CN110108658B - 一种污染气体红外光谱识别方法及系统 - Google Patents
一种污染气体红外光谱识别方法及系统 Download PDFInfo
- Publication number
- CN110108658B CN110108658B CN201910495491.4A CN201910495491A CN110108658B CN 110108658 B CN110108658 B CN 110108658B CN 201910495491 A CN201910495491 A CN 201910495491A CN 110108658 B CN110108658 B CN 110108658B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- standard
- target gas
- gas
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 343
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims description 67
- 238000010521 absorption reaction Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000004566 IR spectroscopy Methods 0.000 claims 2
- 238000005192 partition Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 164
- 230000005855 radiation Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000411 transmission spectrum Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000007704 transition Effects 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
Abstract
本发明公开了一种污染气体红外光谱识别方法及系统。该方法包括:提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;根据重构后的实测光谱判断目标气体组分。本发明提供的一种污染气体红外光谱识别方法及系统具有实测条件下复杂环境的高适应性以及高精度识别混合气体组分的特点。
Description
技术领域
本发明涉及光谱分析领域,特别是涉及一种污染气体红外光谱识别方法及系统。
背景技术
随着中国工业的发展,工厂排放的污染气体导致了严重的大气污染,突发化学气体泄漏事件更是严重危害人们的健康甚至生命安全,因此,需要一种有效的监测方法,便于对污染气体进行现场应急监测。与此同时,在实际应用中,突发化学气体泄露事件中,污染气体的各种成分及危害性未知,污染源难以直接抽样检测,因而,迫切需要一种远距离探测方法。目前,被动红外遥感技术能够对污染气体进行遥感识别和定量分析,是一种对污染气体进行远距离探测的理想技术手段。
红外光谱指纹区(8~25μm)出现的谱带具有各种单键伸缩振动和多数基团的弯曲振动、对分子结构变化高度敏感的特性,因此,红外光谱适用于不同气体分子的检测和识别。被动红外遥感技术利用气体分子在大气窗口谱段的光谱特征对其进行遥感探测,具有探测距离远、灵敏度高、可昼夜工作的特点。
红外光谱信号处理包括污染气体目标光谱特征提取、目标识别过程。然而,在实际应用中,目标污染气体的遥感监测是在开放光路中进行的,仪器获取的辐射量包括背景物体辐射、大气辐射和目标气体辐射,因此,光谱信号处理的一个难点是目标光谱信号提取,需扣除强背景辐射和大气辐射,提取微弱的目标光谱特征;另一个难点是混合光谱分离。开放光路中多种目标气体常混合出现,需对混合光谱进行分离,提取单组分光谱特征并进行识别。
传统的分析方法基于三层模型:第一层是云团和目标云团之间的大气,第二层是目标云团,第三层是背景物体,假设目标云团和周围大气充分混合,云团和大气处于同一等温层,则第一层和第二层可合并为一层,在亮温光谱上,所有气体的光谱特征处于大气亮温和背景物体亮温的包络线之中。Harig提出了基于亮温光谱重构实测光谱方法,利用辐射传输软件模拟大气成分的特征峰形,扣除背景并提取目标光谱特征。这种方法显然不能自动适应不同大气状态、不同浓度程长值的峰形。Gittins则针对目标光谱浓度未知问题,提出了基于非线性迭代算法反演浓度。虽然这种方法适用于云团比较厚的情形,但所述方法的前提是确认存在目标成分。ChimanKwan提出的非负最小二乘法分离混合组分,要求所有气体的光谱特征都为发射特征,然而,在开放光路条件下,目标光谱既可能为发射特征(目标温度大于背景温度),也可能为吸收特征(目标温度低于背景温度),所述方法中,目标特征提取需要精确重构实测光谱,而光谱重构需要已知各个组分的光谱形状,目标是否存在以及光谱的形状是未知的,未知光谱形状则无法精确重构实测光谱,光谱信号处理的过程就陷入了“死循环”中。
传统方法的缺陷是:目标的光谱特征与浓度程长值(浓度*程长)有关,传统方法只能设定为某一个(或几个)浓度程长值得目标特征,无法自适应重构实测光谱、提取目标特征谱;对于多组分混合,当混合组分个数大于光谱维数时,传统方法会出现数值错误,无法分离多组分目标特征,影响了多组分识别。
发明内容
本发明的目的是提供一种具有实测条件下复杂环境的高适应性以及高精度的污染气体红外光谱识别方法及系统。
为实现上述目的,本发明提供了如下方案:
一种污染气体红外光谱识别方法,所述方法包括:
提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;
基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;
选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;
根据重构后的实测光谱判断目标气体组分。
可选的,提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集,具体包括:
获取目标气体的理论吸收截面光谱;
根据预设的温度值、压力值和所述目标气体吸收截面光谱计算目标气体的吸收系数光谱;
根据预设的浓度程长值和所述目标气体吸收系数光谱计算目标气体第一标准光谱;
根据光谱仪线性函数和所述第一标准光谱计算目标气体第二标准光谱;
根据预设的大气状态和所述第二标准光谱计算目标气体第三标准光谱;
提取第一、第二、第三标准光谱特征,形成所述目标气体标准谱库数据集,所述目标气体标准谱库数据集为气体组分比已知、浓度程长组分设定已知的数据集。
可选的,基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征,具体包括:
采集目标气体的实测光谱,所述目标气体包含待测气体组分与干扰物气体组分,所述气体组分比未知;
提取待测气体组分特征集与干扰物气体组分特征集;
将所述目标气体的实测光谱按照特征峰波段进行分区;
利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域,其中,还包括计算每个分区待测气体数据组分特征集与干扰物气体组分特征集的相关系数区分度;设定第二阈值;选取相关系数区分度大于第二阈值的分区作为光谱波段区域;
提取所述光谱波段区域特征数据,记为实测光谱特征。
可选的,选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱,具体包括:
计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
设定第一阈值;
选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
利用所述校对光谱重构所述实测光谱。
本发明还提供了一种污染气体红外光谱识别系统,所述系统包括:数据集构建模块、特征提取模块、光谱重构模块、气体成分判断模块;
所述数据集构建模块,用于提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;
所述特征提取模块,用于基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;
所述光谱重构模块,用于选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;
气体成分判断模块,用于根据重构后的实测光谱判断目标气体组分。
可选的,所述数据集构建模块,具体包括:
光谱获取单元,用于获取目标气体的理论吸收截面光谱;
第一计算单元,用于根据预设的温度值、压力值和所述目标气体吸收截面光谱计算目标气体的吸收系数光谱;
第二计算单元,用于根据预设的浓度程长值和所述目标气体吸收系数光谱计算目标气体第一标准光谱;
第三计算单元,用于根据光谱仪线性函数和所述第一标准光谱计算目标气体第二标准光谱;
第四计算单元,根据预设的大气状态和所述第二标准光谱计算目标气体第三标准光谱;
数据集形成单元,用于提取第一、第二、第三标准光谱特征,形成所述目标气体标准谱库数据集,所述目标气体标准谱库数据集为气体组分比已知的数据集。
可选的,所述特征提取模块,具体包括:
实测光谱采集单元,用于采集目标气体的实测光谱,所述目标气体包含待测气体组分与干扰物气体组分,所述气体组分比未知;
第一特征获取单元,用于构建待测气体组分特征集与干扰物气体组分特征集;
分区单元,用于将所述目标气体的实测光谱按照特征峰波段进行分区;
光谱波段区域选择单元,用于利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域,其中,还包括:区分度计算子单元,用于计算每个分区待测气体数据组分特征集与干扰物气体组分特征集的相关系数区分度;阈值设定子单元,用于设定第二阈值;光谱波段区域选择子单元,用于选取相关系数区分度大于第二阈值的分区作为光谱波段区域;
第二特征获取单元,用于提取所述光谱波段区域特征数据,记为实测光谱特征。
可选的,所述光谱重构模块,具体包括:
相关度计算单元:用于计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
阈值设定单元:用于设定第一阈值;
光谱选择单元,用于选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
校对单元,用于利用所述校对光谱重构所述实测光谱。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的污染气体红外光谱识别方法及系统,通过构建目标气体的标准谱库数据集,考虑了在目标气体,即待测污染气体在实测条件下可能存在的各种影响因素,进而,增加了实测条件下复杂环境的高适应性;基于稀疏学习对目标气体的实测光谱进行特征提取,大大提升了污染气体光谱辨识的精度;根据所述实测光谱特征和所述标准谱库数据集重构所述实测光谱,可以根据已知气体组分的光谱特征数据集判别实测条件下是否存在某种气体以及多种气体的组分,克服了在未知气体存在与否和未知气体组分重构光谱不精确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例红外光谱识别方法的流程示意图;
图2为本发明实施例红外光谱识别系统的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明的目的是提供一种具有实测条件下复杂环境的高适应性以及高精度的污染气体红外光谱识别方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例红外光谱识别方法的流程示意图,如图1所示,本发明提供的红外光谱识别方法的具体步骤如下:
步骤101:提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;
步骤102:基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;
步骤103:选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;
步骤104:根据重构后的实测光谱判断目标气体组分。
其中,步骤101具体包括:
获取目标气体的理论吸收截面光谱;
吸收截面指某种物质对不同波长的光或能量(光的波长愈短表示光的能量越大)的吸收率,与气体的分子结构有关;分子能量跃迁通常表现为不同频率的谱线,即截面光谱吸收线强度;
根据预设的温度值、压力值和所述目标气体吸收截面光谱计算目标气体的吸收系数光谱;
式中kv表示吸收系数;v0是理想单色谱线的波数;α是二分之一极大值处谱线的半宽,它是气压和温度的函数:
式中α0是标准气压p0(1013hpa)和标准温度T0(273K)的半宽。n的数值随分子类型在1/2~1范围内变动。
根据预设的浓度程长值和所述目标气体吸收系数光谱计算目标气体第一标准光谱;
S1=exp(-kvCL)
式中C表示气体浓度值,L表示气体程长,两者乘积称为浓度程长值。
根据光谱仪线性函数和所述第一标准光谱计算目标气体第二标准光谱;
根据预设的大气状态和所述第二标准光谱计算目标气体第三标准光谱;
S3=S2·τatm
式中τatm表示大气透过率。
提取第一、第二、第三标准光谱特征,形成所述目标气体标准谱库数据集,所述目标气体标准谱库数据集为气体组分比已知、浓度程长组分设定已知的数据集。
步骤102具体包括:
采集目标气体的实测光谱,所述目标气体包含待测气体组分与干扰物气体组分,所述气体组分比未知,幅值已知;
构建待测气体组分特征集与干扰物气体组分特征集;
将所述目标气体的实测光谱按照特征峰波段进行分区;
利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域,其中,还包括计算每个分区待测气体数据组分特征集与干扰物气体组分特征集的相关系数区分度;设定第二阈值;选取相关系数区分度大于第二阈值的分区作为光谱波段区域;
提取所述光谱波段区域特征数据,记为实测光谱特征。
步骤103具体包括:
计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
相关系数方法是计算提取的目标特征与标准谱的相关系数,提取的特征可以是仪器读数、辐射亮度或亮温,标准谱与提取的目标特征物理量相同。
相关系数r的计算公式为:
相关系数表明了两个量的线性相关程度,并且r≤1。当r=1时,则x与y成正线性关系;r=-1时,则x与y成负线性关系。根据r值与1或-1接近程度来判别x和y的相关程度。
标准谱库中包括了需要鉴别的目标成分的标准谱,提取的光谱特征分别与每条标准谱计算相关系数,当相关系数值大于某一设定的阈值时,就认为存在该成分。参考谱的选择和阈值的设定要通过实验确定,以保证最优的结果。这种方法计算简便,计算速度快,可以用于污染云团的快速识别;
设定第一阈值;
选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
利用所述校对光谱重构所述实测光谱;
在已知光谱仪视场内各种物质特征前提下,可以建立一个参考谱矩阵K,通过这些参考谱的线性组合,可以得到实测亮温谱的拟合值,实测亮温光谱与拟合的背景谱以差减方式得到目标特征。
参考谱为列矢量矩阵K,假设实际测量的亮温谱x可以用一组参考谱的线性组合来表示,那么这个模型可以表示为:
x=Ky+E
式中y是包含对应参考谱系数的矢量;E为残差矩阵。
矩阵B用参考谱矩阵K的最小二乘拟合计算:
B=K(KTK)-1
由于采用最小二乘方法拟合背景谱,因而可以采用透过率谱作为参考谱。大气分子透过率谱可以利用FASTCOADE、MODTRAN等大气模拟软件来计算得到。
由于实际的背景辐射不可能与黑体辐射完全相同,因而背景总会有一些变化特征,在亮温光谱上表现为缓变的基线。因此,除了扣除大气特征和干扰物特征以外,还要采用函数拟合的方式扣除基线。
综上所述,目标亮温特征的提取过程分为三步:
(1)构建参考矩阵K,其中包含了用于拟合基线的函数矢量和大气吸收特征及干扰物特征矢量;
(2)减去除目标特征以外的所有拟合特征(干扰物、臭氧、水汽、基线等);
(3)计算提取的亮温特征与标准谱库中标准谱的相关系数r,确定目标成分是否存在。
图2为本发明实施例污染气体红外光谱识别系统的结构示意图,如图2所述,本发明提供的污染气体红外光谱识别系统包括:
数据集构建模块201,提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;
特征提取模块202,用于基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;
光谱重构模块203,用于选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;
气体成分判断模块204,用于根据重构后的实测光谱判断目标气体组分。
其中,数据集构建模块201,具体包括,光谱获取单元,用于获取目标气体的理论吸收截面光谱;
第一计算单元,用于根据预设的温度值、压力值和所述目标气体吸收截面光谱计算目标气体的吸收系数光谱;
第二计算单元,用于根据预设的浓度程长值和所述目标气体吸收系数光谱计算目标气体第一标准光谱;
第三计算单元,用于根据光谱仪线性函数和所述第一标准光谱计算目标气体第二标准光谱;
第四计算单元,根据预设的大气状态和所述第二标准光谱计算目标气体第三标准光谱;
数据集形成单元,用于提取第一、第二、第三标准光谱特征,形成所述目标气体标准谱库数据集,所述目标气体标准谱库数据集为气体组分比已知、浓度程长组分设定已知的数据集。
其中,特征提取模块202,具体包括:
实测光谱采集单元,用于采集目标气体的实测光谱,所述目标气体包含待测气体组分与干扰物气体组分,所述气体组分比未知,幅值已知;
第一特征获取单元,用于提取待测气体组分特征集与干扰物气体组分特征集;
分区单元,用于将所述目标气体的实测光谱按照特征峰波段进行分区;
光谱波段区域选择单元,用于利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域,其中,还包括:区分度计算子单元,用于计算每个分区待测气体数据组分特征集与干扰物气体组分特征集的相关系数区分度;阈值设定子单元,用于设定第二阈值;光谱波段区域选择子单元,用于选取相关系数区分度大于第二阈值的分区作为光谱波段区域;
第二特征获取单元,用于提取所述光谱波段区域特征数据,记为实测光谱特征。
其中,光谱重构模块203,具体包括:
相关度计算单元:用于计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
阈值设定单元:用于设定第一阈值;
光谱选择单元,用于选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
校对单元,用于利用所述校对光谱重构所述实测光谱。
本发明提供的污染气体红外光谱识别方法及系统,通过构建目标气体的标准谱库数据集,考虑了在目标气体,即待测污染气体在实测条件下可能存在的各种影响因素,进而,增加了实测条件下复杂环境的高适应性;基于稀疏学习对目标气体的实测光谱进行特征提取,大大提升了污染气体光谱辨识的精度;根据所述实测光谱特征和所述标准谱库数据集重构所述实测光谱,可以根据已知气体组分的光谱特征数据集判别实测条件下是否存在某种气体以及多种气体的组分,克服了在未知气体存在与否和未知气体组分重构光谱不精确的问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种污染气体红外光谱识别方法,其特征在于,所述方法包括:
提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;
基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;
基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征,具体包括:
采集目标气体的实测光谱,所述目标气体包含待测气体组分与干扰物气体组分,所述气体组分比未知;
构建待测气体组分特征集与干扰物气体组分特征集;
将所述目标气体的实测光谱按照特征峰波段进行分区;
利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域;
提取所述光谱波段区域特征数据,记为实测光谱特征;
选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;
所述选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱,具体包括:
计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
相关度方法是计算提取的目标特征与标准谱的相关系数,提取的特征是亮温,标准谱与提取的目标特征物理量相同;
设定第一阈值;
选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
利用所述校对光谱重构所述实测光谱;
在已知光谱仪视场内各种物质特征前提下,建立一个参考谱矩阵K,通过这些参考谱的线性组合,得到实测亮温光谱的拟合值,实测亮温光谱与拟合的背景谱以差减方式得到目标特征;
所述建立一个参考谱矩阵K,通过这些参考谱的线性组合,得到实测亮温光谱的拟合值,具体包括:
参考谱为列矢量矩阵K,实测亮温光谱x用一组参考谱的线性组合来表示,这个模型表示为:
根据重构后的实测光谱判断目标气体组分。
2.根据权利要求1所述的污染气体红外光谱识别方法,其特征在于,提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集,具体包括:
获取目标气体的理论吸收截面光谱;
根据预设的温度值、压力值和所述目标气体吸收截面光谱计算目标气体的吸收系数光谱;
根据预设的浓度程长值和所述目标气体吸收系数光谱计算目标气体第一标准光谱;
根据光谱仪线性函数和所述第一标准光谱计算目标气体第二标准光谱;
根据预设的大气状态和所述第二标准光谱计算目标气体第三标准光谱;
提取第一、第二、第三标准光谱特征,形成所述目标气体标准谱库数据集,所述目标气体标准谱库数据集为气体组分比已知的数据集。
3.根据权利要求1所述的污染气体红外光谱识别方法,其特征在于,利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域,具体包括:
计算每个分区待测气体数据组分特征集与干扰物气体组分特征集的相关系数区分度;
设定第二阈值;
选取相关系数区分度大于第二阈值的分区作为光谱波段区域。
4.一种污染气体红外光谱识别系统,其特征在于,所述系统包括:数据集构建模块、特征提取模块、光谱重构模块、气体成分判断模块;
所述数据集构建模块,用于提取目标气体光谱在预设条件下的特征,形成目标气体光谱特征数据集,记为标准谱库数据集;
所述特征提取模块,用于基于稀疏学习对目标气体的实测光谱进行特征提取,得到实测光谱特征;
所述特征提取模块,具体包括:
实测光谱采集单元,用于采集目标气体的实测光谱,所述目标气体包含待测气体组分与干扰物气体组分,所述气体组分比未知;
第一特征获取单元,用于提取待测气体组分特征集与干扰物气体组分特征集;
分区单元,用于将所述目标气体的实测光谱按照特征峰波段进行分区;
光谱波段区域选择单元,用于利用稀疏算法选择所述分区中待测气体组分特征集与干扰物气体组分特征集区分度最大的光谱波段区域;
第二特征获取单元,用于提取所述光谱波段区域特征数据,记为实测光谱特征;
所述光谱重构模块,用于选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱;
所述选择所述标准谱库数据集中与所述实测光谱特征相匹配的光谱重构所述实测光谱,具体包括:
计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
相关度方法是计算提取的目标特征与标准谱的相关系数,提取的特征是亮温,标准谱与提取的目标特征物理量相同;
设定第一阈值;
选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
利用所述校对光谱重构所述实测光谱;
在已知光谱仪视场内各种物质特征前提下,建立一个参考谱矩阵K,通过这些参考谱的线性组合,得到实测亮温光谱的拟合值,实测亮温光谱与拟合的背景谱以差减方式得到目标特征;
所述建立一个参考谱矩阵K,通过这些参考谱的线性组合,得到实测亮温光谱的拟合值,具体包括:
参考谱为列矢量矩阵K,实测亮温光谱x用一组参考谱的线性组合来表示,这个模型表示为:
所述光谱重构模块,具体包括:
相关度计算单元,用于计算所述实测光谱特征与所述标准谱库数据集中光谱特征的相关度;
阈值设定单元,用于设定第一阈值;
光谱选择单元,用于选择标准谱库数据集中相关度大于第一阈值的光谱,记为校对光谱;
校对单元,用于利用所述校对光谱重构所述实测光谱;
气体成分判断模块,用于根据重构后的实测光谱判断目标气体组分。
5.根据权利要求4所述的污染气体红外光谱识别系统,其特征在于,所述数据集构建模块,具体包括:
光谱获取单元,用于获取目标气体的理论吸收截面光谱;
第一计算单元,用于根据预设的温度值、压力值和所述目标气体吸收截面光谱计算目标气体的吸收系数光谱;
第二计算单元,用于根据预设的浓度程长值和所述目标气体吸收系数光谱计算目标气体第一标准光谱;
第三计算单元,用于根据光谱仪线性函数和所述第一标准光谱计算目标气体第二标准光谱;
第四计算单元,根据预设的大气状态和所述第二标准光谱计算目标气体第三标准光谱;
数据集形成单元,用于提取第一、第二、第三标准光谱特征,形成所述目标气体标准谱库数据集,所述目标气体标准谱库数据集为气体组分比已知的数据集。
6.根据权利要求4所述的污染气体红外光谱识别系统,其特征在于,光谱波段区域选择单元,具体包括:
区分度计算子单元,用于计算每个分区待测气体数据组分特征集与干扰物气体组分特征集的相关系数区分度;
阈值设定子单元,用于设定第二阈值;
光谱波段区域选择子单元,用于选取相关系数区分度大于第二阈值的分区作为光谱波段区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495491.4A CN110108658B (zh) | 2019-06-10 | 2019-06-10 | 一种污染气体红外光谱识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495491.4A CN110108658B (zh) | 2019-06-10 | 2019-06-10 | 一种污染气体红外光谱识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108658A CN110108658A (zh) | 2019-08-09 |
CN110108658B true CN110108658B (zh) | 2021-07-20 |
Family
ID=67494377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495491.4A Active CN110108658B (zh) | 2019-06-10 | 2019-06-10 | 一种污染气体红外光谱识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108658B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175239B (zh) * | 2020-01-19 | 2021-01-15 | 北京科技大学 | 深度学习下的彩绘类文物成像高光谱无损检测与识别系统 |
CN111562265A (zh) * | 2020-03-10 | 2020-08-21 | 自然资源部珠宝玉石首饰管理中心深圳珠宝研究所 | 一种翡翠光谱数据量化分析的方法 |
CN114076742A (zh) * | 2020-08-19 | 2022-02-22 | 中国科学院合肥物质科学研究院 | 基于红外光谱测量船舶燃料含硫量的方法及装置 |
CN112964662B (zh) * | 2021-02-07 | 2022-07-15 | 中国科学院长春光学精密机械与物理研究所 | 一种航空发动机高温燃气浓度及温度测量方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107631993A (zh) * | 2017-05-25 | 2018-01-26 | 中国科学院合肥物质科学研究院 | 一种基于水汽残差谱分析的红外光谱识别方法 |
-
2019
- 2019-06-10 CN CN201910495491.4A patent/CN110108658B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107631993A (zh) * | 2017-05-25 | 2018-01-26 | 中国科学院合肥物质科学研究院 | 一种基于水汽残差谱分析的红外光谱识别方法 |
Non-Patent Citations (1)
Title |
---|
基于Lasso方法的污染气体自适应探测算法;崔方晓 等;《光学学报》;20190531;第39卷(第5期);第0530003-2至0530003-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110108658A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110108658B (zh) | 一种污染气体红外光谱识别方法及系统 | |
CN104568836B (zh) | 基于多种光谱技术融合的低浓度、多组分气体检测方法 | |
CN103983595A (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
CN103940767B (zh) | 基于多流形学习的气体浓度反演方法 | |
CN102636450A (zh) | 基于近红外光谱技术无损检测枸杞中枸杞多糖含量的方法 | |
CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
CN115046943B (zh) | 一种水质探测方法、装置、系统以及存储介质 | |
CN103674251B (zh) | 拉曼光谱中宇宙射线干扰的识别及消除方法 | |
Liu et al. | High-precision methane isotopic abundance analysis using near-infrared absorption spectroscopy at 100 Torr | |
CN110567894A (zh) | 一种含水溶液pH值快速检测方法和检测装置 | |
CN110907388A (zh) | 一种基于红外光谱分析的溢油种类鉴别的方法 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
CN107271396A (zh) | 一种茶叶中总黄酮含量的快速检测方法 | |
CN103884673B (zh) | 一种毒品吸食情况红外光谱在线监测系统与方法 | |
CN111141809A (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
CN107462330B (zh) | 一种颜色识别方法和系统 | |
CN110987899A (zh) | 一种测定白酒中总酸总酯含量及鉴别白酒质量等级的方法 | |
CN111289451B (zh) | 复杂光谱组分浓度定量计算的方法 | |
US11105733B2 (en) | Analyte sensor and method of use | |
CN110346346B (zh) | 一种基于压缩感知关联算法的拉曼气体检测方法 | |
CN115096835A (zh) | 气体浓度检测方法及装置 | |
KR20220093623A (ko) | 근적외선 분광법을 이용한 미세플라스틱 정량분석시스템 및 그의 동작방법 | |
Koehler IV et al. | Calibration transfer in the automated detection of acetone by passive Fourier transform infrared spectrometry | |
RU103400U1 (ru) | Лабораторный стенд для создания и контроля концентраций газообразных веществ при формировании базы спектральных данных и оценке технических характеристик фурье-спектрорадиометров | |
CN110907392A (zh) | 一种基于红外光谱分析的三聚氰胺检测系统及其用途和方法 |
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 |