【技术实现步骤摘要】
本专利技术涉及光谱测量及分类识别，具体涉及生物气溶胶atr-ftir光谱识别方法及系统。
技术介绍
1、生物气溶胶是指在空气中悬浮存在的微小的生物性颗粒物质。它主要由细菌、病毒、真菌和其他微生物的细胞、代谢产物、孢子等组成。生物气溶胶在环境与健康、大气环境、生物反恐、传染病、公共卫生、生态环境、气候变化以及食品安全等方面均有重要影响，开展对大气生物气溶胶的实时在线监测研究具有十分重要的意义。传统的方法通过检测粒子的形状和粒径来判定被检物质种类，存在误报情况。虽然最新的分子技术可以利用化学分析的方法实现对生物气溶胶的准确识别，但无法做到连续监测，并且耗时较长，成本昂贵。公布号为cn114894686a的现有专利技术专利申请文献《一种空气颗粒物浓度及成分的实时检测装置及检测方法》上部腔体、下部腔体、teom底座同轴设置且内部相互贯通；上部腔体右上侧开设探头安装孔，上部腔体左右两侧靠近下部的位置均开孔，振荡管设置在下部腔体的中心，上端与上部腔体内部的滤膜架固定连通，滤膜架与开孔设置在同一高度；振荡管的下端与teom底座的气流通路连通；拉曼检测探头与探头安装孔固定，拉曼检测探头聚焦在银滤膜中心，光谱由拉曼检测探头接收后传输至控制器、锂电池。以及公布号为cn113670889a的现有专利技术专利申请文献《一种气体综合检测装置》，该现有技术中的检测装置包括微生物检测模块，所述微生物检测模块包括选通富集模块和拉曼模块，所述选通富集模块包括荷电组件和静电吸附组件，所述拉曼模块包括强电场组件、激光激发源和拉曼探测组件，所述荷电组件用于对目标气体放
2、综上，现有技术存在生物气溶胶识别鉴定操作的准确率及稳定性较低的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中生物气溶胶识别鉴定操作的准确率及稳定性较低的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：生物气溶胶atr-ftir光谱识别方法包括：
3、s1、利用傅里叶变换红外ftir光谱仪、衰减全反射atr附件，获取微生物样品的红外吸收atr光谱；
4、s2、扣除红外吸收atr光谱的背景，得到微生物红外吸光度谱，对微生物红外吸光度谱进行归一化、数据平滑处理，以得到降噪微生物红外吸光度谱；
5、s3、利用不同种类的生物的降噪微生物红外吸光度谱，构建气溶胶样品atr光谱数据集，据以划分得到训练集、验证集以及测试集，建立光谱识别模型，根据训练集，采用分类交叉熵损失函数、adam优化器，训练光谱识别模型；
6、s4、使用光谱数据验证集，对经过步骤s3中训练的光谱识别模型进行模型评估操作，观测光谱识别模型，在验证集上的准确率以及损失情况，据以选取并保存准确率最高的光谱识别模型，以作为适用识别模型，以利用测试集评估适用识别模型，据以得到最优识别模型，以识别红外吸收atr光谱。
7、本专利技术对经典网络lenet5进行改进，对ftir光谱仪和atr装置采集的光谱数据进行预处理，再将处理后的光谱数据输入到cnn模型中进行训练和分类，最后利用测试数据集验证训练效果，完成生物气溶胶自动识别。与传统方法相比，本专利技术能够显著提高生物气溶胶识别的准确率和稳定性，建立了一种快速、高效、准确、非破坏性的生物气溶胶识别方法，为生物气溶胶的快速鉴定提供了理论依据和技术支持。
8、在更具体的技术方案中，步骤s1中，红外吸收atr光谱的波段范围包括：[4000cm-1，600cm-1]。
9、在更具体的技术方案中，步骤s2中，数据平滑处理的方式包括：sg平滑。
10、本专利技术将atr原始光谱数据扣除背景得到微生物红外吸光度谱，然后进行归一化和数据平滑处理，以降低光谱噪声和提高光谱信号的稳定性。
11、在更具体的技术方案中，步骤s3中，光谱识别模型采用一维卷积神经网络1d-cnn，其中，一维卷积神经网络1d-cnn包括：卷积层、池化层、dropout层以及全连接层；
12、利用卷积层，提取降噪微生物红外吸光度谱中的特征信息；
13、利用池化层，降采样处理特征信息，保留关键特征信息；
14、利用dropout层，添加随机失活节点；
15、利用全连接层，输出最终分类结果。
16、本专利技术的光谱识别模型使用一维卷积神经网络1d-cnn作为主要组件，包括卷积层、池化层、dropout层和全连接层，其中卷积层用于提取数据的特征信息，池化层用于降采样并保留主要特征信息，dropout层添加随机失活节点，防止过拟合。
17、本专利技术基于lenet5改进的cnn模型将特征提取与分类识别融为一体，这种端到端学习模型能够直接从生物气溶胶atr-ftir光谱中通过逐层卷积学习到特征，实现不同生物气溶胶类型的精细化识别。相比于传统方法，该模型有更强的的泛化能力和鲁棒性。
18、在更具体的技术方案中，步骤s3中，利用下述逻辑，表达分类交叉熵损失函数：
19、
20、式中，yi,j为真实标签，为预测概率值，n为一个批次训练样本数量，m为类别数。
21、在更具体的技术方案中，步骤s4中，模型评估操作中的评价指标包括：准确率、精确率、召回率以及rmse，在模型评估操作中，获取并记录混淆矩阵，以分析光谱识别模型性能。
22、1、根据权利要求6的生物气溶胶atr-ftir光谱识别方法，其特征在于，利用下述逻辑，求取准确率，据以衡量光谱识别模型的正确预测样本比例：
23、
24、在更具体的技术方案中，利用下述逻辑，求取精确率，据以衡量光谱识别模型预测正确正样本的准确度：
25、
26、利用下述逻辑，求取召回率，用以检测光谱识别模型对真实正例查全率：
27、
28、在更具体的技术方案中，利用下述逻辑，根据精确率、召回率，求取综合评估分类模型性能指标f1：
29、
30、本专利技术使用测试集来最终评估模型的性能，具体评价指标包括准确率、召回率和rmse等，在评估过程中，记录混淆矩阵以进一步分析模型性能。
31、在更具体的技术方案中，生物气溶胶atr-ftir光谱识本文档来自技高网...
【技术保护点】
1.生物气溶胶ATR-FTIR光谱识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，所述步骤S1中，所述红外吸收ATR光谱的波段范围包括：[4000cm-1，600cm-1]。
3.根据权利要求1所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，所述步骤S2中，所述数据平滑处理的方式包括：SG平滑。
4.根据权利要求1所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，所述步骤S3中，所述光谱识别模型采用一维卷积神经网络1D-CNN，其中，所述一维卷积神经网络1D-CNN包括：卷积层、池化层、dropout层以及全连接层；
5.根据权利要求1所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，所述步骤S3中，利用下述逻辑，表达所述分类交叉熵损失函数：
6.根据权利要求1所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，所述步骤S4中，所述模型评估操作中的评价指标包括：准确率、精确率、召回率以及RMSE，在所述模型评估操作
7.根据权利要求6所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，利用下述逻辑，求取所述准确率，据以衡量所述光谱识别模型的正确预测样本比例：
8.根据权利要求6所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，利用下述逻辑，求取所述精确率，据以衡量所述光谱识别模型预测正确正样本的准确度：
9.根据权利要求1所述的生物气溶胶ATR-FTIR光谱识别方法，，其特征在于，利用下述逻辑，根据所述精确率、所述召回率，求取综合评估分类模型性能指标F1：
10.生物气溶胶ATR-FTIR光谱识别系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.生物气溶胶atr-ftir光谱识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的生物气溶胶atr-ftir光谱识别方法，，其特征在于，所述步骤s1中，所述红外吸收atr光谱的波段范围包括：[4000cm-1，600cm-1]。
3.根据权利要求1所述的生物气溶胶atr-ftir光谱识别方法，，其特征在于，所述步骤s2中，所述数据平滑处理的方式包括：sg平滑。
4.根据权利要求1所述的生物气溶胶atr-ftir光谱识别方法，，其特征在于，所述步骤s3中，所述光谱识别模型采用一维卷积神经网络1d-cnn，其中，所述一维卷积神经网络1d-cnn包括：卷积层、池化层、dropout层以及全连接层；
5.根据权利要求1所述的生物气溶胶atr-ftir光谱识别方法，，其特征在于，所述步骤s3中，利用下述逻辑，表达所述分类交叉熵损失函数：
6.根...
【专利技术属性】
技术研发人员：童晶晶，汪洋，李相贤，韩昕，李妍，陈军，李发帝，石建国，高闽光，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。