本发明涉及颗粒物识别，尤其涉及一种显微拉曼自动分析识别方法。
背景技术：
1、光学显微是一种检测颗粒物的常用手段，利用光学成像的原理使得观察者能够直接观察颗粒从而进行计数和识别。该方法操作简单，成本低。但是光学显微镜的分辨率受到物理限制，对于较小的颗粒尤其是纳米颗粒，无法提供足够的分辨率，且人为操作和视觉判断可能会引入一定程度的主观误差，最重要的是，无法鉴别颗粒物种类。
技术实现思路
1、鉴于此，本发明的目的在于提供一种显微拉曼自动分析识别方法，以解决或至少部分解决现有技术中所存在的上述问题。
2、为实现上述发明目的，本发明提供一种显微拉曼自动分析识别方法，所述方法包括以下步骤：
3、s101、将待分析样品移动至最佳焦平面并更新背景：对相机视频流获取帧图像，以当前帧图像作为背景进行更新；
4、s102、视频流取帧：间隔一定时间对相机进行一次视频流取帧，获取最新帧图像，通过图像处理将最新帧图像减去背景图像，采用背景建模方法分析最新帧图像是否出现新增颗粒物；
5、s103、图像分割：使用图像分割算法对最新帧图像出现的新增颗粒物进行分割，提取颗粒物的轮廓尺寸及空间形态信息表征；
6、s104、颗粒物形态分析：将提取到的颗粒物轮廓进行颗粒物空间形态信息表征，获取当前颗粒物轮廓位置、面积和费雷特直径，并使用距离变换算法来计算得到当前颗粒物轮廓的质心位置；
7、s105、居中聚焦目标颗粒物：将质心坐标换算至真实空间坐标，计算得到位移模块需要移动的参数量，控制位移台在x轴和y轴方向上的移动使得新增颗粒物处于图像正中心，再控制位移台在z轴方向上下平移，通过自动聚焦算法寻找当前最佳焦平面，完成自动聚焦；
8、s106、光谱采集：基于当前最佳焦平面，打开激光采集拉曼光谱图，采集完成后关闭激光，根据采集到的拉曼光谱图进行颗粒物种类判别，并存储数据。
9、进一步的，所述背景建模方法通过高斯混合模型利用多个高斯分布函数，对背景图像像素的灰度分布进行建模，通过不断更新模型参数，并使用像素灰度值与背景模型的统计特性之间的差异来判定是否为前景目标，高斯混合模型的概率密度函数表示为：
10、
11、其中，为像素灰度值的概率密度函数，为高斯分布的数量，为高斯分布的序号，为多元高斯分布函数，为高斯分布的均值，为高斯分布的协方差矩阵。
12、进一步的，所述图像分割算法包括双窗口的自适应阈值分割，所述双窗口的自适应阈值分割先对图像中的大尺寸颗粒使用大窗口内的局部均值确定阈值，再对剩余小尺寸颗粒使用小窗口内的局部均值确定阈值。
13、进一步的，所述距离变换算法用于查找轮廓内最大内接圆的圆心作为轮廓的质心位置，颗粒物面积由颗粒物所占像素大小进行换算计算得出，费雷特直径由颗粒物最小外接矩形的长和宽计算得出。
14、进一步的，所述自动聚焦算法分别通过测量图像清晰度和根据图像清晰度评估结果来确定聚焦的最佳位置，图像标准差可以作为判断图像清晰度的参考值，表示为：
15、
16、其中，为图像的宽，为图像的高，为图像像素位置的列号，为图像像素位置的行号，为图像位置对应的像素值，为图像均值。
17、进一步的，在根据采集到的拉曼光谱图进行颗粒物种类判别前，采用一维线性插值的方法对拉曼光谱图进行数据标准化，将光谱数据规范到200-3200 cm-1范围，均匀分布512个数据点，一维线性插值基于在两个已知数据点之间的任意位置，假定数据值随位置的变化是线性的假设，一维线性插值表示为：
18、
19、其中，为已知的第一个数据点的坐标，为已知的第二个数据点的坐标，为进行插值的位置，为位置处插值得到的估算值，同时，采用数据归一化消除采集拉曼光谱图时的影响。
20、进一步的，在拉曼光谱图数据标准化后，将其输入微塑料分类识别深度学习模型，使用逻辑回归输出分类结果，将拉曼光谱图和分类结果进行存储，所述拉曼光谱图分为测量拉曼光谱图t和标准库拉曼光谱图l，所述微塑料分类识别深度学习模型使用训练集来进行深度学习模型的训练。
21、进一步的，在微塑料分类识别深度学习模型架构中，输入t和l，t和l分别经过两个子网络进行特征提取，然后将两个子网络的输出相减，将结果送入主干网络进行上采样，最后将上采样结果展开为512个神经元结构送入全连接层，结果输出两个输入光谱匹配程度的得分，所述子网络包括三层一维卷积神经网络和四层残差网络，所述主干网络包括四层残差网络和一层一维卷积神经网络。
22、进一步的，所述训练集由模拟方法生成，训练集生成步骤如下：
23、（1）选取随机数作为光谱峰的个数；
24、（2）随机选取位置作为光谱峰位；
25、（3）对随机选取的每个位置选择随机的峰高和峰宽；
26、（4）对光谱峰位、峰高和峰宽使用高斯函数复合汉宁窗函数进行光谱峰建模，得到不含任何基线及噪声的基础光谱数据；
27、（5）随机生成多个锚点，使用三次样条进行插值，生成随机基线，将随机基线组合到基础光谱数据上；
28、（6）添加随机高斯白噪声，得到虚拟生成的光谱数据；
29、（7）将生成的基础光谱数据，即步骤（4）生成的基础光谱数据，与添加随机峰高变化、随机基线、随机白噪声的光谱数据随机进行组合，若随机组合的两个数据同源，则标签置为1，否则为0。
30、与现有技术相比，本发明的有益效果是：
31、本发明提出的显微拉曼自动分析识别方法通过背景建模可以有效查找到新增颗粒物，通过图像分割算法可以有效提取不同尺寸大小的颗粒，保证了提取颗粒物数量和颗粒物轮廓的准确性，通过局部颗粒物轮廓的距离变换算法可加速最大内接圆圆心位置的获取，全流程的自动化分析，缩短了传统的颗粒物显微拉曼实验分析时间，并能够实现在无人值守情况下的原位显微拉曼分析。
1.一种显微拉曼自动分析识别方法，其特征在于，包括：
2.根据权利要求1所述的一种显微拉曼自动分析识别方法，其特征在于，所述背景建模方法通过高斯混合模型利用多个高斯分布函数，对背景图像像素的灰度分布进行建模，通过不断更新模型参数，并使用像素灰度值与背景模型的统计特性之间的差异来判定是否为前景目标，高斯混合模型的概率密度函数表示为：
3.根据权利要求1所述的一种显微拉曼自动分析识别方法，其特征在于，所述图像分割算法包括双窗口的自适应阈值分割，所述双窗口的自适应阈值分割先对图像中的大尺寸颗粒使用大窗口内的局部均值确定阈值，再对剩余小尺寸颗粒使用小窗口内的局部均值确定阈值。
4.根据权利要求1所述的一种显微拉曼自动分析识别方法，其特征在于，所述距离变换算法用于查找轮廓内最大内接圆的圆心作为轮廓的质心位置，颗粒物面积由颗粒物所占像素大小进行换算计算得出，费雷特直径由颗粒物最小外接矩形的长和宽计算得出。
5.根据权利要求1所述的一种显微拉曼自动分析识别方法，其特征在于，所述自动聚焦算法分别通过测量图像清晰度和根据图像清晰度评估结果来确定聚焦的最佳位置，图像标准差可以作为判断图像清晰度的参考值，表示为：
6.根据权利要求1所述的一种显微拉曼自动分析识别方法，其特征在于，在根据采集到的拉曼光谱图进行颗粒物种类判别前，采用一维线性插值的方法对拉曼光谱图进行数据标准化，将光谱数据规范到200-3200 cm-1范围，均匀分布512个数据点，一维线性插值基于在两个已知数据点之间的任意位置，假定数据值随位置的变化是线性的假设，一维线性插值表示为：
7.根据权利要求6所述的一种显微拉曼自动分析识别方法，其特征在于，在拉曼光谱图数据标准化后，将其输入微塑料分类识别深度学习模型，使用逻辑回归输出分类结果，将拉曼光谱图和分类结果进行存储，所述拉曼光谱图分为测量拉曼光谱图t和标准库拉曼光谱图l，所述微塑料分类识别深度学习模型使用训练集来进行深度学习模型的训练。
8.根据权利要求7所述的一种显微拉曼自动分析识别方法，其特征在于，在微塑料分类识别深度学习模型架构中，输入t和l，t和l分别经过两个子网络进行特征提取，然后将两个子网络的输出相减，将结果送入主干网络进行上采样，最后将上采样结果展开为512个神经元结构送入全连接层，结果输出两个输入光谱匹配程度的得分，所述子网络包括三层一维卷积神经网络和四层残差网络，所述主干网络包括四层残差网络和一层一维卷积神经网络。
9.根据权利要求7所述的一种显微拉曼自动分析识别方法，其特征在于，所述训练集由模拟方法生成，训练集生成步骤如下：
