一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法

技术领域

本发明属于傅里叶变换光谱测量领域，尤其涉及一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法。

背景技术

傅里叶变换光谱仪是广泛应用于材料分析、环境检测、生物医学等领域的重要分析工具，可以获取表征物质分子组成和结构的光谱信息。傅里叶变换光谱仪具有高光通量、高分辨率等显著优点，(1)高光通量，不同于光栅光谱仪，傅里叶变换光谱仪不需要设置限光狭缝来提高分辨率，在干涉仪入口设置Jacquinot光阑(J-Stop)，使得光谱仪在测量过程中获得更高的光通量；(2)高分辨率，傅里叶变换光谱仪的分辨率取决于干涉仪最大光程差，由动镜的最大线性移动距离决定，距离增加，分辨率提高，不同于光栅光谱仪，不存在光通量与分辨率的相互限制。

傅里叶变换光谱仪的核心部件是迈克尔逊干涉仪，J-Stop是干涉仪的光束入口，通常是一个圆形光阑，具有一定的孔径，此时非理想点光源光束经过后续准直镜具有一定发散角，并非理想的完全准直，干涉仪采集的干涉图经傅里叶变换后得到光谱图，光谱谱峰会发生加宽，并向低波数方向偏移，导致光谱分辨率和波数准确性下降；较小的J-Stop光阑限制了光通量，会产生更高的光谱分辨率；较大的J-Stop光阑带来较大的光通量，此时实际光谱的加宽和偏移现象也越明显，导致光谱分辨率和波数准确性下降。

常规的傅里叶变换光谱仪中存在由J-Stop引起的光通量和光谱分辨率相互限制的问题，通常的选择是牺牲光通量去获得较高的光谱分辨率。目前已有基于迭代计算的优化方法去实现高光通量和高分辨率的傅里叶变换光谱测量，但该方法存在两个问题，其一是光谱修复需要基于最大似然估计进行耗时的迭代计算，降低了时间分辨率；其二是在迭代过程中，光谱噪声被放大，使得修复光谱信噪比的提升有限。因此，需要一种更快速、更准确的方法在保持较高光谱分辨率的同时实现信噪比的大幅度提高。

发明内容

发明目的：

本发明的目的在于提供一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法，突破常规傅里叶变换光谱仪中由J-Stop引起的光通量和光谱性能(分辨率、准确性)之间的相互限制，大幅提高信噪比，增强仪器弱光检测能力。

技术方案：一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法包括以下步骤：

步骤1：设置大口径Jacquinot光阑，采集校准物质的高通量傅里叶变换光谱作为原始光谱，设置小口径Jacquinot光阑，采集校准物质的高分辨率傅里叶变换光谱为参考光谱；

步骤2：建立深度学习神经网络模型，对高通量傅里叶变换光谱进行修复，消除光谱的加宽和偏移，得到同时具有较高光通量和较高分辨率的修复光谱，通过比较修复光谱与参考光谱之间的差异，验证使用深度学习方法修复高通量光谱的可靠性和准确性；

步骤3：为了能够全面、准确挖掘某台特定傅里叶变换光谱仪中J-Stop引起的光谱加宽和偏移的变化特征，选择在光谱仪光谱测量波数范围内谱峰较多且分散分布的校准物质采集原始光谱和参考光谱，并按照下列步骤进行光谱修复。不同仪器需要重新采集原始光谱和参考光谱。

步骤4：进行谱峰偏移修复，首先，选择原始光谱和参考光谱的一组分散在光谱测量波数范围中的对应谱峰，确定其中心波数，计算原始光谱谱峰相对于参考光谱谱峰的偏移量；接着，使用多项式拟合，确定偏移量随中心波数变化的数量关系；最后，根据偏移数量关系，将原始光谱谱峰逆向移位，以此来修复原始光谱的偏移；

步骤5：进行谱峰加宽修复，基于深度学习神经网络模型，包括判别式神经网络模型和生成式神经网络模型。为了使模型可以更好地学习原始光谱相对于参考光谱的谱峰加宽变化特征，首先，暂时扣除光谱基线；其次，使用寻峰算法识别原始光谱中所有谱峰；再次，根据光谱谱峰数量的不同，使用判别式神经网络模型将原始光谱分为“单峰”、“双峰”、“三峰”等具有不同谱峰数量的光谱片段；然后，使用生成式神经网络模型对分割好的、具有不同谱峰数量的光谱片段进行并行修复；最后，将修复光谱片段进行拼接，恢复基线后，得到同时具有较高光通量和较高分辨率的修复光谱。

有益效果：

本发明与现有技术相比，具有以下优点：

1)本发明在大口径J-Stop形成的高通量光谱采集条件下，对采集的傅里叶变换光谱进行修复，解决光谱的加宽和偏移问题，获得具有较高光通量和光谱分辨率的修复光谱，大幅提高信噪比；

2)本发明提供的深度学习光谱修复模型具有强大的特征学习能力与良好的抗干扰能力，基于深度学习神经网络模型的修复方法，相较于基于迭代计算的优化方法，更准确、耗时更短；

3)考虑到光谱复杂度不同，模型修复性能差异，将原始光谱分割为“单峰”、“双峰”、“三峰”等具有不同谱峰数量的光谱片段，针对光谱复杂度不同的光谱片段，分别训练神经网络模型进行并行修复，相较于将整条光谱传入同一神经网络模型直接进行修复的方法，分别建模进行光谱修复方法的整体准确性更高。

附图说明

图1是本发明提供的一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法的原理依据，即J-Stop对光谱谱峰加宽和偏移的影响；图中，傅里叶变换光谱仪主要由光源S、光阑J-Stop、准直镜L

图2是本发明提供的一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法的实施流程框图；

图3是本发明提供的一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法的修复光谱效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法的实施是依据J-Stop引起光谱加宽和偏移的现象以及数量关系进行的，如图1所示。

常规的傅里叶变换光谱仪中，当光源是理想的点光源时，光源光束通过J-Stop进入干涉仪，可以被准直镜L1完全准直，不存在发散角，最终经过快速傅里叶变换(FFT)可以得到理想的光谱P

为了突破常规傅里叶变换光谱仪中由J-Stop决定的光通量和光谱分辨率之间的相互限制，引进了深度学习方法，通过训练深度学习神经网络模型，可以学习到光束发散引起光谱畸变的特征，从而实现高质量的光谱修复，相较于基于迭代计算的光谱修复方法，深度学习方法可以大幅提高修复光谱信噪比与修复效率。

图2示出了本发明提供的一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法的实际流程图，详述如下：

利用傅里叶变换光谱仪采集水蒸气的中红外吸收光谱，谱峰密集且分散分布，其中，水蒸气的压强约为5kPa，傅里叶变换光谱仪的光谱分辨率设置为0.08cm

其中，以4mm J-Stop孔径时采集的光谱为原始光谱作为修复对象，其具有的光通量是1mm J-Stop孔径时的约12倍，但是其光谱谱峰加宽和偏移比较明显，采样时进行了100次平均；以1mm J-Stop孔径时采集的光谱为参考光谱，其具有较高的光谱分辨率和波数准确性，谱峰加宽和偏移很小，但是其光通量小，信噪比差，采样时进行了2000次平均。

第一步进行谱峰偏移修复，首先，选择原始光谱和参考光谱的一组分散在光谱测量波数范围中的对应水吸收谱峰，确定其中心波数，计算原始光谱谱峰相对于参考光谱谱峰的偏移量；然后，使用三阶多项式拟合，确定偏移量随中心波数变化的数量关系；最后，根据偏移量，将原始光谱谱峰逆向移位，以此来修复原始光谱的偏移；

第二步进行谱峰加宽修复，首先，暂时扣除光谱基线，以突出光谱谱峰加宽变化特征，使用十阶多项式拟合原始光谱的基线，将拟合出的基线从原始光谱中减去，得到扣除基线的原始光谱；其次，使用寻峰算法找到原始光谱的谱峰，设置峰高阈值为0.1(峰高小于0.1的谱峰被认为是噪声)；再次，根据光谱复杂度(谱峰数量)的不同，使用判别式神经网络模型——卷积神经网络(Convolutional Neural Network，CNN)将原始光谱分为“单峰”、“双峰”、“三峰”3种光谱片段；然后，使用生成式神经网络模型——生成对抗网络(Generative Adversarial Network，GAN)对分割好的光谱片段进行并行修复；最后，将修复光谱片段进行拼接，重新添加基线，得到具有较高光通量和较高分辨率的修复光谱。

本发明提供的一种基于深度学习光谱修复的高通量傅里叶变换光谱测量方法的实际效果图，如图3所示，修复光谱与参考光谱中的谱峰在低波数和高波数时均可以很好地匹配，其中，使用光谱角映射器(Spectral Angle Mapper，SAM)衡量修复光谱与参考光谱之间的相似性，相似性高达99.65％；使用相对均方根误差(Relative Root Mean SquaredError，RRMSE)量化修复光谱与参考光谱之间的相对误差，相对误差RRMSE小于8.31％，说明修复光谱是可靠、准确的。同时，利用深度学习方法所生成的修复光谱保留了12倍高光通量带来的信噪比优势，其信噪比明显好于参考光谱，约为参考光谱的6倍。

本发明未尽事宜为公知技术。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。