CN108169248B

CN108169248B - 一种自适应的用于液态危险品检测的s参数匹配方法

Info

Publication number: CN108169248B
Application number: CN201611114060.1A
Authority: CN
Inventors: 周冬梅; 包桦楠; 李小峰; 张凯; 李正大
Original assignee: Chengdu Univeristy of Technology
Current assignee: Chengdu Univeristy of Technology
Priority date: 2016-12-07
Filing date: 2016-12-07
Publication date: 2020-02-18
Anticipated expiration: 2036-12-07
Also published as: CN108169248A

Abstract

本发明涉及的是一种适用于公共安全危险品监测领域的S参数匹配方法，具体的来说是一种通过数据预处理和S参数匹配来检测液体危险品的方法。所要解决的问题是针对现在X光检测仪误报率和漏报率较高的问题，并且其只适用于机场、火车站等重点安全区域的液态危险品的初步筛选，不适用于公交车等较分散的公共场所。解决该问题的方法要点是：通过在安检现场检测出当前环境下当前物品的S参数与空气的S参数，通过S参数匹配法和利用S参数曲线波动的差异性来判断出所监测液体的危险系数，进而检测出该液体的一种方法。本方法用于液体危险品的检测中，具有准确率显著提高，检测效率高的优点。

Description

一种自适应的用于液态危险品检测的S参数匹配方法

技术领域

本发明专利属于公共安全监测领域，具体涉及厘米波液体危险品检测方法。

背景技术

20世纪90年代以来，恐怖袭击在全球范围有着蔓延的趋势。随着机场火车站等重点区域安检力度的增强。恐怖分子更多在公交车等人员密集但位置分散的公共场所实行恐怖袭击。而由于公交车这类分散的公共场所具有人员密度大、换乘频繁、换乘时间短、开放性强、空间小等特点，不具备像机场和火车站一样设置大型危险物品检测设备的条件。因此发明一种高效便捷，成本较低，占用空间小的液体危险检测方法具有非常重要的现实意义。

现有较成熟的检测液体危险品方法主要有X光检测和近红外光谱检测。

现有的X光检测仪器检测速度快，但误报率和漏报率较高。其只适用于机场火车站等重点安全区域的液态危险品的初步筛查，不适用于公交车等较分散的公共场所。

现有的近红外光谱检测仪器有着灵敏、响应速度快等优点。但也存在对不透明容器穿透力差等缺点，不适用于公交车等较分散的公共场所。

发明内容

为了解决现有危险品检测方法无法适应分散公共场所安检的问题。本专利提出一种低成本，低辐射的液体危险品检测方法。

本发明采用的技术方案是：测出样品的S参数曲线和空气的S参数曲线。通过数据预处理和S参数匹配，利用S参数曲线波动性的差异识别液态危险品。当波动性的值大于预测阈值时，系统报警。在后续使用过程中，系统自适应的预测阈值。

所述S参数曲线，也就是不同频率下散射参数组成的曲线。其中散射参数包括S12：反向传输系数，S21：正向传输系数，S11：输入反射系数，S22：输出反射系数。每种参数由一个复数表示。由复数的实部和虚部可以算出参数的幅值和相位。其中幅值常用分贝值表示。计算公式由公式1和公式2所示。

a为S参数的实部，b为S参数的虚部，AS参数的为幅度，ψ为S参数的相位。

所述波动性的差异指S参数曲线平滑程度的差异。如图3所示，a为汽油的经过预处理后的S参数曲线，b为水的经过预处理后的S参数曲线。我们可以发现a曲线的波动程度要远大于b曲线，换句话说b曲线要比啊曲线平滑。

所述数据预处理是系统识别前对数据的一些基本处理，主要包括以下几个步骤。

1、数据校验；对测得数据的完整性进行校验。校验分为两个部分。第一个部分是判断数据的完整性。即系统是完整收到了传感所采集的数据。第二个部分是S参数类型的校验。因为S参数可以表示为复数，也可以表达为幅值与相位，所以需要正确的判断S参数的表达方式。

2、对齐数据：根据人流量，仪器可以采用不同的采样频率。如果现场人流量太大需要提高安检效率，系统就会控制传感器减少采样点以提高安检速度。后续判定步骤的阈值和采样点的数量直接相关所以需要统一标准以保证使用同一阈值。

3、静噪：指去除环境噪声。系统在测量前会自动测量一次当前环境的背景噪声即空气的S参数曲线。系统会依据公式3从安检现场所测得的S参数中消除环境噪声。当样本参数为幅值时，公式3为幅值静噪公式。

C＝20log₁₀(10^A/20-10^B/20) 公式3

C为静噪后的幅值.A是样品的S参数，B是空气的S参数.

所述S参数匹配法是一种利用曲线平滑程度判定物体的方法。S参数匹配法分为以下三个步骤。

1、滤波：利用算术平均值滤波法等方法对静噪后的幅值进行滤波。算术平均值滤波法是指利用数据周边点的平均值代替本身的值的一种滤波方法。公式4为算术平均值滤波法的公式。D[n]表示静噪后的幅值曲线的第n个点。N为滤波参数由实际情况确定。N越大结果越平滑，但是计算量会增加。

N为滤波参数

2、求偏差：即求S参数曲线与滤波后的S参数曲线的偏差。本方法利用S参数曲线与滤波后的S参数曲线的平方差来衡量平滑程度。公式5为求偏差的公式。

D＝∑(C[n]-D[n])² 公式5

D为求得的S参数曲线的偏差值，C[n]为公式3结果的离散点。

3、判定：将求得的D与预测阈值进行比较。如果D高于预测阈值则报警，低于预测阈值则不报警。

所述预测阈值，指系统根据所处环境预测阈值。一般来说安检场所通过的大部分液体都是非危险品也就是水。本方法利用非危险品的波动程度预测阈值。

根据实验结果，大部分材料的容器都不会对水的S参数曲线产生大的干扰。所以本步骤利用水的S参数曲线波动程度，水的S参数曲线形状和水的S参数曲线的平均值综合判断样本是否为水。再通过水的S参数曲线的偏差值预测阈值。

所述S参数曲线形状是指S参数曲线的形态特征。本方法利用最小二乘法等方法判断样本S参数曲线的形状是否与系统预存的水的S参数曲线的形状相匹配。

所述S参数曲线的平均值是指S参数曲线的均值的大小。

本发明的有益效果：

(1)运算效率提高。本方法中滤波的时间复杂度仅为0(n)。而如果使用其他滤波方式如傅里叶变换滤波，其时间复杂度将提升至0(n²)。本方法选用的滤波方法可以降低系统的硬件要求，降低成本，便于市场推广。

(2)对容器的器壁穿透效果好。厘米波对玻璃，塑料等常见容器的材料的穿透性比红外线要好，而且不受器壁透明度的限制。

(3)检测效果好。汽油柴油等有机质液态危险品的S参数曲线波动性较大。能与水等物质产生明显区别。

(4)系统可靠性高。对齐数据可以降低对数据的要求。系统可以根据现场的实际条件配置多种参数，达到效率与精度的平衡。

附图说明

图1：本方法的软件截图。其中左侧的曲线图是样品的S参数曲线。横轴为频率，纵轴为S参数，本图中为幅值。右侧的文本框为参数显示框，用于显示本组数据的概况如存储位置，频率范围和具体数据等参数。本图为空气的S参数曲线。

图2：两组样品的S参数曲线，a图为汽油的S参数曲线。b图为水的S参数曲线。

图3：两组样品经过静噪后的S参数曲线。a图为汽油经过静噪后的S参数曲线。b图为水经过静噪后的S参数曲线。

图4：两组样品经过静噪和滤波后的S参数曲线。a图为汽油经过静噪和滤波后的S参数曲线。b图为水经过静噪和滤波后的S参数曲线。

具体实施方式

下面结合具体数据和附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

在开始测试液体危险品之前，系统将自动测量一组空气的S参数曲线，以便获得当前环境噪声。如图1所示。

检测两组样品：其中样品1为水，样品2为汽油。两组样品的S参数曲线如图2所示。其中a图为样品2，b图为样品1，后同。

对两组样品的数据进行校验：如图2，a和b右边的参数显示框所示，我们完整采集到了201个数据。所以本组数据完整。然后校验每组数据的类型。如曲线图所示，所有数据的值均小于0。所以我们所采集到的数据均为S参数的幅值。

本系统的阈值均在样本点数为401个点的情况下计算而得，所以我们需要在原数据的每两个点之间插入他们的均值。原数据的信息量不会增加但是这样带来的精度损失较小。

对两组样品的S参数曲线分别进行静噪：静噪的结果如图3所示。

对两组静噪后的S参数曲线利用算数平均值滤波法进行滤波：滤波后的结果如图4所示。

对两组数据分别求偏差：经过计算，样本2的偏差值远远大于预测的阈值。而样本1的偏差要小于预测阈值。

对两组数据进行判定。判定样本2为液态危险品，样本1为液态非危险品。

系统读入样本1。判断其S参数曲线的形状和平均值均符合水的特征。将样本1的偏差值存入系统，和历史数据一起预测下一次的阈值。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims

1.一种自适应的用于液态危险品检测的S参数匹配方法，包括数据预处理，S参数匹配和自适应预测阈值三个步骤：

测出样品的S参数曲线和空气的S参数曲线；通过数据预处理和S参数匹配，利用S参数曲线波动性的差异识别液态危险品；当波动性的值大于预测阈值时，系统报警，在后续使用过程中，系统自适应的预测阈值；

所述数据预处理，包括校验数据，对齐数据和静噪；所述校验数据包括判断数据的完整性和判断S参数的表达方式；所述对齐数据包括根据人流量，采用不同的采样频率，后续步骤的阈值和采样点的数量直接相关，统一标准以保证使用同一阈值；所述静噪是指去除环境噪声：

C＝20log₁₀(10^A/20-10^B/20)；

C为静噪后的幅值.A是样品的S参数，B是空气的S参数；

所述S参数匹配，包括：

滤波：利用算术平均值滤波方法对静噪后的幅值进行滤波：

D[n]表示静噪后的幅值曲线的第n个点，N为设定的滤波参数；

求波动性差异：即求S参数曲线与滤波后的S参数曲线的偏差：

D＝∑(C[n]-D[n])²；

式中，D为求得的S参数曲线的偏差值，c[n]为静噪后幅值的离散点；

判定：将求得的D与预测阈值进行比较，如果D高于预测阈值则报警，低于预测阈值则不报警；

所述自适应预测阈值是指：通过识别当前环境非危险品的波动性程度预测阈值；

所述识别当前环境非危险品，是指利用非危险品的S参数曲线波动程度，非危险品的S参数曲线形状和非危险品的S参数曲线的平均值，综合判断样本是否为非危险品的。