CN115718888A - 痕量物质的检测方法、检测装置、电子设备和介质 - Google Patents

Abstract

本申请提供了痕量物质的检测方法，包括：获取包含痕量物质的样品的离子迁移谱；利用寻峰算法处理离子迁移谱，以获取与痕量物质对应的峰特征值；通过比较痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果；基于所述第一识别结果，确定第一报警信号的类别；响应于第一报警信号的类别为报警，将离子迁移谱输入卷积神经网络模型中；利用卷积神经网络模型识别离子迁移谱，以获取第二识别结果；基于所述第二识别结果，确定第二报警信号的类别；响应于所述第一报警信号的类别和所述第二报警信号的类别均为报警，输出报警结果。本申请运用算法互补的理念，可兼顾检出率和误报率。

Description

痕量物质的检测方法、检测装置、电子设备和介质

技术领域

本申请涉及安检技术领域，具体涉及一种痕量物质的检测方法、检测装置、设备、介质和程序产品。

背景技术

离子迁移谱作为快速检测违禁品(爆炸物、毒品)的痕量检测技术，目前已经广泛应用于机场、海关、地铁、政府机构等领域安检。但由于离子迁移谱技术本身的分辨力有限，现有算法难以通过单一的峰位信息区分这些物质，且除峰位之外，现有的报警算法所用的特征(如出峰高度，出峰快慢，出峰持续时间)都是基于检测人员对离子迁移谱的观察得到的，这对检测人员的经验和观察能力要求较多，算法对人工的依赖性较强。

另外，在实际的安检作业现场，由于绝大多数物品的采样检测是正常的(没有违禁品)，因此在较大的检测基数下，即使误报率很低但仍有较大的误报量，导致阳性预测值的指标也不高，影响使用体验和安检效率。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。

例如，本申请的第一个目的提供一种痕量物质的检测方法，具有基于预设痕量物质集合的模块化设计理念，通过针对不同场景在物质集合中设置不同的痕量物质，可适应不同场合的应用需求，将本申请的检测方法附加在检测装置上，可提高检测装置在不同场景下使用的灵活性。

为了解决上述问题，本申请的第一个方面提供痕量物质的检测方法，包括：

获取包含痕量物质的样品的离子迁移谱；

利用寻峰算法处理所述离子迁移谱，以获取与所述痕量物质对应的峰特征值；

通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果；

基于所述第一识别结果，确定第一报警信号的类别；

响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中；

利用所述卷积神经网络模型识别所述离子迁移谱，以获取第二识别结果；

基于所述第二识别结果，确定第二报警信号的类别；以及

响应于所述第一报警信号的类别和所述第二报警信号的类别均为报警，输出报警结果。

根据本申请对痕量物质的检测方法，运用算法互补的理念，先通过寻峰算法侧重于检出率或误报率中的一个进行第一次筛查，再通过卷积神经网络侧重于检出率或误报率中的另一个进行二次检查，可在检出率提高或持平的同时，降低误报率，提高阳性预测值指标。

进一步地，所述峰特征值包括峰位，通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果，具体包括：

根据用于获取所述离子迁移谱的痕量检测仪的已标定系数，缩放所述离子迁移谱，以获取缩放后的与所述痕量物质对应的峰位；

比较缩放后的与所述痕量物质对应的峰位和预先存储于物质特征库中的多种物质的峰位；以及

基于峰位比较的结果，识别所述痕量物质，以获取第一识别结果。

进一步地，所述峰特征值还包括出峰高度、出峰速度和出峰持续时间，

通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果，还具体包括：

在痕量物质对应的峰位与多种预先存储于物质特征库中的物质的峰位一致时，获取所述痕量物质的出峰高度、出峰速度和出峰持续时间；

比较所述痕量物质对应的出峰高度、出峰速度和出峰持续时间与所述多种预先存储于物质特征库中的物质的出峰高度、出峰速度和出峰持续时间；以及

基于出峰高度、出峰速度和出峰持续时间比较的结果，识别所述痕量物质，以获取第一识别结果。

进一步地，响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中，具体包括：

设置痕量物质集合；

在所述第一报警信号的类别为报警且所述痕量物质落入所述痕量物质集合中时，将所述离子迁移谱输入卷积神经网络模型中。

进一步地，所述痕量物质集合是根据所述第一识别结果的误报率确定的。

进一步地，所述卷积神经网络模型是基于历史离子迁移谱数据预先训练得到的，其中，预先训练所述卷积神经网络模型包括基于历史离子迁移谱数据构建训练集。

进一步地，所述构建训练集包括：

获取多个样品的离子迁移谱，其中，每个样品包含至少一种痕量物质；

利用寻峰算法处理所述多个样品的离子迁移谱，以获取与所述至少一种痕量物质对应的峰特征值；

通过比较所述至少一种痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述至少一种痕量物质，以获取第三识别结果；以及

基于所述多个样品的离子迁移谱和所述第三识别结果，构建所述训练集。

进一步地，所述构建训练集还包括：

每一个样品中的至少一种痕量物质具有预先赋予的标签，所述训练集包括第一训练子集和第二训练子集，

当至少一种痕量物质的第三识别结果和该至少一种痕量物质的标签一致时，将该至少一种痕量物质对应的离子迁移谱和该至少一种痕量物质的第三识别结果归于第一训练子集中；以及

当至少一种痕量物质的第三识别结果和该至少一种痕量物质的标签不一致时，将该至少一种痕量物质对应的离子迁移谱和该至少一种痕量物质的第三识别结果归于第二训练子集中。

进一步地，所述构建训练集还包括：

将所述多个样品的离子迁移谱做归一化处理，所述归一化处理包括统一离子迁移谱的标尺。

本申请的第二方面提供了痕量物质的检测装置，包括：获取模块，所述获取模块用于获取包含痕量物质的样品的离子迁移谱；第一处理模块，所述第一处理模块用于：利用寻峰算法处理所述离子迁移谱，以获取与所述痕量物质对应的峰特征值；第一比对识别模块，所述第一比对识别模块用于：通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果；第一输出模块，所述第一输出模块用于：基于所述第一识别结果，确定第一报警信号的类别；第二处理模块，所述第二处理模块用于：响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中；第二比对识别模块，所述第二比对识别模块用于：利用所述卷积神经网络模型识别所述离子迁移谱，以获取第二识别结果；第二输出模块，所述第二输出模块用于：基于所述第二识别结果，确定第二报警信号的类别；第三输出模块，所述第三输出模块用于：响应于所述第一报警信号的类别和所述第二报警信号的类别均为报警，输出报警结果。

本申请的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述的检测方法。

本申请的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述的检测方法。

本申请的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的检测方法。

附图说明

通过以下参照附图对本申请实施例的描述，本申请的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本申请实施例痕量物质的检测方法的步骤；

图2示意性示出了根据本申请一个实施例物质利用寻峰算法比对过程的流程图；

图3示意性示出了根据本申请另一个实施例物质利用寻峰算法比对过程的流程图；

图4示意性示出了根据本申请实施例卷积神经网络模型中训练集的构建过程的流程图；

图5示意性示出了根据本申请实施例的痕量物质检测方法流程图；

图6示意性示出了根据本申请实施例的检测装置的结构框图；以及

图7示意性示出了根据本申请实施例的适于实现检测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本申请的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本申请的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本申请实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本申请。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

下述将对本申请涉及的专业术语做详细解释，需要说明的是，以下均是基于本申请的场景下的具体解释。

离子迁移谱技术(Ion Mobility Spectrometry，IMS)：利用化学物质经离子化反应后形成的产物离子，在电场中迁移率的差异来实现样品鉴别的痕量探测技术。

痕量：在化学领域中指极小的量。

痕量物质：一般指试样中含量少于0.01％的物质。在安检的应用场景下通常为纳克数量级的物质。

采样(sample collection)：用采样载体擦拭被测物(或从空气中)来采集其表面的细微颗粒的方式。

拭纸(sampling swab)：一种具有强吸附功能的、外观类似纸张的材料，一般为纤维类，制作成长方形。

卷积神经网络(Convolutional Neural Network，CNN)：是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法之一，常应用于计算机视觉、自然语言处理等领域。

训练集(Training set)：用于训练的样本集合，主要用来训练神经网络中的参数。

离子迁移谱图(Ion mobility spectrum)：离子在迁移管中运动，从开始到抵达探测器，信号强度随时间的谱图。

阳性预测值(PPV)：在具有报警提示时，真正是违禁品所占的比例，即在仪器检测物品后报警提示是违禁品，在核实该物品后确实是违禁品的概率。

阴性预测值(NPV)：在无报警提示时，真正是非违禁品所占的比例，即在仪器检测物品后无报警提示，可判定为非违禁品，在核实该物品后确实是非违禁品的概率。

检出率(PoD)：违禁品检查时被检查出的概率，即表1中在物品是违禁品时，仪器在检测物品后报警提示是违禁品的概率。

误报率(PfA)：非违禁品检查时出错的概率，即表1中在物品是非违禁品时，仪器在检测物品后却报警提示是违禁品的概率(错误几率)。

阳性预测值、阴性预测值、检出率和误报率的关系如表1。

表1

离子迁移谱(IMS)作为快速检测违禁品(爆炸物、毒品)的痕量检测技术，目前已经广泛应用于机场、海关、地铁、政府机构等领域安检。离子迁移谱通过不同物质的离子在电场下的迁移时间不同，实现对痕量物质的分类。通常情况下，使用拭纸对待测物品的表面进行擦拭采样，然后再将拭纸伸入仪器的进样口，以判断该待测物品是否为违禁品。

现有的基于离子迁移谱对痕量违禁品的主流报警算法总体上是谱图的寻峰。将寻到的所有峰位通过仪器自身的标定系数缩放后，再与物质库中的已知痕量物质的峰位进行匹配，若峰位一致，再将出峰高度、出峰速度、出峰持续时间等特征与物质库设定参数进行匹配，从而得到最终该待测物品是否为违禁品。

对于峰位比对而言，离子迁移谱技术本身的分辨力有限，存在多种物质的峰位接近的情况，现有算法难以通过单一的峰位信息区分这些物质，而除峰位之外，现有的报警算法所用的特征(如出峰高度，出峰快慢，出峰持续时间)都是基于安检人员观察谱图得到的，这些对安检人员的经验要求较高，即便如此，仅通过安检人员的观察力对于信息量巨大的谱图而言是不足的，谱图上的信息并不能得到充分利用。

对于检测结果来看，现有技术中仪器的检出率和误报率是无法兼顾的。在上述离子迁移谱不能充分利用和仅通过峰位物质区分较难的前提下，部分非违禁品的谱图比真实违禁品的谱图更加符合人为设定的特征匹配规则，也就是说，无法通过合理设置参数的方式区分是否存在违禁品，导致无法同时满足正确报警和不误报的需求。

另外，目前对于已知的痕量物质是有限的，物质库需要与时俱进的添加新的未知的痕量物质、或修改已知的痕量物质，这些通常需要进行大量测试，并人工对得到的大量谱图进行分析归纳得到统一的峰位和其他特征，然后需要重新调定模型内的参数，以使所有的物质(原先存在的物质和新添加的物质)都具备合理的匹配规则，这需要消耗大量时间。

本申请的实施例中提供了一种痕量物质的检测方法，相比于传统的寻峰匹配算法，具有基于预设痕量物质集合的模块化设计理念，通过针对不同场景在物质集合中设置不同的痕量物质，可适应不同场合的应用需求，将本申请的检测方法附加在检测装置上，可提高检测装置在不同场景下使用的灵活性。

以下将通过图1～图5对申请实施例的在安检场景下的痕量物质的检测方法进行详细描述。

需要注意的是，本申请痕量物质的检测方法中所指的痕量物质，在安检的场景下可理解为是指的违禁品，即对待测物品表面附带的物质是否为违禁品做筛查和检测，以判断待测物品内是否装有大量的违禁品；但在其他应用场景下，痕量物质可为非违禁品的其他的痕量物质，本申请对使用的场景不做限定。

图1示意性示出了根据本申请实施例痕量物质的检测方法的步骤。

如图1所示，该实施例的痕量物质可以理解是违禁品，例如爆炸物、毒品等化学物质，具体包括操作S110～操作S180。

在操作S110，获取包含痕量物质的样品的离子迁移谱。

安检人员用拭纸通过对待测物品的表面擦拭，得到擦拭过待测物品表面的拭纸。将擦拭过待测物品表面的拭纸放入到痕量探测仪中进行检测。在做信号处理后，可得到待测物品表面附带的物质的离子迁移谱。

在操作S120，利用寻峰算法处理离子迁移谱，以获取与痕量物质对应的峰特征值。

峰特征值可包括峰位、出峰高度、出峰速度和出峰持续时间等。

在得到物质的离子迁移谱之后可基于离子迁移谱对物质做分析，常见的方法是寻峰算法，其中包括小波变换法或求导法等。小波变换法可通过在痕量探测仪中预先设定一个阈值，在经小波变换后的离子迁移谱中提取高于此阈值的峰高，即，只有峰高高于此阈值的才被认定为一个峰位。获取离子迁移谱中所有的峰位。

在操作S130，通过比较痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别痕量物质，以获取第一识别结果。

预先存储于物质特征库中的多种物质的峰特征值可作为已知的违禁品。

若经过峰特征值比对后在物质特征库中存在痕量物质的峰特征值与检测的痕量物质的峰值特征一致时，可理解为该检测的痕量物质为违禁品；若无匹配项可理解为，该检测的痕量物质为非违禁品。

根据本申请的一个实施例，峰特征值包括峰位，通过比较痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别痕量物质，以获取第一识别结果，具体包括：

根据用于获取离子迁移谱的痕量检测仪的已标定系数，缩放离子迁移谱，以获取缩放后的与痕量物质对应的峰位；比较缩放后的与痕量物质对应的峰位和预先存储于物质特征库中的多种物质的峰位；以及基于峰位比较的结果，识别痕量物质，以获取第一识别结果。

此实施例中，是根据峰位识别痕量物质，在痕量物质对应的峰位和预先存储于物质特征库中的多种物质的峰位一致时，该检测的痕量物质为违禁品，在痕量物质对应的峰位和预先存储于物质特征库中的多种物质的峰位不一致时，该痕量物质为非违禁品。

根据本申请的另一个实施例，峰特征值还包括出峰高度、出峰速度和出峰持续时间，通过比较痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别痕量物质，以获取第一识别结果，还具体包括：

在痕量物质对应的峰位与多种预先存储于物质特征库中的物质的峰位一致时，获取痕量物质的出峰高度、出峰速度和出峰持续时间；比较痕量物质对应的出峰高度、出峰速度和出峰持续时间与多种预先存储于物质特征库中的物质的出峰高度、出峰速度和出峰持续时间；以及基于出峰高度、出峰速度和出峰持续时间比较的结果，识别痕量物质，以获取第一识别结果。

此实施例中，是在峰位获取之后，再根据峰位计算出与峰位相关的特征，进行痕量物质的识别，可作为在仅凭峰位无法识别痕量物质时的补充验证方案。

在痕量物质对应的出峰高度、出峰速度和出峰持续时间与多种预先存储于物质特征库中的物质的出峰高度、出峰速度和出峰持续时间全部一致时，该检测的痕量物质为违禁品；在痕量物质对应的出峰高度、出峰速度和出峰持续时间与多种预先存储于物质特征库中的物质的出峰高度、出峰速度和出峰持续时间中至少有一项不一致时，该痕量物质为非违禁品。

上述判断流程可参照图2和图3。

在操作S140，基于第一识别结果，确定第一报警信号的类别。

第一识别结果可通过做标记的形式提示，第一报警信号的类别包括阴性和阳性。在一个实施例中，在该物质为违禁品时标记为阳性、在该物质为非违禁品时标记为阴性，在第一报警信号的类别为阳性时按照报警处理，反之在第一报警信号的类别为阴性时按照不报警处理。

在操作S150，响应于第一报警信号的类别为报警，将离子迁移谱输入卷积神经网络模型中。

卷积神经网络(CNN)是人工智能深度学习领域的代表算法，也是图像识别领域的核心算法之一，在学习数据充足时有稳定的表现。卷积神经网络的输入数据是图像，而基于离子迁移谱的痕量探测仪器在使用过程能够生成并存储大量谱图，有成为卷积神经网络的学习样本的潜力。

但卷积神经网络模型直接对离子迁移谱进行鉴别的效果不好。因为卷积神经网络对于离子迁移谱技术的针对性不强，离子迁移谱中的峰位是离子迁移谱技术区分物质决定性的依据，但卷积神经网络并不能单独提取并利用峰位这一特征。尝试建立多分类模型，以痕量探测仪测试的多种违禁品数据作为学习样本，训练得到这些物质的分类算法，再用另外的数据对算法结果进行验证，发现其正确率并不高。

但本申请是在寻峰算法的基础上，再串联的卷积神经网络模型，可以在提高检出率或检出率与现状持平的同时，降低误报率，使得阳性预测值更高。

可以理解的是，现有技术中无法兼顾检出率和误报率，一般来说检出率和误报率是冲突的，但两种算法串联之后，可以分别侧重于不同的方面，例如，可在寻峰算法中侧重于痕量物质的检出率，在卷积神经网络模型中侧重于痕量物质的误报率。寻峰算法和卷积神经网络模型内的算法构成互补理念，经串联之后可以实现同时优化检出率和误报率的效果。

在操作S160，利用卷积神经网络模型识别离子迁移谱，以获取第二识别结果。

将报警的物质的离子迁移谱输入卷积神经网络模型中，获取第二识别结果，经过再次确认，以增加结果的可靠性。

在操作S170，基于第二识别结果，确定第二报警信号的类别。

第二识别结果也可通过做标记的形式提示，第二报警信号的类别包括阴性和阳性。在一个实施例中，在该物质为违禁品时标记为阳性、在该物质为非违禁品时标记为阴性，在第二报警信号的类别为阳性时按照报警处理，反之在第一报警信号的类别为阴性时按照不报警处理。

需要注意的是，在操作S140第一报警信号的类型中的标记印记可与本操作中不同，在标记印记不同时，操作S180可通过标记印记直接输出报警结果。第一报警信号的类型中的标记印记也可与本操作中相同，在标记印记相同时，操作S180可通过标记印记的数量输出报警结果。判断是否输出报警结果的过程如操作S180。

在操作S180，响应于第一报警信号的类别和第二报警信号的类别均为报警，输出报警结果。

可以理解的是，报警结果可为报警提示，即该物质为违禁品，若第一报警信号的类别和所述第二报警信号的类别中存在一个为报警，则不输出报警结果，即该物质为非违禁品。

具体的，在一个实施例中，在寻峰算法中第一报警信号的类型为阳性、在卷积神经网络模型中第二报警信号的类型也为阳性时，输出报警；在寻峰算法中第一报警信号的类型为阴性时，不输出报警结果；在寻峰算法中第一报警信号的类型为阳性、但在卷积神经网络模型中第二报警信号的类型为阴性时，不输出报警结果。

根据本申请对痕量物质的检测方法，运用算法互补的理念，先通过寻峰算法侧重于检出率或误报率中的一个进行第一次筛查，再通过卷积神经网络侧重于检出率或误报率中的另一个进行二次检查，可在检出率提高或持平的同时，降低误报率，提高阳性预测值指标。

图2示意性示出了根据本申请一个实施例物质利用寻峰算法比对过程的流程图。

如图2所示，将物质特征库内的已知的物质与痕量物质比较，以识别痕量物质，该实施例包括操作S210～操作S230。

在操作S210，捕捉离子迁移谱中痕量物质对应的所有的峰位。

在操作S220，将痕量物质对应的峰位与预先存储于物质特征库内的多种物质的峰位进行比对。

在操作S230，基于比对结果，识别痕量物质。

痕量物质中，痕量物质离子迁移谱中的峰位是最具有代表性的特征。

寻峰算法中，先捕捉离子迁移谱中存在的所有峰位，通过痕量探测仪自身的标定系数缩放后，再与物质特征库内的预先存储的所有的痕量物质的峰位进行比对。

在比对后可执行操作S140，基于第一识别结果，确定第一报警信号的类别。

当然，现实中，仅仅通过峰位就能确定的物质较少，大部分物质都需要在通过峰位初次筛查后，进一步地通过离子迁移谱上的其他信息识别该痕量物质。下述为另一个实施例，在通过峰位对比后进一步地通过其他信息识别痕量物质。

图3示意性示出了根据本申请另一个实施例物质利用寻峰算法比对过程的流程图。

如图3所示，将物质特征库内已知的物质与痕量物质比较，以识别痕量物质，该实施例包括操作S210～操作S220、以及操作S310～操作S330。

在操作S310，比对结果中有多个物质的峰位与痕量物质对应的峰位一致时，获取痕量物质对应的出峰高度、出峰速度和出峰持续时间。

在操作S320，将痕量物质对应的出峰高度、出峰速度和出峰持续时间与多个物质的出峰高度、出峰速度和出峰持续时间比对。

在操作S330，基于比对结果，识别痕量物质。

操作操作S210～操作S220如上述，在此不再赘述。在痕量物质中，其离子迁移谱中还可以读取出峰高度、出峰速度和出峰持续时间等其他特征。

在仅靠峰位特征不能识别痕量物质时，可进一步地通过出峰高度、出峰速度和出峰持续时间确定。

在比对后可执行操作S140，基于第一识别结果，确定第一报警信号的类别。

进一步地，识别结果可以通过物质的名称或化学符号替代，即在识别出该痕量物质后，识别结果可以以该痕量物质的物质名称或化学符号显示。

根据本申请的一个实施例，响应于第一报警信号的类别为报警，将离子迁移谱输入卷积神经网络模型中，具体包括：

设置痕量物质集合，在第一报警信号的类别为报警且痕量物质落入痕量物质集合中时，将离子迁移谱输入卷积神经网络模型中。

痕量物质集合可以根据使用的场合针对性的增加物质，相当于对寻峰算法之后，仅对落入痕量物质集合中的物质进行二次识别。

优选的，痕量物质集合是根据第一识别结果的误报率确定的。

可以理解的是，针对寻峰算法中易识别出错的痕量物质，将其再次放入在卷积神经网络模型中进行二次识别，以减小误报率。

而由于卷积神经网络模型是根据寻峰算法中易出错的、或特定的痕量物质构建的，相当于卷积神经网络模型是第二次识别检查，其识别结果是对第一次识别结果的补充，可对第一次识别结果进行纠正和再次确认，这样串联分析的方式，可提高最终检测结果的有效性和可靠性。

在一个具体实施例中，第一识别结果为输出该痕量物质的物质名称，痕量物质集合是由多种物质名称构成的。在第一识别结果输出的痕量物质的物质名称为痕量物质集合内多种物质名称之一时，将该痕量物质的离子迁移谱输入卷积神经网络模型中。

根据本申请的一个实施例，卷积神经网络模型是基于历史离子迁移谱数据预先训练得到的，其中，预先训练卷积神经网络模型包括基于历史离子迁移谱数据构建训练集。

历史离子迁移谱数据可以是现有技术中仅通过寻峰算法对离子迁移谱数据进行分析并获得的结果，以此作为对卷积神经网络模型训练的基础。

图4示意性示出了根据本申请实施例卷积神经网络模型中训练集的构建过程的流程图。

如图4所示，该实施例包括操作S410-操作S440。

S410，获取多个样品的离子迁移谱，其中，每个样品包含至少一种痕量物质。

S420，利用寻峰算法处理多个样品的离子迁移谱，以获取与至少一种痕量物质对应的峰特征值。

S430，通过比较至少一种痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别至少一种痕量物质，以获取第三识别结果。其中，第三识别结果既包括真结果又包括假结果，即第三识别结果中，包括识别正确的结果，也包括识别错误的结果。

S440，基于多个样品的离子迁移谱和第三识别结果，构建训练集。

在实际中，痕量探测仪在日常的实验室测试和现场使用中得到大量例子迁移谱数据，这些数据均是基于传统报警算法(寻峰算法)计算得到报警结果，这些报警的数据有的是正确检出，有的是误报，将这些数据都作为训练集的基础。

进一步地，每一个样品中的至少一种痕量物质具有预先赋予的标签，训练集包括第一训练子集和第二训练子集，

当至少一种痕量物质的第三识别结果和该至少一种痕量物质的标签一致时，将该至少一种痕量物质对应的离子迁移谱和该至少一种痕量物质的第三识别结果归于第一训练子集中；以及

当至少一种痕量物质的第三识别结果和该至少一种痕量物质的标签不一致时，将该至少一种痕量物质对应的离子迁移谱和该至少一种痕量物质的第三识别结果归于第二训练子集中。

在检出的结果中，有些是正确检出，有的是误报，需要将正确检出和误报的数据分开，分别放在不同的训练集中。在一个实施例中，第一训练子集是正确检出的，第二训练子集是误报的。选择一批新的正确检出和误报的数据作为验证集，使用训练之后的模型对验证集进行预测时，通过调整模型的参数，保证正确检出数据全部输出为“真”，误报的数据尽可能多地输出为“假”，在此基础上最终得到训练之后的模型。

为了区分是否为误报、或是否为正确检出，在检测之前，可先在物质的图谱上赋予的标签，然后用检出的结果与标签核对，来实现正确检出和误报的区分。

例如，在违禁品的数据预先做标记为“真”，非违禁品的数据预先做标记为“假”。在通过寻峰算法得到第三识别结果后，若第三识别结果为“真”且数据的标记也为“真”时，放入第一训练子集，作为正确检出的；若第三识别结果为“假”但数据的标记为“真”时，放入第二训练子集，作为误报的；若第三识别结果为“真”但数据的标记为“假”时，放入第二训练子集，作为误报的；若第三识别结果为“假”且数据的标记也为“假”时，放入第一训练子集，作为正确检出的。

又例如，在违禁品的数据预先做标记为“真”，非违禁品的数据预先做标记为“假”。为了更有针对性的训练，即对寻峰算法的补充检验，在通过寻峰算法得到第三识别结果后，仅提取第三识别结果为“真”的数据，并将第三识别结果为“真”的数据与预先做标记的数据进行对比，若第三识别结果为“真”且数据的标记也为“真”时，放入第一训练子集，作为正确检出的；若第三识别结果为“真”但数据的标记为“假”时，放入第二训练子集，作为误报的。

上述训练方法为其中一种物质的训练，对于其他物质，可重复进行训练模型的构建步骤，得到多个训练后的模型。

将训练得到的模型集成在痕量探测仪中，由于存在多种物质的模型，可根据实际需求选择开关。

痕量探测仪在现场使用中会不断得到新数据，在对这些数据打上对应的标签之后，算法模型可以自动分析数据，对模型进行再训练，并更新模型中的参数，从而自动提升算法的性能，免去人工分析数据的复杂过程，同时利于适应市场需求。

根据本申请的一个实施例，构建训练集还包括：将误报数据组内的离子迁移谱做归一化处理，归一化处理包括统一离子迁移谱的标尺。

包括卷积神经网络在内的大部分人工智能算法经常使用位图图像(bitmap)类型的输入格式，而痕量探测仪生成的是多条曲线叠加的谱图而并非位图，并且不同痕量探测仪、不同时间下谱图的标尺也不同，不能作为统一的训练样本。因此在使用离子迁移谱之前，需要先对谱图做归一化处理，作为卷积神经网络包括训练集和测试集的输入数据。

可通过每台痕量探测仪产生数据时的标定系数将谱图进行横轴的缩放变化，缩放后的横坐标不是整数，将缩放后的横纵坐标进行插值后重新转化为整数，得到统一标尺的谱图。

图5示意性示出了根据本申请实施例的痕量物质检测方法流程图。

在操作S501，安检人员用拭纸擦拭待测物品的表面。

在操作S502，安检人员将擦拭过待测物品的拭纸放入痕量探测仪。

在操作S503，痕量探测仪器将信号转化生成离子迁移谱。

在操作S504，利用寻峰算法处理离子迁移谱。

在操作S505，判断是否预报警。

在操作S506，在预报警提示时，判断该物质是否为中设定的目标物质；在无预报警提示时直接结束流程。

在操作S507，在判定为不是预设规则中设定的目标物质时，直接输出结果并报警提示，结束流程。

在操作S508，在判定为是预设规则中设定的目标物质时，利用第二模型处理离子迁移谱。

在操作S509，判断是否再次预报警。

在操作S510，在再次预报警提示时，输出结果并报警提示，结束流程。在无再次预报警提示时，结束流程。

本申请提供一种全新的痕量物质检测报警算法架构，即将基于峰位的谱图寻峰报警算法和基于卷积神经网络的人工智能算法集成在同一个检测装置中。建立基于卷积神经网络的二分类模型，选定痕量探测仪器容易误报的一种或几种物质，对于每一种物质，利用痕量探测仪器在使用中积累的大量正确报警数据和误报数据对第二模型进行训练，调整参数，得到对报警谱图进行再次分类的算法。

基于上述痕量物质的检测方法，本申请还提供了痕量物质的检测装置。可以理解为是，该检测装置可作为单独存在的零件安装在痕量探测仪上，该检测装置可联网，用于接收服务器端下发的指令和数据，以对检测装置内的卷积神经网络模型进行优化、对物质特征库内的数据更新，同时该检测装置可上传历史数据，以提供优化必需的数据。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本申请实施例的痕量物质的检测装置的结构框图。

如图6所示，该实施例的痕量物质的检测装置600包括：获取模块610、第一处理模块620、第一比对识别模块630、第一输出模块640、第二处理模块650、第二比对识别模块660、第二输出模块670和第三输出模块680。

获取模块610用于获取包含痕量物质的样品的离子迁移谱。在一个实施例中，获取模块610可以用于执行前文描述的操作S110，在此不再赘述。

第一处理模块620用于：利用寻峰算法处理所述离子迁移谱，以获取与所述痕量物质对应的峰特征值。在一个实施例中，第一处理模块620可以用于执行前文描述的操作S120，在此不再赘述。

第一比对识别模块630用于：通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果。在一个实施例中，第一比对识别模块630可以用于执行前文描述的操作S130，在此不再赘述。

第一输出模块640用于：基于所述第一识别结果，确定第一报警信号的类别。在一个实施例中，第一输出模块640可以用于执行前文描述的操作S140，在此不再赘述。

第二处理模块650用于：响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中。在一个实施例中，第二处理模块650可以用于执行前文描述的操作S150，在此不再赘述。

第二比对识别模块660用于：利用所述卷积神经网络模型识别所述离子迁移谱，以获取第二识别结果。在一个实施例中，第二比对识别模块660可以用于执行前文描述的操作S160，在此不再赘述。

第二输出模块670用于：基于所述第二识别结果，确定第二报警信号的类别。在一个实施例中，第二输出模块670可以用于执行前文描述的操作S170，在此不再赘述。

第三输出模块680用于：响应于所述第一报警信号的类别和所述第二报警信号的类别均为报警，输出报警结果。在一个实施例中，第三输出模块680可以用于执行前文描述的操作S180，在此不再赘述。

根据本申请实施例的检测装置，可用于执行本申请的检测方法，将寻峰匹配算法和人工智能算法集成到检测装置中，在检测得到离子迁移谱之后，由寻峰匹配算法对离子迁移谱分析得到预报警结果，再串联人工智能算法对结果进行二次确认，得到更为精确的报警结果。

本申请的方法可适用于大多检测痕量物质的场景中，且具备模块化提示算法，每种物质可以单独设置是否使用的开关，以适用于不同场合的需求，提高痕量探测仪器使用的灵活性和适用范围。

根据本申请的实施例，获取模块610、第一处理模块620、第一比对识别模块630、第一输出模块640、第二处理模块650、第二比对识别模块660、第二输出模块670和第三输出模块680中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本申请的实施例，获取模块610、第一处理模块620、第一比对识别模块630、第一输出模块640、第二处理模块650、第二比对识别模块660、第二输出模块670和第三输出模块680中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块610、第一处理模块620、第一比对识别模块630、第一输出模块640、第二处理模块650、第二比对识别模块660、第二输出模块670和第三输出模块680中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本申请实施例的适于实现检测方法的电子设备的方框图。

如图7所示，根据本申请实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本申请实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本申请实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本申请实施例的方法流程的各种操作。

根据本申请的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本申请实施例的方法。

根据本申请的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本申请的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本申请的实施例中还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本申请实施例中所提供的方法。

在该计算机程序被处理器701执行时执行本申请实施例的系统/装置中限定的上述功能。根据本申请的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本申请实施例的系统中限定的上述功能。根据本申请的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本申请的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例中提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本申请中。特别地，在不脱离本申请精神和教导的情况下，本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本申请的范围。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“实例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上对本申请的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本申请的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本申请的范围由所附权利要求及其等同物限定。不脱离本申请的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本申请的范围之内。

Claims (13)

1.一种痕量物质的检测方法，其特征在于，包括：

获取包含痕量物质的样品的离子迁移谱；

利用寻峰算法处理所述离子迁移谱，以获取与所述痕量物质对应的峰特征值；

通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果；

基于所述第一识别结果，确定第一报警信号的类别；

响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中；

利用所述卷积神经网络模型识别所述离子迁移谱，以获取第二识别结果；

基于所述第二识别结果，确定第二报警信号的类别；以及

响应于所述第一报警信号的类别和所述第二报警信号的类别均为报警，输出报警结果。

2.根据权利要求1所述的检测方法，其特征在于，所述峰特征值包括峰位，

通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果，具体包括：

根据用于获取所述离子迁移谱的痕量检测仪的已标定系数，缩放所述离子迁移谱，以获取缩放后的与所述痕量物质对应的峰位；

比较缩放后的与所述痕量物质对应的峰位和预先存储于物质特征库中的多种物质的峰位；以及

基于峰位比较的结果，识别所述痕量物质，以获取第一识别结果。

3.根据权利要求2所述的检测方法，其特征在于，所述峰特征值还包括出峰高度、出峰速度和出峰持续时间，

通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果，还具体包括：

在痕量物质对应的峰位与多种预先存储于物质特征库中的物质的峰位一致时，获取所述痕量物质的出峰高度、出峰速度和出峰持续时间；

比较所述痕量物质对应的出峰高度、出峰速度和出峰持续时间与所述多种预先存储于物质特征库中的物质的出峰高度、出峰速度和出峰持续时间；以及

基于出峰高度、出峰速度和出峰持续时间比较的结果，识别所述痕量物质，以获取第一识别结果。

4.根据权利要求1所述的检测方法，其特征在于，响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中，具体包括：

设置痕量物质集合；

在所述第一报警信号的类别为报警且所述痕量物质落入所述痕量物质集合中时，将所述离子迁移谱输入卷积神经网络模型中。

5.根据权利要求4所述的检测方法，其特征在于，所述痕量物质集合是根据所述第一识别结果的误报率确定的。

6.根据权利要求1所述的检测方法，其特征在于，所述卷积神经网络模型是基于历史离子迁移谱数据预先训练得到的，其中，预先训练所述卷积神经网络模型包括基于历史离子迁移谱数据构建训练集。

7.根据权利要求6所述的检测方法，其特征在于，所述构建训练集包括：

获取多个样品的离子迁移谱，其中，每个样品包含至少一种痕量物质；

利用寻峰算法处理所述多个样品的离子迁移谱，以获取与所述至少一种痕量物质对应的峰特征值；

通过比较所述至少一种痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述至少一种痕量物质，以获取第三识别结果；以及

基于所述多个样品的离子迁移谱和所述第三识别结果，构建所述训练集。

8.根据权利要求7所述的检测方法，其特征在于，所述构建训练集还包括：

每一个样品中的至少一种痕量物质具有预先赋予的标签，所述训练集包括第一训练子集和第二训练子集，

当至少一种痕量物质的第三识别结果和该至少一种痕量物质的标签一致时，将该至少一种痕量物质对应的离子迁移谱和该至少一种痕量物质的第三识别结果归于第一训练子集中；以及

当至少一种痕量物质的第三识别结果和该至少一种痕量物质的标签不一致时，将该至少一种痕量物质对应的离子迁移谱和该至少一种痕量物质的第三识别结果归于第二训练子集中。

9.根据权利要求8所述的检测方法，其特征在于，所述构建训练集还包括：

将所述多个样品的离子迁移谱做归一化处理，所述归一化处理包括统一离子迁移谱的标尺。

10.一种痕量物质的检测装置，其特征在于，包括：

获取模块，所述获取模块用于获取包含痕量物质的样品的离子迁移谱；

第一处理模块，所述第一处理模块用于：利用寻峰算法处理所述离子迁移谱，以获取与所述痕量物质对应的峰特征值；

第一比对识别模块，所述第一比对识别模块用于：通过比较所述痕量物质对应的峰特征值和预先存储于物质特征库中的多种物质的峰特征值，识别所述痕量物质，以获取第一识别结果；

第一输出模块，所述第一输出模块用于：基于所述第一识别结果，确定第一报警信号的类别；

第二处理模块，所述第二处理模块用于：响应于所述第一报警信号的类别为报警，将所述离子迁移谱输入卷积神经网络模型中；

第二比对识别模块，所述第二比对识别模块用于：利用所述卷积神经网络模型识别所述离子迁移谱，以获取第二识别结果；

第二输出模块，所述第二输出模块用于：基于所述第二识别结果，确定第二报警信号的类别；

第三输出模块，所述第三输出模块用于：响应于所述第一报警信号的类别和所述第二报警信号的类别均为报警，输出报警结果。

11.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的检测方法。

12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的检测方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的检测方法。

Images