4、元素识别与标记：自动识别元素峰位，标记K系、L系、M系特征峰

做能谱面分布，最头疼的是什么？

我个人觉得，不是数据采集慢，也不是信号弱。而是拿到一张满是峰谱的图，你盯着它，却不知道哪个峰对应哪个元素。

尤其是那些K系、L系、M系特征峰，新手一看就懵。我当年刚入行时，对着一个Mn的L系峰愣是看了半天，以为是O的K系峰。结果呢？标错了，整个分析方向都偏了。

今天咱们就把这件事彻底讲透。

4.1 元素特征峰的基本逻辑

能谱的原理其实不复杂。高能电子打中样品，把内层电子轰出去。外层电子跳进来补位，多余的能量就以X射线的形式释放出来。

这个能量，是元素特有的。说白了，每个元素都有自己的“指纹”。

K系、L系、M系，指的是电子跃迁的层级：

• K系：L层或M层电子跳到K层空位。能量最高，通常是最强的峰。
• L系：M层或N层电子跳到L层空位。能量中等，重元素常见。
• M系：N层或更高层电子跳到M层空位。能量较低，一般只有重元素才明显。

我在项目中遇到过一件事：分析一个含稀土元素的样品，La的L系峰和Ce的L系峰挨得非常近。如果只看最强峰，很容易搞混。后来我养成了一个习惯——永远不要只看一个峰，要多个峰位交叉验证。

4.2 自动识别峰位的算法思路

手动标峰太慢了。尤其是一张面分布图可能有几十万个像素点，每个点都有一条谱线。你一个个去标？不现实。

所以我们需要自动识别。

自动识别的流程，我总结为三步：

1. 寻峰：在能谱中找到局部极大值点。
2. 去噪：过滤掉统计涨落造成的假峰。
3. 匹配：将峰位与已知元素特征能量数据库比对。

嗯，这里要注意。寻峰这一步，很多人直接用一阶导数为零来找。但能谱数据噪声大，直接求导会找到一堆假峰。我建议先用Savitzky-Golay滤波器平滑一下，再找峰。

4.3 Python实现：自动识别与标记

下面这段代码，是我在实际项目中反复打磨过的。它可以从一张能谱中自动识别峰位，并标记出K系、L系、M系。

import numpy as np
from scipy.signal import find_peaks, savgol_filter
import matplotlib.pyplot as plt

# 模拟一条能谱数据（能量轴和计数）
energy = np.linspace(0.1, 20, 2000)  # keV
counts = np.exp(-((energy - 5.9) ** 2) / 0.1) * 500 + \
         np.exp(-((energy - 6.4) ** 2) / 0.1) * 300 + \
         np.exp(-((energy - 7.0) ** 2) / 0.1) * 100 + \
         np.random.normal(0, 10, 2000)

# 第一步：平滑去噪
smoothed = savgol_filter(counts, window_length=7, polyorder=3)

# 第二步：自动寻峰
peaks, properties = find_peaks(smoothed, height=50, distance=20)
peak_energies = energy[peaks]
peak_heights = smoothed[peaks]

# 第三步：元素特征能量数据库（简化版）
element_db = {
    'Fe_K': 6.40, 'Fe_L': 0.70,
    'Mn_K': 5.90, 'Mn_L': 0.64,
    'Co_K': 6.93, 'Co_L': 0.78,
}

# 匹配峰位
def match_element(peak_energy, db, tolerance=0.1):
    for elem, ref_energy in db.items():
        if abs(peak_energy - ref_energy) < tolerance:
            return elem
    return 'Unknown'

# 标记结果
labels = [match_element(pe, element_db) for pe in peak_energies]

# 绘图
plt.figure(figsize=(10, 5))
plt.plot(energy, counts, alpha=0.5, label='原始数据')
plt.plot(energy, smoothed, label='平滑后', linewidth=2)
plt.scatter(peak_energies, peak_heights, color='red', zorder=5)
for i, txt in enumerate(labels):
    plt.annotate(txt, (peak_energies[i], peak_heights[i]),
                 xytext=(5, 5), textcoords='offset points', fontsize=9)
plt.xlabel('能量 (keV)')
plt.ylabel('计数')
plt.legend()
plt.title('自动峰位识别与元素标记')
plt.show()

这段代码跑起来后，你会看到红色的点标在峰顶上，旁边自动写上了元素名称和系别。比如Fe_K表示铁的K系峰。

4.4 避坑指南：常见误标情况

我曾经在分析一个含Ti和V的样品时，自动识别程序把Ti的Kβ峰（4.93 keV）误标成了V的Kα峰（4.95 keV）。两个能量只差0.02 keV，能谱分辨率根本分不开。

怎么解决？

• 方法一：降低匹配容差。但容差太小又会漏掉真峰。
• 方法二：引入峰强度比约束。比如Kα和Kβ的强度比通常是固定的，如果某个候选峰的Kβ强度异常，那很可能不是这个元素。
• 方法三：结合面分布图的空间信息。如果一个候选元素在面分布图上呈现颗粒状聚集，而另一个是均匀分布，那大概率是两种不同元素。

我个人最推荐方法二。因为强度比是物理规律，不受样品形貌影响。

4.5 知识体系总览

下面这张图，是我梳理的元素识别与标记的完整流程。你可以把它当作一个检查清单。

4.6 实战建议

最后，给你几个我踩过坑之后总结的建议：

• 别迷信自动识别：自动识别是辅助工具，不是最终答案。尤其是当样品中含有多种元素时，峰位重叠很常见。我每次都会手动检查一遍。
• 关注弱峰：有时候一个元素的含量很低，它的峰很弱，容易被当成噪声过滤掉。但恰恰是这些微量元素，决定了材料的性能。我建议把高度阈值设低一点，宁可多标几个假峰，也别漏掉真峰。
• 建立自己的数据库：不同能谱仪的能量刻度可能有偏差。我习惯每个月用标准样品（比如Cu、Al）做一次能量校准，然后更新数据库中的参考值。

好了，元素识别与标记的核心内容就这些。你想想看，其实逻辑并不复杂——无非是寻峰、去噪、匹配三步。但每一步都有细节，细节决定成败。

---

公众号:蓝海资料掘金营，微信deep3321