1.一种多模光纤结合深度学习网络替代传统光谱仪的系统，其特征在于，其包括单频纳米激光生成器、多模光纤、红外单色相机以及数据处理器；

所述单频纳米激光生成器的末端连接所述多模光纤的第一端，所述多模光纤的第二端连接所述红外单色相机，所述多模光纤的第二端与所述红外单色相机置于黑暗环境，所述红外单色相机通过数据线连接所述数据处理器；

所述数据处理器包括采集模块、处理模块和分析模块；

所述采集模块获取所述红外单色相机传输的光斑图片数据集，并进行裁剪预处理及数据加强后以分组方式进行存储；

所述处理模块按照散斑数据集的特征搭建深度学习神经网络，其中待训练权重为待训练样本的映射概率，训练样本为存储数据集中分离出的光斑图片；

所述分析模块将训练后的带有适当权重参数的深度学习网络应用于测试样本，对测试样本分类解析，实现分光效果。

2.根据权利要求1所述的多模光纤结合深度学习网络替代传统光谱仪的系统，其特征在于，所述红外单色相机在全波长范围内依据采集原则按不同采样间隔获取光斑数据集。

3.根据权利要求2所述的多模光纤结合深度学习网络替代传统光谱仪的系统，其特征在于，所述采集原则为10nm大间距采用全波长采集，1nm中等间距采用低、中和高波段采集，

0.01nm小间距采用光纤衰减小的波段采集。

4.一种多模光纤结合深度学习网络替代传统光谱仪的方法，所述方法应用于权利要求

1所述的多模光纤结合深度学习网络替代传统光谱仪的系统，其特征在于，其包括以下步骤：步骤1、通过所述红外单色相机采集不同波长范围、不同波长间隔的光斑数据，传输至所述数据处理器；

步骤2、所述数据处理器通过所述采集模块将采集到的光斑数据进行裁剪预处理，以采集图片的中心位置为基准调整光斑中心位置，根据光斑尺寸设置参数，截取光斑的全部信息，去掉黑色背景，减少噪声的干扰；

步骤3、所述采集模块对预处理数据进行数据加强，让有限的数据产生等价于更多数据的效果后以分组方式进行存储；

步骤4、所述处理模块根据存储的光斑数据特性进行深度学习CNN网络模型的搭建，卷积神经网络由输入层、隐藏层和输出层组成，每一层的节点都与下一层的所有节点相互连接，图像由输入层进入卷积神经网络，依次向隐藏层正向传播，直至输出层；

步骤5、将数据加强后的光斑数据输入CNN网络模型进行训练完成模型优化，实现光斑数据与光源频率的匹配选择，包括以下步骤：步骤51、对卷积神经网络进行模型参数权值的初始化；

步骤52、将加强后的光斑数据输入神经网络，经过隐藏层中的卷积层、池化层和全连接层向前传播得到输出值；

步骤53、计算卷积神经网络的输出值与目标值之间的误差；

步骤54、将计算所得误差与初始化设定的误差期望值进行比较，当误差大于初始化设定的误差期望值时，将误差从输出层传回神经网络中，依次求得全连接层，池化层，卷积层的误差，各层的误差之和为神经网络的总误差，根据所得误差进行权值更新，返回执行步骤

52，进行前向传播，继续循环训练；否则结束训练，得到优化后CNN网络图像分类的模型，并对神经网络连接权值进行优化，将经多次优化后得到的最优网络模型参数输出保存为pth文件，存入分析模块；

步骤6、使用分析模块分类出单频激光器全波长范围的光源，实现分光效果。

5.根据权利要求4所述的多模光纤结合深度学习网络替代传统光谱仪的方法，其特征在于，所述步骤2中应用Python语言中circle（）函数进行裁剪预处理。

6.根据权利要求4所述的多模光纤结合深度学习网络替代传统光谱仪的方法，其特征在于，所述步骤3中应用transforms()函数集对预处理后的训练集数据进行数据增强。

7.根据权利要求6所述的多模光纤结合深度学习网络替代传统光谱仪的方法，其特征在于，所述增强的方法包括但不限于随机翻转、随机旋转、随机裁剪、随机缩放、颜色反转、调节图片对比度、调节图片亮度和转换灰度图像。

8.根据权利要求4所述的多模光纤结合深度学习网络替代传统光谱仪的方法，其特征在于，所述步骤4中对深度学习CNN网络模型的搭建需要分析光斑特性、根据不同光纤传播模式按照由简入繁的原则进行搭建，对于间隔大，特征区别明显的光斑使用较浅的神经网络，以节省训练时间；对于间隔小，特征区别模糊的光斑使用较深的神经网络，以提升准确率。

9.根据权利要求4所述的多模光纤结合深度学习网络替代传统光谱仪的方法，其特征在于，所述步骤4中应用框架Pytorch搭建CNN网络。