练曲线；
[0015]图6是本专利技术实施例1一种应用场景中测试机混淆矩阵示意图；
[0016]图7是本专利技术实施例1一种应用场景中定性分类和定量分类的t
‑
SNE降维可视化结果；
[0017]图8是本专利技术实施例1一种应用场景中采样点数据异常时CNN
‑
GRU深度学习模型与CNN模型的测试机混淆矩阵和t
‑
SNE降维可视化结果；
[0018]图9是本专利技术实施例1一种应用场景中多类型毒品混合时模型的训练曲线；
[0019]图10是本专利技术实施例1一种应用场景中多类型毒品混合时分类模型的测试机混淆矩阵；
[0020]图11是本专利技术实施例1一种应用场景中多类型毒品混合时分类模型的t
‑
SNE降维可视化结果。
[0021]附图标记：
[0022]1单通道CNN特征提取模块；2多通道特征拼接模块；3序列相关特征提取模块；4集中通道CNN特征提取模块；5毒品定性分类模块；6毒品定量分类模块。
具体实施方式
[0023]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0024]在本专利技术的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于表面增强拉曼光谱的多通道毒品模糊识别方法，其特征在于，包括：获取待测样品N个采样点的表面增强拉曼光谱序列，所述N为大于1的正整数；将N个表面增强拉曼光谱序列分别输入训练好的CNN
‑
GRU深度学习模型的N个独立通道输入端，将N个表面增强拉曼光谱序列集中输入训练好的CNN
‑
GRU深度学习模型的集中通道输入端；CNN
‑
GRU深度学习模型输出毒品类别，或者，CNN
‑
GRU深度学习模型输出毒品类别和毒品浓度等级。2.如权利要求1所述的基于表面增强拉曼光谱的多通道毒品模糊识别方法，其特征在于，所述CNN
‑
GRU深度学习模型包括：N个单通道CNN特征提取模块，分别用于提取N个表面增强拉曼光谱序列的独立光谱特征；多通道特征拼接模块，拼接N个单通道CNN特征提取模块输出的独立光谱特征获得多通道拼接特征；序列相关特征提取模块，基于多通道拼接特征提取序列相关特征；集中通道CNN特征提取模块，提取集中输入的N个表面增强拉曼光谱序列的集中光谱特征；毒品定性分类模块，拼接序列相关特征和集中光谱特征获得定性分类特征，基于定性分类特征输出待测样品中包含的毒品类别；毒品定量分类模块，拼接序列相关特征和集中光谱特征获得定量分类特征，基于定量分类特征输出待测样品中毒品的浓度等级。3.如权利要求2所述的基于表面增强拉曼光谱的多通道毒品模糊识别方法，其特征在于，还包括开关模块，用于当毒品定性分类模块输出的毒品类别数量为1时，启动毒品定量分类模块输出待测样品中毒品的浓度等级，当毒品定性分类模块输出的毒品类别数量大于1时，关闭毒品定量分类模块。4.如权利要求2或3所述的基于表面增强拉曼光谱的多通道毒品模糊识别方法，其特征在于，单通道CNN特征提取模块包括一个以上级联的第一卷积池化单元，第一卷积池化单元包括串联连接的第一一维...

【专利技术属性】
技术研发人员：黄锐，彭安，胡家祥，
申请(专利权)人：西南政法大学，
类型：发明
国别省市：