一种污染物毒性智能检测系统技术方案

本发明专利技术涉及基于物理性质分析材料的技术领域，具体涉及一种污染物毒性智能检测系统。该系统通过先分段再拟合的方式获得拉曼光谱曲线上每个子曲线的初始高斯模型。通过子曲线中的光谱强度区间的大小和位置调整模型的初始期望，通过光谱强度的分布趋势调整模型的初始方差，进而获得准确的基线函数。通过基线函数与子曲线之间的差异和基线函数的调整方差互动偏移程度。根据偏移程度矫正子区域的基线向上漂移情况，获得矫正拉曼光谱曲线，进而进行准确的毒性检测识别。本发明专利技术通过对基线函数的准确拟合并调整，进而实现对拉曼曲线的准确矫正，提高了污染物毒性检测识别的准确性。提高了污染物毒性检测识别的准确性。提高了污染物毒性检测识别的准确性。

【技术实现步骤摘要】
一种污染物毒性智能检测系统


[0001]本专利技术涉及基于物理性质分析材料的
，具体涉及一种污染物毒性智能检测系统。

技术介绍

[0002]污染物的毒性取决于物质的化学组成或者物理组成，且不同组成的物质含量不同则对应的毒性也不同，因此在对污染物进行毒性检测时，不仅要判断待检测样本的组成，还要检测各个组成部分的含量。拉曼光谱是一种快速。无损、非侵入性的物质组成分析技术，当样品经过激光照射时，样品中的分子会吸收能量并转化为振动或者其他形式的能量，这些能量与样本分子间的化学键震动频率有关，因此可根据拉曼光谱中的光谱特征识别出物质的组成与含量。
[0003]在实际对拉曼光谱数据进行分析时，因为光谱设备的光源输出和光学元件的性能随时间和温度等条件的变化会引起基线位置的向上漂移，所获得的拉曼曲线无法准确表示出物质的组成与含量，因此在获得拉曼光谱曲线之后需要对其进行基线矫正。现有技术中常用的基线矫正方法为多项式拟合矫正，通过多项式拟合获得基线函数进而对原始曲线进行矫正，但是因为污染物检测样本中物质的化学键较为复杂，拉曼光谱曲线中的信息较为复杂，使用多项式拟合获得的曲线不能表达信息复杂的数据，并且如果拟合参数选择不当会产生过拟合或者欠拟合的问题，进而导致原始曲线的矫正方向和矫正位置都不准确，影响后续对污染物毒性的判断。

技术实现思路

[0004]为了解决基线函数选取不当导致曲线矫正方向和矫正位置不合适，进而影响污染物毒性检测的技术问题，本专利技术的目的在于提供一种污染物毒性智能检测系统，所采用的技术方案具体如下：本专利技术提出了一种污染物毒性智能检测系统，所述系统包括：光谱曲线区间划分模块，用于获取污染物样本的拉曼光谱曲线；根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线；基线函数拟合模块，用于对所述子曲线进行高斯模型拟合，获得初始高斯模型，获取所述初始高斯模型的初始期望和初始方差；根据所述子曲线中光谱强度区间的大小和位置调整所述初始期望，获得调整期望；根据所述子曲线中光谱强度的分布趋势调整所述初始方差，获得调整方差，根据所述调整期望和所述调整方差获得调整高斯模型，以所述调整高斯模型作为所述子曲线的基线函数；数据矫正模块，用于根据所述基线函数与对应所述子曲线之间的差异和所述调整方差获得偏移程度；根据所述偏移程度矫正对应所述子曲线，获得矫正子曲线；所述矫正子曲线构成矫正拉曼光谱曲线；毒性检测模块，用于根据所述矫正拉曼光谱曲线上的光谱特征对有毒物质含量进
行检测。
[0005]进一步地，所述根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线包括：将所述拉曼光谱曲线平滑处理，获得平滑拉曼光谱曲线；获取所述平滑拉曼光谱曲线上的所有极大值点，以相邻所述极大值点之间的平均横坐标作为分割点；根据所述分割点和所述拉曼光谱曲线的起点和终点，将所述拉曼光谱曲线分为至少两个子曲线。
[0006]进一步地，所述调整期望的获取方法包括：以所述子曲线中光谱强度的极差作为光谱强度区间的区间大小参数；以所述子曲线中的最小光谱强度作为光谱强度区域的区间位置参数；将所述区间大小参数和所述区间位置参数的乘积进行负相关映射并归一化，获得期望调整参数；将所述期望调整参数与所述初始期望相乘，获得所述调整期望。
[0007]进一步地，所述调整方差的获取方法包括：以所述子曲线中光谱强度中值与光谱强度均值的差值作为分布趋势特征，将所述分布趋势特征归一化，获得方差调整参数；将所述方差调整参数与所述初始方差相乘，获得所述调整方差。
[0008]进一步地，所述偏移程度的获取方法包括：将所述子曲线与对应所述基线函数之间各个位置的光谱强度差异的平均值，作为整体偏移量，将所述整体偏移量与所述调整方差相乘后归一化，获得所述偏移程度。
[0009]进一步地，所述矫正子曲线的获取方法包括：将常数1与所述偏移程度相减，获得第二矫正系数，将所述第二矫正系数与所述子曲线上各个位置的光谱强度相乘，获得所述矫正子曲线。
[0010]本专利技术具有如下有益效果：本专利技术考虑到不同物质在对应拉曼位移区间中会呈现不同的光谱强度变化，因此根据极值点将拉曼光谱曲线划分子曲线，每个子曲线表示一个波段，便于后续函数的拟合分析。考虑到在一个子曲线内光谱强度的分布是呈正态分布的，因此获得子曲线的初始高斯模型。进一步结合子曲线内光谱强度的数据特征和分布特征调整初始高斯模型中的参数，获得基线函数。基线函数能够表征正常的光谱强度数据分布，因此可根据基线函数与子曲线之间的位置关系和数据差异对应子曲线进行矫正，获得矫正子曲线，进而获得矫正拉曼光谱曲线用于污染物分析。本专利技术通过分段局部分析的方法，针对局部光谱强度的分布趋势获得基线函数，使得后续矫正策略更加科学，得到的矫正拉曼光谱曲线更加准确，进而提高后续的污染物毒性检测过程的准确性。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0012]图1为本专利技术一个实施例所提供的一种污染物毒性智能检测系统框图；图2为本专利技术一个实施例所提供的一种不同物质的拉曼光谱曲线的对比示意图。
具体实施方式
[0013]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种污染物毒性智能检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0014]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0015]下面结合附图具体的说明本专利技术所提供的一种污染物毒性智能检测系统的具体方案。
[0016]请参阅图1，其示出了本专利技术一个实施例提供的一种污染物毒性智能检测系统框图，该系统包括：光谱曲线区间划分模块101，基线函数拟合模块102，数据矫正模块103和毒性检测模块104。
[0017]光谱曲线区间划分模块101用于获取污染物样本的拉曼光谱曲线；根据极值点的分布将拉曼光谱曲线划分为至少两个子曲线。
[0018]请参阅图2，其示出了本专利技术一个实施例所提供的一种不同物质的拉曼光谱曲线的对比示意图。图2中横坐标为拉曼位移，纵坐标为光谱强度。由图2和拉曼光谱分析法的原理可知，不同物质中分子的不同化学键受到激光影响后产生的振动不同，振动的频率和强度都能改表征物质的性质，因此不同物质的拉曼曲线上的光谱特征具有明显差别，因此可根据拉曼曲线上的光谱特征识别不同的化学成分和结构，从而对污染物毒性进行分析。
[0019]由图2可知，对于一个物质的拉曼光谱曲线，在特定的拉曼位移区间下具有明显的谱峰特征，即一个拉曼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污染物毒性智能检测系统，其特征在于，所述系统包括：光谱曲线区间划分模块，用于获取污染物样本的拉曼光谱曲线；根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线；基线函数拟合模块，用于对所述子曲线进行高斯模型拟合，获得初始高斯模型，获取所述初始高斯模型的初始期望和初始方差；根据所述子曲线中光谱强度区间的大小和位置调整所述初始期望，获得调整期望；根据所述子曲线中光谱强度的分布趋势调整所述初始方差，获得调整方差，根据所述调整期望和所述调整方差获得调整高斯模型，以所述调整高斯模型作为所述子曲线的基线函数；数据矫正模块，用于根据所述基线函数与对应所述子曲线之间的差异和所述调整方差获得偏移程度；根据所述偏移程度矫正对应所述子曲线，获得矫正子曲线；所述矫正子曲线构成矫正拉曼光谱曲线；毒性检测模块，用于根据所述矫正拉曼光谱曲线上的光谱特征对有毒物质含量进行检测。2.根据权利要求1所述的一种污染物毒性智能检测系统，其特征在于，所述根据极值点的分布将所述拉曼光谱曲线划分为至少两个子曲线包括：将所述拉曼光谱曲线平滑处理，获得平滑拉曼光谱曲线；获取所述平滑拉曼光谱曲线上的所有极大值点，以相邻所述极大值点之间的平均横坐标作为分割点；根据所述分割点和所述拉曼光谱曲线的起点和终点，将所述拉曼光谱曲...

【专利技术属性】
技术研发人员：罗伟铿，马艳，刘瑞涓，蔡凤珊，郑晶，于云江，
申请(专利权)人：生态环境部华南环境科学研究所生态环境部生态环境应急研究所，
类型：发明
国别省市：