1.一种基于差分拉曼复合荧光光谱的油膜测量方法，其特征在于：是利用如下一种基于差分拉曼复合荧光光谱的油膜测量装置对油膜厚度进行测量，所述油膜测量装置包括激光发射系统、色散系统以及光谱处理系统；

所述激光发射系统由激光控制器、可见激光器一、可见激光器二、全反射镜、上面全透射下面全反射镜构成，所述可见激光器一和可见激光器二发出的两束激光归为统一光路照射到待测的水上油品上；所述色散系统由光耦合器、狭缝、准直透镜、棱镜、光栅、聚焦镜头构成，所述光耦合器一端位于水上油品上方，另一端垂直位于狭缝处，所述狭缝、准直透镜、棱镜、光栅和聚焦镜头依次顺序设置，且中心同轴；所述光谱处理系统包括ICCD相机和计算机；

油膜厚度测量包括如下步骤：

1）首先基于神经网络的方法建立油膜厚度反演模型，所述油膜厚度反演模型与水上油品的荧光强度 以及水体拉曼强度 相关；

为波长 处的水上油品的荧光强度； 为波长 处的水体拉曼强度；

2）实际测量时，通过所述可见激光器一或可见激光器二激发所述水上油品，获得光谱图；

3）在获知油品种类的前提下，计算 的值，赋值入所述油膜厚度反演模型，得油膜厚度；

其中，所述油膜厚度反演模型的建立方法如下：根据如下公式：

式中：

为在波长  处油膜厚度为无穷大时吸收的荧光强度；

为在波长 处不含有荧光物质的纯水吸收的拉曼强度； ；

分别为荧光、拉曼吸收系数；

为油膜厚度；

当油品种类确定后， 与 比值固定，则油膜厚度 和 存在函数关系 ：通过不同波长的光激发获得多个 ，用矩阵 表示：通过矩阵 ，得到反演关系 ：

取同一油品的m个不同油膜厚度，每个油膜厚度测量n次，得m*n组光谱,将获得的光谱进行归一化处理得矩阵 ,再将 作为神经网络的输入层数据，划分其中70%作为训练集，30%作为验证集,建立神经网络模型，设置隐藏层，进行训练和验证后确定模型；

其中，步骤2）时，通过所述可见激光器一和可见激光器二分别激发所述水上油品，获得光谱图一和光谱图二；

将光谱图一和光谱图二进行差分，得差分拉曼光谱图三；

将差分拉曼光谱图三进行重构，获得重构的拉曼光谱 ；

将重构的拉曼光谱 ，以及光谱图一或光谱图二中的任一荧光光谱，赋值入油膜厚度反演模型，得油膜厚度。

2.根据权利要求1所述的基于差分拉曼复合荧光光谱的油膜测量方法，其特征在于：重构拉曼光谱的方法是：

将所述可见激光器一和可见激光器二分别激发所述水上油品，获得的拉曼光谱表示成卷积形式：为频率为 的激光激发的水体拉曼强度；

为频率为 的激光激发的水体拉曼强度；

 为线宽为 的重构拉曼光谱， 位于 范围内；

因此差分拉曼光谱表示为：

将令 ，代入可得：

上式表示成矩阵形式为：

式中：

为卷积核，是通过两个激发光频率差值计算得到的方阵；

因此重构的拉曼光谱 表示为：

通过求解 最小值的方法求解重构的拉曼光谱 。

3.根据权利要求2所述的基于差分拉曼复合荧光光谱的油膜测量方法，其特征在于：采用多重约束迭代角卷积法重构拉曼光谱，将重构的拉曼光谱 表示为：式中：

为经过多重约束获得的重构拉曼光谱；

为迭代次数；

为平滑约束函数；

为负能量约束函数，为单位对角矩阵；

为正能量约束函数，初始取值为单位对角矩阵，迭代过程中取值逐渐减小；

为各约束函数的参数，用来设定不同约束的相对强度。

4.根据权利要求1所述的基于差分拉曼复合荧光光谱的油膜测量方法，其特征在于：所述可见激光器一和可见激光器二选择400‑500nm的可见激光作为激发光源，且两激光波长相差7‑12nm。

5.根据权利要求1所述的基于差分拉曼复合荧光光谱的油膜测量方法，其特征在于，获知油品种类的方法如下：

1）首先基于神经网络的方法建立油品种类反演模型，所述油品种类反演模型与激光器一和可见激光器二激发水上油品获得的光谱信号强度均相关；

2）实际检测时，分别通过所述可见激光器一激发所述水上油品，获得光谱图一，通过所述可见激光器二激发所述水上油品，获得光谱图二；

3）将光谱图一和光谱图二，赋值入所述油品种类反演模型，得油品种类；

其中，所述油品种类反演模型的建立方法为：设 分别为可见激光器一和可见激光器二激发水上油品时获得的光谱信号强度，在不同的波长下，获得矩阵如下：为可见激光器一激发波长为 时的光谱信号强度；

为可见激光器二激发波长为 时的光谱信号强度， ；

将两组信号组成新的光谱矩阵,得融合光谱 ：按照上述，测量m个不同油品，每个油品测量n次，得m*n组融合光谱，将获取的m*n组融合光谱进行归一化处理，得矩阵 ；

将 作为神经网络的输入层数据，划分其中的70%作为训练集，30%作为验证集，建立神经网络模型，设置隐藏层，进行训练和验证后确定模型。