CN109784390A - 一种人工智能嗅觉动态响应图谱气体检测识别方法 - Google Patents

一种人工智能嗅觉动态响应图谱气体检测识别方法 Download PDF

Info

Publication number
CN109784390A
CN109784390A CN201910005147.2A CN201910005147A CN109784390A CN 109784390 A CN109784390 A CN 109784390A CN 201910005147 A CN201910005147 A CN 201910005147A CN 109784390 A CN109784390 A CN 109784390A
Authority
CN
China
Prior art keywords
gas
dynamic response
dynamic
matrix
standard
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.)
Granted
Application number
CN201910005147.2A
Other languages
English (en)
Other versions
CN109784390B (zh
Inventor
马登龙
吴芳军
高建民
张早校
谭帏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910005147.2A priority Critical patent/CN109784390B/zh
Publication of CN109784390A publication Critical patent/CN109784390A/zh
Application granted granted Critical
Publication of CN109784390B publication Critical patent/CN109784390B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

一种人工智能嗅觉动态响应图谱气体检测识别方法，通过阵列传感器的动态信号采集泄漏气体数据，再进行标准动态响应图谱重构，将传感器阵列采集到的待测气体建立标准化数据矩阵和矢量图谱后，对标准图谱库中的图片数据进行特征提取，训练学习，建立机器学习动态响应图谱识别模型，利用机器学习图谱识别模型对气体进行定量和定性识别。本发明将传统的单传感器响应识别转化为多维传感器动态响应图谱，并以图谱自动识别方法实现气体检测识别，克服了传统单传感器对气体检测方面的单一性和交叉干扰的缺点，利用同一传感器阵列检测对不同气体进行快速准确检测，提高提高检测效率和精度，同时使检测结果可视化，更加直观。

Description

一种人工智能嗅觉动态响应图谱气体检测识别方法
技术领域
本发明属于电子信息、人工智能、传感器技术、气体检测领域，特别涉及一种人工智能嗅觉动态响应图谱气体检测识别方法。
背景技术
对微量痕迹气体的检测识别被广泛应用于化工、食品、环境等领域，因而快速准确的痕迹气体检测方法尤其重要。传统的气体检测方法，都是依赖于基于物理、化学原理的单个气敏传感器，比如金属半导体气敏传感器、电化学原理气敏传感器、红外气体传感器、基于磁特性的气体传感器等，但是这种传感器存在普遍存在交叉敏感，稳定性和选择性差，响应特性极易受到温度、湿度等环境因素影响的缺陷，而且采用单一气体传感器无法实现对多种气体进行准确的定性定量识别。
另外一些针对气体检测的精密仪器，诸如气相色谱、质谱等仪器，能够对不同气体组分准确检测，在痕迹气体分析当中应用较广，但是这类仪器设备昂贵、操作不便，无法实现实时检测和处理，而且需要复杂的前处理，无法适应现场便携式要求。
针对此，基于传感器阵列和模式算法的人工嗅觉技术受到越来越多的关注。通过利用传感器阵列和模式识别方法，比如支持向量机(SVM)、人工神经网络(ANN)和主成分分析(PCA)等多维传感器数据进行预处理和模型训练，实现多气体定性定量识别。但是这种方法普遍是基于对传感器个别响应值为输入进行建模计算，没有考虑传感器动态响应特性，而且模型通常被用来气体定性识别，定量识别方面还存在很大问题。
由此可见，目前在气体检测识别方面还存在一些问题尚待解决，此方面还有进一步研究开发的空间。
发明内容
本发明目的在于提供一种人工智能嗅觉动态响应图谱气体检测识别方法，该方法利用传感器阵列产生的多维动态响应数据，依据一定的标准化准则，对其标准化后，建立标准气体动态响应图谱库，并通过机器学习方法，对大量图谱库进行数据驱动建模，从而形成气体检测识别的定性和定量识别机器学习模型，实现对痕迹气体或挥发性组分的快速准确检测识别。
为达到上述目的，本发明采用的技术方案是：
一种人工智能嗅觉动态响应图谱气体检测识别方法，先采集阵列传感器的动态信号，然后根据采集的动态信号重构标准动态响应图谱，根据重构的标准动态响应图谱建立标准气体动态响应图谱库，通过对标准图谱库中的图片数据进行处理，得到标准气体机器学习图谱识别模型，最后通过标准气体机器学习图谱识别模型对待测气体动态响应图谱识别。
本发明进一步的改进在于，采集阵列传感器的动态信号的具体过程为：利用大于10个具有不同响应特性的气敏传感器构成传感器阵列，通过该阵列响应待测挥发性气体的浓度信号。
本发明进一步的改进在于，重构标准动态响应图谱的过程包括响应矩阵建立、数据标准化以及标准图谱绘制；
所述响应矩阵建立的具体过程为：将阵列传感器采集的动态信号建立M*N浓度矩阵CMⅹN，其中M为阵列中的传感器数目，N为响应时间，矩阵中M行N列元素代表传感器阵列传感器M对应N时刻的响应值；
所述数据标准化的具体过程包括定性识别矩阵标准化和定量识别矩阵标准化，其中定性识别矩阵标准化是将每个矩阵信号归一化到1-255取值范围；定量信号矩阵标准化，是以同一归一化标准和规则，对每个矩阵进行归一化处理；
所述标准图谱绘制是对标准化后的数据矩阵，以相同的颜色图模板和统一标准的色柱绘制矢量图。
本发明进一步的改进在于，建立标准气体动态响应图谱库的具体过程为：通过采集不同种类及不同浓度的标准挥发性气体，构建对应的标准动态响应图谱，从而建立标准图谱库。
本发明进一步的改进在于，通过对标准图谱库中的图片数据进行特征提取，训练学习，得到标准气体机器学习图谱识别模型。
本发明进一步的改进在于，利用模式识别方法训练学习。
本发明进一步的改进在于，模式识别方法为支持向量机SVM或深度学习DNN。
本发明进一步的改进在于，通过对待测挥发性组分通过阵列传感器动态信号采集、建立标准化数据矩阵和矢量图谱，然后利用机器学习图谱识别模型进行自动定性和定量识别。
与现有技术相比，本发明具有以下有益效果：
(1)本发明提出的人工智能动态响应图谱气体检测识别方法，充分利用检测的多维动态数据，能够克服单一传感器信息选择性单一、灵敏度低的缺点；
(2)本发明提出的人工智能动态响应图谱气体检测技术，利用机器学习图像处理方法，对动态响应细节进行识别，能够实现痕迹气体检测的定性和定量识别，克服传统传感器阵列检测方法只能定性检测分类的缺点；
(3)本发明提出的人工智能动态响应图谱气体检测技术，将检测结果可视化，能够直观看到检测结果，克服传统气敏传感器响应曲线复杂，直接识别困难的缺点。
(4)本发明提出的人工智能动态响应图谱气体检测技术，能够应用于痕迹气体或挥发性组分的定性和定量识别，可用于食品安全、化工安全、环境安全、灾害预警等领域。
附图说明
图1为人工嗅觉动态响应图谱气体检测方法基本流程图。
图2为多维传感器响应图，其中，201～210分别为10个不同种类和响应的传感器，其中，线条201-205对应5个传感器测量的曲线，另外5个传感器响应值约为1左右，几乎重合为一条直线，如线条206～210所示；
图3为多维传感器动态响应图谱，其中，301～305为响应信号强度等值线，等值信号线之间所包围的区域颜色也不相同，301～305之间的不同响应信号以不同颜色表示，301为颜色A，302为颜色B，303为颜色C，304为颜色D，305为颜色E，响应图谱由N种不同颜色组成。
具体实施方式
下面结合附图对本发明进行详细描述。
如图1所示，一种人工智能嗅觉动态响应图谱气体检测识别方法，主要包括以下5个过程：
(1)阵列传感器的动态信号采集；
首先，阵列传感器动态信号采集是利用大于10个具有不同响应特性的气敏传感器构成传感器阵列，通过传感器阵列响应待测气体(即泄漏气体)的浓度信号，如图2所示，不同传感器对某一气体的响应强度值随响应时间变化的规律有所不同；本发明中采用的是10个传感器，5个传感器的响应强度曲线如图2中的5个线条201-205，其余5个传感器的响应强度曲线较低，几乎重合为一条直线，响应强度均集中在1(1为G0/G，G0为传感器元件的初始电导，G为传感器响应时的电导)左右，如图2中201～210所示。
(2)标准动态响应图谱重构；
然后，根据阵列传感器采集的动态信号，进行标准动态响应图谱重构。包括三个过程：响应矩阵建立、数据标准化和标准图谱绘制。响应矩阵是将采集响应信号建立M*N浓度矩阵CMⅹN，其中M为阵列中的传感器数目，N为响应时间，矩阵中M行N列元素代表传感器阵列传感器M对应N时刻的响应值。数据标准化包括定性识别矩阵标准化和定量识别矩阵标准化，其中定性识别矩阵标准化需要将每个矩阵信号归一化到1-255取值范围；定量信号矩阵标准化，需要以同一归一化标准和规则，对每个矩阵进行归一化处理。标准图谱绘制，是对标准化后的数据矩阵，以相同的颜色图模板和统一标准的色柱绘制矢量图，如图3所示，301～305为响应信号强度等值线，等值信号线之间所包围的区域颜色也不相同，301～305之间的不同响应信号以不同颜色表示，表示不同传感器在不同时间的响应的谱图，利用此谱图作图谱训练和识别等。其中，301为颜色A，302为颜色B，303为颜色C，304为颜色D，305为颜色E，响应图谱由N种不同颜色组成。10个传感器的编号为1～10号。1号和2号传感器同理。利用N种不同颜色构成的动态响应图谱来进行图谱检测识别。
(3)标准气体动态响应图谱库建立；
在标准动态响应图谱重构之后，建立标准气体动态图谱库。通过采集不同种类以及不同浓度的标准挥发性气体，构建对应的标准动态响应图谱，建立标准图谱库，从而方便后续的处理和模型训练。
(4)标准气体动态响应图谱机器学习模型建立；
然后建立标准气体动态响应图谱机器学习模型，通过对标准图谱库中的图片数据进行特征提取，利用模式识别方法(如支持向量机SVM，深度学习DNN等)训练学习，得到机器学习图谱识别模型；
(5)待测气体动态响应图谱识别。
最后，进行待测气体动态响应图谱识别。通过对待测挥发性组分通过阵列传感器动态信号采集、建立标准化数据矩阵和矢量图谱，然后上述已经建立的机器学习图谱识别模型进行自动定性和定量识别。
本发明将传统的单传感器响应识别转化为多维传感器动态响应图谱，并以图谱自动识别方法实现气体检测识别，克服了传统单传感器对气体检测方面的单一性和交叉干扰的缺点，利用同一传感器阵列检测对不同气体进行快速准确检测，提高提高检测效率和精度，同时使检测结果可视化，更加直观。

Claims (8)

1.一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，先采集阵列传感器的动态信号，然后根据采集的动态信号重构标准动态响应图谱，根据重构的标准动态响应图谱建立标准气体动态响应图谱库，通过对标准图谱库中的图片数据进行处理，得到标准气体机器学习图谱识别模型，最后通过标准气体机器学习图谱识别模型对待测气体动态响应图谱识别。
2.根据权利要求1所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，采集阵列传感器的动态信号的具体过程为：利用大于10个具有不同响应特性的气敏传感器构成传感器阵列，通过该阵列响应待测挥发性气体的浓度信号。
3.根据权利要求1所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，重构标准动态响应图谱的过程包括响应矩阵建立、数据标准化以及标准图谱绘制；
所述响应矩阵建立的具体过程为：将阵列传感器采集的动态信号建立M*N浓度矩阵CMⅹN，其中M为阵列中的传感器数目，N为响应时间，矩阵中M行N列元素代表传感器阵列传感器M对应N时刻的响应值；
所述数据标准化的具体过程包括定性识别矩阵标准化和定量识别矩阵标准化，其中定性识别矩阵标准化是将每个矩阵信号归一化到1-255取值范围；定量信号矩阵标准化，是以同一归一化标准和规则，对每个矩阵进行归一化处理；
所述标准图谱绘制是对标准化后的数据矩阵，以相同的颜色图模板和统一标准的色柱绘制矢量图。
4.根据权利要求1所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，建立标准气体动态响应图谱库的具体过程为：通过采集不同种类及不同浓度的标准挥发性气体，构建对应的标准动态响应图谱，从而建立标准图谱库。
5.根据权利要求1所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，通过对标准图谱库中的图片数据进行特征提取，训练学习，得到标准气体机器学习图谱识别模型。
6.根据权利要求5所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，利用模式识别方法训练学习。
7.根据权利要求6所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，模式识别方法为支持向量机SVM或深度学习DNN。
8.根据权利要求1所述的一种人工智能嗅觉动态响应图谱气体检测识别方法，其特征在于，通过对待测挥发性组分通过阵列传感器动态信号采集、建立标准化数据矩阵和矢量图谱，然后利用机器学习图谱识别模型进行自动定性和定量识别。
CN201910005147.2A 2019-01-03 2019-01-03 一种人工智能嗅觉动态响应图谱气体检测识别方法 Active CN109784390B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910005147.2A CN109784390B (zh) 2019-01-03 2019-01-03 一种人工智能嗅觉动态响应图谱气体检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910005147.2A CN109784390B (zh) 2019-01-03 2019-01-03 一种人工智能嗅觉动态响应图谱气体检测识别方法

Publications (2)

Publication Number Publication Date
CN109784390A true CN109784390A (zh) 2019-05-21
CN109784390B CN109784390B (zh) 2020-08-18

Family

ID=66499943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910005147.2A Active CN109784390B (zh) 2019-01-03 2019-01-03 一种人工智能嗅觉动态响应图谱气体检测识别方法

Country Status (1)

Country Link
CN (1) CN109784390B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712007A (zh) * 2020-12-25 2021-04-27 天津城建大学 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法
CN113267533A (zh) * 2021-05-18 2021-08-17 浙江大学 自标定气体传感器阵列动态在线监测VOCs的装置与方法
CN114459708A (zh) * 2022-02-10 2022-05-10 合肥永信科翔智能技术有限公司 一种基于气体智能感知的泄漏气体监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS55125442A (en) * 1979-03-22 1980-09-27 Fujitsu Ltd Gas detecting method
CN1609605A (zh) * 2003-10-21 2005-04-27 中国科学院电子学研究所 用于酒气检测的传感器阵列信号处理方法
JP2006275606A (ja) * 2005-03-28 2006-10-12 Kyoto Univ ガス検出方法及びガス検出装置
CN103346799A (zh) * 2013-06-05 2013-10-09 中国科学院微电子研究所 基于压缩感知理论的气体识别方法
CN103499664A (zh) * 2013-07-30 2014-01-08 中国标准化研究院 一种表征蜂蜜品质差异性的图谱信息提取研究的方法
CN103499609A (zh) * 2013-07-30 2014-01-08 中国标准化研究院 一种对蜂蜜香气智能嗅觉动态响应特征及差异化信息动态表征研究的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS55125442A (en) * 1979-03-22 1980-09-27 Fujitsu Ltd Gas detecting method
CN1609605A (zh) * 2003-10-21 2005-04-27 中国科学院电子学研究所 用于酒气检测的传感器阵列信号处理方法
JP2006275606A (ja) * 2005-03-28 2006-10-12 Kyoto Univ ガス検出方法及びガス検出装置
CN103346799A (zh) * 2013-06-05 2013-10-09 中国科学院微电子研究所 基于压缩感知理论的气体识别方法
CN103499664A (zh) * 2013-07-30 2014-01-08 中国标准化研究院 一种表征蜂蜜品质差异性的图谱信息提取研究的方法
CN103499609A (zh) * 2013-07-30 2014-01-08 中国标准化研究院 一种对蜂蜜香气智能嗅觉动态响应特征及差异化信息动态表征研究的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何爱香等: "基于温度调制的气体传感器动态信号识别研究", 《传感器与微系统》 *
张承丹: "基于呼吸气体肺癌检测系统的识别算法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）医药卫生科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712007A (zh) * 2020-12-25 2021-04-27 天津城建大学 一种基于DCNN-Inception网络识别汽车尾气遥感数据的算法
CN113267533A (zh) * 2021-05-18 2021-08-17 浙江大学 自标定气体传感器阵列动态在线监测VOCs的装置与方法
CN114459708A (zh) * 2022-02-10 2022-05-10 合肥永信科翔智能技术有限公司 一种基于气体智能感知的泄漏气体监测系统

Also Published As

Publication number Publication date
CN109784390B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN107478683B (zh) 一种基于机器嗅觉的有毒有害气体检测与识别方法
CN109784390A (zh) 一种人工智能嗅觉动态响应图谱气体检测识别方法
CN105259215B (zh) 半导体气敏元件的测试方法
CN106568907B (zh) 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法
CN106841308B (zh) 一种便携式智能电子鼻系统及气味识别方法
CN101493431A (zh) 利用电子鼻检测鸡肉新鲜度的方法
CN204666549U (zh) 基于bp神经网络的混合气体检测系统
CN109540978A (zh) 气味识别设备
CN101699283A (zh) 智能化食品安全检测系统及检测方法
Nicolas et al. Establishing the limit of detection and the resolution limits of odorous sources in the environment for an array of metal oxide gas sensors
CN103196954A (zh) 一种基于嗅觉和味觉传感器信息融合的镇江香醋贮藏时间鉴别方法
CN110887944A (zh) 一种茶油品质快速检测装置
CN110398472A (zh) 一种基于二维相关光谱量化的植物油鉴别分类方法
CN209727908U (zh) 一种基于食品检测的电子鼻设备
CN109657733B (zh) 基于成分结构特征的品种鉴别方法与系统
Pavlin-Bernardić et al. The application of artificial neural networks in predicting children's giftedness
CN202794093U (zh) 一种基于仿生嗅觉的烘焙食品质量快速检测装置
CN115656239A (zh) 一种基于机器学习的重金属快速检测方法及系统
Di Lecce et al. Discriminating gaseous emission patterns in low-cost sensor setups
Sharmilana et al. Classification and identification of volatile organic solvents based on functional groups using electronic nose
Vidhya et al. Milk quality prediction using supervised machine learning technique
CN112782233A (zh) 一种基于阵列气体传感器的气体识别方法
JPH06249810A (ja) ガス識別装置
Men et al. Data fusion of electronic nose and electronic tongue for discrimination of Chinese liquors
CN201555840U (zh) 一种食品安全检测装置

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