1.一种基于CNN模型的待测元素含量LIBS测量方法，其特征在于，包括：根据采集配置的模拟溶液的液体样本的LIBS光谱，对预先设置的CNN光谱模型进行训练，以确定定量分析用的训练好的CNN光谱模型，并使所述训练好的CNN光谱模型能够克服基体效应，实现高基体含量组成条件下，待测元素的准确定量分析；其中，所述待测元素是盐湖中的锂元素，配置的模拟溶液的液体样本，具体包括：按照基体元素含量梯度配置的“梯度配比溶液”的液体样本和/或按照实际各种盐湖中所含锂元素和主要基体元素含量配置的“真实配比溶液”的液体样本；

获取实际溶液的液体样本作为待测样本，采集待测样本的LIBS光谱，利用训练好的CNN光谱模型对所述待测样本中的待测元素的含量进行预测，输出所述元素的含量的预测结果作为测量结果；

其中，每个所述液体样本的LIBS光谱，是基于待测元素的两个光谱特征峰进行采集；

采集配置的模拟溶液的液体样本的LIBS光谱，具体包括：

选择所述模拟溶液中待测元素的特征发射波长的两个光谱峰确定为两个光谱特征峰；

当任一模拟溶液的液体样本经激光诱导产生的等离子体的光收集到光谱仪后，采集所述液体样本的所述两个光谱特征峰位置的光谱图；

其中，采用所述两个光谱特征峰确定LIBS定量方程中与基体效应相关的等离子体温度，等离子体温度与所述两个光谱特征峰的光谱强度之间的计算公式为由此，准确测得同一等离子体状态下的双特征峰作为模型输入量能够通过模型实现元素的定量分析，其中， 表示一个光谱特征峰的光谱强度， 表示另一个光谱特征峰的光谱强度，Amn表示从n能级跃迁到m能级的跃迁几率，Akp表示从k能级跃迁到p能级的跃迁几率，gm和gk分别表示m能级和k能级的统计权重，Em和Ek分别表示m能级和k能级的激发能，KB表示玻尔兹曼系数，T表示等离子体温度。

2.如权利要求1所述的方法，其中，还包括：

所述“真实配比溶液”的液体样本选取一部分样本作为测试样本；

基于所述测试样本对训练后的CNN光谱模型进行测试，以优化所述CNN光谱模型；

将优化后的所述CNN光谱模型作为训练好的CNN光谱模型。

3.如权利要求2所述的方法，其中，还包括：

根据所述两个光谱特征峰位置的光谱图导出与各个光谱特征峰相对应的一维数组，并将同一所述液体样本的各个光谱特征峰所对应的一维数组拼接成一个新的一维数组。

4.如权利要求3所述的方法，其中，对预先设置的CNN光谱模型进行训练，具体包括：根据拼接的一维数组所对应的液体样本，划分为训练集液体样本、验证集液体样本、测试集液体样本；其中，测试集的液体样本属于所述测试样本；

将训练集和验证集的液体样本对应的拼接的一维数组作为输入量序列，输入到预先设置的CNN光谱模型中，将所述拼接的一维数组所对应的液体样本中已知的待测元素含量作为输出量，对所述CNN光谱模型进行训练，得到训练后的一维CNN光谱模型。

5.如权利要求4所述的方法，其中，还包括：

将测试集的液体样本对应的拼接的一维数组作为输入量序列输入到训练后的一维CNN光谱模型中；

所述一维CNN光谱模型预测所述拼接的一维数组对应的测试集的所述液体样本的待测元素含量；

将测试集的所述液体样本的所述预测的待测元素含量与已知的待测元素含量进行比较，确定相对偏差；

根据偏差计算损失函数反馈给所述一维CNN光谱模型，重复进行模型训练；

根据模型训练结果的优劣，对所述一维CNN光谱模型的结构进行优化并选取合适的超参数；

将已经优化后的所述一维CNN光谱模型，作为训练好的CNN光谱模型。

6.如权利要求5所述的方法，其中，获取实际溶液的液体样本作为待测样本，采集待测样本的LIBS光谱，利用训练好的CNN光谱模型对所述待测样本中的待测元素的含量进行预测，输出所述元素的含量的预测结果作为测量结果，具体包括：获取一个或多个实际溶液的液体样本作为待测样本；

当所述待测样本经激光诱导产生的等离子体的光收集到光谱仪后，根据所述待测元素的两个光谱特征峰，采集所述待测样本的所述两个光谱特征峰位置的光谱图；

根据所述两个光谱特征峰位置的光谱图导出与各个光谱特征峰相对应的一维数组，并将同一所述待测样本的各个光谱特征峰所对应的一维数组拼接成一个新的一维数组；

将所述待测样本对应的拼接的一维数组作为输入量序列，输入到训练好的CNN光谱模型中；

根据所述训练好的CNN光谱模型预测所述拼接的一维数组对应的所述待测样本中待测元素的含量。

7.如权利要求6所述的方法，其中，还包括：

所述光谱特征峰为两个光谱特征峰，所述两个光谱特征峰位置的光谱图导出的一维数组为两个具有相同的对应ICCD像素个数的单个一维数组，所述拼接的一维数组为具有两个单个一维数组中所有像素个数的一维数组；

任意一个液体样本采集到的LIBS光谱图为多个，获得的所述拼接的一维数组为多个，作为输入所述CNN光谱模型的输入量序列；

所述光谱仪采用闪耀光栅光谱仪；

所述CNN光谱模型使用编程语言Python 3.7的基本包和拓展包搭建；

得到拼接的一维数组包括：编程语言Python 3.7脚本程序对光谱图的*.acs格式文件进行转化，得到对应的*.csv文件，并根据液体样本中待测元素含量和对应的液体样本名称构建csv格式的标签索引文件，另一脚本程序将转化得到的所述*.csv文件与和标签索引文件导入，完成光谱特征峰对应的一维数组的数据拼接，得到所述拼接的一维数组。

8.一种LIBS检测系统，其特征在于，包括：

气溶胶产生装置，控制装置，激光器，激光传输光路，光谱仪；

所述气溶胶产生装置包括气动雾化器和旋流雾室；

其中气动雾化器将蠕动泵引入的液体样本雾化产生气溶胶；

所述气溶胶通过旋流雾室筛选出均匀的小液滴组成的气溶胶，从所述旋流雾室的喷射口以圆柱形状喷出；

通过激光传输路径将激光器产生的光束聚焦在所述旋流雾室的喷射口中心位置，对所述液体样本的所述气溶胶进行等离子激发以产生激光诱导等离子体；

将等离子体的光收集到光谱仪中，光谱仪选择根据预先选定的多个特征峰位置进行光谱采集，获得各个特征峰位置的所述液体样本的LIBS光谱，将采集的LIBS光谱数据传递给控制装置，所述控制装置执行权利要求1至7任一项所述的基于CNN模型的待测元素含量LIBS测量方法。

9.一种存储装置，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的基于CNN模型的待测元素含量LIBS测量方法。

10.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的基于CNN模型的待测元素含量LIBS测量方法。

11.一种基于CNN模型的待测元素含量LIBS测量系统，其特征在于，包括：模型训练单元，用于根据采集配置的模拟溶液的液体样本的LIBS光谱，对预先设置的CNN光谱模型进行训练，以确定定量分析用的训练好的CNN光谱模型，并使所述训练好的CNN光谱模型能够克服基体效应，实现高基体含量组成条件下，待测元素的准确定量分析；其中，所述待测元素是盐湖中的锂元素，配置的模拟溶液的液体样本，具体包括：按照基体元素含量梯度配置的“梯度配比溶液”的液体样本和/或按照实际各种盐湖中所含锂元素和主要基体元素含量配置的“真实配比溶液”的液体样本；

预测单元，用于获取实际溶液的液体样本作为待测样本，采集待测样本的LIBS光谱，利用训练好的CNN光谱模型对所述待测样本中的待测元素的含量进行预测，输出所述元素的含量的预测结果作为测量结果；

其中，每个所述液体样本的LIBS光谱，是基于待测元素的两个光谱特征峰进行采集；

采集配置的模拟溶液的液体样本的LIBS光谱，具体包括：

选择所述模拟溶液中待测元素的特征发射波长的两个光谱峰确定为两个光谱特征峰；

当任一模拟溶液的液体样本经激光诱导产生的等离子体的光收集到光谱仪后，采集所述液体样本的所述两个光谱特征峰位置的光谱图；

其中，采用所述两个光谱特征峰确定LIBS定量方程中与基体效应相关的等离子体温度，等离子体温度与所述两个光谱特征峰的光谱强度之间的计算公式为由此，准确测得同一等离子体状态下的双特征峰作为模型输入量能够通过模型实现元素的定量分析，其中， 表示一个光谱特征峰的光谱强度， 表示另一个光谱特征峰的光谱强度，Amn表示从n能级跃迁到m能级的跃迁几率，Akp表示从k能级跃迁到p能级的跃迁几率，gm和gk分别表示m能级和k能级的统计权重，Em和Ek分别表示m能级和k能级的激发能，KB表示玻尔兹曼系数，T表示等离子体温度。

12.如权利要求11所述的系统，其中，还包括：

所述“真实配比溶液”的液体样本选取一部分样本作为测试样本；

基于所述测试样本对训练后的CNN光谱模型进行测试，以优化所述CNN光谱模型；

将优化后的所述CNN光谱模型作为训练好的CNN光谱模型。

13.如权利要求12所述的系统，其中，还包括：

根据所述两个光谱特征峰位置的光谱图导出与各个光谱特征峰相对应的一维数组，并将同一所述液体样本的各个光谱特征峰所对应的一维数组拼接成一个新的一维数组。

14.如权利要求13所述的系统，其中，对预先设置的CNN光谱模型进行训练，具体包括：根据拼接的一维数组所对应的液体样本，随机划分为训练集液体样本、验证集液体样本、测试集液体样本；

将训练集和验证集的液体样本对应的拼接的一维数组作为输入量序列，输入到预先设置的CNN光谱模型中，将所述拼接的一维数组所对应的液体样本中已知的待测元素含量作为输出量，对所述CNN光谱模型进行训练，得到训练后的一维CNN光谱模型。

15.如权利要求14所述的系统，其中，还包括：

将测试集的液体样本对应的拼接的一维数组作为输入量序列输入到训练后的一维CNN光谱模型中；

所述一维CNN光谱模型预测所述拼接的一维数组对应的测试集的所述液体样本的待测元素含量；

将测试集的所述液体样本的所述预测的待测元素含量与已知的待测元素含量进行比较，确定相对偏差；

根据偏差计算损失函数反馈给所述一维CNN光谱模型，重复进行模型训练；

根据模型训练结果的优劣，对所述一维CNN光谱模型的结构进行优化并选取合适的超参数；

将已经优化后的所述一维CNN光谱模型，作为训练好的CNN光谱模型。

16.如权利要求15所述的系统，其中，预测单元，具体包括：

获取一个或多个实际溶液的液体样本作为待测样本；

当所述待测样本经激光诱导产生的等离子体的光收集到光谱仪后，根据所述待测元素的两个光谱特征峰，采集所述待测样本的所述两个光谱特征峰位置的光谱图；

根据所述两个光谱特征峰位置的光谱图导出与各个光谱特征峰相对应的一维数组，并将同一所述待测样本的各个光谱特征峰所对应的一维数组拼接成一个新的一维数组；

将所述待测样本对应的拼接的一维数组作为输入量序列，输入到训练好的CNN光谱模型中；

根据所述训练好的CNN光谱模型预测所述拼接的一维数组对应的所述待测样本中待测元素的含量。

17.如权利要求16所述的系统，其中，还包括：

所述光谱特征峰为两个光谱特征峰，所述两个光谱特征峰位置的光谱图导出的一维数组为两个具有相同的对应ICCD像素个数的单个一维数组，所述拼接的一维数组为具有两个单个一维数组中所有像素个数的一维数组；

任意一个液体样本采集到的LIBS光谱图为多个，获得的所述拼接的一维数组为多个，作为输入所述CNN光谱模型的输入量序列；

所述光谱仪采用闪耀光栅光谱仪；

所述CNN光谱模型使用编程语言Python 3.7的基本包和拓展包搭建；

得到拼接的一维数组包括：编程语言Python 3.7脚本程序对光谱图的*.acs格式文件进行转化，得到对应的*.csv文件，并根据液体样本中待测元素含量和对应的液体样本名称构建csv格式的标签索引文件，另一脚本程序将转化得到的所述*.csv文件与标签索引文件导入，完成光谱特征峰对应的一维数组的数据拼接，得到所述拼接的一维数组。