CN113720968B - 气体浓度检测方法、装置、系统及存储介质 - Google Patents
气体浓度检测方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN113720968B CN113720968B CN202110868872.XA CN202110868872A CN113720968B CN 113720968 B CN113720968 B CN 113720968B CN 202110868872 A CN202110868872 A CN 202110868872A CN 113720968 B CN113720968 B CN 113720968B
- Authority
- CN
- China
- Prior art keywords
- gas
- neural network
- network model
- training
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 96
- 239000007789 gas Substances 0.000 claims description 203
- 230000004044 response Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000003570 air Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
本发明公开了一种气体浓度检测方法、装置、系统及存储介质，其中，气体浓度检测方法包括以下步骤：通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果。本发明公开的气体浓度检测方法可解决现有的气体浓度检测方法输出结果不精准的技术问题。
Description
技术领域
本发明属于气体检测技术领域，具体涉及一种气体浓度检测方法、装置、系统及存储介质。
背景技术
目前，低成本电化学传感器的出现，为空气质量监测提供了经济和便利的方案，在众多的气体检测领域均采用气体传感器作为主要检测输入数据。
现有技术中通过气体传感器进行的气体检测方法中，由于传感器的选择性比较差，因此会出现对非监测气体也有电压响应的现象，如NO2传感器对SO2气体的输入会有明显的响应，即现有技术中的气体检测方法中存在气体选择性较差，使得输出气体浓度结果不精准的问题。
发明内容
为了克服现有技术的上述缺点，本发明的目的在于提供一种气体浓度检测方法、装置、系统及存储介质，旨在解决现有的气体浓度检测方法输出结果不精准的技术问题。
本发明为达到其目的，所采用的技术方案如下：
一种气体浓度检测方法，包括以下步骤：
通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；
其中，所述通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型的步骤，包括：
获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；
以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；
根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；
利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型。
进一步地，所述利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型的步骤，包括：
将所述训练数据集中的所述响应电压值输入至所述神经网络模型中，输出预测浓度值；
根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度；
若所述神经网络模型的训练精度未达到预设精度，则调节所述神经网络模型的连接权值，并反复利用所述训练数据集中的所述响应电压值对所述神经网络模型进行训练，直至所述神经网络模型的训练精度达到预设精度为止，获得训练完成的所述目标神经网络模型。
进一步地，所述目标神经网络模型包括输入层、中间层、线性层以及输出层；
通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；
通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层；
通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；
通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。
进一步地，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块；
所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；
所述LSTM模块，用于对应记录所述输入层中相应电压数据输出点的所述电压数据，并生成所述第一特征传输至所述线性层；
所述Linear+LSTM模块，用于记录所述输入层中所有电压数据输出点的所述电压数据，并生成所述第二特征传输至所述线性层。
进一步地，所述输入层包括若干个气体传感器，每一所述气体传感器与每一所述LSTM模块一一对应连接，且所有所述气体传感器分别与各个所述LSTM模块连接；
所述气体传感器，用于检测所述目标气体的浓度，并生成与所述目标气体的浓度相对应的所述第一电压信息。
进一步地，所述线性层包括若干个Linear模块；
所述Linear模块与所述中间层全连接；所述Linear模块对所述第一特征和第二特征进行综合处理，生成输出特征并传输至所述输出层。
进一步地，所述根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度的步骤，包括：
判断所述预测浓度值与所述已知浓度值之间的比值是否小于预设阈值；
若所述预测浓度值与所述已知浓度值之间的比值小于预设阈值，则判定所述神经网络模型的训练精度已达到预设精度。
对应地，本发明还提出一种气体浓度检测装置，其特征在于：
训练模块，用于通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
获取模块，用于获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
处理模块，用于触发所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；
其中，所述训练模块包括：
样本单元，用于获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；
采样单元，用于以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；
响应单元，用于根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；
目标单元，用于利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型。
对应地，本发明还提出一种气体浓度检测系统，所述气体浓度检测系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的气体浓度检测程序，所述气体浓度检测程序配置为实现如前述的气体浓度检测方法的步骤。
对应地，本发明还提出一种存储介质，其上存储有气体浓度检测程序，所述气体浓度检测程序被处理器执行时实现如前述的气体浓度检测方法方法的步骤。
与现有技术相比，本发明的有益效果是：
本发明提出的气体浓度检测方法，建立预设的神经网络模型，并对神经网络模型进行训练进行反复迭代训练，得到目标神经网络模型，然后向目标神经网络模型输入预设时间段内待测气体的电压数据，其中，电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息，目标神经网络模型根据预设时间段内的电压数据，输出目标气体的气体浓度结果；一方面地，完成训练后的目标神经网络模型具备了选择性能力，即目标神经网络模型会对对应目标气体的第一电压信息进行筛选，并排除对应非目标气体的第二电压信息，使得后续生成目标气体的气体浓度结果的过程中，仅以目标气体生成的第一电压信息为依据；进而实现了对目标气体的选择性检测，使得本发明的气体浓度检测方法生成的气体浓度结果更加精准；
另一方面地，由于目标神经网络模型处理的预设时间段内的电压数据，即训练完成后的目标神经网络模型还具备了参考分析以往数据信息的能力，例如分析当前目标气体浓度时，目标神经网络会结合一段时间(例如两分钟或者一分钟)内的所有数据进行综合处理分析，最终得到当前目标气体的气体浓度结果；由于结合了以往的数据信息进行分析，同样使得本发明的气体浓度检测方法生成的气体浓度结果更加精准。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述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为本发明实施例方案涉及的硬件运行环境的气体浓度检测系统结构示意图；
图2为本发明一实施例中气体浓度检测方法的流程示意图；
图3为本发明一实施例中目标神经网络模型的结构示意图；
图4为本发明一实施例中气体浓度检测装置的结构示意图。
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
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
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的气体浓度检测系统的结构示意图。
本发明实施例的气体浓度检测系统可以是一种智能气体浓度检测箱体等具有存储功能的终端设备。
如图1所示，该气体浓度检测系统可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。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)，可选的用户接口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-volatilememory)，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中示出的气体浓度检测系统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、用户接口模块以及气体浓度检测程序。
在如图1所示的气体浓度检测系统中，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主要包括输入单元比如键盘，键盘包括无线键盘和有线键盘，用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的气体浓度检测程序，并执行下述任一实施例中的气体浓度检测方法中的操作。
基于上述硬件结构，提出本发明气体浓度检测方法实施例。
如图2所示，本发明一实施例提供一种气体浓度检测方法，包括以下步骤：
步骤S100，通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
步骤S200，获取预设时间段内待测气体的电压数据，并将电压数据作为目标神经网络模型的输入；其中，电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
步骤S300，目标神经网络模型根据预设时间段内的电压数据输出目标气体的气体浓度结果；
其中，上述通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型的步骤S100，包括：
步骤S110，获取气体样本，其中，气体样本包括一种或多种已知浓度的目标气体以及一种或多种已知浓度的非目标气体；
步骤S120，以预设的采样周期记录气体样本中各类气体的已知浓度值以及与已知浓度值相对应的响应电压值；
步骤S130，根据所记录的已知浓度值和响应电压值，生成训练数据集，其中，训练数据集用于表示已知浓度值与响应电压值之间的一一映射关系；
步骤S140，利用训练数据集对神经网络模型进行训练，得到目标神经网络模型。
具体地，获取预设时间段内待测气体的电压数据，并将电压数据作为目标神经网络模型的输入；其中，预设时间段为距离当前时间的前置时间，例如当前正在测试9点的气体浓度值，则目标神经网络模型会综合8点58分至当前时间的所有电压数据进行参考分析；其中，由于目标神经网络模型处理的预设时间段内的电压数据，即训练完成后的目标神经网络模型具备了参考分析以往数据信息的能力，例如分析当前目标气体浓度时，目标神经网络会结合预设时间(例如两分钟或者一分钟)内的所有数据进行综合处理分析，最终得到当前目标气体的气体浓度结果；由于结合了以往的数据信息进行分析，同样使得本发明的气体浓度检测方法生成的气体浓度结果更加精准；更具体地，目标神经网络会对输入的预设时间段内的电压数据进行筛选，例如当NO2传感器采集信息时，出现异常故障对SO2也产生了电压反应，此时NO2传感器的电压信息会出现与采集NO2气体时的电压存在较大差异的异常电压信息，目标神经网络模型通过将异常电压信息与以往的正常电压信息进行对比分析，并判断异常电压为非正常电压信息，会将异常电压进行截断或去除处理使得异常电压不会影响气体浓度结果的输出，因此在传感器对非目标气体进行异常反应时目标神经网络模型会将异常反应的数据进行过滤，实现了对气体的选择性效果，使得气体浓度结果输出更加的精准；
更进一步地，在一个示例性的实施例中，获取气体样本中包括，配置不同浓度的气体，包括单气(目标气体中的某种气体)和混气(目标气体中的多种气体混合)以及包含非目标气体的气体，尽可能覆盖更多的气体组合，以模拟真实场景中会有的大气环境空气组分；本实施例中以预设的采样周期记录气体样本中各类气体的已知浓度值以及与已知浓度值相对应的响应电压值，是通过空气质量监测系统实现的，通过现有的空气质量检测系统对大气环境在的SO2浓度、CO浓度、氮化物浓度和臭气等气体浓度，进行监测分析生成气体与弄对。。
进一步地，在一个示例性的实施例中，上述利用训练数据集对神经网络模型进行训练，得到目标神经网络模型的步骤S140，包括：
步骤S141，将训练数据集中的响应电压值输入至神经网络模型中，输出预测浓度值；
步骤S142，根据已知浓度值和预测浓度值，判断神经网络模型的训练精度是否达到预设精度；
步骤S143，若神经网络模型的训练精度未达到预设精度，则调节神经网络模型的连接权值，并反复利用训练数据集中的响应电压值对神经网络模型进行训练，直至神经网络模型的训练精度达到预设精度为止，获得训练完成的目标神经网络模型。
进一步地，在一个示例性的实施例中，根据已知浓度值和预测浓度值，判断神经网络模型的训练精度是否达到预设精度的步骤，包括：
步骤S1421，判断预测浓度值与已知浓度值之间的比值是否小于预设阈值；
步骤S1422，若预测浓度值与已知浓度值之间的比值小于预设阈值，则判定神经网络模型的训练精度已达到预设精度。
具体地，还包括，若预测浓度值与已知浓度值之间的比值不小于预设阈值时，则通过对目标神经网络的连接权值、模型架构、参数数据进行调整，并反复利用训练数据集中的响应电压值对神经网络模型进行迭代训练，直至神经网络模型的训练精度达到预设精度为止，获得训练完成的目标神经网络模型；本实施中预设阈值为10％，即预测浓度值与已知浓度值之间的比值小于10％，则判定神经网络模型的训练精度已达到预设精度。
进一步地，在一个示例性的实施例中，如图3所示，上述目标神经网络模型包括输入层、中间层、线性层以及输出层；
通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；
通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层；
通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；
通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。
如图3所示，进一步地，在一个示例性的实施例中，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块；
所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；
所述LSTM模块，用于对应记录所述输入层中相应电压数据输出点的所述电压数据，并生成所述第一特征传输至所述线性层；
所述Linear+LSTM模块，用于记录所述输入层中所有电压数据输出点的所述电压数据，并生成所述第二特征传输至所述线性层。
具体地，图3中最左侧的Input即为本实施例中的输出层，若干个LSTM模块和若干个Linear+LSTM模块为中间层，Linear为线性层，最右侧的Output为输出层；由于LSTM模块是具备记忆功能即记录功能的神经网络模块，使得Linear+LSTM模块同样具备记忆的效果，Linear+LSTM模块的作用是用于综合输入层的全部电压信息然后记忆，实现了目标神经网络模块可以综合所有输入的电压信息进行整体分析的效果；，因此通过LSTM模块与输入层单点连接，进而实现了对输入层的各点输入均起到了单独记忆处理功能；例如上述实施例中提及的，当NO2传感器采集信息NO2气体浓度时，若出现异常故障对使SO2也产生了电压反应，此时NO2传感器的电压信息会出现与采集NO2气体时的电压存在较大差异的异常电压信息，由于LSTM模块使得LSTM模块可以通过参考记忆信息，将异常电压信息与记忆信息中的正常电压信息进行对比分析，LSTM模块会以此判断异常电压为非正常电压信息，并且LSTM模块会将异常电压进行截断或去除处理使得异常电压不会生成第一特征，以此起到了增强气体传感器选择性的方法，以赋予目标神经网络模型一种“软记忆”功能，使得目标神经网络模型在气体浓度结果生成时根据LSTM模块的“记忆”来减弱非检测项的干扰，从而提高气体浓度结果的准确性；
更进一步地，在一个示例性的实施例中，LSTM模块的设置还用于对气体进行标定，由于LSTM模块是与输入层进行单点连接，即LSTM模块是与输入层一一对应连接，因此LSTM模块输出的第一特征则起到了标定的功能，例如，输入层包括一个NO2传感器，因此存在有一个LSTM模块与NO2传感器对应连接，该LSTM模块用于记忆NO2传感器的输出电压信号，并对电压信号进行处理输出第一特征，因此第一特征同时还拥有了标记对应气体浓度的标定作用，使得本实施例的目标神经网络模型同时实现了去干扰和标定的效果。
进一步地，在一个示例性的实施例中，所述线性层包括若干个Linear模块；
所述Linear模块与所述中间层全连接；所述Linear模块对所述第一特征和第二特征进行综合处理，生成输出特征并传输至所述输出层。
进一步地，在一个示例性的实施例中，所述输入层包括若干个气体传感器，每一所述气体传感器与每一所述LSTM模块一一对应连接，且所有所述气体传感器分别与各个所述LSTM模块连接；
所述气体传感器，用于检测所述目标气体的浓度，并生成与所述目标气体的浓度相对应的所述第一电压信息。
具体的，输入层可以设置若干个不同的气体传感器，进而使得本实施例中的目标神经网络模型可以同时对若干种气体进行浓度检测。
对应地，参考图4，本发明还提出一种气体浓度检测装置，包括：
训练模块1，用于通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
获取模块2，用于获取预设时间段内待测气体的电压数据，并将电压数据作为目标神经网络模型的输入；其中，电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
处理模块3，用于触发目标神经网络模型根据预设时间段内的电压数据输出目标气体的气体浓度结果；
其中，训练模块1包括：
样本单元，用于获取气体样本，其中，气体样本包括一种或多种已知浓度的目标气体以及一种或多种已知浓度的非目标气体；
采样单元，用于以预设的采样周期记录气体样本中各类气体的已知浓度值以及与已知浓度值相对应的响应电压值；
响应单元，用于根据所记录的已知浓度值和响应电压值，生成训练数据集，其中，训练数据集用于表示已知浓度值与响应电压值之间的一一映射关系；
目标单元，用于利用训练数据集对神经网络模型进行训练，得到目标神经网络模型。
进一步地，在一个示例性的实施例中，目标单元，包括：
预测子单元，用于将所述训练数据集中的所述响应电压值输入至所述神经网络模型中，输出预测浓度值；
判断子单元，用于根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度；
迭代子单元，用于触发若所述神经网络模型的训练精度未达到预设精度，则调节所述神经网络模型的连接权值，并反复利用所述训练数据集中的所述响应电压值对所述神经网络模型进行训练，直至所述神经网络模型的训练精度达到预设精度为止，获得训练完成的所述目标神经网络模型。
进一步地，在一个示例性的实施例中，响应单元，包括：
比较子单元，用于判断所述预测浓度值与所述已知浓度值之间的比值是否小于预设阈值；
精度子单元，用于触发若所述预测浓度值与所述已知浓度值之间的比值小于预设阈值，则判定所述神经网络模型的训练精度已达到预设精度。
需要说明的是，关于上述实施例中的气体浓度检测装置，其中各个模块或单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，本领域技术人员可以理解，此处不再赘述。
对应地，本发明一实施例还提供一种存储介质，其为计算机可读的存储介质，其上存储有气体浓度检测程序，气体浓度检测程序被处理器执行时实现上述任一实施例中的气体浓度检测方法的步骤。
在本实施例中，上述存储介质可以包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(RandomAccessMemory，随机存储器)、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片等各种可以存储程序代码的介质。
显然，本领域的技术人员应当理解，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
需要说明的是，本发明公开的气体浓度检测方法、装置、系统及存储介质的其它内容可参见现有技术，在此不再赘述。
以上所述，仅是本发明的可选实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种气体浓度检测方法，其特征在于，包括以下步骤：
通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；
其中，所述通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型的步骤，包括：
获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；
以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；
根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；
利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型；
所述目标神经网络模型包括输入层、中间层、线性层以及输出层，其中，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块，所述线性层为Linear，所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；
通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；
通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层，其中，所述LSTM模块用于剔除所述电压数据中的异常电压；
通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；
通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。
2.根据权利要求1所述的气体浓度检测方法，其特征在于，所述利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型的步骤，包括：
将所述训练数据集中的所述响应电压值输入至所述神经网络模型中，输出预测浓度值；
根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度；
若所述神经网络模型的训练精度未达到预设精度，则调节所述神经网络模型的连接权值，并反复利用所述训练数据集中的所述响应电压值对所述神经网络模型进行训练，直至所述神经网络模型的训练精度达到预设精度为止，获得训练完成的所述目标神经网络模型。
3.根据权利要求1所述的气体浓度检测方法，其特征在于，
所述LSTM模块，用于对应记录所述输入层中相应电压数据输出点的所述电压数据，并生成所述第一特征传输至所述线性层；
所述Linear+LSTM模块，用于记录所述输入层中所有电压数据输出点的所述电压数据，并生成所述第二特征传输至所述线性层。
4.根据权利要求3所述的气体浓度检测方法，其特征在于，所述输入层包括若干个气体传感器，每一所述气体传感器与每一所述LSTM模块一一对应连接，且所有所述气体传感器分别与各个所述LSTM模块连接；
所述气体传感器，用于检测所述目标气体的浓度，并生成与所述目标气体的浓度相对应的所述第一电压信息。
5.根据权利要求1所述的气体浓度检测方法，其特征在于，所述线性层包括若干个Linear模块；
所述Linear模块与所述中间层全连接；所述Linear模块对所述第一特征和第二特征进行综合处理，生成输出特征并传输至所述输出层。
6.根据权利要求1所述的气体浓度检测方法，其特征在于，所述根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度的步骤，包括：
判断所述预测浓度值与所述已知浓度值之间的比值是否小于预设阈值；
若所述预测浓度值与所述已知浓度值之间的比值小于预设阈值，则判定所述神经网络模型的训练精度已达到预设精度。
7.一种气体浓度检测装置，其特征在于：
训练模块，用于通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
获取模块，用于获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
处理模块，用于触发所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；
其中，所述训练模块包括：
样本单元，用于获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；
采样单元，用于以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；
响应单元，用于根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；
目标单元，用于利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型；
所述获取模块，还用于：
所述目标神经网络模型包括输入层、中间层、线性层以及输出层，其中，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块，所述线性层为Linear，所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；
通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；
通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层，其中，所述LSTM模块用于剔除所述电压数据中的异常电压；
通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；
通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。
8.一种气体浓度检测系统，其特征在于，所述气体浓度检测系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的气体浓度检测程序，所述气体浓度检测程序配置为实现如权利要求1至6中任一项所述的气体浓度检测方法的步骤。
9.一种存储介质，其特征在于，其上存储有气体浓度检测程序，所述气体浓度检测程序被处理器执行时实现如权利要求1至6中任一项所述的气体浓度检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110868872.XA CN113720968B (zh) | 2021-07-29 | 2021-07-29 | 气体浓度检测方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110868872.XA CN113720968B (zh) | 2021-07-29 | 2021-07-29 | 气体浓度检测方法、装置、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113720968A CN113720968A (zh) | 2021-11-30 |
| CN113720968B true CN113720968B (zh) | 2024-04-05 |
Family
ID=78674448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110868872.XA Active CN113720968B (zh) | 2021-07-29 | 2021-07-29 | 气体浓度检测方法、装置、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113720968B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115343348A (zh) * | 2022-07-04 | 2022-11-15 | 深圳大学 | 一种目标物浓度的检测方法、装置、设备及存储介质 |
| CN116612836B (zh) * | 2023-07-19 | 2023-10-03 | 福建德尔科技股份有限公司 | 三氟甲烷生产的尾气量预测方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN111521647A (zh) * | 2020-03-25 | 2020-08-11 | 南方科技大学 | 气体浓度检测方法、系统、计算机设备及存储介质 |
| CN111523640A (zh) * | 2020-04-09 | 2020-08-11 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
| GB202014604D0 (en) * | 2020-09-16 | 2020-10-28 | Imperial College Innovations Ltd | Sensor |
| CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
| CN112946187A (zh) * | 2021-01-22 | 2021-06-11 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201614958D0 (en) * | 2016-09-02 | 2016-10-19 | Digital Genius Ltd | Message text labelling |
| WO2020061259A1 (en) * | 2018-09-19 | 2020-03-26 | Rutgers, The State University Of New Jersey | Systems and methods for low-power gas monitoring |
-
2021
- 2021-07-29 CN CN202110868872.XA patent/CN113720968B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492822A (zh) * | 2018-11-24 | 2019-03-19 | 上海师范大学 | 空气污染物浓度时空域关联预测方法 |
| CN111521647A (zh) * | 2020-03-25 | 2020-08-11 | 南方科技大学 | 气体浓度检测方法、系统、计算机设备及存储介质 |
| CN111523640A (zh) * | 2020-04-09 | 2020-08-11 | 北京百度网讯科技有限公司 | 神经网络模型的训练方法和装置 |
| GB202014604D0 (en) * | 2020-09-16 | 2020-10-28 | Imperial College Innovations Ltd | Sensor |
| CN112946187A (zh) * | 2021-01-22 | 2021-06-11 | 西安科技大学 | 一种基于神经网络的避难硐室实时状态监测方法 |
| CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于BP算法的气敏传感器测量模型研究;周长林;钊守国;梁臻鹤;徐志坚;钱志升;;信息工程大学学报;第18卷(第5期);第550-554页 * |
| 基于MSP430单片机和神经网络的气体浓度检测仪;李广义;张伟;李民强;刘锦淮;;仪表技术与传感器(第02期);第10-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113720968A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113720968B (zh) | 气体浓度检测方法、装置、系统及存储介质 | |
| CN109298993B (zh) | 一种检测故障的方法、装置及计算机可读存储介质 | |
| US20210389290A1 (en) | Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof | |
| CN103728429A (zh) | 水质在线监测方法及监测系统 | |
| CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| EP3699582A1 (en) | Gas sensing device and method for operating a gas sensing device | |
| KR20210116278A (ko) | 가스 감지 디바이스 및 가스 감지 디바이스를 작동시키기 위한 방법 | |
| Berk et al. | Reliability assessment of safety-critical sensor information: Does one need a reference truth? | |
| CN112311803A (zh) | 一种规则库更新方法、装置、电子设备及可读存储介质 | |
| CN110266774B (zh) | 车联网数据质量的检验方法、装置、设备及存储介质 | |
| AU2016233815B2 (en) | Detecting a transient error in a body fluid sample | |
| CN107562621A (zh) | 确定手工测试用例与被测试代码关联关系的方法和装置 | |
| CN116628564B (zh) | 用于检测发电机状态的模型训练方法和系统 | |
| CN113033639A (zh) | 一种异常数据检测模型的训练方法、电子设备及存储介质 | |
| CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN110728315A (zh) | 一种实时质量控制方法，系统和设备 | |
| CN112801156B (zh) | 用于人工智能机器学习的业务大数据采集方法及服务器 | |
| CN112782233A (zh) | 一种基于阵列气体传感器的气体识别方法 | |
| CN112229435A (zh) | 基于规范变量分析的船舶主机偶发性故障检测方法及系统 | |
| CN113189269A (zh) | 一种自动进行烟尘测试的方法及系统 | |
| CN111781171A (zh) | 体外检测样本中对象参数的测量方法、装置及设备 | |
| CN111898314A (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
| CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 | |
| CN211086175U (zh) | 一种仿生嗅觉采集识别系统 | |
| CN116087131B (zh) | 一种紫外差分气体分析仪的数据处理方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |