CN109444062B - 一种无人机载高排典型污染物差分吸收光谱检测方法 - Google Patents
一种无人机载高排典型污染物差分吸收光谱检测方法 Download PDFInfo
- Publication number
- CN109444062B CN109444062B CN201811447545.1A CN201811447545A CN109444062B CN 109444062 B CN109444062 B CN 109444062B CN 201811447545 A CN201811447545 A CN 201811447545A CN 109444062 B CN109444062 B CN 109444062B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- spectrum
- gas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 34
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 33
- 238000000862 absorption spectrum Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims description 53
- 230000003595 spectral effect Effects 0.000 claims description 41
- 239000007789 gas Substances 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 15
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 claims description 4
- 229910052805 deuterium Inorganic materials 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004847 absorption spectroscopy Methods 0.000 abstract description 6
- 239000000126 substance Substances 0.000 abstract description 6
- 238000003915 air pollution Methods 0.000 abstract description 3
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种无人机载高排典型污染物差分吸收光谱检测方法,当高排气体进入气体室,控制中心打开光源,光源发出的光进入气体室,从气体室出来的光进入光谱仪中,光谱仪进行光谱采集,控制中心将数据存入数据存储设备中。本发明精度高,采用差分吸收光谱法进行污染物测量,相比用物理或化学方法进行检测有很高的精度。在高排企业等特定环境下,对检测装置的检测上限要求很高,而光谱法正好可以解决这一问题。其次,本发明能随时监测高排企业环境高空污染,以无人机为搭载工具,可实时快速的得到空中污染情况,特别是高排企业周围环境,可以用于监管部门进行远程监控。最后,本发明拥有自主研发的一套操作系统,可通过电子屏幕实时操控。
Description
【技术领域】
本发明涉及一种无人机载高排典型污染物差分吸收光谱检测方法。
【背景技术】
目前随着社会发展人口增多,能源消耗越来越大,虽然有新型能源,可再生能源的出现,但现在煤炭,石油仍然是人类社会的主要能源消费品。而煤炭石油得人使用也给很多国家,很多城市带来了环境的恶化,生态的破坏。全国高排企业典型区域空气污染日趋严重,高排企业环境检测存在区域化,复杂化等技术难点。
目前国内的高排企业环境监测手段主要有人工监测与固定监测两种方式。传统的监测方法不能及时有效的监测污染的分布,种类,浓度扩散持续时间等问题。人工监测耗费人力物力,精度不高,而大部分高排企业采用的固定监测方案全为贴近地表,或者贴近排放口,这一手段与高空区域环境监测结果存在一定的差异。而且在相关部门研究污染形成,演化,以及监测,检查高排企业排放情况等问题上存在一定不足。由于多污染物存在、多污染类型叠加、多污染过程耦合、多尺度污染以及多气象因子影响等特性造成了污染监测的困难。而目前高空区域的污染物监测主要依靠于遥感技术与激光雷达技术,这类技术对于大范围,大尺度的,宏观上的污染物监测有很好的效果,对于小范围的监测存在很大不足。现有的无人机搭载设备技术主要用于地理探测,生物目标探测,针对污染物排放探测方面的技术尚为空缺。其中中国专利CN107340547A中提到的技术为使用了浸入式和接触式的探测方式,进行固体与液体的探测。但该方法适用于固体,液体物质的探测,并不适用于高排气体的检测。其中CN206177914U主要是用于危险气体检测,但使用物理传感器进行气体浓度的检测,检测的浓度上限低,并不适用于大浓度高排污染物的检测。
【发明内容】
本发明的目的在于克服上述现有技术的缺点,提供一种无人机载高排典型污染物差分吸收光谱检测方法。
为达到上述目的,本发明采用以下技术方案予以实现:
一种无人机载高排典型污染物差分吸收光谱检测方法,包括以下步骤:
步骤1:基本巡航步骤
在控制中心设定基本参数;控制无人机飞往监测位置,或无人机按照预定巡查路线飞往监测位置;数据收集时间为1分钟以内,数据收集完毕发送相关数据给地面控制中心或在无人机平台上进行数据处理,发送最终结果给控制中心,飞往下一地点或飞回控制中心;
步骤2:获取光谱数据及相关数据
当无人机在空中悬停后,机载控制中心打开光谱仪与光源开关;光谱仪输出气体污染物的光谱数据;用机载控制中心接收光谱仪的数据输出,并存储到机载储存器上,用机载的图像、气压、温度以及湿度模块测量监测区域图像、气压、温度以及湿度信息,储存在机载储存器上;并通过无人机的通信模块将信息传送到地面控制中心;然后进行数据处理;
步骤3:光谱数据处理和图像数据处理
光谱数据处理采用差分吸收光谱方法DOAS;
实际运用时需要进行数据的预处理过程;采用小波变换进行数据的预处理,剔除噪声;根据温度、气压及湿度相关信息进行光谱图的校正;校正后的光谱经过差分光谱处理过程处理后得到差分光谱图;然后根据预先设定的相关参数进行简单的光谱匹配确定各排放气体浓度,初步调整参照差分光谱图的浓度参数,使两者相似度高于百分之八十;若能则表明待测气体为预先设定的监测气体类型,继续调整参数进行匹配,直至得到最优结果;若不能则表明得到的差分光谱数据存在其他气体元素吸收叠加,混合的问题,则采用偏最小二乘-主成分分析算法 PLS-PCA或机器学习相关算法进行聚类降维分析,分解出不同分量信息,再根据物质的吸收光谱信息确定该分量信息为何物质的浓度;最后将结果储存在储存器上;
图像数据跟光谱数据同时获取;图像数据由1000万像素以上摄像头获取;图像数据经过压缩处理后与光谱数据进行标对,将同一时间的数据互相绑定;然后储存在储存器上;
步骤4:预测该区域未来污染情况
当进行数据采集后,根据采集到的图像与光谱数据运用神经网络算法进行预测建模,该模型包含光谱与图像两维信息。
本发明进一步的改进在于:
基本参数为预检测污染气体类型与大概浓度。
监测区域为靠近污染排放口50米以内。
机载控制中心采用单片机、FPGA或ARM。
步骤3中,差分吸收光谱方法的处理过程为:
1)获得的光谱信息包含慢变部分与快变部分,通过对光谱信息进行多项式拟合可以得到慢变部分,2)用光谱数据减去慢变部分得到快变部分,3)取对数后可得到差分光谱;
用公式表示为:
D(λ)=ln(I0(λ)-I(λ))
式中D(λ)为差分光谱,I0(λ)为原始光谱,I(λ)为光谱经多项式拟合后的慢变部分;
步骤3中,光谱匹配是指根据预设的相关参数信息,生成相应的参照差分光谱数据,进行对比。
步骤3中,光谱数据处理和图像数据处理是在无人机平台上进行或在地面控制中心进行。
与现有技术相比,本发明具有以下有益效果:
本发明无人机载高排典型污染物差分吸收光谱检测方法,精度高,测量上下限高采用差分吸收光谱法进行污染物测量,相比用物理或化学方法进行检测有很高的精度,以及上下限。在高排企业等特定环境下,对检测装置的检测上限要求很高,而光谱法正好可以解决这一问题。其次,本发明能随时监测高排企业、焦化厂,石化类企业等环境高空污染;本发明以无人机为搭载工具,可实时快速的得到空中污染情况,特别是高排企业周围环境,可以用于监管部门进行远程监控。最后,本发明采用图像信息与光谱信息一起建模,提高了模型预测的准确度。
【附图说明】
图1为本发明设备运行流程图;
图2为光谱获取简易结构图;
图3为设备的简略结构主视图;
图4设备的简略结构侧视图。
其中:1-光源;2-气体室;3-光谱仪;4-控制中心;5-无人机。
【具体实施方式】
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
本发明主要是针对高排典型污染物浓度进行检测,确定污染物排放是否符合标准。其中典型污染物的种类有二氧化硫,一氧化碳,二氧化氮,颗粒物等。该发明采用DOAS(差分吸收光谱)的方法进行数据分析,该方法对于多种高排气体有很好的识别能力,并能很好的解决多污染物存在、多污染类型叠加、多污染过程耦合、多尺度污染以及多气象因子的影响。并且该方法原理简单,容易实现。以无人机作为搭载工具,使用便捷,操作简单。
发明所需光谱获取设备与无人机设备两部分。光谱获取设备包括光源1、气体室2、光谱仪3等,无人机设备主要包括无人机5、数据存储设备、控制中心4、避障模块、通信模块、地面信息接收设备等;光源1采用氘灯,控制中心4采用 FPGA控制器。设备主要功能靠光谱获取设备实现,数据获取方式为,当无人机飞到预定位置后,无人机控制中心控制光谱获取设备进行数据获取,数据获取方式为:高排气体进入气体室,FPGA控制中心打开氘灯光源开关,氘灯发出的光经过准直透镜后进入气体室,从气体室出来的光经聚焦透镜后进入光谱仪中,光谱仪进行光谱采集,FPGA控制中心将数据存入无人机上的储存设备中。
设备运行模式包含两种方式,一种为全自动巡查模式,一种为人工控制模式。
在全自动巡查模式下,1)需预规划并设定好初始巡查路线,通过路径规划算法实现,并设好各项参数2)当无人机在空中飞行时可根据实际情况自主小范围改变巡查路线,通过避障模块与路径调整算法实现,3)进入探测位置后,机载控制模块FPGA控制光谱获取设备进行污染物光谱数据的读取,并将数据储存在机载储存单元上,4)读取所在高度的大气压强与温度信息,通过相应模块实现,并将数据储存在机载储存单元上,5)按照路线进入下一监测位置重复1-4 步骤获取光谱数据。6)当选用实时分析时,通过无人机的数据收发模块将数据发送给地面接收端,地面接收端收到数据。当选用随后处理时,可在无人机完成任务后,取出储存单元,读取其中数据,7)在地面控制中心进行光谱数据分析和储存,8)根据以前的历史信息预测当前探测区域的未来污染情况。
在人工控制模式下,1)通过控制屏控制无人机飞往探测位置,该步骤由飞行控制模块实现,2)通过地面接收端控制无人机载光谱探测污染物设备的探测参数,3)设置好各项参数后进行数据的获取,数据的获取包括污染物的光谱信息,所在高度的大气压强与温度信息。获取的各种数据通过FPGA控制器传入储存器中,4)当选用实时分析时,通过无人机的数据收发模块将数据发送给地面接收端,地面接收端收到数据。当选用随后处理时,可在无人机完成任务后,取出储存单元,读取其中数据,5)重复1-4步骤进行任务。6)运用DOAS(差分吸收光谱法)进行数据分析,得到相应的探测污染物种类浓度,7)根据以前的历史信息预测当前探测区域的未来污染情况。
参见图1和图2,图1为数据处理流程图,其中气压,温度等数据是为了校正光谱数据,剔除这些环境变量的影响,所以在光谱数据处理中需要气压,温度等数据。图像数据的获取是因为保证光谱信息的有效性,方便监管人员取证。更是为了提高预测模型的稳定性,给出更高的预测结果。
图2为光谱数据处理流程图:光谱数据处理是该方法的核心内容,为提高光谱数据处理效率,采用如下的处理方式,先将差分光谱与参照差分光谱对比,根据结果选择相应的方法进行进一步处理。
本发明提出的无人机载高排典型污染物差分吸收光谱检测方法,包括以下步骤:
其中典型污染物的种类有二氧化硫,一氧化碳,二氧化氮,颗粒物等。
1)基本巡航步骤:
在控制中心设定基本参数,基本参数为预检测污染气体类型与大概浓度,以提高数据处理效率。控制无人机飞往监测位置,或无人机按照预定巡查路线飞往监测位置。该监测区域为靠近污染排放口50米以内。数据收集时间为1分钟以内,数据收集完毕发送相关数据给地面控制中心或在无人机平台上进行数据处理,发送最终结果给控制中心,飞往下一地点或飞回控制中心。
2)获取光谱数据及相关数据。
光谱获取流程为,当无人机在空中悬停后,机载控制中心打开光谱仪与光源开关。光源发光经过准直透镜后进入气体室,在气体室中与气体发生光学反应,然后经过聚焦透镜后进入光谱仪,光谱仪输出气体污染物的光谱数据。用机载控制中心接收光谱仪的数据输出,并存储到机载储存器上,用机载的图像,气压、温度及湿度模块测量监测区域图像,气压、温度及湿度信息,储存在机载储存器上。并通过无人机的通信模块将信息传送到地面控制中心。然后进行数据处理。单片机,FPGA,ARM等都可以作为机载控制中心。气压、温度及湿度信息是为了修正光谱数据。图像信息是为了保证光谱数据与图像信息的时间空间一致性,方便监管人员取证。
3)光谱数据处理。
光谱数据处理采用DOAS(吸收光谱方法),通过特定物质对特定波长的光有不同的吸收度来区分不同的物质。例如,二氧化硫对波长为300nm左右的光有很强的吸收能力,在将二氧化硫的差分吸收光谱与其对比,从而得到二氧化硫的浓度信息。
差分吸收光谱的处理过程为:1)获得的光谱信息包含慢变部分与快变部分,通过对光谱信息进行多项式拟合可以得到慢变部分,2)用光谱数据减去慢变部分得到快变部分,3)取对数后可得到差分光谱。
用公式表示为:
D(λ)=ln(I0(λ)-I(λ))
式中D(λ)为差分光谱,I0(λ)为原始光谱,I(λ)为光谱经多项式拟合后的慢变部分。
实际运用时由于采集到的原始数据含有噪声和各种因素的影响,需要进行数据的预处理过程。该方法采用小波变换进行数据的预处理,剔除噪声。根据温度、气压及湿度相关信息进行光谱图的校正。校正后的光谱经过差分光谱处理过程处理后得到差分光谱图。然后根据预先设定的相关参数进行简单的光谱匹配确定各排放气体浓度,简单的光谱匹配是指根据预设的相关参数信息,生成相应的参照差分光谱数据,进行对比,初步调整参照差分光谱图的浓度参数,使两者相似度高于百分之八十;若能则表明待测气体为预先设定的监测气体类型,继续调整参数进行匹配,直至得到最优结果。若不能则表明得到的差分光谱数据存在其他气体元素吸收叠加,混合的问题,则采用偏最小二乘-主成分分析算法(PLS-PCA) 或机器学习相关算法进行聚类降维分析,分解出不同分量信息,再根据物质的吸收光谱信息确定该分量信息为何物质的浓度。最后将结果储存在储存器上。
图像数据处理:
图像数据跟光谱数据同时获取,由于在同一无人机上,能保证两种数据在时间空间上的一致性。图像数据由1000万像素以上摄像头获取,保证图像清晰度。图像数据经过压缩处理后与光谱数据进行标对,将同一时间的数据互相绑定。然后储存在储存器上。
以上数据处理过程可以在无人机平台上进行,也可以在地面控制中心进行。
4)预测该区域未来污染情况。
当进行一定时间与区域的数据采集后,根据采集到的图像与光谱数据运用神经网络算法进行预测建模,该模型包含光谱与图像两维信息,提高预测模型的精度。通过该模型推测未来该区域高空环境污染状况变化,提醒相关部门注意。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (1)
1.一种基于无人机的气体污染物差分吸收光谱检测方法,其特征在于,
检测方法使用的检测装置包括光谱获取设备与无人机设备;光谱获取设备包括光源、气体室、光谱仪,所述光源为氘灯;无人机设备包括无人机、机载储存器、机载控制中心、避障模块、通信模块、地面信息接收模块、摄像头、气压检测模块、温度检测模块以及湿度检测模块,所述机载控制中心采用 FPGA控制器,所述摄像头为1000万像素以上的摄像头;气体污染物为二氧化硫、一氧化碳和二氧化氮;
检测方法包括以下步骤:
步骤1:基本巡航步骤
在地面控制中心设定基本参数,基本参数为检测的气体污染物类型与气体污染物的大致浓度;控制无人机飞往监测位置,或无人机按照预定巡查路线飞往监测位置;预定巡查路线通过路径规划算法设定,无人机按照预定巡查路线飞往监测位置过程中,根据实际情况,通过避障模块与路径调整算法自主小范围地改变巡查路线;
步骤2:获取光谱数据及相关数据
当无人机飞到监测位置,并在空中悬停后,待测气体进入气体室,机载控制中心打开光谱仪与光源开关,光源发出的光经过准直透镜后进入气体室,从气体室出来的光经聚焦透镜后进入光谱仪中,光谱仪输出气体污染物的光谱数据;用机载控制中心接收光谱仪输出的光谱数据,并存储到机载储存器上;用机载的摄像头拍摄监测区域图像,将监测区域图像经压缩处理后与光谱数据进行标对,将同一时间的光谱数据和图像数据互相绑定,储存在机载储存器上;用机载的气压检测模块、温度检测模块以及湿度检测模块测量监测区域的气压、温度以及湿度信息,并储存在机载储存器上;通过无人机设备的通信模块将机载储存器中的数据传送到地面控制中心,然后进行数据处理;数据收集时间为1分钟以内,数据收集完毕后飞往下一地点或飞回地面控制中心;
步骤3:光谱数据处理和图像数据处理
在光谱数据处理时,首先采用小波变换进行光谱数据的预处理,剔除噪声;然后根据温度、气压及湿度信息对光谱数据进行校正;校正后的光谱经过差分光谱处理过程处理后得到待测差分光谱图;然后根据预先设定的相关参数进行光谱匹配确定各气体污染物浓度,光谱匹配是指根据预设的基本参数,生成相应的参照差分光谱图,将待测差分光谱图与参照差分光谱图进行对比,并初步调整参照差分光谱图的浓度参数,使待测差分光谱图与参照差分光谱图的相似度高于百分之八十;若能实现,则表明待测气体污染物为预先设定的气体污染物类型,并继续调整浓度参数进行光谱匹配,直至得到最优结果,获得气体污染物浓度;若不能实现,则表明待测差分光谱图存在其他气体吸收,此时采用偏最小二乘-主成分分析算法PLS-PCA进行聚类降维分析,分解出不同气体分量信息,并确定上述分量信息对应的气体污染物类型及其浓度;最后将结果储存在储存器上;
步骤4:预测监测区域未来污染情况
在进行一定时间与区域的数据采集后,根据采集到的图像数据与光谱数据运用神经网络算法建立预测模型,该模型包含光谱与图像两维信息,通过该模型预测监测区域未来的高空环境污染状况变化情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447545.1A CN109444062B (zh) | 2018-11-29 | 2018-11-29 | 一种无人机载高排典型污染物差分吸收光谱检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811447545.1A CN109444062B (zh) | 2018-11-29 | 2018-11-29 | 一种无人机载高排典型污染物差分吸收光谱检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109444062A CN109444062A (zh) | 2019-03-08 |
CN109444062B true CN109444062B (zh) | 2021-07-13 |
Family
ID=65555828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811447545.1A Active CN109444062B (zh) | 2018-11-29 | 2018-11-29 | 一种无人机载高排典型污染物差分吸收光谱检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444062B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975224B (zh) * | 2019-04-17 | 2024-04-05 | 西南交通大学 | 气体拍摄检测系统 |
CN110361340B (zh) * | 2019-06-25 | 2022-06-10 | 生态环境部卫星环境应用中心 | 基于无人机的大气污染源so2监测方法及系统 |
CN110308104B (zh) * | 2019-06-25 | 2022-06-10 | 生态环境部卫星环境应用中心 | 一种大气污染物no2浓度监测方法及系统 |
CN110274916B (zh) * | 2019-08-06 | 2022-01-25 | 云南电网有限责任公司电力科学研究院 | 基于卫星遥感的电网污染物浓度监测方法及系统 |
CN110376145B (zh) * | 2019-08-22 | 2022-11-01 | 北京迪特锐科技有限公司 | 一种利用光学技术检测固定污染源的检测系统 |
CN111639456A (zh) * | 2020-06-17 | 2020-09-08 | 太原理工大学 | 一种基于无人机的全时空水域污染物应急态势感知系统 |
CN113295826B (zh) * | 2021-05-24 | 2023-06-27 | 暨南大学 | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 |
CN113727214A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 大气污染的巡查方法、装置、设备及存储介质 |
CN114088885B (zh) * | 2021-11-22 | 2023-05-23 | 安徽中科大赛悟科技有限公司 | 一种大气污染物走航检测系统 |
CN114544450B (zh) * | 2022-02-23 | 2023-02-03 | 清控(江苏)系统有限公司 | 一种废气在线处理监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290289A (zh) * | 2008-05-30 | 2008-10-22 | 天津市蓝宇科工贸有限公司 | 紫外差分烟气浓度测量系统校准方法及实施装置 |
CN105164513A (zh) * | 2013-06-04 | 2015-12-16 | 福斯分析股份公司 | 校正光谱仪的强度偏差的方法及设备 |
CN105784621A (zh) * | 2016-05-16 | 2016-07-20 | 青岛市光电工程技术研究院 | 一种基于无人飞行器平台的船舶废气二氧化硫检测装置 |
-
2018
- 2018-11-29 CN CN201811447545.1A patent/CN109444062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290289A (zh) * | 2008-05-30 | 2008-10-22 | 天津市蓝宇科工贸有限公司 | 紫外差分烟气浓度测量系统校准方法及实施装置 |
CN105164513A (zh) * | 2013-06-04 | 2015-12-16 | 福斯分析股份公司 | 校正光谱仪的强度偏差的方法及设备 |
CN105784621A (zh) * | 2016-05-16 | 2016-07-20 | 青岛市光电工程技术研究院 | 一种基于无人飞行器平台的船舶废气二氧化硫检测装置 |
Non-Patent Citations (1)
Title |
---|
机载紫外DOAS成像光谱仪CCD成像电路的设计及实施;邱晓晗 等;《红外与激光工程》;20170531;第46卷(第5期);第0533002-5至0533002-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109444062A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444062B (zh) | 一种无人机载高排典型污染物差分吸收光谱检测方法 | |
Baudic et al. | Seasonal variability and source apportionment of volatile organic compounds (VOCs) in the Paris megacity (France) | |
Benedetti et al. | Status and future of numerical atmospheric aerosol prediction with a focus on data requirements | |
Kulmala et al. | General overview: European Integrated project on Aerosol Cloud Climate and Air Quality interactions (EUCAARI)–integrating aerosol research from nano to global scales | |
Chandra et al. | Temporal variations of atmospheric CO 2 and CO at Ahmedabad in western India | |
Giannakaki et al. | Optical properties of different aerosol types: seven years of combined Raman-elastic backscatter lidar measurements in Thessaloniki, Greece | |
Peralta et al. | Atmospheric black carbon concentrations in Mexico | |
KR20130038906A (ko) | 하이퍼스펙트럴 촬영분석을 통해 일정 지역내 오염된 실외공기입자를 실시간 모니터링, 파라메트릭 프로파일링 및 규제하는 방법과 시스템 | |
Heintzenberg et al. | Aerosol particle number size distributions and particulate light absorption at the ZOTTO tall tower (Siberia), 2006–2009 | |
WO2016062216A1 (en) | Traceable emission remote monitoring system and method | |
CN110308104B (zh) | 一种大气污染物no2浓度监测方法及系统 | |
CN112485319A (zh) | 大气环境走航监测方法及信息处理方法、装置、监测车 | |
CN109883931B (zh) | 一种pm2.5在线源解析方法及测量系统 | |
Olaguer et al. | Overview of the SHARP campaign: Motivation, design, and major outcomes | |
Alden et al. | Bootstrap inversion technique for atmospheric trace gas source detection and quantification using long open-path laser measurements | |
Wagner et al. | Application of a mobile laboratory using a selected-ion flow-tube mass spectrometer (SIFT-MS) for characterisation of volatile organic compounds and atmospheric trace gases | |
Lin et al. | Diagnosis of Ozone Formation Sensitivities in Different Height Layers via MAX‐DOAS Observations in Guangzhou | |
CN109459395B (zh) | 一种无人机载高排典型污染物差分吸收光谱检测设备 | |
CN115060850A (zh) | 空地双场耦合的大气污染源追踪和通量测量装置及方法 | |
CN110687547A (zh) | 一种基于遥感雷达的有毒有害气体环境风险预警监测方法 | |
Alden et al. | Methane leak detection and sizing over long distances using dual frequency comb laser spectroscopy and a bootstrap inversion technique | |
CN114755674A (zh) | 基于人工智能的多站雷达融合监测系统 | |
Ajith et al. | Evolution of organic aerosols in the South Asian outflow to the northern Indian Ocean | |
CN110361340B (zh) | 基于无人机的大气污染源so2监测方法及系统 | |
Castell | Low-cost sensors and networks. Overview of current status by the Norwegian Reference Laboratory for Air Quality. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |