CN111289455A - 分布式异味评价方法、装置、终端及可读存储介质 - Google Patents
分布式异味评价方法、装置、终端及可读存储介质 Download PDFInfo
- Publication number
- CN111289455A CN111289455A CN202010217700.1A CN202010217700A CN111289455A CN 111289455 A CN111289455 A CN 111289455A CN 202010217700 A CN202010217700 A CN 202010217700A CN 111289455 A CN111289455 A CN 111289455A
- Authority
- CN
- China
- Prior art keywords
- sample gas
- gas
- data
- distributed
- analysis
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003909 pattern recognition Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 238000002834 transmittance Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000007791 dehumidification Methods 0.000 claims description 7
- 238000000746 purification Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004868 gas analysis Methods 0.000 abstract description 10
- 239000007789 gas Substances 0.000 description 193
- 239000003570 air Substances 0.000 description 22
- 238000012544 monitoring process Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 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
- 210000000056 organ Anatomy 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000010802 sludge 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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N21/3151—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using two sources of radiation of different wavelengths
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G01N2021/3129—Determining multicomponents by multiwavelength light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Toxicology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种分布式异味评价方法、装置、终端及可读存储介质,所述方法包括:将预处理后的样本气体输入采集分析终端的光谱分析单元进行光谱分析,得到样本气体对应的频率指纹码,基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到样本气体对应的特征数据,然后基于特征数据以及已训练好的智能模式识别模型,得到样本气体对应的组分浓度数据,最后基于预设网络协议将组分浓度数据发送至集成运算中心。实现了在采集分析终端完成气体分析,减少数据传输数量,同时利用现有网络协议传输样本气体的组分浓度数据至集成运算中心,从而避免以异味气体本身为信息载体通过气路管网传递的方式,降低硬件成本,缩短异味气体分析周期。
Description
技术领域
本发明涉及环境监测技术领域,尤其涉及一种分布式异味评价方法、装置、终端及可读存储介质。
背景技术
异味恶臭是典型的扰民污染,严重影响人们的生活质量甚至危害身体健康,是当前我国城镇居民投诉最强烈的环境问题之一。随着经济高速发展和城市化进程加快,工业排放源及各类生活排放源的增多,具有异味特性的各类污染物排放量和排放强度在不断增大,原有的城市规划、工业结构和工业布局不合理,使企业与居民区共建现象严重,即便大部分排放源作了相应处理,但排放达标不等于没有异味,且由于开放空间大气运动的不确定性使得大区域范围的监测和溯源难度大大增加。
目前的做法是采用少量具有一定“代表性”的集中式标准空气站的布设方式,标准气站在建设选址上都有明确的规定和要求,但受限于位置和数量,监测结果很难充分准确地表征出大区域范围内环境质量的真实差异,代表性也大打折扣,无法满足可追溯性要求。
进一步地集中式标准空气站要进行环境分布式异味评价,往往通过气管远程输送监测样气到站房内的大型精密分析仪器进行集中检测分析。虽然分析设备精密、检测精度高,但是采气管网设计复杂,样气易受污染导致分析结果出现偏差,气管铺设距离短监测区域范围受限;而且辅助设备众多,操作过程仪器间等待时间久,分析周期长;此外,为保证检测的高精度和低容错率以及分析结果的可追溯,集中式标准气站检测方式还需要保存原本的分析谱图和数据甚至留存样品,造成数据处理量增加,因此对数据存储及传输网络的硬件要求高。
发明内容
本发明的主要目的在于提供一种分布式异味评价方法、装置、终端及可读存储介质,旨在解决现有异味气体监测过程中,标准空气站的布设复杂,且以异味气体本身为信息载体通过气路管网传递的方式,导致硬件成本高、异味气体分析周期长的技术问题。
为实现上述目的,本发明提供一种分布式异味评价方法,所述的分布式异味评价方法包括以下步骤:
基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体;
将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码;
基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据;
基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据;
基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。
进一步地,所述将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码的步骤包括:
将所述光谱分析单元产生的激光透过预处理后的样本气体,得到被样本气体吸收后的透射激光;
对所述透射激光进行光电转换及数据处理,得到所述样本气体对应的频率指纹码。
进一步地,所述对所述透射激光进行光电转换及数据处理,得到所述样本气体对应的频率指纹码的步骤包括:
对所述透射激光进行透光率分析,得到所述透射激光中各个波数对应的透过率;
将所述透射激光中各个波数转换为电信号,并将各个波数对应的电信号和透过率进行关联,得到所述样本气体对应的频率指纹码。
进一步地,所述基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据的步骤包括:
基于所述频率指纹码的透射率在所述异味指纹图谱库中确定所述频率指纹码对应的特征波数以及所述样本气体中包含的异味气体初筛类型,并将所述特征波数以及所述异味气体初筛类型作为所述特征数据。
进一步地,所述基于所述采集分析终端的气体采样单元采集样本气体,与所述对所述样本气体进行预处理,得到预处理后的样本气体的步骤之间,包括:
基于所述采集分析终端的流量传感器、温度传感器、湿度传感器以及气压传感器,分别获取所述样本气体的流量数据、温度数据、湿度数据以及气压数据;
将所述流量数据、温度数据、湿度数据以及气压数据进行关联保存,得到所述样本气体对应的测量数据。
进一步地,所述基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据的步骤包括:
获取所述样本气体对应的测量数据;
将所述测量数据以及所述特征数据输入已训练好的智能模式识别模型进行处理,得到所述样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度,将所述异味气体的目标类型以及各个目标类型对应的气体浓度作为所述组分浓度数据。
进一步地,所述对所述样本气体进行预处理,得到预处理后的样本气体的步骤包括:
对所述样本气体进行稳流调节、颗粒物净化以及恒温除湿处理,得到预处理后的样本气体。
进一步地,所述分布式异味评价装置包括:
预处理模块,用于基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体;
光谱分析模块,用于将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码;
特征提取模块,用于基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据;
识别模块,用于基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据;
评价模块,用于基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。
此外,为实现上述目的,本发明还提供一种终端,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分布式异味评价程序,所述分布式异味评价程序被所述处理器执行时实现上述任一项所述的分布式异味评价方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有分布式异味评价程序,所述分布式异味评价程序被处理器执行时实现上述任一项所述的分布式异味评价方法的步骤。
本发明基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体,而后将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码,接下来基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据,然后基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据,最后基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。通过对样本气体进行光谱分析生成频率指纹码,根据频率指纹码进一步确定样本气体的组分及其浓度,实现了在采集分析终端完成气体分析,减少数据传输数量,同时利用现有网络协议传输样本气体的组分浓度数据至集成运算中心,从而避免了以异味气体本身为信息载体通过气路管网传递的方式,降低硬件成本,缩短异味气体分析周期。
附图说明
图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图;
图2为本发明分布式异味评价方法第一实施例的流程示意图;
图3为本发明分布式异味评价方法一实施例中频率指纹码示意图;
图4为本发明分布式异味评价装置实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境中终端的结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的目标检测系统结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及分布式异味评价程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接用户端,与用户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的分布式异味评价程序。
在本实施例中,终端包括:存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的分布式异味评价程序,其中,处理器1001调用存储器1005中存储的分布式异味评价程序时,执行本申请各个实施例提供的分布式异味评价方法的步骤。
本发明还提供一种分布式异味评价方法,参照图2,图2为本发明分布式异味评价方法第一实施例的流程示意图。
本发明实施例提供了分布式异味评价方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中,该分布式异味评价方法包括:
步骤S10,基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体;
具体地,步骤S10包括:对所述样本气体进行稳流调节、颗粒物净化以及恒温除湿处理,得到预处理后的样本气体。
在本实施例中,异味气体是一切刺激嗅觉器官引起人们不愉快及损坏生活环境的气体物质,工业生产、市政污水、污泥处理及垃圾处置设施等是异味气体的主要来源。异味投诉等环境事件经常发生,是困扰环境异味监控的一个重要突出问题。
如前所述,目前的做法是采用少量具有一定“代表性”的集中式标准空气站的布设方式,标准气站在建设选址上都有明确的规定和要求,但受限于位置和数量,监测结果很难充分准确地表征出大区域范围内环境质量的真实差异,代表性也大打折扣,无法满足可追溯性要求。标准空气站的布设复杂,且以异味气体本身为信息载体通过气路管网传递的方式,导致硬件成本高、异味气体分析周期长。本发明提出的分布式异味评价方法,通过将集成化、微型化的采集分析模块终端可以分布安装在已网格化划分的区域网点,提高大空间尺度范围环境监测的分辨率,解决有效识别以及可溯源等问题。通过对样本气体进行光谱分析生成频率指纹码,根据频率指纹码进一步确定样本气体的组分及其浓度,实现了在采集分析终端完成气体分析,减少数据传输数量,同时利用现有网络协议传输样本气体的组分浓度数据至集成运算中心,从而避免了以异味气体本身为信息载体通过气路管网传递的方式,降低硬件成本,缩短异味气体分析周期。
具体地,采集分析模块终端直接置于目标监测环境中,内置搭载的标准气体采样器单元通过气泵将环境空气吸入,得到样本气体,为了更精准的分析样本气体,需要进一步对样本气体进行预处理,具体地,经过必要的稳流调节、颗粒物净化、恒温除湿处理,其中,稳流调节是保证样本气体流量控制在一个设定值,这个设定值根据实际情况设置;颗粒物净化是将样本气体中的颗粒物去除,只保留气体物质;恒温除湿的作用是将样本气体的温度调节到室温,并且湿度控制在60%以下,这样有利于样本气体分析。
步骤S20,将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码;
在本实施例中,将经过必要的稳流调节、颗粒物净化、恒温除湿处理后样本气体送入光谱分析单元进行分析。光谱分析单元内置于采集分析模块终端。
具体地,步骤S20包括:
步骤S21,将所述光谱分析单元产生的激光透过预处理后的样本气体,得到被样本气体吸收后的透射激光;
在本实施例中,光谱分析单元内置多个激光器,可以产生不同特定波长范围内的激光。采用激光吸收光谱技术,将光谱分析单元产生的激光透过预处理后的样本气体,激光通过后被吸收衰减,得到被样本气体吸收后的透射激光。
步骤S22,对所述透射激光进行光电转换及数据处理,得到所述样本气体对应的频率指纹码。
具体地,步骤S22包括:
步骤a,对所述透射激光进行透光率分析,得到所述透射激光中各个波数对应的透过率;
步骤b,将所述透射激光中各个波数转换为电信号,并将各个波数对应的电信号和透过率进行关联,得到所述样本气体对应的频率指纹码。
在本实施例中,在入射光通过被照面或介质入射面至另外一面离开的过程中,投射并透过物体的辐射能与投射到物体上的总辐射能之比,称为该物体的透过率。对透射激光进行透光率分析,得到所述透射激光中各个波数对应的透过率,同时利用光谱分析单元的光电转换器检测经气体吸收衰减后的透射激光,并将其转换为电信号。由于透射激光包含多种波长范围内的激光故电信号中包括各个波长对应的电信号。为方便描述采用波数替代波长,其中,波数和波长互为倒数,所以也可以说电信号中包括各个波数对应的电信号。将各个波数对应的电信号和透过率进行关联,得到所述样本气体对应的频率指纹码,图3为一个频率指纹码的示意图。
步骤S30,基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据;
具体地,步骤S30包括:基于所述频率指纹码的透射率在所述异味指纹图谱库中确定所述频率指纹码对应的特征波数以及所述样本气体中包含的异味气体初筛类型,并将所述特征波数以及所述异味气体初筛类型作为所述特征数据。
在本实施例中,预设的异味指纹图谱库中保存了多种单类型异味气体的指纹图谱,每个指纹图谱包括波数与透过率的关联关系,将频率指纹码与异味指纹图谱库中指纹图谱进行一一比对,如果频率指纹码与一个指纹图谱在某个波数位置的透过率满足相似匹配条件,则记录该波数位置为特征波数,该指纹图谱对应的异味气体类型作为异味气体初筛类型中的一个。因为样本气体中包括多种混合气体,因此包括多个类型异味气体,以及多个特征波数。将特征波数以及异味气体初筛类型作为特征数据。
步骤S40,基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据;
在本实施例中,利用智能模式识别模型可以得到样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度。智能模式识别模型是利用训练样本训练而成的,训练样本是已知异味气体类型的混合气体的特征数据,以及各种气体的浓度。利用智能模式识别模型可以更准确的对样本气体进行分析。
步骤S50,将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。
在本实施例中,将组分浓度数据发送至集成运算中心,集成运算中心根据接收到的组分浓度数据分析得到该样本气体的评价结果。具体地,组分浓度数据包括异味气体的目标类型以及各个目标类型对应的气体浓度。集成运算中心获取组分浓度数据与评价对照表,根据将样本气体的组分浓度数据与对照表进行比对,根据比对结果确定样本气体的评价等级,例如等级为优、良。
进一步地,一实施例中,所述基于所述采集分析终端的气体采样单元采集样本气体,与所述对所述样本气体进行预处理,得到预处理后的样本气体的步骤之间,包括:
步骤S60,基于所述采集分析终端的流量传感器、温度传感器、湿度传感器以及气压传感器,分别获取所述样本气体的流量数据、温度数据、湿度数据以及气压数据;
步骤S70,将所述流量数据、温度数据、湿度数据以及气压数据进行关联保存,得到所述样本气体对应的测量数据。
在本实施例中,采集分析终端的设置有流量传感器、温度传感器、湿度传感器以及气压传感器,根据这些传感器可以直接获取样本气体的流量数据、温度数据、湿度数据以及气压数据。这些数据作为样本气体对应的测量数据,需要输入到智能模式识别模型,用于分析样本气体。
本实施例提出的分布式异味评价方法,基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体,而后将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码,接下来基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据,然后基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据,最后基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。通过对样本气体进行光谱分析生成频率指纹码,根据频率指纹码进一步确定样本气体的组分及其浓度,实现了在采集分析终端完成气体分析,减少数据传输数量,同时利用现有网络协议传输样本气体的组分浓度数据至集成运算中心,从而避免了以异味气体本身为信息载体通过气路管网传递的方式,降低硬件成本,缩短异味气体分析周期。
基于第一实施例,提出本发明分布式异味评价方法的第二实施例,在本实施例中,步骤S40包括:
步骤S41,获取所述样本气体对应的测量数据;
步骤S42,将所述测量数据以及所述特征数据输入已训练好的智能模式识别模型进行处理,得到所述样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度,将所述异味气体的目标类型以及各个目标类型对应的气体浓度作为所述组分浓度数据。
在本实施例中,首先获取测量数据,其中,测量数据包括样本气体的流量数据、温度数据、湿度数据以及气压数据,将测量数据以及特征数据输入已训练好的智能模式识别模型进行处理,得到该样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度。智能模式识别模型是利用训练样本训练而成的,训练样本是已知异味气体类型的混合气体的特征数据,以及各种气体的浓度。利用智能模式识别模型可以更准确的对样本气体进行分析。
本实施例提出的分布式异味评价方法,获取所述样本气体对应的测量数据,将所述测量数据以及所述特征数据输入已训练好的智能模式识别模型进行处理,得到所述样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度。利用智能模式识别模型可以更准确的对样本气体进行分析,得到样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度。
本发明进一步提供一种分布式异味评价装置,参照图4,图4为本发明分布式异味评价装置实施例的功能模块示意图。
预处理模块10,用于基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体;
光谱分析模块20,用于将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码;
特征提取模块30,用于基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据;
识别模块40,用于基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据;
评价模块50,用于基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。
进一步地,所述光谱分析模块20还用于:
将所述光谱分析单元产生的激光透过预处理后的样本气体,得到被样本气体吸收后的透射激光;
对所述透射激光进行光电转换及数据处理,得到所述样本气体对应的频率指纹码。
进一步地,所述光谱分析模块20还用于:
对所述透射激光进行透光率分析,得到所述透射激光中各个波数对应的透过率;
将所述透射激光中各个波数转换为电信号,并将各个波数对应的电信号和透过率进行关联,得到所述样本气体对应的频率指纹码。
进一步地,所述特征提取模块30还用于:
基于所述频率指纹码的透射率在所述异味指纹图谱库中确定所述频率指纹码对应的特征波数以及所述样本气体中包含的异味气体初筛类型,并将所述特征波数以及所述异味气体初筛类型作为所述特征数据。
进一步地,所述分布式异味评价装置还包括:
获取模块,用于基于所述采集分析终端的流量传感器、温度传感器、湿度传感器以及气压传感器,分别获取所述样本气体的流量数据、温度数据、湿度数据以及气压数据;
关联模块,用于将所述流量数据、温度数据、湿度数据以及气压数据进行关联保存,得到所述样本气体对应的测量数据。
进一步地,所述识别模块40还用于:
获取所述样本气体对应的测量数据;
将所述测量数据以及所述特征数据输入已训练好的智能模式识别模型进行处理,得到所述样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度,将所述异味气体的目标类型以及各个目标类型对应的气体浓度作为所述组分浓度数据。
进一步地,所述预处理模块10还用于:
对所述样本气体进行稳流调节、颗粒物净化以及恒温除湿处理,得到预处理后的样本气体。
此外,本发明实施例还提出一种可读存储介质,所述可读存储介质上存储有分布式异味评价程序,所述分布式异味评价程序被处理器执行时实现上述各个实施例中分布式异味评价方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个可读存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台系统设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明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,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种分布式异味评价方法,其特征在于,应用于采集分析终端,所述采集分析终端与集成运算中心通信连接,所述的分布式异味评价方法包括以下步骤:
基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体;
将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码;
基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据;
基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据;
基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于接收到的所述组分浓度数据,分析得到所述样本气体的评价结果。
2.如权利要求1所述的分布式异味评价方法,其特征在于,所述将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码的步骤包括:
将所述光谱分析单元产生的激光透过预处理后的样本气体,得到被样本气体吸收后的透射激光;
对所述透射激光进行光电转换及数据处理,得到所述样本气体对应的频率指纹码。
3.如权利要求2所述的分布式异味评价方法,其特征在于,所述对所述透射激光进行光电转换及数据处理,得到所述样本气体对应的频率指纹码的步骤包括:
对所述透射激光进行透光率分析,得到所述透射激光中各个波数对应的透过率;
将所述透射激光中各个波数转换为电信号,并将各个波数对应的电信号和透过率进行关联,得到所述样本气体对应的频率指纹码。
4.如权利要求1所述的分布式异味评价方法,其特征在于,所述基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据的步骤包括:
基于所述频率指纹码的透射率在所述异味指纹图谱库中确定所述频率指纹码对应的特征波数以及所述样本气体中包含的异味气体初筛类型,并将所述特征波数以及所述异味气体初筛类型作为所述特征数据。
5.如权利要求1所述的分布式异味评价方法,其特征在于,所述基于所述采集分析终端的气体采样单元采集样本气体,与所述对所述样本气体进行预处理,得到预处理后的样本气体的步骤之间,包括:
基于所述采集分析终端的流量传感器、温度传感器、湿度传感器以及气压传感器,分别获取所述样本气体的流量数据、温度数据、湿度数据以及气压数据;
将所述流量数据、温度数据、湿度数据以及气压数据进行关联保存,得到所述样本气体对应的测量数据。
6.如权利要求5所述的分布式异味评价方法,其特征在于,所述基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据的步骤包括:
获取所述样本气体对应的测量数据;
将所述测量数据以及所述特征数据输入已训练好的智能模式识别模型进行处理,得到所述样本气体包含的异味气体的目标类型以及各个目标类型对应的气体浓度,将所述异味气体的目标类型以及各个目标类型对应的气体浓度作为所述组分浓度数据。
7.如权利要求1至6中任一项所述的分布式异味评价方法,其特征在于,所述对所述样本气体进行预处理,得到预处理后的样本气体的步骤包括:
对所述样本气体进行稳流调节、颗粒物净化以及恒温除湿处理,得到预处理后的样本气体。
8.一种分布式异味评价装置,其特征在于,所述分布式异味评价装置包括:
预处理模块,用于基于所述采集分析终端的气体采样单元采集样本气体,并对所述样本气体进行预处理,得到预处理后的样本气体;
光谱分析模块,用于将预处理后的样本气体输入所述采集分析终端的光谱分析单元进行光谱分析,得到所述样本气体对应的频率指纹码;
特征提取模块,用于基于预设的异味指纹图谱库对所述频率指纹码进行对比及特征提取,得到所述样本气体对应的特征数据;
识别模块,用于基于所述特征数据以及已训练好的智能模式识别模型,得到所述样本气体对应的组分浓度数据;
评价模块,用于基于预设网络协议将所述组分浓度数据发送至所述集成运算中心,以供所述集成运算中心基于所述组分浓度数据分析得到所述样本气体的评价结果。
9.一种分布式异味评价终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的分布式异味评价程序,所述分布式异味评价程序被所述处理器执行时实现如权利要求1至7中任一项所述的分布式异味评价方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有所述分布式异味评价程序,所述分布式异味评价程序被处理器执行时实现如权利要求1至7中任一项所述的分布式异味评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010217700.1A CN111289455A (zh) | 2020-03-25 | 2020-03-25 | 分布式异味评价方法、装置、终端及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010217700.1A CN111289455A (zh) | 2020-03-25 | 2020-03-25 | 分布式异味评价方法、装置、终端及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111289455A true CN111289455A (zh) | 2020-06-16 |
Family
ID=71027214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010217700.1A Pending CN111289455A (zh) | 2020-03-25 | 2020-03-25 | 分布式异味评价方法、装置、终端及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111289455A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567862A (zh) * | 2022-02-25 | 2022-05-31 | 苏州大学 | 管网监测终端系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1648638A (zh) * | 2005-02-05 | 2005-08-03 | 西安交通大学 | 基于支持向量机的多组分气体浓度定量分析仪 |
CN101135639A (zh) * | 2007-09-27 | 2008-03-05 | 中国人民解放军空军工程大学 | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 |
CN101271063A (zh) * | 2008-05-07 | 2008-09-24 | 陕西恒智科技发展有限公司 | 气体红外光谱分析支持向量机校正模型方法的流程 |
CN101949826A (zh) * | 2010-09-02 | 2011-01-19 | 西安交通大学 | 基于正、逆模型的多组分气体光谱定量分析标定方法 |
CN102680650A (zh) * | 2012-05-14 | 2012-09-19 | 上海鼎为软件技术有限公司 | 气味识别终端、气味散发终端及信息通信系统 |
CN104614337A (zh) * | 2015-01-06 | 2015-05-13 | 西安交通大学 | 一种便携式多组分混合气监测系统 |
CN105424840A (zh) * | 2015-12-28 | 2016-03-23 | 周俊杰 | 在线连续环境空气质量自动监测系统及异味气源溯源方法 |
CN107036980A (zh) * | 2016-11-10 | 2017-08-11 | Tcl集团股份有限公司 | 一种检测冰箱食品新鲜度的方法及冰箱 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN109633094A (zh) * | 2018-12-28 | 2019-04-16 | 浙江省环境监测中心 | 一种臭气浓度在线监测方法 |
CN110907386A (zh) * | 2019-11-28 | 2020-03-24 | 光钙(上海)高科技有限公司 | 一种垃圾焚烧电厂多组分气体分析系统及其方法 |
-
2020
- 2020-03-25 CN CN202010217700.1A patent/CN111289455A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1648638A (zh) * | 2005-02-05 | 2005-08-03 | 西安交通大学 | 基于支持向量机的多组分气体浓度定量分析仪 |
CN101135639A (zh) * | 2007-09-27 | 2008-03-05 | 中国人民解放军空军工程大学 | 基于支持向量机校正模型的混合气体组分浓度红外光谱分析方法 |
CN101271063A (zh) * | 2008-05-07 | 2008-09-24 | 陕西恒智科技发展有限公司 | 气体红外光谱分析支持向量机校正模型方法的流程 |
CN101949826A (zh) * | 2010-09-02 | 2011-01-19 | 西安交通大学 | 基于正、逆模型的多组分气体光谱定量分析标定方法 |
CN102680650A (zh) * | 2012-05-14 | 2012-09-19 | 上海鼎为软件技术有限公司 | 气味识别终端、气味散发终端及信息通信系统 |
CN104614337A (zh) * | 2015-01-06 | 2015-05-13 | 西安交通大学 | 一种便携式多组分混合气监测系统 |
CN105424840A (zh) * | 2015-12-28 | 2016-03-23 | 周俊杰 | 在线连续环境空气质量自动监测系统及异味气源溯源方法 |
CN107036980A (zh) * | 2016-11-10 | 2017-08-11 | Tcl集团股份有限公司 | 一种检测冰箱食品新鲜度的方法及冰箱 |
CN108780037A (zh) * | 2018-04-09 | 2018-11-09 | 深圳达闼科技控股有限公司 | 光谱分析方法、装置、电子设备及计算机可读存储介质 |
CN109633094A (zh) * | 2018-12-28 | 2019-04-16 | 浙江省环境监测中心 | 一种臭气浓度在线监测方法 |
CN110907386A (zh) * | 2019-11-28 | 2020-03-24 | 光钙(上海)高科技有限公司 | 一种垃圾焚烧电厂多组分气体分析系统及其方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567862A (zh) * | 2022-02-25 | 2022-05-31 | 苏州大学 | 管网监测终端系统 |
CN114567862B (zh) * | 2022-02-25 | 2024-05-17 | 苏州大学 | 管网监测终端系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108760912B (zh) | 一种基于恶臭指纹图谱的恶臭污染溯源方法及应用 | |
US11965871B2 (en) | Method and system for intelligent source tracing of organic pollution of water body | |
CN108760913B (zh) | 一种大气恶臭污染溯源系统及应用 | |
CN112485319B (zh) | 大气环境走航监测方法及信息处理方法、装置、监测车 | |
CN105631203A (zh) | 识别土壤中重金属污染源的方法 | |
CN106841525A (zh) | 一种工业区大气特征污染在线监控系统构建的方法 | |
Vlachou et al. | Development of a versatile source apportionment analysis based on positive matrix factorization: a case study of the seasonal variation of organic aerosol sources in Estonia | |
CN109633094B (zh) | 一种臭气浓度在线监测方法 | |
CN204462027U (zh) | 一种基于颜色传感的水环境现场快速检测仪 | |
CN111289455A (zh) | 分布式异味评价方法、装置、终端及可读存储介质 | |
CN116087044A (zh) | 一种基于cmb模型的pm2.5在线来源解析方法及设备 | |
CN115239209A (zh) | 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统 | |
CN110687257A (zh) | 一种基于恶臭在线监测系统的溯源方法 | |
CN1896742A (zh) | 空间污染实时监测公示仪 | |
NL2034211B1 (en) | Method and system for quantitatively identifying multi-pollution sources of mixed water body | |
CN105987989A (zh) | 一种环境在线监测系统 | |
Bax et al. | Application and performance verification of electronic noses for landfill odour monitoring | |
Cangialosi et al. | Integrating Citizen Science and Machine Learning Algorithms for the Recognition of Odour Classes nearby a Wastewater Treatment Plant | |
CN117610942B (zh) | 基于物联网的产业园区环保监督管理预警方法及系统 | |
CN112945887B (zh) | 一种烟气原位监测系统及方法 | |
Richards | Chemometric analysis of full scan direct mass spectrometry data for the discrimination and source apportionment of atmospheric volatile organic compounds measured from a moving vehicle. | |
CN117760987A (zh) | 移动污染源检测方法及装置 | |
Kim et al. | Investigation of odor pollution by utilizing selected ion flow tube mass spectrometry (SIFT‐MS) and principal component analysis (PCA) | |
Muniz et al. | An ANN-Based Electronic Nose for Monitoring Pollutant Gases in Landfills | |
CN117198422A (zh) | 一种污水管网中痕量毒品的溯源方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220113 Address after: 215000 111 Shuyuan lane, Gusu District, Suzhou City, Jiangsu Province Applicant after: Jintong Internet of things (Suzhou) Co.,Ltd. Address before: 215000 office, 2nd floor, building 6, 198 Huqing Road, Hushuguan Town, Suzhou high tech Zone, Jiangsu Province Applicant before: Otion Intelligent Technology (Suzhou) Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |