CN109784390B - 一种人工智能嗅觉动态响应图谱气体检测识别方法 - Google Patents

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C_MⅹN，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C_MⅹN，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 (7)

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；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C_MⅹN，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。

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，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。

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，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。

5.根据权利要求4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。

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，模式识别方法为支持向量机SVM或深度学习DNN。

7.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。

Images