危化品气体光谱生成方法、终端设备及存储介质技术

本发明专利技术公开了一种危化品气体光谱生成方法、终端设备及存储介质，产生大量用于深度学习危化品气体光谱识别模型的训练和测试的生成光谱数据，解决深度学习框架识别危化品气体光谱数据集过小，多样性很差的问题，能有效的提高深度学习框架识别危化品气体光谱的准确率。本发明专利技术可以大大提高光谱多样性，训练更加稳定，收敛更快，同时能够生成更高质量的样本；能为深度学习模型的训练提供大量训练数据和测试数据；无需大量实测数据，特别是降低危险化学气体的使用，降低测量风险，降低测量人力成本和时间成本；所需设备简单，操作非常方便。操作非常方便。操作非常方便。

【技术实现步骤摘要】
危化品气体光谱生成方法、终端设备及存储介质


[0001]本专利技术涉及危险化学品光谱生成领域，用于自动产生大量危险化学品生成光谱，具体为一种危化品气体光谱生成方法、终端设备及存储介质。

技术介绍

[0002]深度学习网络随着计算能力的提高，训练更大、更深的网络有明显的趋势。然而，对于采用深度学习框架识别危化品气体光谱而言，最大的制约因素是缺乏大的数据集。在实验室只测量危化品气体的标准光谱数据，无法同时测量不同环境条件下的背景，加之危化品气体通常是易燃易爆剧毒物质，购买困难并且遥测风险极大，使得几乎不可能生成大规模的数据集。比如在实验室长程气体池中，只能少量的测量危化品气体标准红外光谱数据，由于标准数据和实际数据之间的域差距，在简单的合成方法生成的数据上训练的模型(如CN108257119A)不能很好地推广到真实场景。

技术实现思路

[0003]本专利技术所要解决的技术问题是，针对现有技术不足，提供一种危化品气体光谱生成方法、终端设备及存储介质，解决深度学习框架识别危化品气体光谱数据集过小，多样性差的问题，有效的提高深度学习框架识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种危化品气体光谱生成方法，其特征在于，包括以下步骤：S1、采集待测危化品气体的原始标准光谱；S2、将所述原始标准光谱输入生成网络模型，得到原始生成光谱；S3、利用原始标准光谱和原始生成光谱构建数据集，训练判别网络模型，获得判别网络模型的参数；S4、共享判别网络模型的参数，利用原始标准光谱训练所述生成网络模型；S5、将原始标准光谱作为训练后的生成网络模型的输入，对训练后的生成网络模型输出的生成光谱与原始标准光谱的相似度进行判断，若相似度低于阈值，则将训练后的生成网络模型输出的生成光谱作为原始生成光谱，返回步骤S3；否则，将训练后的生成网络模型作为最终的生成模型，结束。2.根据权利要求1所述的危化品气体光谱生成方法，其特征在于，步骤S1中，利用红外光谱仪对导入长程气体池实验装置的危化品气体进行检测并采集危化品气体红外光谱，得到原始标准光谱。3.根据权利要求1所述的危化品气体光谱生成方法，其特征在于，步骤S2中，所述生成网络模型采用人工神经网络。4.根据权利要求1所述的危化品气体光谱生成方法，其特征在于，步骤S3中，所述判别网络模型采用卷积神经网络。5.根据...

【专利技术属性】
技术研发人员：吴昊，方潇，王嘉辉，王高明，李林林，赵园林，
申请(专利权)人：湖南航天远望科技有限公司，
类型：发明
国别省市：