CN104215623A - 面向多行业检测的激光拉曼光谱智能化辨识方法及系统 - Google Patents

Abstract

本发明公开了一种面向多行业检测的激光拉曼光谱智能化辨识方法及系统。本方法为：1)将待检物质样品置于激光拉曼光谱仪的检测池中，采集的光谱数据发送至行业检测软件客户端；2)根据选择在客户端或云端辨识并保存检测结果；其中，对该光谱数据检测识别的方法为：建立一行业物质的拉曼光谱数据库，对该光谱数据进行拉曼特征峰提取；如果从该光谱数据选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征峰辨识方法的物质，将其辨识信息与所选取出的拉曼特征峰的阈值信息进行对比，检测是否存在此物质；否则利用小波分析方法对该光谱数据处理；对于辨识方法为模式识别方法的物质，利用分类器对该光谱数据进行分类检测是否存在对应的物质。

Description

面向多行业检测的激光拉曼光谱智能化辨识方法及系统

技术领域

本发明涉及一种面向多行业检测的激光拉曼光谱智能化自动辨识方法及系统，属于食品、药品、保健品和化妆品等检测应用领域。

背景技术

自古以来，中国就有食疗保健的传统习俗。随着社会经济的快速发展，人们的生活条件有了显著的改善和提高，人们越来越关注自己的身体健康状况，讲究“有病治病，无病保健”，对保健食品的需求也日益增大。保健食品是指声称具有特定保健功能或者以补充维生素、矿物质为目的的食品。但保健食品不等同于药品，保健食品必须具有食品相当的安全性，长期服用对人体不产生危害，药品通常都有一定毒副作用。保健食品通过调节身体机能维持平衡健康状态，药品则是直接针对疾病机理产生药理作用。保健食品没有严格的服用剂量，但药品必须严格按照规定的剂量服用。

由于保健食品只是通过调节人体自身机能平衡而起作用，所以效果显现通常较为缓慢，但其又需具有特定保健功能，因此很容易成为非法添加药物的对象。不法分子常把可产生与处方药物具有类似感觉作用的化学药物违法添加到保健药品和食品中，从而产生立竿见影的功效来蒙骗使用者，以不法牟利。如在减肥类保健品中添加禁用药物西布曲明，在抗疲劳类男性功能保健品中添加处方药物西地那非等。多年临床研究结果显示，使用西布曲明可能增加受试者的严重心血管风险，包括心梗、心脏骤停、心血管死亡等，已有多例死亡报告，因此该药物已于2010年10月在包括中国、美国、欧盟等国家和地区停止生产、销售和使用。而像西地那非等PDE-5抑制剂属于处方药，有明确的适应症、禁忌症和副作用，某些人群不能服用，若患者在不知情的情况下摄入，容易引起严重的不良反应，甚至导致死亡。因此，这些掺假保健食品严重的危害了公众健康，扰乱了市场秩序，给社会及消费者带来严重后果。在保健品中可能添加的非法添加物包括(但不限于表1)：

表1保健品中可能添加的非法添加物

在药品中可能添加的非法添加物包括(但不限于表2)：

表2药品中可能添加的非法添加物

在化妆品中可能添加的非法添加物包括(但不限于表3)：

表3化妆品中可能添加的非法添加物

对非法添加化学药品掺假保健品的预防与打击在很大程度上依赖于分析检测技术，尤其是快速检测技术的能力。快检技术建立在现代分析技术和信息技术的基础之上，技术含量较高，能在简易实验室、移动实验室或监督现场使用操作且在较短的时间完成，获得高置信度的结果。因此，快检技术是对保健食品市场进行技术监管的重要手段，可实现针对性地进行抽查检验，降低执法成本，增加依法监管的技术含量，对行政监管起到强有力的技术支撑作用。

近年来，拉曼光谱法在药品、保健品分析中的应用越来越多(参考文献：滕敏，陈俊科，孙予等.注射用针剂药物的拉曼散射光谱研究[J].光散射学报，2010，22(4)：555-557；周群，蔡少青，王建华等.拉曼光谱法快速鉴别黄芩中药材[J].光散射学报，2002，14(3)：166-168；王玉，李忠红，张正行等.拉曼光谱在药物分析中的应用[J].药学学报，2004，39(9)：764-768；曲晓波，赵雨，宋岩等.人参皂苷Rg3的拉曼光谱研究[J].光谱学与光谱分析，2008，28(3)：0569-0571；张进治，汪瑷，陈惠等.吴茱萸生物总碱的TLC-SERS研究[J].光谱学与光谱分析，2008，27(5)：944；张雁，尹利辉，金少鸿.表面增强拉曼光谱法检测微量添加物质的研究[J].中国药事，2012，26(4)：335-339)，中国药典2010版根据这一发展，在附录中新增拉曼光谱法指导原则，进一步促进这一方法在药品、保健品检验中的应用(参考：陈安宇，焦义，刘春伟等.采用纳米增强拉曼光谱检测技术对牛奶中三聚氰胺的检测[J].中国卫生检验杂志，2009，19(8)：1710-1712)。拉曼光谱法在检测方面独具诸多优势：拉曼光谱法获得的是物质分子的指纹光谱，具有极高的特异性；拉曼散射的穿透力强，可以透过玻璃、塑料等透明的包装或容器，适合各种无损快速检测；拉曼光谱法适于水溶液样品检测，可实现无机化合物的鉴定与表征；随着光机电一体化技术的发展而开发的便携式拉曼光谱仪，在实际使用中非常方便，适合检测车及现场快速检测；纳米增强拉曼技术可实现微痕量物质的快速检测，使拉曼光谱技术能够胜任保健食品中非法添加化学药物的快速检测，并可实现多种物质的同时快速检测。但是在传统的结果分析中，一般需要对光谱进行人为的专业性分析和比对，才能得到结论，这样不但要求操作人员具有较高的专业水平，还影响了检测效率和检测可重复性。

发明内容

针对现有技术中存在的技术问题，本发明的目的在于提供一种面向多行业检测的激光拉曼光谱智能化自动辨识方法及系统。

本发明的技术内容为：

一种面向多行业检测的激光拉曼光谱智能化辨识方法，其步骤为：

1)将待检物质样品置于激光拉曼光谱仪的检测池中进行光谱数据采集，然后将采集的光谱数据发送至行业检测软件客户端；

2)选择客户端辨识或云端辨识；若选择客户端辨识，检测软件客户端对该光谱数据进行检测识别，在客户端保存结果，同时将检测结果传送到云端保存；若选择云端辨识，检测软件客户端将该光谱数据发送到云端进行检测识别并保存检测结果；其中，对该光谱数据进行检测识别的方法为：

21)建立一行业物质的拉曼光谱数据库，其中每一物质设有一辨识方法；

22)对该光谱数据进行拉曼特征峰提取；如果从该光谱数据选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征峰辨识方法的物质，将其辨识信息与所选取出的拉曼特征峰的阈值信息进行对比，如果存在符合条件的拉曼特征峰，则检测为存在此物质；如果从该光谱数据未选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征辨识峰方法的物质，利用小波分析方法对该光谱数据处理并提取特征峰，如果与该物质的特征峰匹配，则检测为存在此物质；

23)对于设置的辨识方法为模式识别中有监督学习方法的物质，根据每一物质已标注样本数据利用有监督学习分类器对该光谱数据进行分类，检测是否存在对应的物质；

24)对于设置的辨识方法为模式识别中无监督学习方法的物质，计算每一物质的样本数据的微分值作为该物质的特征向量，计算该光谱数据的微分值作为特征向量，然后计算两特征向量的相似度，如果大于设定阈值，则检测为存在对应的物质。

进一步的，该光谱数据进行检测识别之前，对该光谱数据进行预处理，其方法为：

1)对采集的光谱数据进行微分，确定光谱数据中的热像素点位置，如果光谱数据中存在热像素则采用临近点均值方法对热像素点进行均值补偿；对于光谱数据中出现连续多个热像素点，首先对光谱数据从左向右判定一次热像素值的大小，然后做均值计算，再对光谱数据从右向左判定一次热像素值的大小，然后做均值计算，得到热像素移除后的光谱数据；

2)对热像素移除后的光谱数据采用Boxcar等滤波器进行滤波平滑处理；

3)采用三次均匀有理B样条曲线对滤波平滑后的光谱数据进行建模，得到建模后的像素模式下的光谱数据；

4)选取若干标准物质，并对每一标准物质建立一拟合方程，通过拟合方程将像素模式下的光谱数据转换为波数模式下的光谱数据；

5)采用极值算法找到波数模式下的光谱数据的光谱基点位置，然后将所有基点做成基线，以基线对应的光谱强度为参考“0”值，移除步骤4)所得波数模式下的光谱数据的拉曼光谱背底荧光。

进一步的，所述辨识信息包括：特征峰所在光谱的区间范围、峰值强度和面积。

进一步的，所述检测软件客户端设置一查询接口，检测软件客户端模块根据登录用户的权限和查询请求向云端进行查询，并返回对应的查询信息。

进一步的，所述检测软件客户端包括：光谱处理模块，配置管理模块，加密模块，物质类别管理模块，用户管理模块，报表管理模块，谱图操作模块，谱图显示模块，SOP帮助模块，检测结果显示模块。

进一步的，对检测出的物质，采用固定层次进行分类，即通过文件夹名称加同名配置文件的方式来组织类别结构进行分类；或者采用自由层次进行分类，即通过数据库按检材、按物质来自由组合类别结构进行分类；或者根据用户购买的检测项目来对检测进行分类，即按照不同用户购买的检测项目来组织检测类别结构进行分类。

进一步的，对检测出的物质，采用层次化方式进行显示：通过大的圆角图形图标加上底部的描述字来显示一级目录，通过不同颜色的背景结合背景图片上的汉字来显示二级目录，通过将类别项的图标灰色处理或将描述灰色处理来区分用户是否购买了该检测项目。

进一步的，按照标准作业程序SOP制备出所述待检物质样品。

一种面向多行业检测的激光拉曼光谱智能化辨识系统，其特征在于包括激光拉曼光谱仪模块，行业检测软件客户端，云端；其中，

所述激光拉曼光谱仪模块，用于在客户端控制下，对置于激光拉曼光谱仪的检测池中的待检物质样品进行光谱数据的采集，并将其发送至行业检测软件客户端；

所述行业检测软件客户端，用于对收到的光谱数据进行检测识别，并将检测结果保存到云端；或者将该光谱数据发送到云端进行检测识别；

所述云端，用于对光谱数据进行检测识别、存储和检测结果管理服务，以及对客户端软件进行和用户权限管理服务、软件模块升级服务和检测类别更新服务；

其中，所述行业检测软件客户端或云端设有一行业物质的拉曼光谱数据库，每一物质设有一辨识方法；进行检测识别时，首先对该光谱数据进行拉曼特征峰提取；如果从该光谱数据选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征峰辨识方法的物质，将其辨识信息与所选取出的拉曼特征峰的阈值信息进行对比，如果满足条件则检测为存在此物质；如果从该光谱数据未选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征辨识峰方法的物质，利用小波分析方法对该光谱数据处理并提取特征峰，如果与该物质的特征峰匹配，则检测为存在此物质；对于设置的辨识方法为模式识别中有监督学习方法的物质，根据每一物质已标注样本数据利用有监督学习分类器对该光谱数据进行分类，检测是否存在对应的物质；对于设置的辨识方法为模式识别中无监督学习方法的物质，计算每一物质的样本数据的微分值作为该物质的特征向量，计算该光谱数据的微分值作为特征向量，然后计算两特征向量的相似度，如果大于设定阈值，则检测为存在对应的物质。

进一步的，所述检测软件客户端包括一光谱数据预处理模块，用于对采集的光谱数据进行处理：对采集的光谱数据进行微分，确定光谱数据中的热像素点位置，如果存在热像素则采用临近点均值方法对热像素点进行均值补偿；对于出现连续多个热像素点，在先从左向右判定一次热像素值的大小，然后做均值计算后，再从右向左判定一次热像素值的大小，然后做均值计算，得到热像素移除后的光谱数据；对热像素移除后的光谱数据进行Boxcar等滤波器进行滤波平滑处理；采用三次均匀有理B样条曲线对滤波平滑后的光谱数据进行建模，得到建模后的像素模式下光谱数据；选取若干标准物质，并对每一标准物质建立一拟合方程，通过拟合方程将像素模式下的光谱数据转换为波数下的光谱数据；采用极值算法找到波数下的光谱数据的光谱基点位置，然后将所有基点做成基线，以基线对应的光谱强度为参考“0”值，对所得光谱数据的背底荧光进行移除。

进一步的，所述检测软件客户端包括：客户端监测模块，客户端浏览模块，光谱处理模块，配置管理模块，加密模块，物质类别管理模块，用户管理模块，报表管理模块，谱图操作模块，谱图显示模块，SOP帮助模块，检测结果显示模块；所述检测软件客户端设置一查询接口，检测软件客户端模块根据登录用户的权限和查询请求向云端进行查询，并返回对应的查询检测结果。

进一步的，所述辨识信息包括：特征峰所在光谱的区间范围、峰值强度和面积。

本系统组成包括前处理模块、激光拉曼光谱仪模块、客户端模块和服务端(云端)模块；其中，服务端(云端)模块与客户端模块通过网络连接，激光拉曼光谱仪模块与客户端模块通过数据线有线或无线网络连接，对于前处理模块处理后的样品，可放置于激光拉曼光谱仪的检测池中，客户端模块通过激光拉曼光谱采集控制模块控制激光拉曼光谱仪模块获取待测物质原始光谱，并经激光拉曼光谱分析模块及激光拉曼光谱智能化辨识模块定性或定量检出待测物质。

本系统的客户端检测模块的检测流程为：样品前处理→上机检测→自动辨识(辨识有两种方式：分别为客户端辨识和云端辨识，云端辨识结束后将结果返回给检测客户端)→生成并打印检测报表；其中，客户端和云端辨识模块中都采用了大量的智能算法可根据光谱数据对样品进行智能化自动辨识，其中主要包括两大类：光谱预处理算法和光谱辨识算法。前者包括，诸如：滤波器、导数微分、多项式拟合和小波分析等方法。后者包括：特征峰辨识和模式识别方法，其中模式识别方法又包括有监督的分类器方法和无监督的聚类方法。本系统客户端浏览模块的主要流程为：登陆系统→权限审核→提交数据查看请求→生成并打印查看检测报表。

与现有技术相比，本发明的积极效果为：

本发明拉曼光谱的数据处理和结果分析过程都由计算机自动完成，判定结果在软件界面上直观显示。用户不需了解拉曼谱图的产生过程及分析过程等细节，只需按照检测流程向导的几个简单步骤就可以得到检测结果及报表。拉曼光谱自动辨识软件之所以能快速准确的获得辨识结果，一方面依赖于硬件采集模块及生物前处理手段的稳定可靠，还主要依赖于拉曼光谱自动辨识系统检测流程及数据处理分析方法；为了方便用户使用及适应平板电脑的操作习惯，我们借助微软WPF技术实现了很多特定的软件界面技术，正是有了这些人性化的检测流程及智能的数据处理分析方法，拉曼光谱自动辨识软件给我们提供了比传统光谱分析软件更大的优势。

本系统可以检测食品行业中的食品安全问题，包括：非食用化学物质、滥用食品添加剂、掺假伪劣食品、农药、兽药和激素残留等；本系统可检测保健品行业中降糖、降压、安神、抗疲劳和减肥类产品中添加处方药成份等问题；本系统可检测化妆品行业中美白、祛痘类、去屑、染发和抗衰老产品中添加处方药成份等问题；检测时间不超过20分钟，达到了快速检测的要求。在检测系统的应用过程中，用户可以在不同终端设备(如：平板电脑、手机等)通过有线或无线网络连接方式，远程操控拉曼光谱仪模块，采集拉曼光谱数据，这些光谱数据经过系统内置的智能化自动辨识模块处理后,可以在检测终端设备中显示检测结果。在结果判定时，该系统的自动辨识软件采用了大量的智能算法，使得拉曼光谱的分析、处理和辨识过程均由计算机自动完成，判定结果在软件界面上直观显示，极大的提升了检测效率，提供了更好的用户体验。本系统的服务端(云端)模块可通过数据服务接口实现软件升级、检测物质类别更新服务，检测物质类别可根据需求扩展，当云端增加新的检测物质类别时，用户可在检测客户端同步更新。由于本系统应用于多行业，包括：食品、药品、保健品及医学领域的研发应用，这些行业的用户在具体应用研发中地理位置是分散的，各用户检测客户端数据库又是独立的，而检测应用每天又在不停的进行，日积月累,在用户的检测客户端会产生大量的光谱数据。当这些光谱数据通过网络从用户客户端数据库传递到云端数据库，这些海量数据就形成了对企业有价值的大数据。通过对云端大数据的数据挖掘和数据分析有助于我们更好的服务于不同行业的检测需求，给用户提供更有意义的增值服务。

本发明检测灵敏度高、时间短、成本低、无需前处理或仅需简单的前处理、设备体积小、重量轻、便于携带，因此可作为现场快速检测的有效手段，应用于多种行业的现场快速检测，满足食品药监等部门日常监管以及快速检测方面的需求。

附图说明

图1为本发明系统总体框架示意图；

图2为本发明方法总体流程图；

图3为本发明系统结构示意图；

图4为本发明检测客户端模块(行业检测软件用户端)软件逻辑流程图；

图5为本发明检测客户端模块(行业检测软件用户端)核心数据处理流程图；

图6为本发明检测客户端系统架构图；

图7为本发明服务端(云端)系统架构图；

图8为本发明浏览客户端(监管平台用户端)系统架构图

图9为某牌减肥胶囊西布曲明检测结果；

图10为某牌减肥胶囊酚酞检测结果；

图11为某牌螺旋藻减肥胶囊西布曲明检测结果；

图12为某牌螺旋藻减肥胶囊酚酞检测结果；

图13为某牌佳丽胶囊西布曲明检测结果；

图14为某牌佳丽胶囊酚酞检测结果；

图15为某牌参苓胶囊西地那非检测结果；

图16为某牌参苓胶囊西地那非检测结果；

图17为某牌三七黄芪胶囊盐酸二甲双胍检测结果；

图18为某牌三七黄芪胶囊马来酸罗格列酮检测结果；

图19为某牌降糖类保健品盐酸二甲双胍检测结果；

图20为某牌降糖类保健品马来酸罗格列酮检测结果；

图21为某牌糖立宁片盐酸苯乙双胍检测结果。

具体实施方式

下面结合附图对本发明进行进一步详细描述。

如图1所示，本发明的激光拉曼光谱自动辨识系统由四大模块组成：1)前处理模块，2)激光拉曼光谱仪模块，3)客户端模块(客户端检测模块、客户端服务模块)，4)服务端(云端)模块，其中：

1)前处理模块：按照SOP(Standard Operation Procedure,标准作业程序)制备出待检物质样品，为检测系统最终得到准确可靠的结果提供了必要的保证。

2)激光拉曼光谱仪模块：对于经前处理模块处理后的待检物质样品，可置于激光拉曼光谱仪的检测池中，通过与客户端拉曼光谱采集控制模块的协同工作，将采集的光谱数据发送至行业检测软件客户端模块。

3)客户端模块：客户端模块包括客户端监测模块和客户端浏览模块。客户端检测模块由激光拉曼光谱采集控制模块、激光拉曼光谱分析模块、激光拉曼光谱智能化辨识模块等核心数据处理模块组成。客户端软件架构具有良好的扩展性，可满足多个行业的物质检测需求，不同行业的物质检测类别库相互独立，方便检测物质类别扩充并可实现在线更新，检测结果伴有直观的红绿指示灯及醒目的文字信息自动显示，操作步骤简便，用户界面人性友好。客户端浏览模块主要功能如下：各类用户根据权限对全部或部分监控检测信息进行浏览和查询服务，例如：统计报表相关的月报表、年报表等；安全预警相关的合格率统计、风险预警信息发布等；信息服务相关的安全动态、政策法规、质量标准等。

4)服务端(云端)模块：具有良好的软件模块扩展性，基于大数据服务，目前提供软件模块升级、检测类别更新服务、用户权限管理服务、检测结果存储、云端结果辨识服务和云端数据存储服务。

如图2所示，本系统客户端检测模块的检测流程为：样品前处理→上机检测→自动辨识(辨识有两种方式：分别为客户端辨识和云端辨识，其中云端辨识结束后将结果返回给检测客户端→生成并打印检测报表；如用户采用客户端辨识，在检测结束后用户可以选择把检测结果上传到服务端(云端)的数据库中进行保存；本系统客户端浏览模块的主要流程为：登陆系统→权限审核→提交数据查看请求→生成并打印查看检测报表。

如图3所示，本系统前处理模块中包括纳米增强模块和SOP操作管理模块。激光拉曼光谱仪模块包括激光器、光谱仪和光谱仪连接模块；客户端检测模块包括激光拉曼光谱采集控制模块、激光拉曼光谱分析模块、激光拉曼光谱辨识模块、系统配置模块、物质类别管理模块、定量管理模块、光谱数据分类数据库和加密模块等。在激光拉曼光谱辨识模块中采用了大量的智能算法根据光谱数据对样品进行自动辨识，其中主要包括两大类算法：光谱预处理算法和光谱辨识算法。前者包括，诸如：滤波器、导数微分、多项式拟合和小波分析等方法。后者包括：特征峰辨识和模式识别方法，其中模式识别方法又包括有监督的分类器方法和无监督的聚类方法。客户端浏览模块包括数据请求模块、数据显示模块和报表打印模块。服务端(云端)模块包括：检测类别配置管理模块及相应数据库，用于对物质类别、检材类别进行管理；用户管理模块及相应数据库，用于对用户权限、用户组别进行管理；检测结果管理模块及数据库，用于对检测结果记录和管理；云端辨识算法模块主要包括光谱辨识算法和机器学习算法，由于客户端训练样本有限以及客户端处理器运算能力对算法支持有限，可能对辨识算法结果有一定的影响，因此用户在光谱数据辨识过程中可以选择云端数据库进行辨识，同时可以通过机器学习的方法把新辨识的结果(物质)加入到云端数据库中优化辨识算法模型。

如图4所示为本发明检测客户端处理流程图，用户登录客户端后可以选择待检测样品的行业类别和物质检测类别、选择对待检样品是进行定量分析还是定性分析、检测客户端根据用户的选择对系统进行配置，完成对样品的检测并输出检测结果。其中检测客户端包括：

1)拉曼光谱的数据采集、数据处理和结果辨识算法集。

●拉曼光谱的数据采集手段：对于公司不同型号的拉曼光谱仪，我们在客户端软件模块中，对通讯连接函数库进行了统一的接口封装，使得我们能够按照统一的数据格式采集光谱数据。即通过封装的函数，传递积分时间、扫描次数和仪器型号参数从而获取光谱的像素位置信息和光谱强度信息。

●拉曼光谱数据的优化处理手段：底层获取的数据往往包含噪声、荧光干扰信号，为了减少噪声及荧光干扰信号的影响，我们采用了如下的技术手段来对拉曼光谱数据进行分析和处理：

■数据平滑算法。采用多点连续平滑。(参考文献：

Abraham.Savitzky,M.J.E.Golay.Smoothing and Differentiation of Databy Simplified Least Squares Procedures.[J]Anal.Chem.,1964,36(8),pp1627–1639)；

■数据拟合算法。采用高次曲线拟合。(参考文献：Meier,R.J.Vib.Spectrosc.2005,39,266–269)；

■基线处理算法。采用高阶(含一阶)微分方法、极大极小数值法，这种算法在一定程度上有助于消除背底荧光对有效信号的影响。(参考文献：AndrzejKwiatkowski1，Marcin Gnyba1，Janusz Smulko1，Wierzba1.Alogrithms of Chemicals of Detection Using Raman SpectraMetrology And Measurement Systems.[J]Metrology And MeasurementSystems.Vol XVII(2010),No4,Pages549–560.)；

●拉曼光谱特征峰辨识算法手段:

单(多)峰辨识阈值算法。通过设定的辨识信息(如特征峰所在光谱的区间范围、峰值强度和面积)从而确定是否含有待查的拉曼特征峰。对于辨识峰阈值判定失效的情况，采用用小波分析等分峰技术手段，能有效解决拉曼特征峰重叠的问题。

●拉曼光谱模式识别的方式：

■有监督模型分类器的方法：对于无显著特征峰同时有一定标注样本的问题，我们采用有监督模型的分类器来这类问题。

■无监督模型聚类的方法：对于无显著特征峰又没有标注样本的问题，我们采用层次聚类、非层次聚类的方式来进行聚类。

2)拉曼光谱数据库和机器学习方法。

●建立拉曼光谱数据库:建立的过程如下,首先通过拉曼光谱仪测出标准物质的拉曼图谱(和上文拉曼光谱数据同),然后用软件通过执行数据库操作程序,将谱图和相关信息存入数据库。其中相关信息详见下文提到的拉曼光谱属性集。

●拉曼光谱增加属性集：为了解决拉曼光谱在数据库中存储查询方便的问题，可以通过创建拉曼光谱属性集的方式来帮助对光谱数据的分析和理解。未知光谱可以通过机器学习的方法来处理：当进行新的物质检测时，如果新物质的光谱数据不能在我们已经建立的光谱数据中查找到，那可直接将该物质拉曼光谱添加到数据库中，作为下一次判定的依据。

如图5所示，为本发明检测客户端对光谱数据进行分析处理的流程图。首先通过激光拉曼光谱采集控制模块对激光拉曼光谱仪设置采集参数，然后在激光拉曼光谱采集控制模块中调用封装的函数来读取光谱的像素和强度数据，从而得到原始光谱，经激光拉曼光谱分析模块对原始光谱进行优化处理，再通过激光拉曼光谱辨识模块对前述步骤分析处理，经过这样处理后的光谱数据可以选择进行客户端辨识或者云端辨识。如果选择客户端辨识，可采用模式识别方法或特征峰辨识方法进行处理，最终可以得到检测结果。

1激光拉曼光谱采集控制模块及激光拉曼光谱分析模块：

我们应用自主研发的RamTracer-200系列激光拉曼光谱仪，通过在激光拉曼光谱采集控制模块中设置激光功率、平滑系数、扫描次数等参数,获取像素模式下光谱数据，再通过X轴校正转化获取波数模式下光谱数据，从而得到波数模式下光谱数据。

拉曼光谱中原始像素模式下光谱数据通常不可避免的会含有热像素干扰，这种现象为公知现象，热像素产生的原因主要是由于激光拉曼光谱仪中CCD感光元器件含有坏点及死点。

1.1)热像素移除：

从拉曼光谱采集控制模块中输出的数据为像素模式下的原始光谱数据，这份像素模式下的原始光谱数据将作为其后续拉曼光谱分析模块的输入数据，通过拉曼光谱分析模块的数据处理方法将对原始光谱数据进一步加工，从而得到我们研究分析需要的理想光谱数据。拉曼光谱的热像素表现为在光谱数据中突然出现一个或者两个与相邻拉曼强度绝对值相差极大的点，对于这样的点我们采用微分的手段，找到其位置，采用临近点均值方法，对热像素点进行均值补偿。对连续多个热像素我们增加了双向判断机制，即首先从左向右(从拉曼光谱数据的起始位置到拉曼光谱数据的结束位置,下文同)判定一次热像素值的大小，然后做均值计算后，再从右向左做一次同样的判定和计算，这样通过两次判定能避免热像素遗漏。对于处理过后的数据我们称为经过热像素移除后像素模式下的光谱数据。

1.2)数据滤波平滑算法：

经过步骤1.1处理后的像素模式下光谱数据，不可避免的还是会存在一些噪声，为了更好的满足我们的分析需求既保护特征峰强度又同时能较为有效的去除噪声，我们采用了多点连续平滑方法，其实质是窗口移动多项式最小二乘拟合，首先计算出拉曼光谱的信噪比，然后根据拉曼光谱的信噪比自动调整窗口大小，如果信噪比大窗口小，反之亦然，通过这样的处理，能够对数据进行更好的平滑。对于处理后的数据，我们称之为经过数字滤波平滑后像素模式下的光谱数据。

1.3)数据拟合算法:

经过步骤1.2处理后的像素模式下光谱数据，已经具备了较高的分析价值，但由于离散的点列几何属性不多，为了便于进一步分析拉曼光谱数据的特点，我们选择了三次均匀有理B样条曲线对上述数据进行拟合。以下是三次均匀有理B样条的方程

(下文中Pi为控制点)：

$S_i\left(t\right)=\left[\begin{array}{cccc}{t}^3& t^2& t& 1\end{array}\right]\frac{1}{6}\left[\begin{array}{cccc}-1& 3& -3& 1\\ 3& -6& 3& 0\\ -3& 0& 3& 0\\ 1& 4& 1& 0\end{array}\right]\left[\begin{array}{c}{P}_i-1\\ P_i\\ P_i+1\\ P_i+2\end{array}\right]$ 其中t∈[0，1]

我们的创新点在于，采用的控制点并不是原始的光谱数据，而是经过平滑处理后的光谱数据，然后进行这样的拟合目的是为了后续更方便的求一阶二阶微分。对于经过这种数据拟合处理后的数据我们称为经过建模后的像素模式下的光谱数据。

1.4)X轴校正:

在以上1.1-1.3多个步骤中的数据处理对象为像素模式下的数据拟合。在拉曼光谱分析研究中，通常以波数下的拉曼光谱数据作为沟通及交流标准，可以针对特定标准物质(比如：乙腈、甲苯、苯甲腈等)建立拟合方程，将上一步所得像素模式下的光谱数据转化为波数下的光谱数据，即通过拟合方程将像素坐标下光谱强度数据转化为波数坐标下光谱强度数据。我们的创新点在于，对于标准物质像素模式下光谱数据的拉曼峰选取，拿乙腈为例，我们选取的信噪比大于3最能表征分子基团的特征峰，根据公知，n个点最高可以拟合出n-1阶多项式，我们选择了公知的三次多项式的表达方式来进行拟合。对于处理后的数据我们称为波数下的光谱数据。

1.5)基线处理算法:

对于采用1.4步骤处理后的数据，还可能存在荧光干扰有效信号等问题，我们采用极值算法来找到参考光谱的基点位置，然后以这些基点做基线。设定基线对应的光谱强度为参考“0”值，将这些相邻“0”值作为参考点，顺次两两相连得到基线,然后用原始拉曼光谱的强度值和基线上相应位置的强度值做减法，从而实现移除拉曼光谱背底荧光的功能。我们的创新点在于，对于极小值基点增加了阈值筛查功能，只有在满足阈值条件下的极小值点才是真正基点。经过这个步骤处理后的拉曼光谱数据可以做为后续拉曼光谱辨识模块的输入数据。

2.激光拉曼光谱辨识模块：

尽管拉曼光谱比较复杂，但拉曼光谱仍然是一种富含信息的“分子指纹图谱”，经过光谱分析模块处理后的光谱数据对于分析待检物质信息带了极大的便利。主流的光谱辨识手段是特征峰辨识方法和模式识别方法。前者需要已知物质的特征峰，结合寻峰算法来判定是否存在特定物质成分，我们通过多年的研究与探索，结合不同行业的大量实践，积累了大量的拉曼光谱行业应用经验数据，建立了一套行业物质的拉曼光谱数据库，该数据库包括含相应种物质的辨识方法、辨识峰(例如：图9、图11、图13中西布曲明的辨识峰是818cm^-1和1086cm^-1(辨识峰位范围一般为所标示的辨识峰位±3cm^-1)，图10、图12、图14中酚酞的辨识峰是822cm^-1、1012cm^-1和1150cm^-1，图15、图16中西地那非的辨识峰是624cm^-1、810cm^-1、1232cm^-1和1574cm^-1，图17、图19中盐酸二甲双胍的辨识峰是718cm^-1和1440cm^-1，图18、图20中马来酸罗格列酮的辨识峰是616cm^-1、734cm^-1、1176cm^-1、1250cm^-1和1322cm^-1，图21中盐酸苯乙双胍的辨识峰是986cm^-1和1192cm^-1)、区间范围、阈值强度和面积。通过这个数据库可以有效解决物质辨识认定问题。我们的辨识峰和公知的拉曼特征峰的区别在于，我们只选择增强效果显著的拉曼特征峰，其中增强效果显著是指，增强模式下该峰强度大于非增强模式下该峰强度2倍及以上。后者经常用在解决无显著特征峰的拉曼光谱数据辨识上。

2.1)特征峰辨识方法(如果处理结果有显著特征峰)；

2.1.1)单(多)峰辨识算法:

将原始光谱经过预处理(热像素移除、滤波平滑、数据拟合、X轴校正、基线处理)后，根据数据库中设定的辨识信息(特征峰所在光谱的区间范围、峰值强度和面积)来进行逐一比对，确定是否含有待查的拉曼特征峰。

2.1.2)非显著特征峰的辨识算法(如果未找到显著辨识峰，同时数据库中该物质辨识方法设定为特征辨识峰法):

在做针对微恒量物质增强实验的时候，尽管我们SOP来指导每次的实验，但是由于操作人员的经验差异，还是可能出现：2.1.1判定失败的情况,于是我们引入了小波分析方法,该方法的实质是把原始信号不同频率段的信息抽取出来，并将其显示在时间轴上，这样既可反映信号的时域特征也可反映信号的频域特征。在拉曼光谱辨识处理中引入小波分析的算法，能较好的解决拉曼光谱中弱信号特征峰的分离。

2.2)模式识别方法

2.2.1)有监督学习分类器算法:

对于无显著特征峰且有一定标注样本集的数据，(其中：标注样本是指在实验数据中已经分类的阳性样本数据和阴性样本数据)我们采用有监督学习分类器来对未知光谱数据进行分类。分类器设计的要点在于选择分类模型、建立相似度评价指标和选取特征范围及特征向量。其中分类器包括K近邻、感知器、朴素贝叶斯、支持向量机等分类模型，相似度评价指标包括余弦相似度、欧式距离、马氏距离等指标，在特征向量的选取方面，针对不同行业应用类别，自动选取特征范围，对光谱分析处理后的数据采用微分值作为特征向量值。

2.2.2)无监督学习聚类算法:

对于无显著特征峰又没有标注样本的数据，我们采用无监督聚类算法来对未知光谱数据进行聚类。聚类方法包括层次聚类，k均值聚类(非层次聚类)等方法，这些算法的关键在于：选取相似度评价指标和选取特征范围和特征向量，采用微分值为每个样本建立特征向量。根据样本的特征向量计算样本之间的相似度，可将相似度大的样本族聚合到一个类别中，其中相似度评价指标包括余弦相似度、欧式距离、马氏距离等指标。通过这些技术手段，我们可将同一样本中含有相近的信息的物质归类。

如图6所示，为本发明检测客户端系统架构图；包括光谱处理模块，配置管理模块，加密模块，物质类别管理模块，用户管理模块，报表管理模块，谱图操作模块，谱图显示模块，SOP帮助模块，检测结果显示模块等。上述模块协同工作，实现了对待检物质的自动化检测流程，其中涉及到软件UI风格特点体现在如下几个方面：

1)检测物质的分类方法和层次化的显示方式。

●检测物质的分类方法：

-固定层次检测类别实现方式：通过文件夹名称加同名配置文件的方式来组织类别结构。

■自由层次检测类别实现方式：通过数据库按检材(待测物质所在的载体)、按物质来自由组合类别结构。

■分用户管理检测类别实现方式：按照不同用户购买的检测项目来组织检测类别结构。

●检测物质的层次化显示方式上：

■通过大的圆角图形图标加上底部的描述字来显示一级目录。

■通过不同颜色的背景结合背景图片上的汉字来显示二级目录。

■通过将类别项的图标灰色处理或将描述灰色处理来区分用户是否购买了该检测项目。

■通过界面飞入(匀速和非匀速)、淡入淡出等效果来实现检测项目的更迭。

2)检测物质的扩充、发布和更新方式。

●软件的基础框架有良好的扩展性：通过服务端(云端)软件建立检测物质类别、编辑检测参数和用户购买信息，客户端软件通过网络同步服务端(云端)软件后来实现客户端软件配置文件和数据库的自动更新。

●检测物质类别采用在线更新的方式：当发布新检测类别时候，只需要统一在服务端(云端)软件更新特定物质类别的检测模块即可,用户通过登录客户端软件的授权账号，同服务器上数据在线比对，了解自己的购买信息和厂家更新的检测物质类别，可对新增物质执行购买等操作。

3)为了适应平板电脑的操作习惯，采用新颖的人性化软件设计风格。

●一键式的检测操作方式：校正、检测、查看操作帮助等都是一键式操作。

●物质检测结显示方式：通过红绿黄灯、红绿黄字、不同的声音来描述结果。

●物质检测进度表达方式：动态图片、进度条、进度条上方的描述字、进度条下方的状态提示字，共同构成了进度提示及表达方式。

●隐藏弹出菜单组的表达方式：为了不占用检测界面布局中更多的空间，菜单组可隐藏可弹出。

●软件界面的整体布局方式：软件界面采用外边框加中间圆角矩形框的方式来表现整体的设计风格。

●自定义软件盘的操作方式：为了便于在平板电脑上输入操作，增加了自定义软键盘的操作功能。

4)客户端软件可按需求增添软件工具模块：

●定量曲线分析工具模块：可通过采集不同浓度的样本进行定量实验，同时该工具软件可以制作检测物质的定量曲线。

●谱图管理工具模块：对当前采集的谱图和历史谱图都可查看和浏览，并可执行相关的谱图操作。

●报表管理工具模块：编辑、修改和预览检测报表，并可将检测报表保存为PDF格式文件。

如图7所示，为本发明服务端(云端)系统架构图。包含云端数据库(含大数据)、物质类别管理模块、用户管理模块、检测结果模块、云端辨识模块和云端数据存储模块。一方面，厂家可通过服务端(云端)软件模块对云端数据库(含大数据)进行数据分析和处理，进而得到有价值的分类数据信息。厂家还可以通过服务端(云端)软件模块配置、编辑、发布新的检测类别。另一方面，用户可根据需求通过检测客户端软件获取厂家云端用户所需要的分类数据，用户还可根据需求来选择是否购买新的检测物质类别。

如图8所示，为本发明用户浏览端的系统架构图。包括质量管理模块(重要商品、不合格商品、质量检测)、各类统计图表、各类台账打印、文件法规界面、基础信息管理、报表管理模块和用户管理模块等。

实施例一：

采购了5种市售声称具有减肥功能的保健品，对其进行检测，检测项目为常见非法添加化学成分西布曲明、酚酞，判断其是否含有非法添加化学成分，其中3种样品均检出西布曲明及酚酞，结果如表4所示：

表4减肥类保健品检测结果

具体情况如下：

1.1某牌减肥胶囊

1.2某牌螺旋藻减肥胶囊

1.3某牌佳丽胶囊(绿瘦)

实施例二：抗疲劳类保健品

采购了3种市售声称具有抗疲劳、增强免疫力功能的保健品，对其进行检测，检测项目为常见非法添加化学成分西地那非，判断其是否含有非法添加化学成分，其中2种样品检出西地那非，结果如表6：

表6抗疲劳类保健品检测结果

具体情况如下：

2.1某牌参苓胶囊

2.2某牌参苓胶囊

实施例三、降糖类保健品

采购了6种市售声称具有降血糖功能的保健品，对其进行检测，检测项目为常见非法添加化学成分盐酸二甲双胍、盐酸苯乙双胍、马来酸罗格列酮、盐酸吡格列酮，判断其是否含有非法添加化学成分，其中3种样品检出含非法添加化学成分，结果如表7：

表7降糖类保健品的拉曼方法检测结果

具体情况如下：

3.1某牌三七黄芪胶囊

3.2某降糖类保健品

3.3某牌糖立宁片

Claims (12)

1.一种面向多行业检测的激光拉曼光谱智能化辨识方法，其步骤为：

1)将待检物质样品置于激光拉曼光谱仪的检测池中进行光谱数据采集，然后将采集的光谱数据发送至行业检测软件客户端；

2)选择客户端辨识或云端辨识；若选择客户端辨识，检测软件客户端对该光谱数据进行检测识别，在客户端保存结果，同时将检测结果传送到云端保存；若选择云端辨识，检测软件客户端将该光谱数据发送到云端进行检测识别并保存检测结果；其中，对该光谱数据进行检测识别的方法为：

21)建立一行业物质的拉曼光谱数据库，其中每一物质设有一辨识方法；

22)对该光谱数据进行拉曼特征峰提取；如果从该光谱数据选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征峰辨识方法的物质，将其辨识信息与所选取出的拉曼特征峰的阈值信息进行对比，如果存在符合条件的拉曼特征峰，则检测为存在此物质；如果从该光谱数据未选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征辨识峰方法的物质，利用小波分析方法对该光谱数据处理并提取特征峰，如果与该物质的特征峰匹配，则检测为存在此物质；

23)对于设置的辨识方法为模式识别中有监督学习方法的物质，根据每一物质已标注样本数据利用有监督学习分类器对该光谱数据进行分类，检测是否存在对应的物质；

24)对于设置的辨识方法为模式识别中无监督学习方法的物质，计算每一物质的样本数据的微分值作为该物质的特征向量，计算该光谱数据的微分值作为特征向量，然后计算两特征向量的相似度，如果大于设定阈值，则检测为存在对应的物质。

2.如权利要求1所述的方法，其特征在于该光谱数据进行检测识别之前，对该光谱数据进行预处理，其方法为：

1)对采集的光谱数据进行微分，确定光谱数据中的热像素点位置，如果光谱数据中存在热像素则采用临近点均值方法对热像素点进行均值补偿；对于光谱数据中出现连续多个热像素点，首先对光谱数据从左向右判定一次热像素值的大小，然后做均值计算，再对光谱数据从右向左判定一次热像素值的大小，然后做均值计算，得到热像素移除后的光谱数据；

2)对热像素移除后的光谱数据采用Boxcar滤波器进行滤波平滑处理；

3)采用三次均匀有理B样条曲线对滤波平滑后的光谱数据进行建模，得到建模后的像素模式下的光谱数据；

4)选取若干标准物质，并对每一标准物质建立一拟合方程，通过拟合方程将像素模式下的光谱数据转换为波数模式下的光谱数据；

5)采用极值算法找到波数模式下的光谱数据的光谱基点位置，然后将所有基点做成基线，以基线对应的光谱强度为参考“0”值，移除步骤4)所得波数模式下的光谱数据的拉曼光谱背底荧光。

3.如权利要求1或2所述的方法，其特征在于所述辨识信息包括：特征峰所在光谱的区间范围、峰值强度和面积。

4.如权利要求1或2所述的方法，其特征在于所述检测软件客户端设置一查询接口，检测软件客户端模块根据登录用户的权限和查询请求向云端进行查询，并返回对应的查询信息。

5.如权利要求1或2所述的方法，其特征在于所述检测软件客户端包括：光谱处理模块，配置管理模块，加密模块，物质类别管理模块，用户管理模块，报表管理模块，谱图操作模块，谱图显示模块，SOP帮助模块，检测结果显示模块。

6.如权利要求1所述的方法，其特征在于对检测出的物质，采用固定层次进行分类，即通过文件夹名称加同名配置文件的方式来组织类别结构进行分类；或者采用自由层次进行分类，即通过数据库按检材、按物质来自由组合类别结构进行分类；或者根据用户购买的检测项目来对检测进行分类，即按照不同用户购买的检测项目来组织检测类别结构进行分类。

7.如权利要求1所述的方法，其特征在于对检测出的物质，采用层次化方式进行显示：通过大的圆角图形图标加上底部的描述字来显示一级目录，通过不同颜色的背景结合背景图片上的汉字来显示二级目录，通过将类别项的图标灰色处理或将描述灰色处理来区分用户是否购买了该检测项目。

8.如权利要求1或2所述的方法，其特征在于按照标准作业程序SOP制备出所述待检物质样品。

9.一种面向多行业检测的激光拉曼光谱智能化辨识系统，其特征在于包括激光拉曼光谱仪模块，行业检测软件客户端，云端；其中，

所述激光拉曼光谱仪模块，用于在客户端控制下，对置于激光拉曼光谱仪的检测池中的待检物质样品进行光谱数据的采集，并将其发送至行业检测软件客户端；

所述行业检测软件客户端，用于对收到的光谱数据进行检测识别，并将检测结果保存到云端；或者将该光谱数据发送到云端进行检测识别；

所述云端，用于对光谱数据进行检测识别、存储和检测结果管理服务，以及对客户端软件进行用户权限管理服务、软件模块升级服务和检测类别更新服务；

其中，所述行业检测软件客户端或云端设有一行业物质的拉曼光谱数据库，每一物质设有一辨识方法；进行检测识别时，首先对该光谱数据进行拉曼特征峰提取；如果从该光谱数据选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征峰辨识方法的物质，将其辨识信息与所选取出的拉曼特征峰的阈值信息进行对比，如果满足条件则检测为存在此物质；如果从该光谱数据未选取出增强效果显著的拉曼特征峰，对于设置的辨识方法为特征辨识峰方法的物质，利用小波分析方法对该光谱数据处理并提取特征峰，如果与该物质的特征峰匹配，则检测为存在此物质；对于设置的辨识方法为模式识别中有监督学习方法的物质，根据每一物质已标注样本数据利用有监督学习分类器对该光谱数据进行分类，检测是否存在对应的物质；对于设置的辨识方法为模式识别中无监督学习方法的物质，计算每一物质的样本数据的微分值作为该物质的特征向量，计算该光谱数据的微分值作为特征向量，然后计算两特征向量的相似度，如果大于设定阈值，则检测为存在对应的物质。

10.如权利要求9所述的系统，其特征在于所述检测软件客户端包括一光谱数据预处理模块，用于对采集的光谱数据进行处理：对采集的光谱数据进行微分，确定光谱数据中的热像素点位置，如果存在热像素则采用临近点均值方法对热像素点进行均值补偿；对于出现连续多个热像素点，在先从左向右判定一次热像素值的大小，然后做均值计算后，再从右向左判定一次热像素值的大小，然后做均值计算，得到热像素移除后的光谱数据；对热像素移除后的光谱数据进行Boxcar滤波器进行滤波平滑处理；采用三次均匀有理B样条曲线对滤波平滑后的光谱数据进行建模，得到建模后的像素模式下光谱数据；选取若干标准物质，并对每一标准物质建立一拟合方程，通过拟合方程将像素模式下的光谱数据转换为波数下的光谱数据；采用极值算法找到波数下的光谱数据的光谱基点位置，然后将所有基点做成基线，以基线对应的光谱强度为参考“0”值，对所得光谱数据的背底荧光进行移除。

11.如权利要求9所述的系统，其特征在于所述检测软件客户端包括：客户端监测模块，客户端浏览模块，光谱处理模块，配置管理模块，加密模块，物质类别管理模块，用户管理模块，报表管理模块，谱图操作模块，谱图显示模块，SOP帮助模块，检测结果显示模块；所述检测软件客户端设置一查询接口，检测软件客户端模块根据登录用户的权限和查询请求向云端进行查询，并返回对应的查询检测结果。

12.如权利要求9或10或11所述的系统，其特征在于所述辨识信息包括：特征峰所在光谱的区间范围、峰值强度和面积。