本發(fā)明涉及危險(xiǎn)品檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種云平臺(tái)拉曼光譜識(shí)別方法。

背景技術(shù)：

現(xiàn)有技術(shù)中使用拉曼光譜識(shí)別的方式辨別物質(zhì)時(shí)，多數(shù)使用手持拉曼識(shí)別設(shè)備。使用手持設(shè)備進(jìn)行物質(zhì)識(shí)別時(shí)，因?yàn)樘幚砥餍?，?nèi)存小，運(yùn)算速度慢及運(yùn)算效率低的缺點(diǎn)導(dǎo)致識(shí)別率不夠高。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種云平臺(tái)拉曼光譜識(shí)別方法。

本發(fā)明提供的云平臺(tái)拉曼光譜識(shí)別方法，包括：

云平臺(tái)調(diào)用云端接口接收不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)對(duì)應(yīng)的期望值；使用各物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)的期望值對(duì)分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

云平臺(tái)調(diào)用云端接口接收移動(dòng)檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的期望值對(duì)應(yīng)的物質(zhì)對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的識(shí)別結(jié)果發(fā)送至所述移動(dòng)檢測(cè)設(shè)備。

上述云平臺(tái)拉曼光譜識(shí)別方法還具有以下特點(diǎn)：

所述分類模型為三層神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、中間層和輸出層，中間層的節(jié)點(diǎn)數(shù)是輸入層節(jié)點(diǎn)數(shù)的兩倍，中間層的節(jié)點(diǎn)的激活函數(shù)為sigmoid函數(shù)。

本發(fā)明提供的云平臺(tái)拉曼光譜識(shí)別方法包括：

云平臺(tái)調(diào)用云端接口接收不同類型的物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)類型對(duì)應(yīng)的物質(zhì)類型期望值；對(duì)各類型的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)類型對(duì)應(yīng)的期望值使用第一分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；設(shè)置同一類型的不同物質(zhì)對(duì)應(yīng)的物質(zhì)期望值，對(duì)同一類型中的不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)對(duì)應(yīng)的期望值對(duì)第二分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

所述云平臺(tái)調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第一分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)類型期望值對(duì)應(yīng)的物質(zhì)類型為特測(cè)物質(zhì)的物質(zhì)類型，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第二分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)期望值對(duì)應(yīng)的物質(zhì)為對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的物質(zhì)類型和識(shí)別結(jié)果發(fā)送至所述檢測(cè)設(shè)備。

上述云平臺(tái)拉曼光譜識(shí)別方法還具有以下特點(diǎn)：

所述第一分類模型為第一神經(jīng)網(wǎng)絡(luò)，所述第二分類模型為第二神經(jīng)網(wǎng)絡(luò)；

所述第一神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，中間層的節(jié)點(diǎn)數(shù)是輸入層節(jié)點(diǎn)數(shù)的兩倍，中間層的節(jié)點(diǎn)的激活函數(shù)為sigmoid函數(shù)，

所述第二神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，中間層的節(jié)點(diǎn)數(shù)是輸入層節(jié)點(diǎn)數(shù)的兩倍，中間層的節(jié)點(diǎn)的激活函數(shù)為sigmoid函數(shù)。

上述云平臺(tái)拉曼光譜識(shí)別方法還具有以下特點(diǎn)：

所述物質(zhì)類型包括以下類型中的至少兩種：化學(xué)戰(zhàn)劑，毒品及易制毒化學(xué)品，爆炸物，麻醉及精神藥品，易燃化學(xué)品，高?；瘜W(xué)品，普通危險(xiǎn)化學(xué)品，寶石玉石，藥品，農(nóng)藥和日常化學(xué)品。

本發(fā)明提供的云平臺(tái)拉曼光譜識(shí)別裝置，應(yīng)用于云平臺(tái)，包括：

接收模塊，用于調(diào)用云端接口接收不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)；還用于調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)；

特征提取模塊，用于提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；還用于提取待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)；

訓(xùn)練模塊，用于設(shè)置各物質(zhì)對(duì)應(yīng)的期望值；使用各物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)的期望值對(duì)分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

識(shí)別模塊，用于將待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)輸入訓(xùn)練成功的分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的期望值對(duì)應(yīng)的物質(zhì)對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；

發(fā)送模塊，用于將對(duì)特測(cè)物質(zhì)的識(shí)別結(jié)果發(fā)送至檢測(cè)設(shè)備。

本發(fā)明提供的另一種云平臺(tái)拉曼光譜識(shí)別裝置，應(yīng)用于云平臺(tái)，包括：

接收模塊，用于調(diào)用云端接口接收不同類型的物質(zhì)的拉曼光譜樣本數(shù)據(jù)；還用于調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，

特征提取模塊，用于提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；還用于提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)；

訓(xùn)練模塊，用于設(shè)置各物質(zhì)類型對(duì)應(yīng)的物質(zhì)類型期望值；對(duì)各類型的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)類型對(duì)應(yīng)的期望值使用第一分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；設(shè)置同一類型的不同物質(zhì)對(duì)應(yīng)的物質(zhì)期望值，對(duì)同一類型中的不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)對(duì)應(yīng)的期望值對(duì)第二分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

識(shí)別模塊，用于將所述待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)輸入訓(xùn)練成功的第一分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)類型期望值對(duì)應(yīng)的物質(zhì)類型為特測(cè)物質(zhì)的物質(zhì)類型，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第二分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)期望值對(duì)應(yīng)的物質(zhì)為對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；

發(fā)送模塊，用于將對(duì)特測(cè)物質(zhì)的物質(zhì)類型和識(shí)別結(jié)果發(fā)送至檢測(cè)設(shè)備。

本發(fā)明提供的云平臺(tái)拉曼光譜識(shí)別裝置，應(yīng)用于移動(dòng)檢測(cè)終端中，包括：檢測(cè)模塊、無(wú)線發(fā)送模塊、無(wú)線接收模塊；

所述檢測(cè)模塊，用于對(duì)待測(cè)物質(zhì)進(jìn)行檢測(cè)獲取拉曼光譜數(shù)據(jù)；

所述無(wú)線發(fā)送模塊，用于將所述拉曼光譜數(shù)據(jù)發(fā)送至云平臺(tái)；

所述無(wú)線接收模塊，用于從云平臺(tái)接收待測(cè)物質(zhì)的識(shí)別結(jié)果，或者從云平臺(tái)接收待測(cè)物質(zhì)的物質(zhì)類型和/或識(shí)別結(jié)果。

本發(fā)明提供的另一種云平臺(tái)拉曼光譜識(shí)別方法包括：

云平臺(tái)調(diào)用云端接口接收不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)對(duì)應(yīng)的期望值；使用各物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)的期望值對(duì)分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

移動(dòng)檢測(cè)終端對(duì)待測(cè)物質(zhì)進(jìn)行檢測(cè)獲取拉曼光譜數(shù)據(jù),將所述拉曼光譜數(shù)據(jù)發(fā)送至云平臺(tái)；

云平臺(tái)調(diào)用云端接口接收移動(dòng)檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的期望值對(duì)應(yīng)的物質(zhì)對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的識(shí)別結(jié)果發(fā)送至所述移動(dòng)檢測(cè)設(shè)備。

本發(fā)明提供的另一種云平臺(tái)拉曼光譜識(shí)別方法包括：

云平臺(tái)調(diào)用云端接口接收不同類型的物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)類型對(duì)應(yīng)的物質(zhì)類型期望值；對(duì)各類型的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)類型對(duì)應(yīng)的期望值使用第一分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；設(shè)置同一類型的不同物質(zhì)對(duì)應(yīng)的物質(zhì)期望值，對(duì)同一類型中的不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)對(duì)應(yīng)的期望值對(duì)第二分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

移動(dòng)檢測(cè)終端對(duì)待測(cè)物質(zhì)進(jìn)行檢測(cè)獲取拉曼光譜數(shù)據(jù),將所述拉曼光譜數(shù)據(jù)發(fā)送至云平臺(tái)；

所述云平臺(tái)調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第一分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)類型期望值對(duì)應(yīng)的物質(zhì)類型為特測(cè)物質(zhì)的物質(zhì)類型，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第二分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)期望值對(duì)應(yīng)的物質(zhì)為對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的物質(zhì)類型和識(shí)別結(jié)果發(fā)送至所述檢測(cè)設(shè)備。

本發(fā)明可以克服現(xiàn)有技術(shù)中移動(dòng)檢測(cè)終端的處理能力有限的問(wèn)題，使用云平臺(tái)的強(qiáng)大處理能力，有效提高移動(dòng)終端對(duì)待測(cè)物質(zhì)的識(shí)別成功率。

附圖說(shuō)明

構(gòu)成本發(fā)明的一部分的附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實(shí)施例及其說(shuō)明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：

圖1是實(shí)施例一中云平臺(tái)拉曼光譜識(shí)別方法的流程圖；

圖2是實(shí)施例二中云平臺(tái)拉曼光譜識(shí)別方法的流程圖；

圖3是云平臺(tái)拉曼光譜識(shí)別裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互任意組合。

實(shí)施例一

圖1是云平臺(tái)拉曼光譜識(shí)別方法流程圖，此方法包括：

步驟101，云平臺(tái)調(diào)用云端接口接收不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)對(duì)應(yīng)的期望值；使用各物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)的期望值對(duì)分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

步驟102，云平臺(tái)調(diào)用云端接口接收移動(dòng)檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的期望值對(duì)應(yīng)的物質(zhì)對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的識(shí)別結(jié)果發(fā)送至所述移動(dòng)檢測(cè)設(shè)備。

其中，分類模型是可用于進(jìn)行分類的模型，典型的為三層神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、中間層和輸出層，中間層的節(jié)點(diǎn)數(shù)是輸入層節(jié)點(diǎn)數(shù)的兩倍，中間層的節(jié)點(diǎn)的激活函數(shù)為sigmoid函數(shù)。

實(shí)施例二

圖2是云平臺(tái)拉曼光譜識(shí)別方法流程圖，此方法包括：

步驟201，云平臺(tái)調(diào)用云端接口接收不同類型的物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)類型對(duì)應(yīng)的物質(zhì)類型期望值；對(duì)各類型的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)類型對(duì)應(yīng)的期望值使用第一分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；設(shè)置同一類型的不同物質(zhì)對(duì)應(yīng)的物質(zhì)期望值，對(duì)同一類型中的不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)對(duì)應(yīng)的期望值對(duì)第二分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

步驟202，所述云平臺(tái)調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第一分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)類型期望值對(duì)應(yīng)的物質(zhì)類型為特測(cè)物質(zhì)的物質(zhì)類型，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第二分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)期望值對(duì)應(yīng)的物質(zhì)為對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的物質(zhì)類型和識(shí)別結(jié)果發(fā)送至所述檢測(cè)設(shè)備。

其中，第一分類模型為第一神經(jīng)網(wǎng)絡(luò)，第二分類模型為第二神經(jīng)網(wǎng)絡(luò)。第一神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，中間層的節(jié)點(diǎn)數(shù)是輸入層節(jié)點(diǎn)數(shù)的兩倍，中間層的節(jié)點(diǎn)的激活函數(shù)為sigmoid函數(shù)。第二神經(jīng)網(wǎng)絡(luò)包括輸入層、中間層和輸出層，中間層的節(jié)點(diǎn)數(shù)是輸入層節(jié)點(diǎn)數(shù)的兩倍，中間層的節(jié)點(diǎn)的激活函數(shù)為sigmoid函數(shù)。

物質(zhì)類型包括以下類型中的至少兩種：化學(xué)戰(zhàn)劑，毒品及易制毒化學(xué)品，爆炸物，麻醉及精神藥品，易燃化學(xué)品，高?；瘜W(xué)品，普通危險(xiǎn)化學(xué)品，寶石玉石，藥品，農(nóng)藥，日?；瘜W(xué)品，其他。

如圖3所示，云平臺(tái)拉曼光譜識(shí)別裝置包括：接收模塊、特征提取模塊、訓(xùn)練模塊、識(shí)別模塊和發(fā)送模塊。

在實(shí)施例一中，云平臺(tái)拉曼光譜識(shí)別裝置中各模塊的功能如下：

接收模塊用于調(diào)用云端接口接收不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)；還用于調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)；

特征提取模塊用于提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；還用于提取待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)；

訓(xùn)練模塊用于設(shè)置各物質(zhì)對(duì)應(yīng)的期望值；使用各物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)的期望值對(duì)分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

識(shí)別模塊用于將待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)輸入訓(xùn)練成功的分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的期望值對(duì)應(yīng)的物質(zhì)對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；

發(fā)送模塊用于將對(duì)特測(cè)物質(zhì)的識(shí)別結(jié)果發(fā)送至檢測(cè)設(shè)備。

在實(shí)施例二中，云平臺(tái)拉曼光譜識(shí)別裝置中各模塊的功能如下：

接收模塊用于調(diào)用云端接口接收不同類型的物質(zhì)的拉曼光譜樣本數(shù)據(jù)；還用于調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，

特征提取模塊用于提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；還用于提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)；

訓(xùn)練模塊用于設(shè)置各物質(zhì)類型對(duì)應(yīng)的物質(zhì)類型期望值；對(duì)各類型的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)類型對(duì)應(yīng)的期望值使用第一分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；設(shè)置同一類型的不同物質(zhì)對(duì)應(yīng)的物質(zhì)期望值，對(duì)同一類型中的不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)對(duì)應(yīng)的期望值對(duì)第二分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；

識(shí)別模塊用于將所述待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)輸入訓(xùn)練成功的第一分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)類型期望值對(duì)應(yīng)的物質(zhì)類型為特測(cè)物質(zhì)的物質(zhì)類型，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第二分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)期望值對(duì)應(yīng)的物質(zhì)為對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；

發(fā)送模塊用于將對(duì)特測(cè)物質(zhì)的物質(zhì)類型和識(shí)別結(jié)果發(fā)送至檢測(cè)設(shè)備。

本發(fā)明中應(yīng)用于移動(dòng)檢測(cè)終端中的拉曼光譜識(shí)別裝置包括：檢測(cè)模塊、無(wú)線發(fā)送模塊、無(wú)線接收模塊。

所述檢測(cè)模塊用于對(duì)待測(cè)物質(zhì)進(jìn)行檢測(cè)獲取拉曼光譜數(shù)據(jù)；

所述無(wú)線發(fā)送模塊用于將所述拉曼光譜數(shù)據(jù)發(fā)送至云平臺(tái)；

所述無(wú)線接收模塊用于從云平臺(tái)接收待測(cè)物質(zhì)的識(shí)別結(jié)果，或者從云平臺(tái)接收待測(cè)物質(zhì)的物質(zhì)類型和/或識(shí)別結(jié)果。

本發(fā)明中的云平臺(tái)和移動(dòng)檢測(cè)終端可構(gòu)成一個(gè)完整的系統(tǒng)。對(duì)應(yīng)于實(shí)施例一中，此系統(tǒng)的處理方法包括：云平臺(tái)調(diào)用云端接口接收不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)對(duì)應(yīng)的期望值；使用各物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)的期望值對(duì)分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；移動(dòng)檢測(cè)終端對(duì)待測(cè)物質(zhì)進(jìn)行檢測(cè)獲取拉曼光譜數(shù)據(jù),將所述拉曼光譜數(shù)據(jù)發(fā)送至云平臺(tái)；云平臺(tái)調(diào)用云端接口接收移動(dòng)檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的期望值對(duì)應(yīng)的物質(zhì)對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的識(shí)別結(jié)果發(fā)送至所述移動(dòng)檢測(cè)設(shè)備。

對(duì)應(yīng)于實(shí)施例一中，此系統(tǒng)的處理方法包括：云平臺(tái)調(diào)用云端接口接收不同類型的物質(zhì)的拉曼光譜樣本數(shù)據(jù)，提取各拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)；設(shè)置各物質(zhì)類型對(duì)應(yīng)的物質(zhì)類型期望值；對(duì)各類型的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)類型對(duì)應(yīng)的期望值使用第一分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；設(shè)置同一類型的不同物質(zhì)對(duì)應(yīng)的物質(zhì)期望值，對(duì)同一類型中的不同物質(zhì)的拉曼光譜樣本數(shù)據(jù)的特征數(shù)據(jù)和各物質(zhì)對(duì)應(yīng)的期望值對(duì)第二分類模型進(jìn)行訓(xùn)練直至訓(xùn)練成功；移動(dòng)檢測(cè)終端對(duì)待測(cè)物質(zhì)進(jìn)行檢測(cè)獲取拉曼光譜數(shù)據(jù),將所述拉曼光譜數(shù)據(jù)發(fā)送至云平臺(tái)；所述云平臺(tái)調(diào)用云端接口接收檢測(cè)設(shè)備發(fā)送的待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)，提取此待測(cè)物質(zhì)的拉曼光譜數(shù)據(jù)的特征數(shù)據(jù)，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第一分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)類型期望值對(duì)應(yīng)的物質(zhì)類型為特測(cè)物質(zhì)的物質(zhì)類型，將此特征數(shù)據(jù)輸入訓(xùn)練成功的第二分類模型后計(jì)算獲得輸出結(jié)果，確定與輸出結(jié)果誤差最小的物質(zhì)期望值對(duì)應(yīng)的物質(zhì)為對(duì)此特測(cè)物質(zhì)的識(shí)別結(jié)果；將對(duì)特測(cè)物質(zhì)的物質(zhì)類型和識(shí)別結(jié)果發(fā)送至所述檢測(cè)設(shè)備。

本發(fā)明可以克服現(xiàn)有技術(shù)中移動(dòng)檢測(cè)終端的處理能力有限的問(wèn)題，使用云平臺(tái)的強(qiáng)大處理能力，有效提高移動(dòng)終端對(duì)待測(cè)物質(zhì)的識(shí)別成功率。

上面描述的內(nèi)容可以單獨(dú)地或者以各種方式組合起來(lái)實(shí)施，而這些變型方式都在本發(fā)明的保護(hù)范圍之內(nèi)。

本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過(guò)程序來(lái)指令相關(guān)硬件完成，所述程序可以存儲(chǔ)于計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，如只讀存儲(chǔ)器、磁盤或光盤等?？蛇x地，上述實(shí)施例的全部或部分步驟也可以使用一個(gè)或多個(gè)集成電路來(lái)實(shí)現(xiàn)，相應(yīng)地，上述實(shí)施例中的各模塊/單元可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能模塊的形式實(shí)現(xiàn)。本發(fā)明不限制于任何特定形式的硬件和軟件的結(jié)合。

需要說(shuō)明的是，在本文中，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括……”限定的要素，并不排除在包括所述要素的物品或者設(shè)備中還存在另外的相同要素。

以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非限制，僅僅參照較佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說(shuō)明。本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。