一种基于深度学习的混合气体光声光谱识别方法与装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的混合气体光声光谱识别方法与装置，其方法包括：获取多张混合气体的光声光谱，记所述光声光谱为第一光声光谱；对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱；利用导数法对所述第二光声光谱进行分峰，然后提取每个波段的波形特征和气体特征信息；利用波形特征和气体信息构建多维向量，构建样本数据集；利用样本数据集训练目标识别神经网络，将待识别的光声光谱输入到训练好的目标识别神经网络中，得到识别信息。本发明专利技术结合了传统滤波方法和导数法对重叠峰进行分峰，然后利用目标识别神经网络识别光声光谱，识别的速度快、成本低、稳定性好。

【技术实现步骤摘要】
一种基于深度学习的混合气体光声光谱识别方法与装置
本专利技术属于光声光谱的数据处理与深度学习领域，具体涉及一种基于深度学习的混合气体光声光谱识别方法与装置。
技术介绍
光声光谱技术是一种新的简单、高检测灵敏度、高选择性、大动态范围、普适性强、而又不破坏样品的分析测试手段，该技术检测微量气体的方法与吸收光谱分析的方法不同，它是直接测量吸收的能量而非测量投射或反射光强，被认为是检测痕量气体的最佳工具之一，被广泛的应用在很多领域，其基本原理是光声效应。光声效应是1880年，美国科学家，贝尔电话公司的创始人AlexanderGrahamBell（A.G.Be11）首先在固体中发现的光声转换现象。他发现当用太阳光断续地照射密闭容器中的试样时，容器内部会产生声波，这种现象被称之为“光声效应”。对于每一种气体分子而言,都具有各自的吸收峰值,不同气体的吸收峰值也存在一定的差异,但在某些区域中,也会出现重叠吸收峰值的情况,在使用该波段的光进行气体的分析时,就会容易导致气体间交叉影响的发生。通常，为了规避吸收峰的重叠峰的问题和降低识别难度，通常利用频率调制装置或滤光片改变激发光源进入到不同的光声室。但这样带来了成本的提高和设备的稳定性的问题。
技术实现思路
为解决现有混合气体光声光谱的检测技术中混合气体的光声光谱中重叠峰识别难，以及现有识别方法的成本高和设备稳定性低的问题，本专利技术提供了一种基于深度学习的混合气体光声光谱识别方法，包括如下步骤：获取多张混合气体的光声光谱，记所述光声光谱为第一光声光谱；对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱；根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值；提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量；所述气体信息包括气体的浓度；将所述第一光声光谱、所述多维向量分别作为样本和标签，构建样本数据集；利用所述样本数据集训练目标识别神经网络直至其误差低于阈值且趋于稳定，得到训练好的目标识别神经网络；将待识别的光声光谱输入到训练好的目标识别神经网络中，得到所述光声光谱中的识别信息；所述识别信息包括混合气体的组分、吸收峰的最大吸收位置、吸收深度和对称度。在本专利技术的一些实施例中，所述对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱包括如下步骤：对多张所述第一光声光谱中的重叠峰进行傅里叶去卷积;对进行傅里叶去卷积后的多张所述第一光声光谱进行双边滤波，得到多张第二光声光谱；所述双边滤波的计算方法表示为：，g(i,j)代表输出点；S(i,j)的是指以(i,j)为中心的(2N+1)(2N+1)的大小的范围；f(k,l)代表光声光谱的多个输入点；w(i,j,k,l)代表经过两个高斯函数计算出的值。在本专利技术的一些实施例中，所述根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值包括如下步骤：取初始导数的阶数为1，统计每张第二光声光谱中的每个重叠峰所包含的单峰数，对其中包含最多单峰的重叠峰求导：若包含最多单峰的重叠峰经求导后得到的单峰的个数大于或等于阈值，将所述导数的阶数作为所述每张第二光声光谱的导数的阶数；若包含最多单峰数的重叠峰经求导后得到的重叠峰的个数小于阈值，按步长为1，逐次提高导数的阶数，直至其经求导后得到的重叠峰的个数大于或等于阈值，将所述导数的阶数作为所述每张第二光声光谱的导数的阶数。在本专利技术的一些实施例中，所述提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量包括如下步骤：提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息；所述气体信息包括气体的浓度或体积分数；将每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度作为为第一特征向量；对应的气体信息作为第二特征向量；将所述第一特征向量与第二特征向量进行融合，并将其映射到多维向量中。在本专利技术的一些实施例中，所述目标识别神经网络包括第一YOLO神经网络和第二YOLO神经网络，所述第一YOLO神经网络的全连接层与第二YOLO神经网络相互连接，所述第一YOLO神经网络，用于识别混合气体的组分；所述第二YOLO神经网络，用于识别吸收峰的最大吸收位置、深度和对称度。优选的，所述第二YOLO神经网络为YOLOV4神经网络。本专利技术的第二方面，提供了基于深度学习的气体光声光谱识别装置，包括获取模块、确定模块、提取模块、训练模块、识别模块，所述获取模块，用于获取多张混合气体的光声光谱，记所述光声光谱为第一光声光谱；对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱；所述确定模块，用于根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值；所述提取模块，用于提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量；所述气体信息包括气体的浓度；所述训练模块，用于将所述第一光声光谱、所述多维向量分别作为样本和标签，构建样本数据集；利用所述样本数据集训练目标识别神经网络直至其误差低于阈值且趋于稳定，得到训练好的目标识别神经网络；所述识别模块，用于将待识别的光声光谱输入到训练好的目标识别神经网络中，得到所述光声光谱中的识别信息；所述识别信息包括混合气体的组分、吸收峰的最大吸收位置、吸收深度和对称度。在本专利技术的一些实施例中，所述识别模块包括第一识别模块和第二识别模块，所述第一识别模块，用于识别光声光谱的混合气体的组分；所述第二识别模块，用于识别光声光谱中吸收峰的最大吸收位置、深度和对称度。本专利技术的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现专利技术第一方面提供的基于深度学习的混合气体光声光谱识别方法。本专利技术的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术第一方面提供的基于深度学习的混合气体光声光谱识别方法。本专利技术的有益效果是：1.首先，光声光谱的傅里叶去卷积初步分离重叠峰，双边滤波在保留边缘特征的同时，锐化了波形边缘，提高光声光谱的清晰度；通过导数法，进一步分离重叠峰，将重叠峰分离成多个单峰；然后将最大吸收位置、吸收深度、对称度和对应的气体信息作为特征，对光声光谱进行特征提取，在保证覆盖混合气体的光声光谱主要特征的同时，减少了数据维度；2.YOLO神经网络作为一种快速、轻量级的目标识别网络，可以对多个目标和相关的信息进行识别或输出，具有识别快、准确率高本文档来自技高网...

【技术保护点】
1.一种基于深度学习的混合气体光声光谱识别方法，其特征在于，包括如下步骤：/n获取多张混合气体的光声光谱，记所述光声光谱为第一光声光谱；对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱；/n根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值；/n提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量；所述气体信息包括气体的浓度；/n将所述第一光声光谱、所述多维向量分别作为样本和标签，构建样本数据集；利用所述样本数据集训练目标识别神经网络直至其误差低于阈值且趋于稳定，得到训练好的目标识别神经网络；/n将待识别的光声光谱输入到训练好的目标识别神经网络中，得到所述光声光谱中的识别信息；所述识别信息包括混合气体的组分、吸收峰的最大吸收位置、吸收深度和对称度。/n

【技术特征摘要】
1.一种基于深度学习的混合气体光声光谱识别方法，其特征在于，包括如下步骤：
获取多张混合气体的光声光谱，记所述光声光谱为第一光声光谱；对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱；
根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值；
提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量；所述气体信息包括气体的浓度；
将所述第一光声光谱、所述多维向量分别作为样本和标签，构建样本数据集；利用所述样本数据集训练目标识别神经网络直至其误差低于阈值且趋于稳定，得到训练好的目标识别神经网络；
将待识别的光声光谱输入到训练好的目标识别神经网络中，得到所述光声光谱中的识别信息；所述识别信息包括混合气体的组分、吸收峰的最大吸收位置、吸收深度和对称度。


2.根据权利要求1所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱包括如下步骤：
对多张所述第一光声光谱中的重叠峰进行傅里叶去卷积;
对进行傅里叶去卷积后的多张所述第一光声光谱进行双边滤波，得到多张第二光声光谱；所述双边滤波的计算方法表示为：

，g(i,j)表示输出点；S(i,j)表示指以(i,j)为中心的(2N+1)(2N+1)的大小的范围；f(k,l)表示光声光谱的多个输入点；w(i,j,k,l)表示经过两个高斯函数计算出的值。


3.根据权利要求1所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值包括如下步骤：
取初始导数的阶数为1，统计每张第二光声光谱中的每个重叠峰所包含的单峰数，对其中包含最多单峰的重叠峰求导：
若包含最多单峰的重叠峰经求导后得到的单峰的个数大于或等于阈值，将所述导数的阶数作为所述每张第二光声光谱的导数的阶数；
若包含最多单峰数的重叠峰经求导后得到的重叠峰的个数小于阈值，按步长为1，逐次提高导数的阶数，直至其经求导后得到的重叠峰的个数大于或等于阈值，将所述导数的阶数作为所述每张第二光声光谱的导数的阶数。


4.根据权利要求2或3所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量包括如下步骤：
提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息；所述气体...

【专利技术属性】
技术研发人员：陈斌，罗浩，李俊逸，代犇，黄杰，
申请(专利权)人：湖北鑫英泰系统技术股份有限公司，
类型：发明
国别省市：湖北;42