一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法

摘要: 本发明涉及环境污染物检测与拉曼光谱成像分析,具体是一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法。背景技术:1、微塑料是指环境中广泛存在的微小塑料颗粒...
一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法

本发明涉及环境污染物检测与拉曼光谱成像分析,具体是一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法。

背景技术:

1、微塑料是指环境中广泛存在的微小塑料颗粒,其来源包括塑料制品破碎、纤维脱落、工业排放和环境老化等。随着粒径减小,微塑料在水体、沉积物、土壤和生物体中的迁移性、持久性和潜在生态风险显著增强。因此,对不同类型、不同粒径以及复杂环境背景中的微塑料进行准确检测和空间分布分析具有重要意义。

2、现有微塑料检测方法主要包括显微观察、傅里叶红外光谱、拉曼光谱和热裂解分析等。其中,拉曼光谱具有分子指纹特征明显、空间分辨率高、适合微米及纳米尺度颗粒检测等优点。然而,在实际检测中,拉曼光谱成像数据通常存在噪声、荧光背景、宇宙射线、基线漂移、玻璃或环境基质干扰等问题;同时,当一个像素中存在两种或多种微塑料信号时,单纯的分类模型难以解析不同组分的相对贡献,导致混合像素识别和丰度估计困难;此外,传统基于人工判读或单一光谱匹配的方法通常依赖经验阈值,样本处理复杂,分析效率较低,对复杂环境样品、老化样品以及微米/纳米级颗粒的适应性不足。

技术实现思路

1、本发明的目的在于提供一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,具有提高复杂样品中微塑料识别和空间分布分析的准确性的效果。

2、本发明的上述技术目的是通过以下技术方案得以实现的:一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,包括以下步骤:

3、s1:采集待测微塑料样本的拉曼光谱成像数据,所述待测微塑料样本包括单一微塑料样本、混合微塑料样本、纳米级微塑料样本、环境基质中微塑料样本和老化微塑料样本中的至少一种;

4、s2:对所述拉曼光谱成像数据进行预处理,获得标准化光谱数据,并将所述标准化光谱数据重构为三维拉曼光谱数据立方体;

5、s3:对所述三维拉曼光谱数据立方体中的像素光谱进行主成分分析降维处理,获得降维后的光谱特征数据;

6、s4:将所述降维后的光谱特征数据输入深度自编码器模型进行光谱特征学习和光谱重构,获得重构光谱;

7、s5:将所述重构光谱输入非负最小二乘解混模型,并基于预先构建的微塑料端元光谱库计算不同微塑料组分的丰度;

8、s6:根据所述丰度生成不同微塑料组分的丰度图、二值化材料分布图和主导材料分布图;

9、s7:基于光谱重构结果和解混结果,对微塑料的类别、空间分布和丰度分布进行评估。

10、本发明的进一步设置为:所述预处理包括:

11、波数轴统一,采用线性插值对齐将不同采集条件、不同激光器或不同波数范围下获得的拉曼光谱统一至相同波数轴;

12、异常信号去除,包括宇宙射线去除,所述宇宙射线去除采用局部中位数绝对偏差检测、二阶导数异常检测或二者的组合;

13、噪声平滑,采用savitzky-golay滤波方法;

14、基线校正,采用非对称最小二乘基线校正方法;

15、归一化处理,采用l2归一化使每条像素光谱归一化为单位向量。

16、本发明的进一步设置为:所述主成分分析用于在解混之前对光谱数据进行降维和去噪;在具体实施中,将光谱数据降维至256维主成分特征空间,该维度根据数据波段数量、噪声水平和模型性能进行调整;所述评估在模型重构回原始光谱空间后进行。

17、本发明的进一步设置为:所述深度自编码器模型包括编码器和解码器,所述编码器将输入光谱映射到低维潜在空间以提取低维非线性光谱特征,所述解码器根据所述低维非线性光谱特征重构拉曼光谱;模型训练时采用五折交叉验证评价模型稳定性。

18、本发明的进一步设置为:所述非负最小二乘解混模型满足如下优化目标:

19、;

20、其中,为深度自编码器输出的重构光谱,e为微塑料端元光谱矩阵,a 为待求解的丰度向量。

21、本发明的进一步设置为:所述微塑料端元光谱库包括pp、ps和pvc中的至少一种微塑料材料的代表性端元光谱,所述端元光谱由纯微塑料样本的代表性光谱计算获得或由训练过程中学习到的主端元光谱获得。

22、本发明的进一步设置为:基于信号强度、光谱均值、光谱标准差或其组合构建信号掩膜,以分离微塑料颗粒区域和背景区域;所述丰度图中的背景区域设置为统一背景颜色,低置信材料区域设置为区别于目标材料的颜色;根据最大丰度原则生成主导材料分布图,并设置置信度阈值生成二值化材料分布图。

23、本发明的进一步设置为:所述评估采用的评价指标包括光谱角匹配、pearson 相关系数、余弦相似度、每波段均方根误差、l2误差和信噪比中的至少一种;所述方法还包括:采用已知比例的纯微塑料光谱生成合成混合光谱,利用所述合成混合光谱对模型的丰度预测误差进行验证。

24、一种微塑料检测系统,包括:

25、数据采集模块,用于获取微塑料样本的拉曼光谱成像数据;

26、预处理模块,用于对所述拉曼光谱成像数据进行波数轴统一、插值对齐、噪声去除、信号平滑、基线校正和归一化处理;

27、降维模块,用于对预处理后的光谱数据进行主成分分析降维;

28、深度自编码器模块,用于对降维后的光谱数据进行光谱重构;

29、解混模块,用于基于端元光谱库和非负最小二乘方法计算微塑料组分丰度;

30、可视化模块,用于输出微塑料丰度图、二值化材料分布图和主导材料分布图;

31、评价模块,用于输出光谱重构和解混性能评价指标。

32、综上所述,本发明具有以下有益效果:

33、1.本发明将拉曼光谱成像与深度学习相结合,可实现微塑料的自动化识别和空间分布分析;在解混之前引入主成分分析,可有效降低噪声干扰和数据维度,提高模型训练和推理效率;

34、2.本发明采用深度自编码器进行光谱重构,能够学习复杂拉曼光谱中的非线性特征,提高对低信噪比光谱和复杂背景光谱的适应能力;

35、3.本发明采用非负最小二乘方法进行丰度求解,使丰度结果具有非负物理约束,更适合微塑料混合像素的组分解析;

36、4.本发明能够输出不同材料的丰度图和主导材料分布图,不仅能够判断样品中是否存在某类微塑料,还能够获得不同微塑料组分的空间分布;

37、5.本发明适用于单一微塑料样本、混合微塑料样本、环境基质样本、老化微塑料样本以及微米/纳米级微塑料样本,具有较好的适用范围和鲁棒性。

1.一种基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:所述预处理包括:

3.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:所述主成分分析用于在解混之前对光谱数据进行降维和去噪;在具体实施中,将光谱数据降维至256维主成分特征空间,该维度根据数据波段数量、噪声水平和模型性能进行调整;所述评估在模型重构回原始光谱空间后进行。

4.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:所述深度自编码器模型包括编码器和解码器,所述编码器将输入光谱映射到低维潜在空间以提取低维非线性光谱特征,所述解码器根据所述低维非线性光谱特征重构拉曼光谱;模型训练时采用五折交叉验证评价模型稳定性。

5.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:所述非负最小二乘解混模型满足如下优化目标:

6.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:所述微塑料端元光谱库包括pp、ps和pvc中的至少一种微塑料材料的代表性端元光谱,所述端元光谱由纯微塑料样本的代表性光谱计算获得或由训练过程中学习到的主端元光谱获得。

7.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:基于信号强度、光谱均值、光谱标准差或其组合构建信号掩膜,以分离微塑料颗粒区域和背景区域;所述丰度图中的背景区域设置为统一背景颜色,低置信材料区域设置为区别于目标材料的颜色;根据最大丰度原则生成主导材料分布图,并设置置信度阈值生成二值化材料分布图。

8.根据权利要求1所述的基于深度学习结合拉曼光谱成像的微塑料识别与可视化方法,其特征在于:所述评估采用的评价指标包括光谱角匹配、pearson相关系数、余弦相似度、每波段均方根误差、l2误差和信噪比中的至少一种;所述方法还包括:采用已知比例的纯微塑料光谱生成合成混合光谱,利用所述合成混合光谱对模型的丰度预测误差进行验证。

9.一种微塑料检测系统,其特征在于,包括: