1.一种基于拉曼光谱的物质成分检测方法，其特征在于：所述基于拉曼光谱的物质成分检测方法包括：

获取待检测物质的拉曼光谱信号，并进行基线矫正得到矫正后的拉曼光谱信号；

采用分类网络对矫正后的拉曼光谱信号进行分类得到待检测物质的类别；

根据待检测物质所属的类别找出对应官能团的特征峰波段，并从拉曼光谱信号中将该特征峰波段分割出，然后将剩余的拉曼光谱信号按预设长度进行分割得到对应的小块波段；

对特征峰波段，以及与预设长度不一致的小块波段进行标准化处理得到与预设长度一致的特征，包括：

将特征峰波段，以及与预设长度不一致的小块波段分别经过预设数量且并行的池化层，然后将各池化层的输出依次进行拼接，最后将拼接后的特征分别经过两层全连接层得到与预设长度一致的特征；

将长度一致的各特征输入到物质成分检测模型中，在物质成分检测模型中，首先对各特征进行位置编码得到对应的编码信息，将各编码信息加入到对应特征中得到编码特征；

将各编码特征依次经过多头注意力机制模块、多粒度特征提取模块、分层Transformer模块和多层感知机得到待检测物质的成分。

2.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：采用airPLS算法对所述待检测物质的拉曼光谱信号进行基线矫正。

3.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：所述分类网络采用卷积神经网络，且所述卷积神经网络包括由数据输入至输出依次连接的预设数量的卷积池化模块和全连接层，且卷积池化模块包括依次连接的卷积层和池化层。

4.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：所述将长度一致的各特征输入到物质成分检测模型中，在物质成分检测模型中，首先对各特征进行位置编码得到对应的编码信息，将各编码信息加入到对应特征中得到编码特征，包括：在物质成分检测模型中，首先对各特征进行位置编码得到对应的编码信息，同时将各特征经过全连接层得到对应的第一特征，然后将各编码信息加入到对应的第一特征中形成各自的编码特征。

5.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：所述多头注意力机制模块包括并行的线性层Q、线性层K和线性层V，且在所述多头注意力机制模块中，首先将各编码特征均匀分割成预设数量的第一小块特征，然后将各第一小块特征并行经过线性层Q、线性层K和线性层V，依次得到q向量、k向量和v向量，将所有编码特征中的第i个第一小块特征经过线性层Q得到的各个q向量进行拼接得到Q矩阵、经过线性层K得到的各个k向量进行拼接得到K矩阵、经过线性层V得到的各个v向量进行拼接得到V矩阵，然后再将该三个拼接后得到的矩阵依次相乘得到第二特征，并将所有的第二特征进行拼接得到第三特征，最后将第三特征与预设的权重相乘得到多头注意力机制模块的输出，其中预设的权重为所有第一小块特征的权重构成的向量。

6.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：在所述多粒度特征提取模块中，多粒度特征提取模块的输入并行经过预设数量的卷积层得到对应的第四特征，各所述第四特征分别经过池化层得到第五特征，然后将所有的第五特征进行拼接得到多粒度特征提取模块的输出。

7.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：在所述分层Transformer模块中，首先将分层Transformer模块的输入分割成预设数量的第二小块特征，然后将各第二小块特征输入至第一子模块中得到对应的第六特征，然后将所有的第六特征拼接得到第七特征，再将第七特征输入至第二子模块中得到分层Transformer模块的输出；

在各子模块中，子模块的输入先经过多头注意力机制模块得到第八特征，第八特征与子模块的输入进行融合后再依次经过第一归一化层和正向传播模块，且第一归一化层的输出与正向传播模块的输出融合后，再输入至第二归一化层中得到子模块的输出；

所述正向传播模块包括由数据输入至输出依次连接的第一全连接层、激活层和第二全连接层。

8.如权利要求1所述的基于拉曼光谱的物质成分检测方法，其特征在于：所述多层感知机包括两层依次连接的全连接层。