本发明专利技术提供一种气体浓度检测方法、装置、电子设备及存储介质，涉及光谱分析技术领域，方法包括：获取待测混合气体对应的原始红外光谱数据，并对原始红外光谱数据进行基线校正，得到校正红外光谱数据；对校正红外光谱数据进行降维处理，得到降维红外光谱数据；将降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在待测混合气体中对应的浓度值；可利用降维后的红外光谱数据及深度神经网络模型进行气体浓度检测，不仅能够提升混合气体浓度检测的准确率，同时也可以降低检测过程所带来的计算量，进而也可提升混合气体浓度检测的效率，能够避免现有方案无法对混合气体进行浓度检测或是混合气体浓度检测效果不好的问题。好的问题。好的问题。
【技术实现步骤摘要】
一种气体浓度检测方法、装置、电子设备及存储介质
[0001]本专利技术涉及光谱分析
，特别涉及一种气体浓度检测方法、装置、电子设备及存储介质。
技术介绍
[0002]随着工业水平的不断提升，人们在享受工业生产所带来各项便利和成果的同时，也不得不面对工业发展所引发的各类问题。工厂中排放的大量污染物质不仅会对生态环境造成破坏，更会对人体健康带来危害。也正是如此，对大气污染物进行及时检测和分析，对管控污染物排放，进而保护生态环境及人体健康具有重要意义。
[0003]气体浓度检测是大气污染物检测中的重要环节，相关技术中可采用最优估计算法或人工神经网络进行这一检测。然而最优估计算法仅能对单一气体进行浓度分析，不能对混合气体进行检测；而人工神经网络虽可对混合气体进行浓度检测，但其在复杂非线性关系的拟合方面存在局限性，进而难以准确地进行气体浓度检测。
技术实现思路
[0004]本专利技术的目的是提供一种气体浓度检测方法、装置、电子设备及存储介质，可利用降维后的红外光谱数据及深度神经网络模型提升混合气体浓度检测的效率及准确率。
[0005]为解决上述技术问题，本专利技术提供一种气体浓度检测方法，包括：
[0006]获取待测混合气体对应的原始红外光谱数据，并对所述原始红外光谱数据进行基线校正，得到校正红外光谱数据；
[0007]对所述校正红外光谱数据进行降维处理，得到降维红外光谱数据；
[0008]将所述降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在所述待测混合气体中对应的浓度值。
[0009]可选地，所述获取待测混合气体对应的原始红外光谱数据，包括：
[0010]利用傅里叶变换红外光谱技术采集所述待测混合气体对应的原始红外光谱数据。
[0011]可选地，所述利用傅里叶变换红外光谱技术采集所述待测混合气体对应的原始红外光谱数据，包括：
[0012]控制太阳跟踪仪获取太阳光，并将所述太阳光设置为红外光源；
[0013]将所述红外光源导入红外光谱仪，并控制所述红外光谱仪检测所述红外光源与所述待测混合气体间的干涉，得到干涉图；
[0014]对所述干涉图进行傅里叶变换，得到所述原始红外光谱数据。
[0015]可选地，所述对所述校正红外光谱数据进行降维处理，得到降维红外光谱数据，包括：
[0016]从所述校正红外光谱数据中提取预设波数范围内的子光谱数据；
[0017]利用预设波数间隔对所述子光谱数据进行等分得到光谱段，并利用梯形法依次对每预设数量的光谱段进行积分运算，得到所述降维红外光谱数据。
[0018]可选地，所述对所述原始红外光谱数据进行基线校正，得到校正红外光谱数据，包括：
[0019]获取背景光谱，并利用所述背景光谱以如下方式对所述原始红外光谱数据进行基线校正，得到所述校正红外光谱数据：
[0020][0021]其中，所述表示所述校正红外光谱数据，I
b
(v)表示所述背景光谱，I(v)表示所述原始红外光谱数据。
[0022]可选地，所述将所述降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在所述待测混合气体中对应的浓度值，包括：
[0023]对所述降维红外光谱数据进行归一化操作，得到归一化数据；
[0024]将所述归一化数据至所述预设深度神经网络，以使所述预设深度神经网络中预设数量的网络单元对所述归一化数据进行特征提取，并利用得到的特征信息进行所述浓度检测，得到所述初始浓度值；所述网络单元中包含隐藏层和非线性激活层；
[0025]根据所述预设气体对应的预设最大值和预设最小值对所述初始浓度值进行反变换处理，得到所述浓度值。
[0026]可选地，所述预设深度神经网络的训练过程，包括：
[0027]获取所述预设气体在不同浓度下的参考红外光谱数据，并利用所述预设气体及对应的浓度生成气体浓度组合；
[0028]根据所述气体浓度组合对所述参考红外光谱数据进行组合，得到红外光谱数据集；
[0029]按预设比例将所述红外光谱数据集划分为训练集和测试集；
[0030]对所述训练集和所述测试集中的红外光谱数据均进行所述降维处理，得到降维训练数据和降维测试数据；
[0031]利用所述降维训练数据和均方误差损失函数对所述预设深度神经网络模型进行迭代训练；
[0032]利用所述降维测试数据和平均绝对值误差损失函数对训练后的预设深度神经网络模型进行性能评价。
[0033]本专利技术还提供一种气体浓度检测装置，包括：
[0034]获取模块，用于获取待测混合气体对应的原始红外光谱数据，并对所述原始红外光谱数据进行基线校正，得到校正红外光谱数据；
[0035]降维模块，用于对所述校正红外光谱数据进行降维处理，得到降维红外光谱数据；
[0036]检测模块，用于将所述降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在所述待测混合气体中对应的浓度值。
[0037]本专利技术还提供一种电子设备，包括：
[0038]存储器，用于存储计算机程序；
[0039]处理器，用于执行所述计算机程序时实现如上所述的气体浓度检测方法的步骤。
[0040]本专利技术还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程
序被处理器执行时实现如上所述的气体浓度检测方法的步骤。
[0041]本专利技术提供一种气体浓度检测方法，包括：获取待测混合气体对应的原始红外光谱数据，并对所述原始红外光谱数据进行基线校正，得到校正红外光谱数据；对所述校正红外光谱数据进行降维处理，得到降维红外光谱数据；将所述降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在所述待测混合气体中对应的浓度值。
[0042]可见，本专利技术首先可获取待测混合气体的原始红外光谱数据，并对后者进行基线校正，得到校正红外光谱数据，以处理原始数据中存在的基线倾斜及飘移问题；随后，本专利技术会对校正红外光谱数据进行降维处理，并将得到的降维红外光谱数据输入至预设深度神经网络中进行浓度检测，其中降维处理能够过滤校正红外光谱数据中的无用信息，进而可降低模型运算量并提升气体浓度检测效率；而深度神经网络模型擅长于拟合复杂的非线性关系，进而可有效提升气体浓度检测的准确率。换而言之，本专利技术可利用降维后的红外光谱数据及深度神经网络模型提升混合气体浓度检测的效率及准确率，以避免现有方案无法对混合气体进行浓度检测或是混合气体浓度检测效果不好的问题。本专利技术还提供一种气体浓度检测装置、电子设备及存储介质，具有上述有益效果。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种气体浓度检测方法，其特征在于，包括：获取待测混合气体对应的原始红外光谱数据，并对所述原始红外光谱数据进行基线校正，得到校正红外光谱数据；对所述校正红外光谱数据进行降维处理，得到降维红外光谱数据；将所述降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在所述待测混合气体中对应的浓度值。2.根据权利要求1所述的气体浓度检测方法，其特征在于，所述获取待测混合气体对应的原始红外光谱数据，包括：利用傅里叶变换红外光谱技术采集所述待测混合气体对应的原始红外光谱数据。3.根据权利要求2所述的气体浓度检测方法，其特征在于，所述利用傅里叶变换红外光谱技术采集所述待测混合气体对应的原始红外光谱数据，包括：控制太阳跟踪仪获取太阳光，并将所述太阳光设置为红外光源；将所述红外光源导入红外光谱仪，并控制所述红外光谱仪检测所述红外光源与所述待测混合气体间的干涉，得到干涉图；对所述干涉图进行傅里叶变换，得到所述原始红外光谱数据。4.根据权利要求1所述的气体浓度检测方法，其特征在于，所述对所述校正红外光谱数据进行降维处理，得到降维红外光谱数据，包括：从所述校正红外光谱数据中提取预设波数范围内的子光谱数据；利用预设波数间隔对所述子光谱数据进行等分得到光谱段，并利用梯形法依次对每预设数量的光谱段进行积分运算，得到所述降维红外光谱数据。5.根据权利要求1所述的气体浓度检测方法，其特征在于，所述对所述原始红外光谱数据进行基线校正，得到校正红外光谱数据，包括：获取背景光谱，并利用所述背景光谱以如下方式对所述原始红外光谱数据进行基线校正，得到所述校正红外光谱数据：其中，所述表示所述校正红外光谱数据，I
b
(v)表示所述背景光谱，I(v)表示所述原始红外光谱数据。6.根据权利要求1所述的气体浓度检测方法，其特征在于，所述将所述降维红外光谱数据输入至预设深度神经网络中进行浓度检测，得到预设气体在所述待测混合气体...
【专利技术属性】
技术研发人员：黄红娟，陈磊，赵婵娟，吴骥，惠鼎晔，
申请(专利权)人：江苏蓝创智能科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。