1.一种大气颗粒物SEM图像识别方法，其特征在于，至少包括：S1、采集PM2.5大气颗粒物，并将大气颗粒物附着到滤膜上；具体为：S101、首先将研究区域划分为若干个采样区域；

S102、利用采样设备定时或实时进行采样工作；所述采样设备包括BGI‑PQ200精细颗粒物采样器和/或2050型中流量PM2.5采样器，采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜中的一种或多种；

S2、进行大气颗粒物SEM成像；具体为：S201、将上述滤膜制成样本：从上述样品上剪裁下5mmx10mm的矩形块，并用有导电胶粘附到铝质金属桩上；

S202、矩形块在真空条件下镀铂，将镀铂后的矩形块放入样品台；

S203、使用高分辨率扫描电子显微镜和能谱分析仪在每个样品上随机选择位置获取单颗粒的图像：将上述图像显示在图像采集界面中，先随机选择样本，接着随机选择颗粒，然后调节扫描电镜的放大倍数和分辨率，调节完毕后，点击拍摄获得大气颗粒的SEM图像；

S3、识别并分析大气颗粒物SEM图像；具体为：获得一定数量的大气颗粒物的SEM图像后，对颗粒物的形貌特征进行观察，并根据EDX能谱分析报告分析颗粒物的化学成分；

S4、基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类；具体为：S401、引入非线性函数作为激励函数，节点的输出为非线性关系，对于卷积神经网络的激励函数，选取Relu函数作为隐藏层激励函数，选取softmax函数作为最后输出层的激励函数；其中：

Relu函数的解析式为：

Relu＝max(0,x)                                        (1)其中：x为输入数据；

针对softmax函数，假设模型要预测的分类数为C，全连接网络的输出为a1,a2,...ac，对于每一个样本，式(2)属于类别i的概率为：其中：C为分类数，全连接网络的输出为a1,a2,...ac，yi为属于类别i的概率；

通过上式(2)保证 对softmax函数求偏导数，可以得到式(3)：当i＝j时，得式(4)：

当i≠j时，得式(5)：

当对loss进行权重更新时，先定义yi的概率如式(6)：对每个权重矩阵求偏导时，应用链式求导法则，得到式(7)：在全神经网络层的输出层之前使用softmax函数对输出进行归一化处理，保证多分类的概率总和正好为1；

S402、神经网络优化策略为Adam优化器；分析池化层和Dropout对防止网络过拟合的作用，Batch Normalization对网络层数据的归一化操作，损失函数选取交叉熵代价函数；最后选择四个卷积层，每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×

32，卷积层的输出作为全神经层的输入，建立的大气颗粒物形状特征识别与分类卷积神经网络模型。

2.一种大气颗粒物SEM图像识别系统，其特征在于：至少包括：采集模块，采集PM2.5大气颗粒物，并将大气颗粒物附着到滤膜上；具体为：首先将研究区域划分为若干个采样区域；

然后利用采样设备定时或实时进行采样工作；所述采样设备包括BGI‑PQ200精细颗粒物采样器和/或2050型中流量PM2.5采样器，采样滤膜为石英纤维滤膜、0.8μm孔径醋酸纤维素滤膜和0.1μm孔径聚碳酸酯滤膜三种滤膜中的一种或多种；

SEM成像模块，进行大气颗粒物SEM成像；具体为：首先将上述滤膜制成样本：从上述样品上剪裁下矩形块，并用有导电胶粘附到铝质金属桩上；

然后将矩形块在真空条件下镀铂，将镀铂后的矩形块放入样品台；

最后使用高分辨率扫描电子显微镜和能谱分析仪在每个样品上随机选择位置获取单颗粒的图像：将上述图像显示在图像采集界面中，先随机选择样本，接着随机选择颗粒，然后调节扫描电镜的放大倍数和分辨率，调节完毕后，点击拍摄获得大气颗粒的SEM图像；

识别分析模块，识别并分析大气颗粒物SEM图像；具体为：获得一定数量的大气颗粒物的SEM图像后，对颗粒物的形貌特征进行观察，并根据EDX能谱分析报告分析颗粒物的化学成分；

识别分类模块，基于卷积神经网络的方法对大气颗粒物的形状进行识别与分类；具体为：

引入非线性函数作为激励函数，节点的输出为非线性关系，对于卷积神经网络的激励函数，选取Relu函数作为隐藏层激励函数，选取softmax函数作为最后输出层的激励函数；

其中：

Relu函数的解析式为：

Relu＝max(0,x)                                        (1)其中：x为输入数据；

针对softmax函数，假设模型要预测的分类数为C，全连接网络的输出为a1,a2,...ac，对于每一个样本，式(2)属于类别i的概率为：其中：C为分类数，全连接网络的输出为a1,a2,...ac，yi为属于类别i的概率；

通过上式(2)保证 对softmax函数求偏导数，可以得到式(3)：当i＝j时，得式(4)：

当i≠j时，得式(5)：

当对loss进行权重更新时，先定义yi的概率如式(6)：对每个权重矩阵求偏导时，应用链式求导法则，得到式(7)：在全神经网络层的输出层之前使用softmax函数对输出进行归一化处理，保证多分类的概率总和正好为1；

神经网络优化策略为Adam优化器；分析池化层和Dropout对防止网络过拟合的作用，Batch Normalization对网络层数据的归一化操作，损失函数选取交叉熵代价函数；最后选择四个卷积层，每一层的卷积核从前向后依次为3×3×8、5×5×16、3×3×32、3×3×32，卷积层的输出作为全神经层的输入，建立的大气颗粒物形状特征识别与分类卷积神经网络模型。