1.一种基于自监督学习的LIBS降噪模型的建立方法，其特征在于，具体包括以下步骤：步骤一，确定模型架构：基于盲点网络架构，采用盲点网络架构，盲点网络架构基于自监督学习，在原始光谱数据中随机遮挡某些数据点，利用盲点卷积模块根据其余未遮挡部分数据推断缺失部分的真实值，以此在无不含噪声的目标数据情况下实现降噪；

步骤二，构建降噪模型：且降噪模型包括掩膜模块以及降噪编码模块；

步骤三，设定训练过程参数：

步骤四，进行模型封装与应用；

步骤二中，构建降噪模型的具体方法如下；

掩膜模块：在每轮训练开始时，根据预设掩膜比例，随机选择光谱数据位置生成布尔遮罩，将遮罩应用于输入光谱数据，把遮罩中True对应位置的光谱值设为零，生成部分缺失的输入数据用于训练，下一轮训练重新生成掩模；

降噪编码模块：以1D盲点卷积为核心，将传统卷积核改为中心为0的盲点卷积核，模块由多个1D盲点卷积层构成，用于处理一维光谱信号，输入经掩膜处理后的光谱数据，目标输出为原始光谱，通过多层盲点卷积提取光谱数据的局部特征，每层卷积后使用ReLU激活函数引入非线性，输出层通过线性变换还原光谱信号，预测掩膜位置的光谱值；

设计损失函数：采用结合均方误差和总变差正则化的自定义损失函数，,其中， 衡量去噪后光谱数据与原始光谱的误差，

用于平滑预测信号， 为正则化系数。

2.根据权利要求1所述的一种基于自监督学习的LIBS降噪模型的建立方法，其特征在于，步骤三中，设定训练过程参数的具体方法如下：网络结构参数：降噪编码模块采用双层盲点卷积结构网络，第一层设置64个卷积核，第二层设置128个卷积核，卷积核大小均为3，使用ReLU激活函数，以捕捉序列中的局部特征并引入非线性，每一层均引入自定义的盲点初始化器和约束条件；

训练优化参数：使用Adam优化器进行优化，初始学习率设为0.001，训练批量大小为16，采用自定义的总变分正则化损失函数，正则化系数设为0.001；

训练环境与周期：在NVIDIA 1650GPU上进行训练，训练周期为15000个。

3.根据权利要求1所述的一种基于自监督学习的LIBS降噪模型的建立方法，其特征在于，步骤四中，进行模型封装与应用的具体方法如下：完成降噪编码模块训练后，将其封装保存，实际应用中，用户将原始含噪的LIBS光谱数据输入到训练好的降噪编码模块。