CN113176304A - 一种基于神经网络气体识别的酒驾预警装置及其方法 - Google Patents
一种基于神经网络气体识别的酒驾预警装置及其方法 Download PDFInfo
- Publication number
- CN113176304A CN113176304A CN202110402799.7A CN202110402799A CN113176304A CN 113176304 A CN113176304 A CN 113176304A CN 202110402799 A CN202110402799 A CN 202110402799A CN 113176304 A CN113176304 A CN 113176304A
- Authority
- CN
- China
- Prior art keywords
- gas
- neural network
- information
- early warning
- drunk driving
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 46
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 239000004065 semiconductor Substances 0.000 claims description 34
- 230000003287 optical effect Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 13
- 150000002576 ketones Chemical class 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/24—Suction devices
-
- 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于神经网络气体识别的酒驾预警装置，包括气体收集模块、识别检测系统和预警模块。气体收集模块包括检测传感器阵列，检测传感器阵列将气体样本信息转换为识别监测系统可识别处理的信息。识别检测系统由数据接收模块和神经网络模型构成；数据接模块接收气体收集模块传送的气体样本的信息并进行预处理，处理结果输入神经网络模型最终得出路段酒精含量的预计结果。预警模块根据预计结果进行预警动作。本发明还提供一种基于神经网络气体识别的酒驾预警方法。与现有技术相比，气体收集模块安置在不易触碰到的地方，抗人为干扰因素能力增强。对气体样本进行加热、多个传感器协同测量以及利用神经网络处理气体样本数据，有效提高结果的准确率。
Description
技术领域
本发明涉及酒驾预警装置领域，特别涉及一种基于神经网络气体识别的酒驾预警装置及其方法。
背景技术
酒驾醉驾是造成交通事故的重要原因之一，目前酒驾的主要检测方法为人工检测，即交警在道路设置一些检测点，利用便携式的酒精检测器进行检测，这种方法存在的问题十分明显，会消耗大量的人力，并且多人公用呼吸嘴不卫生，且结果受部分药物影响导致准确率较低。所以有许多学者提出智能、实时的自动检测方法。
中国专利“CN 212483323U”遥感系统和酒驾检测系统”提出一种基于激光检测的方法。此专利通过在一些检测路段设置激光探测仪，对过往车辆进行红外激光扫描。若车主存在酒驾情况，车内气体会具有较高的酒精浓度，红外激光穿过此车到达检测模块时会出现异常的谐波信号；反之，激光穿过正常车辆时会形成正常的谐波信号，通过此方法可以自动检测酒驾醉驾。激光检测方法虽然精度高，但其抗扰能力较弱，如当汽车车窗上有反光太阳膜时，红外激光并不能穿过车体到达检测模块，并且此方法对设备的要求比较大，成本较高，不适合大范围使用。
中国专利“CN153063924U”一种危险驾驶状态的预警装置”提出一种车载的酒精浓度检测方法。此专利通过在方向盘中心安装酒精浓度测量仪，对驾驶员呼出的气体进行检测，判断是否为酒驾。这种方法简便，但因测量仪在汽车内部，容易因驾驶员的操作而导致测量结果不准确。
发明内容
本发明为克服上述现有技术的至少一种缺陷，提出一种基于神经网络气体识别的酒驾预警装置及其方法。该酒驾预警装置为非车载装置，抗人为干扰因素能力强。此外，气体样本数据通过神经网路模型判断酒精含量，提高了结果准确率；该装置也为交通部门的力量分配提供了科学依据。
为实现上述目的，本发明提供一种基于神经网络气体识别的酒驾预警装置，具体的技术方案为：
一种基于神经网络气体识别的酒驾预警装置，包括气体收集模块、识别检测系统和预警模块，气体收集模块用于收集气体样本，气体收集模块包括检测传感器阵列；检测传感器阵列由光学气体传感器和半导体气体传感器构成；光学气体传感器和半导体气体传感器将气体样本信息转化为识别监测系统可处理的信息。
进一步地，光学气体传感器通过紫外或红外激光检测气体，将气体信息转化为光谱信息；半导体气体传感器通过识别光谱信号中不同气体组分，判断气体组成，并输出对应气体的电信号。检测传感器阵列的多个传感器相互协调进行测量，提高测量精度，避免了单激光受干扰大的不利因素。
进一步地，光学气体传感器为光学传感器；半导体气体传感器为乙醇半导体气体传感器，水半导体气体传感器，酮类半导体气体传感器；传感器的排列顺序依次为光学传感器、乙醇半导体气体传感器、水半导体气体传感器、酮类半导体气体传感器。
气体收集模块还包括气泵装置、流量监控仪、过滤装置、温度控制单元、数据传输单元、排气装置；气泵装置在工作状态下吸入气体样本；流量监控仪检测气体流入速度，实时调整气泵装置功率；过滤装置用于阻碍气体杂质和干扰气体；温度控制单元用于提高气体样本的温度；传感器阵列将提高温度的气体样本信息转化为色谱信息和电信号：数据传输单元将所述色谱信息和电信号传送至识别监控系统；排气装置用于将气体样本排出。温度控制单元提高气体样本的温度，气体活性，提高检测效率。
进一步地，识别系统由数据接收模块和神经网络模型组成；数据接模块对所述色谱信息预处理以形成一维特征输入向量；数据接受模块将所述电信号预处理以形成二维特征输入向量。
进一步地，神经网络模型包括残差网络、深度神经网络和CNN-LSTM神经网络；一维特征输入向量通过深度神经网络得到判断向量；二维特征输入向量在深度神经网络的基础上引入卷积层和记忆，通过所述CNN-LSTM得到判断向量。
进一步地，气体收集模块安装在检测路段的天桥底下、龙门架或交通指示牌杆上距地面2到4米的位置。
一种基于神经网络气体识别的酒驾预警方法，包括如下步骤：
S1、气体收集模块收集气体样本；
S2、传感器检测气体样本，将气体样本信息转化为色谱信息和电信号；
S3、向识别检测系统传输色谱信息和电信号；
S4、接收色谱信息和电信号的信息并进行预处理；
S5、采用神经网络模型进行综合分析；
S6、若分析结果中“发生酒驾”的概率高于阈值，则对当前路段进行酒驾预警，并监控、确定疑似酒驾车辆；若“发生酒驾”的概率低于阈值，则当前路段发生酒驾概率过低，系统不作出反应。
进一步地，步骤S4的具体步骤为：色谱信息和电信号在识别检测系统中进行预处理，预处理后色谱信息形成一维信息，电信号形成二维信息。
进一步地，步骤S5的具体步骤为：将一维信息和二维信息输入残差网络、DNN神经网络和CNN-LSTM神经网络的神经网络模型，判断气体样本中酒精含量是否超标。
与现有技术相比，本发明具有如下的优点和有益效果：
本发明提供一种基于神经网络气体识别的酒驾预警装置及其方法，气体收集模块为非车载模块，并且安置在不易触碰到的地方，且能够全天候自动遥控测量，抗人为干扰因素能力增强。此外，通过对气体样本进行加热、多个传感器协同测量以及利用神经网络处理气体样本数据，有效提高结果的准确率。气体传感器结合红外激光进行监控，避免单激光检测受干扰大的不利因素。预警模块对预警信息的统一处理，指导交通部门进行力量分配，为交通部门的力量分配提供了科学依据。气体传感器的成本降低，体积减小，不同于激光检测装置，可应用于多个不同检测道路，具有成本降低，使用范围增大的优点。
附图说明
图1为本发明的基于神经网络气体识别的酒驾预警装置的结构图；
图2为图1的基于神经网络气体识别的酒驾预警装置的气体收集模块的结构图；
图3为图1的基于神经网络气体识别的酒驾预警装置的检测传感器阵列的结构图；
图4为图1的基于神经网络气体识别的酒驾预警装置的识别检测系统的处理流程图；
图5为本发明的基于神经网络气体识别的酒驾预警方法的流程示意图。
具体实施方式
附图仅用于示例说明，不能理解为对本专利的限制。
为了使本发明的技术方案及优点更加清楚明白，下面结合附图1至4对本发明作进一步详细说明。
一种基于神经网络气体识别的酒驾预警装置，该装置由气体收集模块1、识别检测系统2和预警模块3组成。在本实施例中，气体收集模块1检测路段为天桥，安装于距检测路面3米的天桥下。
气体收集模块1由气泵装置11、流量监控仪12、过滤装置13、温度控制单元14、检测传感器阵列15、数据传输单元16、排气装置177构成。过滤装置13由第一过滤装置13和第二过滤装置13构成，第一过滤装置13由棉线网构成；第二过滤装置13由活性炭构成；检测传感器阵列15由光学气体传感器、半导体气体传感器和信号放大器构成，光学气体传感器为光学传感器；半导体气体传感器为乙醇半导体气体传感器153、水半导体气体传感器154、酮类半导体气体传感器155；传感器的排列顺序依次为光学传感器、乙醇半导体气体传感器153、水半导体气体传感器154、酮类半导体气体传感器155；信号放大器有两个，为第一信号放大器152和第二信号放大器156。
气体收集模块1打开后，气泵装置11进入工作状态，将外部气体泵入检测器内，流量监控仪12检测气体流入速度，实时调整气泵装置11功率；检测气体通过第一过滤装置13后通过气泵装置11，再通过第二过滤装置13；第一过滤装置13除去大颗粒杂质，第二过滤装置13除去小颗粒杂质和干扰气体。温度控制单元14进入工作状态对样本气体进行加热，提高气体活性；在工作状态下，光学传感器利用紫外或红外激光检测气体，将气体信息转化为光谱信息；然后利用第一信号放大器151将激光检测屏151获得的信号放大，并传输至乙醇半导体气体传感器153、水半导体气体传感器154、酮类半导体气体传感器155，上述半导体气体传感器通过识别光谱信号中不同气体组分，判断气体组成，并输出对应气体的电信号。其中，色谱信息和电信号的信息为二维图像信息；数据传输单元16利用无线网络，周期性如10秒一次传输)向远程数据中心识别检测系统2的室内计算机传输色谱信息和电信号的数据；检测完成后，气体通过排气装置17排出。此过程工作能源均为电源，可利用电缆进行传输。
识别系统由数据接收模块和神经网络模型组成；数据接收模块具体为室内计算机；神经网络模型包括残差网络、深度神经网络和CNN-LSTM神经网络。
室内计算机接收到数据后，将对数据利用主成分分析进行预处理，色谱信息预处理得到一维特征输入向量，电信号预处理得到二维特征输入向量。具体的预处理过程如下：
第一，将色谱信息和电信号统一在一集合中，即二维图像数据集，表示为
其中n为图像编号，i,j为像素的坐标索引，图像的像素大小为N×N；
第二，计算每张图的协方差矩阵
第三，通过SVD方法计算图的特征值
与特征向量
第四，对特征值和相应的特征向量进行排序；排序后，截取前N/10～N/5个特征值及其对应的特征向量，将投影回电信号空间；
第五，实现了上述处理后，从中标识特征点，如最大或最小信号出现的时间以及对应的值。处理后光谱信息形成一维特征输入向量，电信号信息形成二维特征输入向量。
将一维特征输入向量和二维特征输入向量输入神经网络模型进行综合分析，即一维特征输入向量通过深度神经网络得到输出，将输出乘以权重得到权重输出；二维特征输入向量在深度神经网络的基础上引入卷积层和记忆，通过所述CNN-LSTM得到输出，将输出乘以权重得到权重输出；将一维特征输入向量的权重输出和二维特征向量的权重输出整合得到预计结果输出。具体的方法如下：
第一，将一维信号特征向量进行归一化处理，得到n维特征输入向量xin＝(s1/|s1|,s2/s2,…,sn/sn，其中si为i号传感器的采集数据。
第二，输入向量经过若干隐藏层计算后，得到输出向量xout，其中每一隐藏层计算过程如下：
其中，
为第k层隐藏层的输出(即第k+1层隐藏层的输入
)，wk与bk分别为该层的权重与偏置。该隐藏层中包含了残差网络(Res-Net)架构，可有效避免网络退化等问题。
第三，神经网络的输出向量将通过如下公式投影到判断空间中：
由此即得到判断向量P＝(P1,P2,P3)，分别表示“存在酒驾”、“不存在酒驾”、“需进一步核实”等三种情况的概率，作为检测结果。
二维信息的网络架构与一维网络类似，但是在DNN网络的基础上引入了卷积层(用于处理图像)与记忆(用于处理时序数据)，通过CNN-LSTM神经网络(卷积神经网络)得到对应的单个输出；
预警模块3通过预计结果对“发生酒驾”的概率进行判断，若发生酒驾的概率低于阈值，则当前路段发生酒驾的概率过低，系统不做出反应；若发生酒驾的概率高于阈值，则对该路段进行酒驾预警，并监控确定疑似酒驾车辆，输出预警信息和该路段的编号(地点)，系统将结合地图信息，给出酒驾人士路径预警信息，提醒就近的交警注意检查。就近交警立即出警，利用便携式酒精检测器对该路段过往车辆进行检测。室内计算机定期对预警信息进行统一处理，将预警信息发生的时间和地点制作成表格，并以可视化的地图输出，如将一段时间内预警信息提示的次数以红点大小的形式在该城市道路地图上显示。
一种基于神经网络气体识别的酒驾预警方法，包括如下步骤：
S1、气体收集模块1收集气体样本，通过过滤装置13和温度控制单元14过滤气体杂质并提高气体温度；
S2、传感器检测气体样本，将气体样本信息转化为色谱信息和电信号；
S3、向室内计算机传输色谱信息和电信号；
S4、色谱信息和电信号在识别检测系统2中进行预处理，预处理后色谱信息形成一维信息，电信号形成二维信息；
S5、将一维信息和二维信息输入残差网络、DNN神经网络和CNN-LSTM神经网络的神经网络模型，判断气体样本中酒精含量是否超标；
S6、若分析结果中“发生酒驾”的概率高于阈值，则对当前路段进行酒驾预警，并监控、确定疑似酒驾车辆；若“发生酒驾”的概率低于阈值，则当前路段发生酒驾概率过低，系统不作出反应。
与现有技术相比，本实施例的有益效果为：气体收集模块1为非车载模块，并且安置在不易触碰到的地方，且能够全天候自动遥控测量，抗人为干扰因素能力增强。此外，温度控制单元14对气体样本进行加热、光学传感器、乙醇半导体气体传感器，水半导体气体传感器，酮类半导体气体传感器协同测量以及利用神经网络处理气体样本数据，有效提高结果的准确率。气体传感器结合红外激光进行监控，避免单激光检测受干扰大的不利因素。预警模块3的室内计算机将预警信息的统一处理，指导交通部门进行力量分配，为交通部门的力量分配提供了科学依据。气体传感器的成本降低，体积减小，不同于激光检测装置，可应用于多个不同检测道路，具有成本降低，使用范围增大的优点。
Claims (10)
1.一种基于神经网络气体识别的酒驾预警装置，包括气体收集模块(1)、识别检测系统(2)和预警模块(3)，所述气体收集模块(1)用于收集气体样本，其特征在于，所述气体收集模块(1)包括检测传感器阵列(15)；所述检测传感器阵列(15)由光学气体传感器和半导体气体传感器构成；所述光学气体传感器和半导体气体传感器将气体样本信息转化为所述识别监测系统可处理的信息。
2.根据权利要求1所述的基于神经网络气体识别的酒驾预警装置，其特征在于：所述光学气体传感器通过紫外或红外激光检测气体，将气体信息转化为光谱信息；所述半导体气体传感器通过识别光谱信号中不同气体组分，判断气体组成，并输出对应气体的电信号。
3.根据权利要求2所述的基于神经网络气体识别的酒驾预警装置，其特征在于：所述光学气体传感器为光学传感器；所述半导体气体传感器为乙醇半导体气体传感器(153)，水半导体气体传感器(154)，酮类半导体气体传感器(155)；传感器的排列顺序依次为光学传感器、乙醇半导体气体传感器(153)、水半导体气体传感器(154)、酮类半导体气体传感器(155)。
4.根据权利要求2所述的基于神经网络气体识别的酒驾预警装置，其特征在于：所述气体收集模块(1)还包括气泵装置(11)、流量监控仪(12)、过滤装置(13)、温度控制单元(14)、数据传输单元(16)、排气装置(17)；所述气泵装置(11)在工作状态下吸入气体样本；所述流量监控仪(12)检测气体流入速度，实时调整气泵装置(11)功率；所述过滤装置(13)用于阻碍气体杂质和干扰气体；所述温度控制单元(14)用于提高气体样本的温度；所述传感器阵列将提高温度的气体样本信息转化为色谱信息和电信号：所述数据传输单元(16)将所述色谱信息和电信号传送至识别监控系统；所述排气装置(17)用于将气体样本排出。
5.根据权利要求2所述的基于神经网络气体识别的酒驾预警装置，其特征在于：所述识别系统由数据接收模块和神经网络模型组成；所述数据接模块对所述色谱信息预处理以形成一维特征输入向量；所述数据接受模块将所述电信号预处理以形成二维特征输入向量。
6.根据权利要求4所述的基于神经网络气体识别的酒驾预警装置，其特征在于：所述神经网络模型包括残差网络、深度神经网络和CNN-LSTM神经网络；
所述一维特征输入向量通过所述深度神经网络得到判断向量；所述二维特征输入向量在所述深度神经网络的基础上引入卷积层和记忆，通过所述CNN-LSTM得到判断向量。
7.根据权利要求1至6所述的任一项基于神经网络气体识别的酒驾预警装置，其特征在于：所述气体收集模块(1)安装在检测路段的天桥底下、龙门架或交通指示牌杆上距地面2到4米的位置。
8.一种基于神经网络气体识别的酒驾预警方法，其特征在于：包括如下步骤：
S1、气体收集模块(1)收集气体样本；
S2、传感器检测气体样本，将气体样本信息转化为色谱信息和电信号；
S3、向识别检测系统(2)传输色谱信息和电信号；
S4、接收色谱信息和电信号的信息并进行预处理；
S5、采用神经网络模型进行综合分析；
S6、若分析结果中“发生酒驾”的概率高于阈值，则对当前路段进行酒驾预警，并监控、确定疑似酒驾车辆；若“发生酒驾”的概率低于阈值，则当前路段发生酒驾概率过低，系统不作出反应。
9.根据权利要求8所述的基于神经网络气体识别的酒驾预警方法，其特征在于：所述步骤S4的具体步骤为：所述色谱信息和电信号在所述识别检测系统(2)中进行预处理，预处理后所述色谱信息形成一维信息，所述电信号形成二维信息。
10.根据权利要求9所述的基于神经网络气体识别的酒驾预警方法，其特征在于：所述步骤S5的具体步骤为：将所述一维信息和二维信息输入残差网络、DNN神经网络和CNN-LSTM神经网络的神经网络模型，判断气体样本中酒精含量是否超标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110402799.7A CN113176304A (zh) | 2021-04-14 | 2021-04-14 | 一种基于神经网络气体识别的酒驾预警装置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110402799.7A CN113176304A (zh) | 2021-04-14 | 2021-04-14 | 一种基于神经网络气体识别的酒驾预警装置及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113176304A true CN113176304A (zh) | 2021-07-27 |
Family
ID=76923345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110402799.7A Pending CN113176304A (zh) | 2021-04-14 | 2021-04-14 | 一种基于神经网络气体识别的酒驾预警装置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113176304A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114216941A (zh) * | 2021-12-13 | 2022-03-22 | 合肥艾鑫智能科技有限公司 | 一种基于复合阵列传感器的酒醉驾预防报警系统 |
| CN114740159A (zh) * | 2022-04-14 | 2022-07-12 | 成都秦川物联网科技股份有限公司 | 一种天然气能量计量组分获取方法和物联网系统 |
| CN114813615A (zh) * | 2022-06-23 | 2022-07-29 | 广东省计量科学研究院（华南国家计量测试中心） | 一种基于红外光吸收特性的酒精浓度范围检测方法 |
| US11979697B2 (en) | 2021-07-26 | 2024-05-07 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for obtaining natural gas energy metering component |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101000318A (zh) * | 2006-12-28 | 2007-07-18 | 中国科学院合肥物质科学研究院 | 基于温度控制的传感器阵列及气体检测方法 |
| CN204666549U (zh) * | 2015-05-14 | 2015-09-23 | 中国人民解放军军械工程学院 | 基于bp神经网络的混合气体检测系统 |
| CN110070078A (zh) * | 2019-05-27 | 2019-07-30 | 浙江科技学院 | 一种基于传感器与机器视觉的酒驾检测方法及系统 |
-
2021
- 2021-04-14 CN CN202110402799.7A patent/CN113176304A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN101000318A (zh) * | 2006-12-28 | 2007-07-18 | 中国科学院合肥物质科学研究院 | 基于温度控制的传感器阵列及气体检测方法 |
| CN204666549U (zh) * | 2015-05-14 | 2015-09-23 | 中国人民解放军军械工程学院 | 基于bp神经网络的混合气体检测系统 |
| CN110070078A (zh) * | 2019-05-27 | 2019-07-30 | 浙江科技学院 | 一种基于传感器与机器视觉的酒驾检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 徐开先 等: "《传感器实用技术》", 31 December 2016, 国防工业出版社 * |
| 李卫国 等: "《工业机器人基础》", 31 December 2018, 北京理工大学出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11979697B2 (en) | 2021-07-26 | 2024-05-07 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for obtaining natural gas energy metering component |
| CN114216941A (zh) * | 2021-12-13 | 2022-03-22 | 合肥艾鑫智能科技有限公司 | 一种基于复合阵列传感器的酒醉驾预防报警系统 |
| CN114216941B (zh) * | 2021-12-13 | 2023-12-29 | 合肥艾鑫智能科技有限公司 | 一种基于复合阵列传感器的酒醉驾预防报警系统 |
| CN114740159A (zh) * | 2022-04-14 | 2022-07-12 | 成都秦川物联网科技股份有限公司 | 一种天然气能量计量组分获取方法和物联网系统 |
| CN114740159B (zh) * | 2022-04-14 | 2023-09-19 | 成都秦川物联网科技股份有限公司 | 一种天然气能量计量组分获取方法和物联网系统 |
| CN114813615A (zh) * | 2022-06-23 | 2022-07-29 | 广东省计量科学研究院（华南国家计量测试中心） | 一种基于红外光吸收特性的酒精浓度范围检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113176304A (zh) | 一种基于神经网络气体识别的酒驾预警装置及其方法 | |
| CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
| CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
| CN108372785A (zh) | 一种基于图像识别的汽车非安全驾驶检测装置及检测方法 | |
| CN106935037A (zh) | 一种基于光照度与地磁联合探测的复合型车位检测方法与检测装置 | |
| CN110070078B (zh) | 一种基于传感器与机器视觉的酒驾检测方法及系统 | |
| CN111649817B (zh) | 一种分布式光纤振动传感器系统及其模式识别方法 | |
| CN102254402B (zh) | 一种酒驾遥感快速激光自动预检系统 | |
| CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
| CN103465857A (zh) | 一种基于手机的汽车主动安全的预警方法 | |
| CN102360525A (zh) | 基于判别分析的快速道路实时交通事故风险预测方法 | |
| CN108760740A (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
| CN106845359A (zh) | 基于红外发射的隧道入口行车提示装置及方法 | |
| CN111724604A (zh) | 一种带车牌识别的高速公路不停车测速称重系统及方法 | |
| CN113887324A (zh) | 基于卫星遥感数据的火点检测方法 | |
| CN109238987A (zh) | 一种多光谱汽车尾气监测装置 | |
| CN113370786A (zh) | 基于多源信息融合的单位用车车载酒驾综合检测系统 | |
| Wang et al. | Research on a sound-based method for belt conveyor longitudinal tear detection | |
| CN110733461B (zh) | 一种基于车速和液压变化分析的防盗油检测系统及方法 | |
| CN116818009A (zh) | 一种货车超限检测系统及方法 | |
| CN116070676B (zh) | 基于注意力机制和自编码器的高速公路路面温度预报方法 | |
| CN117213621A (zh) | 一种接触网振动定点监测系统及监测方法 | |
| CN111912819A (zh) | 基于卫星数据的生态检测方法 | |
| CN105427627B (zh) | 一种泊车场出入口车流量检测方法及其系统 | |
| CN117169143A (zh) | 一种基于神经网络的全光谱水质检测方法与系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210727 |