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别危化品气体光谱的准确率。
[0004]为解决上述技术问题，本专利技术所采用的技术方案是：一种危化品气体光谱生成方法，包括以下步骤：
[0005]S1、采集待测危化品气体的原始标准光谱；
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]本专利技术采用生成网络模型和判别网络模型生成光谱，极大地提高了光谱多样性，训练更加稳定，收敛速度快，且可以生成更高质量的光谱。在训练过程中，本专利技术共享判别网络模型的参数对生成网络模型进行训练，无需大量实测数据，降低了危险化学气体的使用频率，降低了测量风险，降低了测量人力成本和时间成本。本专利技术解决了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，有效地提高了深度学习框架识别危化品气体光谱的准确率。
[0011]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。
[0012]步骤S2中，所述生成网络模型采用人工神经网络。
[0013]步骤S3中，所述判别网络模型采用卷积神经网络。
[0014]判别网络模型训练过程中，将原始标准光谱和生成光谱视为不同类样本，所述判别网络模型的损失函数为：
[0015][0016]其中，为判别网络模型在生成网络生成的原始生成光谱数据集上的输出，为判别网络模型在原始标准光谱数据集上的输出，为生成网络的原始生成光谱数据集概率分布，为原始标准光谱数据集概率分布，为原始标准光谱和原始生成光谱之间的逐点插值，为插值的概率分布，为L2范数，是鉴别器输出相对于插值的梯度，λ代表梯度惩罚与D(x)损失的比例，λ通常取10。
[0017]步骤S4中，生成网络模型的训练过程中，将原始标准光谱和生成光谱视为同类样本，因此所述生成网络模型训练过程中的损失函数设定为：其中，为判别网络模型在原始标准光谱数据集上的输出。
[0018]本专利技术中，判别网络模型在原始标准光谱数据集上的输出，是指将原始标准光谱数据集作为判别网络模型的输入得到的输出。
[0019]作为一个专利技术构思，本专利技术还提供了一种终端设备，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本专利技术上述方法的步骤。
[0020]作为一个专利技术构思，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本专利技术上述方法的步骤。
[0021]与现有技术相比，本专利技术所具有的有益效果为：
[0022]1)本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；
[0023]2)本专利技术能为深度学习模型的训练提供大量训练数据和测试数据；
[0024]3)本专利技术无需大量实测数据，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；
[0025]4)本专利技术所需设备简单，操作非常方便。
附图说明
[0026]图1为本专利技术实施例1方法流程图；
[0027]图2为本专利技术实施例1中Herriott型长程气体池光谱测量系统构成示意图；
[0028]图3(a)和图3(b)为本专利技术实施例1中典型危化品气体乙醇(C2H6O)的生成光谱与实测光谱对比图，其中：图3(a)为实测光谱，图3(b)为生成光谱；
[0029]图4为本专利技术实施例1中典型危化品气体乙醇(C2H6O)的红外光谱生成光谱与原始光谱采用PCA聚类分析结果。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例
中的附图，对本专利技术实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]在本文中，术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性，而是仅仅用于对不同的元件进行区分。在本文中，术语“一”、“一个”和其它类似词语并不意在表示只存在一个所述事物，而是表示有关描述仅仅针对所述事物中2的一个，所述事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构成A的全部，A还可能包括C、D、E等其它元素。
[0032]实施例1
[0033]本实施例采用基于WGANGP
‑
IRS的危化品气体光谱生成方法(带瓦瑟斯坦距离W与梯度惩罚GP的红外光谱对抗生成网络的危化品气体光谱生成方法)，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和召回率，并且WGANGP
‑
IRS训练更加稳定，收敛更快，同时能够生成更高质量的样本。
[0034]如图1所示，本实施例提本文档来自技高网...

【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：