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制造方法及图纸

本发明专利技术公开了一种基于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。且有能力分辨相近的物质。且有能力分辨相近的物质。

【技术实现步骤摘要】
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


[0001]本专利技术涉及水质检测领域，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。

技术介绍

[0002]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

[0003]专利技术目的：为了克服现有技术中存在的不足，本本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：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；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；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；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；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；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；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。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...

【专利技术属性】
技术研发人员：蔡玉垚，陈子昂，金鑫，李祖羽，刘玉柱，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：