CN109470720A - 液体识别方法、向量提取方法、液体识别装置及存储介质 - Google Patents

Abstract

本申请提供了一种液体识别方法、向量提取方法、液体识别装置及存储介质。该液体识别方法包括：采集被测液体的微波反射信号；根据微波反射信号得到被测液体的微波数据；根据微波数据计算得到被测液体的特征向量；将特征向量输入预设分类器进行识别，并获取识别结果。通过上述液体识别方法，能够快速对被测液体进行识别，提高准确率。

Description

液体识别方法、向量提取方法、液体识别装置及存储介质

技术领域

本申请涉及检测技术领域，特别是涉及一种液体识别方法、向量提取方法、液体识别装置及存储介质。

背景技术

传统的易燃易爆液体检测方法主要有试纸法、拉曼光谱法、X射线法和微波法。前三种检测方法存在检测时间长、成本高和识别率较低等问题。考虑到车站、机场等公众场合的人流量大，安全等级要求高，对于应用到这些场合的检测设备提出了尽可能快速、准确和高效的要求。微波在介质中传播时呈现出穿越、吸收和反射的特性，对于塑料、玻璃和陶瓷，微波几乎是穿越而不吸收，水则呈现吸收特性，金属类则呈现反射特性。因而微波法能够容易的实现无损检测，同时微波法又具有灵敏度高，检测速度快、成本适中等优点，具有较大的开发潜力。

目前，基于微波信号液体检测的方法大多根据液体微波反射或透射信号中信号的相位、幅度、能量、时域峰峰值以及反演液体的介电常数这些特种中的一种或两种，通过简单的设定阈值来区分不同类型的液体，研究表明，上述特征在信号的不同采集条件下变异性大，导致上述方法的实用性较差、误报率高。近年来，人工智能算法得到了快速发展，在对于大数据样本的分类/回归分析方面都取得了传统方法(简单的设定阈值等)无可比拟的效果。

发明内容

本申请提供了一种液体识别方法、向量提取方法、液体识别装置及存储介质，主要解决的技术问题是如何快速对被测液体进行准确识别。

为解决上述技术问题，本申请提供了一种液体识别方法，所述液体识别方法包括：

采集被测液体的微波反射信号；

根据所述微波反射信号得到所述被测液体的微波数据；

根据所述微波数据计算得到所述被测液体的特征向量；

将所述特征向量输入预设分类器进行识别，并获取识别结果。

为解决上述技术问题，本申请还提供了一种特征向量提取方法，所述特征向量提取方法包括：

采集被测液体的反射信号；

根据所述反射信号得到所述被测液体的微波数据；

根据所述微波数据计算得到所述被测液体的特征向量；

其中，所述特征向量包括上述液体识别方法的特征向量。

为解决上述技术问题，本申请还提供了一种液体识别装置，所述液体识别装置包括收发模块和处理模块，其中，所述收发模块与所述处理模块耦接；

所述收发模块用于采集所述被测液体的微波反射信号；

所述处理模块用于根据所述微波反射信号得到所述被测液体的微波数据；

所述处理模块还用于根据所述微波数据计算得到所述被测液体的特征向量；

所述处理模块进一步用于将所述特征向量输入预设分类器进行识别，并获取识别结果。

为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质存储有程序数据，所述程序数据能够被执行以实现上述的液体识别方法或上述的特征向量提取方法。

与现有技术相比，本申请的有益效果是：采集被测液体的微波反射信号；根据微波反射信号得到被测液体的微波数据；根据微波数据计算得到被测液体的特征向量；将特征向量输入预设分类器进行识别，并获取识别结果。通过上述液体识别方法，本申请将被测液体通过将微波反射信号进行处理，计算得到被测液体的特征向量，并利用分类器对特征向量进行识别。本申请能够快速准确识别出易燃易爆危险液体和安全液体。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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，还可以根据这些附图获得其他的附图。其中：

图1是本申请液体识别方法一实施例的流程示意图；

图2是图1中微波信号的传播路径示意图；

图3是图1中采集的微波反射信号波形图；

图4是本申请液体识别方法又一实施例的流程示意图；

图5是图4中微波数据提取流程示意图；

图6是图4中标准化后微波数据的时域波形图；

图7是图4中标准化后微波数据的频谱图；

图8是本申请特征向量提取方法一实施例的流程示意图；

图9是本申请液体识别装置一实施例的结构示意图；

图10是本申请计算机存储介质一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请提出了一种液体识别方法，具体请参见图1～图3。图1是本申请液体识别方法一实施例的流程示意图，图2是图1中微波信号的传播路径示意图，图3是图1中采集的微波反射信号波形图。

本实施例的液体识别方法应用于安检领域，用于区分易燃易爆危险液体和安全液体。基于微波反射信号的液体识别方法能够有效地识别容器内的液体类型。

如图1所示，该液体识别方法包括以下步骤：

S11：采集被测液体的微波反射信号。

其中，本实施例的液体识别方法应用于液体安检仪中，液体安检仪中至少包括微波模块、太赫兹模块和热传导模块。

采集被测液体的微波反射信号的具体过程如下：盛放被测液体的容器被放置在液体安检仪的发射天线和接收天线之间；启动液体安检仪后，安检仪中的微波模块扫描盛放在容器内的被测液体，获得如图3所示的微波反射信号S(m)。

在本实施例中，发射天线和接收天线是液体安检仪微波模块的一部分结构。发射天线和接收天线采用收发分置的工作方式，且发射天线和接收天线位于同一水平面，便于夹持盛放被测液体的容器。

微波模块扫描盛放在容器内的被测液体时，微波信号的传播路径如图2所示。具体地，微波模块中的发射天线发射出的微波脉冲1垂直射入容器5，在容器壁4与被测液体6的分界面发生强烈反射和透射，得到反射信号2和透射信号。透射信号在被测液体6中传播，当透射信号传播到被测液体6与空气8的分界面7时，发生强烈反射和透射，得到反射信号3。反射信号3沿原路径返回与反射信号2以一定的时差先后被接收天线接收。

S12：根据微波反射信号得到被测液体的微波数据。

其中，提取微波反射信号S(m)中的微波数据s(n)，其中，n＜m。对微波数据s(n)进行数据标准化后，得到标准化后的微波数据x(n)。

S13：根据微波数据计算得到被测液体的特征向量。

其中，根据标准化后的微波数据x(n)计算x(n)的时域特征向量T和频域特征向量F，并将时域特征向量T和频域特征向量F组合成为多维特征向量M。

进一步地，对多维特征向量M进行归一化处理，得到归一化后的多维特征向量M^*。

S14：将特征向量输入预设分类器进行识别，并获取识别结果。

将归一化后的多维特征向量M^*输入预设分类器进行识别，并获取识别结果。其中，识别结果包括“危险液体”和“安全液体”。

进一步地，本实施例的液体识别方法还可以识别到液体为“安全液体”的基础上进一步识别液体为食用油类液体或饮料类液体；识别到液体为“危险液体”的基础上进一步识别液体为高浓度酒精类液体、强酸类液体或强碱类液体等。

在本实施例的液体识别方法中，由于反应不同液体主要特征的介电常数存在差异，电磁波在不同阻抗的界面进行传播都会发生反射，其中，液体的阻抗主要由介电常数决定。因此，通过盛放被测液体的容器和液体分界面、液体和空气的分界面反射回来的微波信号，就可以识别出容器内盛放液体的类型。具体地，先对反射回来的液体微波信号进行预处理，然后计算预处理后的液体微波信号的时域特征向量和频域特征向量，并组合成多维特征向量；最后基于多维特征向量通过预设分类器进行识别，得到识别结果。通过上述液体识别方法，能够快速获取被测液体准确的识别结果。

本申请提出了另一种液体识别方法，具体请参见图4～图7。图4是本申请液体识别方法又一实施例的流程示意图，图5是图4中微波数据提取流程示意图，图6是图4中标准化后微波数据的时域波形图，图7是图4中标准化后微波数据的频谱图。

如图4所示，该液体识别方法包括以下步骤：

S41：采集被测液体的微波反射信号。

其中，本实施例的步骤S41与上述实施例的步骤S11相同，在此不再赘述。

S42：从微波反射信号提取第一微波数据。

其中，液体识别方法将微波反射信号的波峰信号设置为标准信号，并将标准信号预设范围内的所有信号组合成第一微波数据。

进一步地，本实施例的液体识别方法根据液体微波反射信号S(m)的波峰定位微波数据s(n)的起点，提取起点前后预设点数对应的信号值组合成微波数据s(n)。其中，预设点数可为205。在其它实施例中，预设点数也可为其它点数。

具体地，对液体微波反射信号S(m)进行微波数据提取的方法请参见图5。首先，获取液体微波反射信号S(m)的最大值及其位置maxIndex；然后，判断maxIndex是否符合微波数据s(n)的起点条件。若最大值位置不符合起点条件，则将maxIndex附近的点对应的信号值置零；若最大值位置符合起点条件，则提取maxIndex前后的点对应的信号值作为微波数据s(n)。

上述的微波数据s(n)起点条件为：

式中，18、186、14和0.2均为预设的条件值。在其它实施例中也可以采用其它条件值，在此不再赘述。

具体地，若最大值位置不符合起点条件，将maxIndex附近的点对应的信号值置零的具体实现公式为：

S(maxIndex-10，maxIndex-9，…，maxIndex+10)＝0

式中，maxIndex-10和maxIndex+10均为预设条件值。在其它实施例中也可以采用其它条件值，在此不再赘述。

具体地，若最大值位置符合起点条件，提取maxIndex前后的点对应的信号值作为微波数据s(n)的具体实现公式为：

式中，maxIndex-18和maxIndex+186均为预设条件值。在其它实施例中也可以采用其它条件值，在此不再赘述。

S43：将第一微波数据进行数据标准化处理，得到第二微波数据。

其中，数据标准化的公式为其中，x(n)为第二微波数据，μ为第一微波数据s(n)的均值，σ为第一微波数据s(n)的标准差。

根据数据标准化的公式，将第一微波数据s(n)进行标准化处理，得到第二微波数据x(n)。标准化处理后的第二微波数据x(n)的时域波形图具体请参见图6。

S44：计算第二微波数据的时域特征向量和频域特征向量，并组合为多维特征向量。

其中，计算第二微波数据x(n)的时域特征向量T，具体计算过程如下：

计算第二微波数据x(n)的最大值T_max、最小值T_min和均值T_mean，从而获取x(n)的时域峰峰值T_pp＝T_max-T_min，并计算第二微波数据x(n)的能量值最后将第二微波数据x(n)的均值T_mean、时域峰峰值T_pp和第二微波数据x(n)的能量值T_En作为液体微波的时域特征向量T＝{T_mean,T_pp,T_En}。

计算第二微波数据x(n)的频域特征向量F，具体计算过程如下：

对第二微波数据x(n)进行快速傅里叶变换得到第三微波数据x_f(k),k≤n，进而得到第三微波数据x_f(k)的相位F_p和频谱幅度的最大值F_max，并计算频谱中低频部分和整个频带功率的比值F_ratio。计算公式具体如下：

式中，x_fd(q)为x_f(k)的低频频谱(q＜k)，为x_f(k)的均值，为x_fd(q)的均值。经过快速傅里叶变换的第三微波数据x_f(k)的频谱图具体请参见图7。

快速傅里叶变换(Fast fourier transform,FFT)是信号处理中一种有效的时、频信号转换方法，有利于研究者在频域分析信号在时域无法观测到的潜在特征。

进一步地，将第三微波数据x_f(k)的相位F_p、第三微波数据x_f(k)频谱幅度的最大值F_max和低频频谱和整个频带功率的比值F_ratio作为液体微波的频域特征向量F＝{F_p,F_max,F_ratio}。

最后，将时域特征向量T和频域特征向量F组合为反映不同液体微波反射信号特征的多维特征向量M＝{T,F}。

常见被测液体的特征向量值请参见下述表1：

表1

S45：将多维特征向量输入SVM分类器进行识别，并获取识别结果。

将步骤S44的多维特征向量M进行归一化处理，得到归一化后的多维特征向量M^*。其中，归一化处理的实现公式具体如下：

式中，M_max为多维特征向量M的最大值，M_min为多维特征向量M的最小值。

最后，将归一化后的多维特征向量M^*输入最优SVM分类器(支持向量机分类器)进行识别，并获取识别结果。其中，识别结果包括“危险液体”和“安全液体”。

进一步地，本实施例的液体识别方法还可以识别到液体为“安全液体”的基础上进一步识别液体为食用油类液体或饮料类液体；识别到液体为“危险液体”的基础上进一步识别液体为高浓度酒精类液体、强酸类液体或强碱类液体等。

支持向量机(Support vector machine,SVM)是一种基于VC维理论和结构风险最小理论的模式识别算法，该方法在处理小样本、非线性、高维数数据的统计训练和预测学习问题时具有较好的分类性能和泛化能力。

进一步地，最优SVM分类器模型的训练过程为：

首先，将液体样本数据库的数据随机划分为训练集、验证和测试集(占数据库的比例分别为60％、20％和20％)。其中，液体样本数据库是采用液体安检仪中的微波模块预先采集的市面上常见的塑料、玻璃和陶瓷容器盛放常见液体(包括危险、安全及其混合类型的液体)的微波反射信号，例如每种容器、液体可以采集30组样本，一共(30*塑料、玻璃和陶瓷容器品种数目*液体品种数目)组微波液体反射信号样本及其训练标签(1-危险，0-安全)。

然后，用训练集初步训练SVM分类器，训练过程中采用径向基核函数，通过验证集验证上一步训练出的SVM分类器模型，得到验证集识别率。最后，选取验证集中识别率最高的模型通过10折交叉验证的方法进一步确定测试集中识别率最高的SVM模型，这个模型即为最优SVM分类器模型。

进一步地，在其它实施例中，液体识别方法也可以采用DNN神经网络对被测液体的特征向量进行识别。

具体地，在获取到归一化后的多维特征向量M^*后，进一步将归一化后的多维特征向量M^*输入到预设分类器中进行识别。其中，预设分类器是深度神经网络。深度神经网络(Deep Neural Network，DNN)是具有多个隐含层的神经网络，相比于传统的分类器，它具有大规模并行的分布式结构，因而模型具有更好的自适应性和泛化性能，能够更好地处理非线性问题。深度神经网络存储有多种液体的微波数据样本组成的数据库，深度神经网络中的微波数据样本的数据进行随机划分为训练集、验证和测试集。

具体地，深度神经网络可以通过预先对市面常见的塑料、玻璃和陶瓷容器，如聚对苯二甲酸乙二醇酯(PET)、聚乙烯(PE)和聚丙烯(PP)塑料容器等以及市面上常见的液体进行样本选取。例如，每种液体可以选取30组，一共(30*塑料、玻璃和陶瓷容器品种数目*液体品种数目)组的微波数据进行训练，其包括多级标签。具体地，一级可以为安全性的标签，即危险和安全。如水的一级标签为安全，或者水与不与水进行反应的其他安全液体的混合液体的标签为安全；二级标签可以为种类标签，如安全液体下的饮料等等；进一步的，还可以存在三级标签，如饮料液体中凉茶等。

通过对不同液体进行标上不同的标签，随后采用训练集对DNN分类器进行训练。训练过程中可以采用双曲正切激活函数，通过验证集验证上一步训练出的DNN模型，得到验证集识别率；选取验证集中识别率最高的模型通过10折交叉验证的方法进一步确定测试集中识别率最高的DNN的分类器模型，得到识别率最高的DNN的分类器模型后，即为本实施例提供的预设分类器。

在本实施例的液体识别方法中，通过微波反射信号的时域特征和频域特征组成的多维特征向量，利用SVM算法，能够对不同容器盛放的液体进行无损检测，能够有效地应用于不同体积、厚度的塑料、玻璃和陶瓷容器中易燃易爆液体的安检。

本申请还提供了一种特征向量提取方法，具体请参见图8，图8是本申请特征向量提取方法一实施例的流程示意图。

该特征向量提取方法包括以下步骤：

S81：采集被测液体的反射信号。

S82：根据反射信号得到被测液体的微波数据。

S83：根据微波数据计算得到被测液体的特征向量。

其中，该特征向量提取方法得到的特征向量包括上述液体识别方法中的特征向量。

本申请还提供了一种液体识别装置，具体请参见图9，图9是本申请液体识别装置一实施例的结构示意图。

液体识别装置900包括收发模块91和处理模块92，其中，收发模块91与处理模块92耦接。

收发模块91用于采集被测液体的微波反射信号；

处理模块92用于根据微波反射信号得到被测液体的微波数据；

处理模块92还用于根据微波数据计算得到被测液体的特征向量；

处理模块92进一步用于将特征向量输入预设分类器进行识别，并获取识别结果。

本申请还提供一种计算机存储介质，如图10所示，计算机存储介质100存储有程序数据，程序数据能够被执行以实现如本申请液体识别方法和/或特征向量提取方法实施例中所述的方法。

本申请液体识别方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置100中，例如一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (11)

1.一种液体识别方法，其特征在于，所述液体识别方法包括：

采集被测液体的微波反射信号；

根据所述微波反射信号得到所述被测液体的微波数据；

根据所述微波数据计算得到所述被测液体的特征向量；

将所述特征向量输入预设分类器进行识别，并获取识别结果。

2.根据权利要求1所述的液体识别方法，其特征在于，所述根据所述微波反射信号得到所述被测液体的微波数据的步骤，进一步包括：

从所述微波反射信号提取第一微波数据；

将所述第一微波数据进行数据标准化处理，得到第二微波数据；

所述数据标准化的公式为：其中，x(n)为所述第二微波数据，μ为s(n)的均值，σ为s(n)的标准差。

3.根据权利要求2所述的液体识别方法，其特征在于，所述从所述微波反射信号提取第一微波数据的步骤，进一步包括：

将所述微波反射信号的波峰信号设置为标准信号，并将所述标准信号预设范围内的所有信号组成所述第一微波数据。

4.根据权利要求1所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：

计算所述第二微波数据的最大值、最小值和均值T_mean；

根据所述最大值和所述最小值得到所述第二微波数据的时域峰峰值T_pp；

计算所述第二微波数据的能量值T_En，其中，计算公式为

将所述均值T_mean、所述时域峰峰值T_pp和所述能量值T_En组合得到所述被测液体的时域特征向量T＝{T_mean,T_pp,T_En}。

5.根据权利要求4所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：

对所述第二微波数据进行快速傅里叶变换得到第三微波数据x_f(k),k≤n，并得到所述第三微波数据的相位F_p和频谱幅度的最大值F_max；

根据所述第三微波数据计算频谱中低频部分和整个频带功率的比值F_ratio，其中，计算公式为：

式中，x_fd(q)为x_f(k)的低频频谱(q＜k)，和分别为x_f(k)和x_fd(q)的均值；

将所述相位F_p、所述频谱幅度的最大值F_max和所述比值F_ratio组合得到所述被测液体的频域特征向量F＝{F_p,F_max,F_ratio}。

6.根据权利要求5所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：

将所述被测液体的时域特征向量T和频域特征向量F组合为所述被测液体的第一特征向量M＝{T,F}。

7.根据权利要求6所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：

对所述第一特征向量进行归一化处理，得到第二特征向量；

所述归一化处理的公式为：

式中，M_max为M的最大值，M_min为M的最小值。

8.根据权利要求1所述的液体识别方法，其特征在于，所述预设分类器包括SVM分类器；

所述将所述特征向量输入预设分类器进行识别，并获取识别结果的步骤，进一步包括：

将所述特征向量输入SVM分类器进行识别，并获取识别结果。

9.一种特征向量提取方法，其特征在于，所述特征向量提取方法包括：

采集被测液体的反射信号；

根据所述反射信号得到所述被测液体的微波数据；

根据所述微波数据计算得到所述被测液体的特征向量；

其中，所述特征向量包括权利要求1～8中任一项所述的特征向量。

10.一种液体识别装置，其特征在于，所述液体识别装置包括收发模块和处理模块，其中，所述收发模块与所述处理模块耦接；

所述收发模块用于采集所述被测液体的微波反射信号；

所述处理模块用于根据所述微波反射信号得到所述被测液体的微波数据；

所述处理模块还用于根据所述微波数据计算得到所述被测液体的特征向量；

所述处理模块进一步用于将所述特征向量输入预设分类器进行识别，并获取识别结果。

11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有程序数据，所述程序数据能够被执行以实现权利要求1～8中任一项所述的液体识别方法或权利要求9中所述的特征向量提取方法。