CN116106457A - 空气采样检测一体化装置 - Google Patents

空气采样检测一体化装置 Download PDF

Info

Publication number
CN116106457A
CN116106457A CN202310391131.6A CN202310391131A CN116106457A CN 116106457 A CN116106457 A CN 116106457A CN 202310391131 A CN202310391131 A CN 202310391131A CN 116106457 A CN116106457 A CN 116106457A
Authority
CN
China
Prior art keywords
gas chromatography
gas
feature
characteristic
vector
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.)
Granted
Application number
CN202310391131.6A
Other languages
English (en)
Other versions
CN116106457B (zh
Inventor
洪晓鸣
李建功
怀永杨
白雨鑫
罗君慧
杨君颜
徐金浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Haihe Mapping Technique Testing Co ltd
Original Assignee
Tianjin Haihe Mapping Technique Testing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Haihe Mapping Technique Testing Co ltd filed Critical Tianjin Haihe Mapping Technique Testing Co ltd
Priority to CN202310391131.6A priority Critical patent/CN116106457B/zh
Publication of CN116106457A publication Critical patent/CN116106457A/zh
Application granted granted Critical
Publication of CN116106457B publication Critical patent/CN116106457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01N1/2273—Atmospheric sampling
    • 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
    • G01N30/86—Signal analysis
    • G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
    • 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
    • G01N30/86—Signal analysis
    • G01N30/8696—Details of Software
    • 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

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本申请公开了一种空气采样检测一体化装置，其利用基于深度学习的人工智能技术，以通过使用具有双重注意力机制的卷积神经网络模型对被检测空气的气相色谱图中所蕴含的空气中的有毒气体的有效特征进行捕捉提取，并融合所述被检测空气的有毒气体的空间位置特征和特征内容关联信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。

Description

空气采样检测一体化装置
技术领域
本申请涉及空气检测技术领域，且更为具体地，涉及一种空气采样检测一体化装置。
背景技术
随着时代发展，人们越来越关注自己的生活环境，对自己所处的环境要求也越来越高，特别是对空气质量要求很高。
随着工业的发展，各种工厂生产、建筑工程、室内装修，会导致大量有毒气体，有些会经过净化处理，但有些没有经过处理直接排放到空气中，如果空气含有有毒气体，而人长期居住在含有有毒气体的环境中，则可能会出现头疼、刺激呼吸道，对人体免疫系统、神经系统等产生危害。
因此，期望一种空气采样检测一体化装置，对空气进行采样，并判断被检测空气中是否含有毒气体。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种空气采样检测一体化装置，其利用基于深度学习的人工智能技术，以通过使用具有双重注意力机制的卷积神经网络模型对被检测空气的气相色谱图中所蕴含的空气中的有毒气体的有效特征进行捕捉提取，并融合所述被检测空气的有毒气体的空间位置特征和特征内容关联信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。
相应地，根据本申请的一个方面，提供了一种空气采样检测一体化装置，其包括：
空气采样模块，用于通过空气采样瓶采集被检测空气；
气相检测模块，用于通过气相色谱仪采集所述被检测空气的气相色谱图；
第一气相色谱编码模块，用于将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图；
第二气相色谱编码模块，用于将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；
特征融合模块，用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；
特征分布校正模块，用于对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；以及
检测结果生成模块，用于将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
在上述空气采样检测一体化装置中，所述第一气相色谱编码模块，进一步用于：使用所述第一卷积神经网络模型的卷积编码部分对所述被检测空气的气相色谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一气相色谱特征图。
在上述空气采样检测一体化装置中，所述第二气相色谱编码模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在上述空气采样检测一体化装置中，所述特征融合模块，进一步用于：以如下公式来融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；其中，所述公式为：
其中，为所述气相色谱特征图，为所述第一气相色谱特征图，为所述第二气相色谱特征图，“”表示所述第一气相色谱特征图和所述第二气相色谱特征图相对应位置处的元素相加，和为用于控制所述气相色谱特征图中所述第一气相色谱特征图和所述第二气相色谱特征图之间的平衡的加权参数。
在上述空气采样检测一体化装置中，所述特征分布校正模块，包括：特征图展开单元，用于将所述气相色谱特征图展开为气相色谱特征向量；特征向量优化单元，用于对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量；以及，维度重构单元，用于将所述优化气相色谱特征向量进行维度重构以得到所述校正气相色谱特征图。
在上述空气采样检测一体化装置中，所述特征向量优化单元，进一步用于：以如下公式对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到所述优化气相色谱特征向量；其中，所述公式为：
其中和分别是所述气相色谱特征向量和所述优化气相色谱特征向量，表示所述气相色谱特征向量的二范数的平方，是所述气相色谱特征向量的各特征值按大小次序排列的有序向量，且所述气相色谱特征向量是列向量形式，表示向量相乘，表示按位置点乘。
在上述空气采样检测一体化装置中，所述检测结果生成模块，包括：展开单元，用于将所述校正气相色谱特征图中各个校正气相色谱特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种空气采样检测一体化装置的运行方法，其包括：
通过空气采样瓶采集被检测空气；
通过气相色谱仪采集所述被检测空气的气相色谱图；
将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图；
将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；
融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；
对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；以及
将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
在上述空气采样检测一体化装置的运行方法中，所述将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述被检测空气的气相色谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一气相色谱特征图。
在上述空气采样检测一体化装置的运行方法中，所述将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在上述空气采样检测一体化装置的运行方法中，所述融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图，包括：以如下公式来融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；其中，所述公式为：
其中，为所述气相色谱特征图，为所述第一气相色谱特征图，为所述第二气相色谱特征图，“”表示所述第一气相色谱特征图和所述第二气相色谱特征图相对应位置处的元素相加，和为用于控制所述气相色谱特征图中所述第一气相色谱特征图和所述第二气相色谱特征图之间的平衡的加权参数。
在上述空气采样检测一体化装置的运行方法中，所述对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图，包括：将所述气相色谱特征图展开为气相色谱特征向量；对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量；以及，将所述优化气相色谱特征向量进行维度重构以得到所述校正气相色谱特征图。
在上述空气采样检测一体化装置的运行方法中，所述对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量，包括：以如下公式对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到所述优化气相色谱特征向量；其中，所述公式为：
其中和分别是所述气相色谱特征向量和所述优化气相色谱特征向量，表示所述气相色谱特征向量的二范数的平方，是所述气相色谱特征向量的各特征值按大小次序排列的有序向量，且所述气相色谱特征向量是列向量形式，表示向量相乘，表示按位置点乘。
在上述空气采样检测一体化装置的运行方法中，所述将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体，包括：将所述校正气相色谱特征图中各个校正气相色谱特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的空气采样检测一体化装置，其利用基于深度学习的人工智能技术，以通过使用具有双重注意力机制的卷积神经网络模型对被检测空气的气相色谱图中所蕴含的空气中的有毒气体的有效特征进行捕捉提取，并融合所述被检测空气的有毒气体的空间位置特征和特征内容关联信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的空气采样检测一体化装置的应用场景图。
图2为根据本申请实施例的空气采样检测一体化装置的框图。
图3为根据本申请实施例的空气采样检测一体化装置的架构示意图。
图4为根据本申请实施例的空气采样检测一体化装置中特征分布校正模块的框图。
图5为根据本申请实施例的空气采样检测一体化装置的运行方法的流程图。
其中，1、空气采样检测一体化装置；2、空气采样瓶；3、被检测空气；4、气相色谱仪；5、数据处理器。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上所述，随着工业的发展，各种工厂生产、建筑工程、室内装修，会导致大量有毒气体，有些会经过净化处理，但有些没有经过处理直接排放到空气中，如果空气含有有毒气体，而人长期居住在含有有毒气体的环境中，则可能会出现头疼、刺激呼吸道，对人体免疫系统、神经系统等产生危害。因此，期望一种空气采样检测一体化装置，对空气进行采样，并判断被检测空气中是否含有毒气体。
相应地，考虑到若想对于空气中的有毒气体进行检测以对于判断被检测空气中是否含有毒气体，从而保护人们的身体健康。并且，又考虑到由于气相色谱法是利用物质的吸附能力、溶解度、亲和力、阴滞作用等物理性质的不同，对混合物中各组分进行分离、分析的方法，其可以用来分离和纯化混合物的成分。因此，可以利用气相色谱图来进行被检测空气的有毒气体分离检测，但是，由于被检测空气中的气相色谱图中存在的信息量较多，难以对于空气中的有毒气体的有效特征进行捕捉提取，进而也就降低了对于被检测空气的洁净程度的判断精准度。也就是说，在进行被检测空气的有毒气体检测时，难点在于如何挖掘出所述被检测空气的气相色谱图中的有毒气体特征分布信息，以此来精准地对于被检测空气中是否含有有毒气体进行评估判断，从而保护人们的身体健康。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述被检测空气的气相色谱图中的有毒气体特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，通过空气采样瓶采集被检测区域中的被检测空气。应可以理解，由于气相色谱法是利用物质的吸附能力、溶解度、亲和力、阴滞作用等物理性质的不同，对混合物中各组分进行分离、分析的方法，其可以用来分离和纯化混合物的成分。因此，在本申请的技术方案中，可以进一步通过气相色谱仪采集所述被检测空气的气相色谱图，以得到所述被检测空气中关于有毒气体的气相色谱信息数据。
然后，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述气相色谱图的特征挖掘，特别地，考虑到对于所述被检测空气的气相色谱图来说，所述气相色谱图中关于所述被检测空气的有毒气体的各个局部隐含特征信息间具有着关联性关系，因此为了提高对于所述被检测空气的气相色谱图中的有毒气体特征信息的提取效果，使用具有双重注意力机制的卷积神经网络模型对所述气相色谱图进行处理。也就是说，在实际进行所述气相色谱图的特征挖掘时，应关注于所述气相色谱图中关于所述被检测空气的有毒气体的空间位置特征信息和内容关联特征信息，因此，使用具有双重注意力机制的卷积神经网络模型能够有效地在特征挖掘时关注于所述气相色谱图中的有毒气体空间位置特征和有毒气体的特征内容关联信息。特别地，这里，所述双重注意力机制为空间注意力机制和通道注意力机制。
具体地，将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型中进行特征挖掘，以提取出所述气相色谱图像中关于有毒气体的位置特征信息，从而得到第一气相色谱特征图；并且将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型进行处理，以提取出所述气相色谱图像中关于所述被检测空气中有毒气体的特征内容关联特征分布信息，从而得到第二气相色谱特征图。应可以理解，所述通道注意力所提取到的图像特征反映了特征通道间的相关性和重要性，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征。所述通道注意力和所述空间注意力能够分别关注所述气相色谱图中关于有毒气体的特征内容和特征位置，在一定程度上相互补充，提升了网络的特征提取效果，使得不同类型的关于所述被检测空气中的有毒气体的有效信息被大量捕捉到，可有效增强特征辨别学习能力，在网络训练过程中，任务处理系统更专注于找到输入图像数据中显著的与当前输出相关的有用信息，从而提高输出的质量，且渐增的注意力模块将带来持续的性能提升。
进一步地，在得到所述气相色谱图中关于所述被检测空气的有毒气体空间位置特征和内容关联特征后，融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图，以此来融合所述被检测空气的有毒气体的多类型特征分布信息，以提高后续对于被检测空气中是否含有有毒气体评估判断的精准度。相应地，在本申请的一个具体示例中，可以通过计算所述第一气相色谱特征图和所述第二气相色谱特征图按位置加权和的方式来融合这两者的特征分布信息，以此来得到所述气相色谱特征图。
然后，进一步再将所述气相色谱特征图作为分类特征图通过分类器进行分类处理，以得到用于表示被检测空气中是否含有有毒气体的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括被检测空气中是否含有有毒气体符合预定要求，以及，被检测空气中是否含有有毒气体不符合预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。也就是说，以所述被检测空气中的有毒气体高维隐含特征信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。
特别地，在本申请的技术方案中，在融合所述第一气相色谱特征图和所述第二气相色谱特征图得到所述气相色谱特征图时，由于所述第一气相色谱特征图和所述第二气相色谱特征图分别是被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型和使用通道注意力机制的第二卷积神经网络模型得到的，其特征分布分别在空间维度和通道维度上收敛，因此，在例如直接通过加权点加的方式融合所述第一气相色谱特征图和所述第二气相色谱特征图时，可能由于收敛维度的不一致导致所述气相色谱特征图的整体特征分布在某些局部具有模糊化结构，从而降低所述气相色谱特征图的表达确定性，影响所述气相色谱特征图通过分类器得到的分类结果的准确性。
基于此，本申请的申请人首先将所述气相色谱特征图展开为气相色谱特征向量，例如记为，再对所述气相色谱特征向量进行向量的有序希尔伯特完备化，表示为：
是校正后的所述气相色谱特征向量，表示所述气相色谱特征向量的二范数的平方，即所述气相色谱特征向量自身的内积，是所述气相色谱特征向量的各特征值按大小次序排列的有序向量，且所述气相色谱特征向量是列向量形式。
这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低所述气相色谱特征图的表达确定性，从而增大所述气相色谱特征图通过分类器得到的分类结果的准确性。这样，能够对于空气的洁净程度进行精准地评估检测，从而保护人们的身体健康。
基于此，本申请提供了一种空气采样检测一体化装置，其包括：空气采样模块，用于通过空气采样瓶采集被检测空气；气相检测模块，用于通过气相色谱仪采集所述被检测空气的气相色谱图；第一气相色谱编码模块，用于将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图；第二气相色谱编码模块，用于将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；特征融合模块，用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；特征分布校正模块，用于对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；以及，检测结果生成模块，用于将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
图1为根据本申请实施例的空气采样检测一体化装置的应用场景图。如图1所示，在该应用场景中，首先由部署于空气采样检测一体化装置1上的空气采样瓶2采集被检测空气3，并通过气相色谱仪4采集所述被检测空气的气相色谱图。进而，将所述被检测空气的气相色谱图输入所述空气采样检测一体化装置的数据处理器5中，其中，所述数据处理器4能够基于预定算法对所述被检测空气的气相色谱图进行处理，以得到用于表示被检测空气中是否含有有毒气体的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2为根据本申请实施例的空气采样检测一体化装置的框图。如图2所示，根据本申请实施例的空气采样检测一体化装置100，包括：空气采样模块110，用于通过空气采样瓶采集被检测空气；气相检测模块120，用于通过气相色谱仪采集所述被检测空气的气相色谱图；第一气相色谱编码模块130，用于将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图；第二气相色谱编码模块140，用于将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；特征融合模块150，用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；特征分布校正模块160，用于对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；以及，检测结果生成模块170，用于将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
图3为根据本申请实施例的空气采样检测一体化装置的架构示意图。如图3所示，首先，通过空气采样瓶采集被检测空气；接着，通过气相色谱仪采集所述被检测空气的气相色谱图；然后，将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图，同时，将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；继而，融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；再对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；最后，将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
在上述空气采样检测一体化装置100中，所述空气采样模块110和所述气相检测模块120，用于通过空气采样瓶采集被检测空气，并通过气相色谱仪采集所述被检测空气的气相色谱图。应可以理解，由于气相色谱法是利用物质的吸附能力、溶解度、亲和力、阴滞作用等物理性质的不同，对混合物中各组分进行分离、分析的方法，其可以用来分离和纯化混合物的成分。因此，在本申请的技术方案中，可以通过气相色谱仪采集所述被检测空气的气相色谱图，以得到所述被检测空气中关于有毒气体的气相色谱信息数据。
在上述空气采样检测一体化装置100中，所述第一气相色谱编码模块130，用于将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图。也就是，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述气相色谱图的特征挖掘，特别地，考虑到对于所述被检测空气的气相色谱图来说，所述气相色谱图中关于所述被检测空气的有毒气体的各个局部隐含特征信息间具有着关联性关系，因此为了提高对于所述被检测空气的气相色谱图中的有毒气体特征信息的提取效果，使用具有双重注意力机制的卷积神经网络模型对所述气相色谱图进行处理。特别地，这里，所述双重注意力机制为空间注意力机制和通道注意力机制。
也就是说，在实际进行所述气相色谱图的特征挖掘时，应关注于所述气相色谱图中关于所述被检测空气的有毒气体的空间位置特征信息。因此，使用具有空间注意力机制的卷积神经网络模型能够有效地在特征挖掘时关注于所述气相色谱图中的有毒气体空间位置特征。具体地，将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型中进行特征挖掘，以提取出所述气相色谱图像中关于有毒气体的位置特征信息，从而得到第一气相色谱特征图。
更具体地，在所述第一气相色谱编码模块130中，首先，使用所述第一卷积神经网络模型的卷积编码部分对所述被检测空气的气相色谱图进行深度卷积编码以得到初始卷积特征图；接着，将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；然后，将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；最后，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一气相色谱特征图。
在上述空气采样检测一体化装置100中，所述第二气相色谱编码模块140，用于将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图。也就是，使用具有双重注意力机制的卷积神经网络模型不仅能够有效地在特征挖掘时关注于所述气相色谱图中的有毒气体空间位置特征，还能关注于所述气相色谱图中的有毒气体的特征内容关联信息。
具体地，将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型中进行处理，以提取出所述气相色谱图像中关于所述被检测空气中有毒气体的特征内容关联特征分布信息，从而得到第二气相色谱特征图。
更具体地，在所述第二气相色谱编码模块140中，使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
应可以理解，所述通道注意力所提取到的图像特征反映了特征通道间的相关性和重要性，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征。所述通道注意力和所述空间注意力能够分别关注所述气相色谱图中关于有毒气体的特征内容和特征位置，在一定程度上相互补充，提升了网络的特征提取效果，使得不同类型的关于所述被检测空气中的有毒气体的有效信息被大量捕捉到，可有效增强特征辨别学习能力，在网络训练过程中，任务处理系统更专注于找到输入图像数据中显著的与当前输出相关的有用信息，从而提高输出的质量，且渐增的注意力模块将带来持续的性能提升。
在上述空气采样检测一体化装置100中，所述特征融合模块150，用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图。也就是，在得到所述气相色谱图中关于所述被检测空气的有毒气体空间位置特征和内容关联特征后，融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图，以此来融合所述被检测空气的有毒气体的多类型特征分布信息，以提高后续对于被检测空气中是否含有有毒气体评估判断的精准度。相应地，在本申请的一个具体示例中，可以通过计算所述第一气相色谱特征图和所述第二气相色谱特征图按位置加权和的方式来融合这两者的特征分布信息，以此来得到所述气相色谱特征图。
更具体地，在本申请实施例中，以如下公式来融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；其中，所述公式为：
其中，为所述气相色谱特征图，为所述第一气相色谱特征图，为所述第二气相色谱特征图，“”表示所述第一气相色谱特征图和所述第二气相色谱特征图相对应位置处的元素相加，和为用于控制所述气相色谱特征图中所述第一气相色谱特征图和所述第二气相色谱特征图之间的平衡的加权参数。
在上述空气采样检测一体化装置100中，所述特征分布校正模块160，用于对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图。特别地，在本申请的技术方案中，在融合所述第一气相色谱特征图和所述第二气相色谱特征图得到所述气相色谱特征图时，由于所述第一气相色谱特征图和所述第二气相色谱特征图分别是被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型和使用通道注意力机制的第二卷积神经网络模型得到的，其特征分布分别在空间维度和通道维度上收敛，因此，在例如直接通过加权点加的方式融合所述第一气相色谱特征图和所述第二气相色谱特征图时，可能由于收敛维度的不一致导致所述气相色谱特征图的整体特征分布在某些局部具有模糊化结构，从而降低所述气相色谱特征图的表达确定性，影响所述气相色谱特征图通过分类器得到的分类结果的准确性。
基于此，本申请的申请人首先将所述气相色谱特征图展开为气相色谱特征向量，例如记为，再对所述气相色谱特征向量进行向量的有序希尔伯特完备化，表示为：
其中和分别是所述气相色谱特征向量和所述优化气相色谱特征向量，表示所述气相色谱特征向量的二范数的平方，是所述气相色谱特征向量的各特征值按大小次序排列的有序向量，且所述气相色谱特征向量是列向量形式，表示向量相乘，表示按位置点乘。
这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低所述气相色谱特征图的表达确定性，从而增大所述气相色谱特征图通过分类器得到的分类结果的准确性。这样，能够对于空气的洁净程度进行精准地评估检测，从而保护人们的身体健康。
图4为根据本申请实施例的空气采样检测一体化装置中特征分布校正模块的框图。如图4所示，所述特征分布校正模块160，包括：特征图展开单元161，用于将所述气相色谱特征图展开为气相色谱特征向量；特征向量优化单元162，用于对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量；以及，维度重构单元163，用于将所述优化气相色谱特征向量进行维度重构以得到所述校正气相色谱特征图。
在上述空气采样检测一体化装置100中，所述检测结果生成模块170，用于将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。也就是，在本申请的技术方案中，所述分类器的标签包括被检测空气中是否含有有毒气体符合预定要求，以及，被检测空气中是否含有有毒气体不符合预定要求，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。也就是说，以所述被检测空气中的有毒气体高维隐含特征信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。
具体地，在本申请实施例中，所述检测结果生成模块170，包括：展开单元，用于将所述校正气相色谱特征图中各个校正气相色谱特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的空气采样检测一体化装置100被阐明，其利用基于深度学习的人工智能技术，以通过使用具有双重注意力机制的卷积神经网络模型对被检测空气的气相色谱图中所蕴含的空气中的有毒气体的有效特征进行捕捉提取，并融合所述被检测空气的有毒气体的空间位置特征和特征内容关联信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。
示例性方法
图5为根据本申请实施例的空气采样检测一体化装置的运行方法的流程图。如图5所示，根据本申请实施例的空气采样检测一体化装置的运行方法，包括：S110，通过空气采样瓶采集被检测空气；S120，通过气相色谱仪采集所述被检测空气的气相色谱图；S130，将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图；S140，将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；S150，融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；S160，对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；以及，S170，将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
在一个示例中，在上述空气采样检测一体化装置的运行方法中，所述将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图，包括：使用所述第一卷积神经网络模型的卷积编码部分对所述被检测空气的气相色谱图进行深度卷积编码以得到初始卷积特征图；将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及，计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一气相色谱特征图。
在一个示例中，在上述空气采样检测一体化装置的运行方法中，所述将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行激活处理以生成激活特征图；计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及，以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在一个示例中，在上述空气采样检测一体化装置的运行方法中，所述融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图，包括：以如下公式来融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；其中，所述公式为：
其中，为所述气相色谱特征图，为所述第一气相色谱特征图，为所述第二气相色谱特征图，“”表示所述第一气相色谱特征图和所述第二气相色谱特征图相对应位置处的元素相加，和为用于控制所述气相色谱特征图中所述第一气相色谱特征图和所述第二气相色谱特征图之间的平衡的加权参数。
在一个示例中，在上述空气采样检测一体化装置的运行方法中，所述对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图，包括：将所述气相色谱特征图展开为气相色谱特征向量；对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量；以及，将所述优化气相色谱特征向量进行维度重构以得到所述校正气相色谱特征图。
在一个示例中，在上述空气采样检测一体化装置的运行方法中，所述对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量，包括：以如下公式对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到所述优化气相色谱特征向量；其中，所述公式为：
其中和分别是所述气相色谱特征向量和所述优化气相色谱特征向量，表示所述气相色谱特征向量的二范数的平方，是所述气相色谱特征向量的各特征值按大小次序排列的有序向量，且所述气相色谱特征向量是列向量形式，表示向量相乘，表示按位置点乘。
在一个示例中，在上述空气采样检测一体化装置的运行方法中，所述将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体，包括：将所述校正气相色谱特征图中各个校正气相色谱特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，本申请实施例的空气采样检测一体化装置的运行方法被阐明，其利用基于深度学习的人工智能技术，以通过使用具有双重注意力机制的卷积神经网络模型对被检测空气的气相色谱图中所蕴含的空气中的有毒气体的有效特征进行捕捉提取，并融合所述被检测空气的有毒气体的空间位置特征和特征内容关联信息来进行分类处理，以此来对于被检测空气中是否含有有毒气体进行评估判断，进而保护人们的身体健康。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种空气采样检测一体化装置，其特征在于，包括：
空气采样模块，用于通过空气采样瓶采集被检测空气；
气相检测模块，用于通过气相色谱仪采集所述被检测空气的气相色谱图；
第一气相色谱编码模块，用于将所述被检测空气的气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图；
第二气相色谱编码模块，用于将所述被检测空气的气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图；
特征融合模块，用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；
特征分布校正模块，用于对所述气相色谱特征图进行特征分布结构校正以得到校正气相色谱特征图；以及
检测结果生成模块，用于将所述校正后气相色谱特征图通过分类器以得到分类结果，所述分类结果用于表示被检测空气中是否含有有毒气体。
2.根据权利要求1所述的空气采样检测一体化装置，其特征在于，所述第一气相色谱编码模块，进一步用于：
使用所述第一卷积神经网络模型的卷积编码部分对所述被检测空气的气相色谱图进行深度卷积编码以得到初始卷积特征图；
将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图；
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及
计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述第一气相色谱特征图。
3.根据权利要求2所述的空气采样检测一体化装置，其特征在于，所述第二气相色谱编码模块，进一步用于：
使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行：
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行激活处理以生成激活特征图；
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量；
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量；以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图；
其中，所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
4.根据权利要求3所述的空气采样检测一体化装置，其特征在于，所述特征融合模块，进一步用于：
以如下公式来融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到气相色谱特征图；
其中，所述公式为：
其中，为所述气相色谱特征图，为所述第一气相色谱特征图，为所述第二气相色谱特征图，“”表示所述第一气相色谱特征图和所述第二气相色谱特征图相对应位置处的元素相加，和为用于控制所述气相色谱特征图中所述第一气相色谱特征图和所述第二气相色谱特征图之间的平衡的加权参数。
5.根据权利要求4所述的空气采样检测一体化装置，其特征在于，所述特征分布校正模块，包括：
特征图展开单元，用于将所述气相色谱特征图展开为气相色谱特征向量；
特征向量优化单元，用于对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到优化气相色谱特征向量；以及
维度重构单元，用于将所述优化气相色谱特征向量进行维度重构以得到所述校正气相色谱特征图。
6.根据权利要求5所述的空气采样检测一体化装置，其特征在于，所述特征向量优化单元，进一步用于：以如下公式对所述气相色谱特征向量进行向量的有序希尔伯特完备化以得到所述优化气相色谱特征向量；
其中，所述公式为：
其中和分别是所述气相色谱特征向量和所述优化气相色谱特征向量，表示所述气相色谱特征向量的二范数的平方，是所述气相色谱特征向量的各特征值按大小次序排列的有序向量，且所述气相色谱特征向量是列向量形式，表示向量相乘，表示按位置点乘。
7.根据权利要求6所述的空气采样检测一体化装置，其特征在于，所述检测结果生成模块，包括：
展开单元，用于将所述校正气相色谱特征图中各个校正气相色谱特征矩阵按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
CN202310391131.6A 2023-04-13 2023-04-13 空气采样检测一体化装置 Active CN116106457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310391131.6A CN116106457B (zh) 2023-04-13 2023-04-13 空气采样检测一体化装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310391131.6A CN116106457B (zh) 2023-04-13 2023-04-13 空气采样检测一体化装置

Publications (2)

Publication Number Publication Date
CN116106457A true CN116106457A (zh) 2023-05-12
CN116106457B CN116106457B (zh) 2023-06-27

Family

ID=86267682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310391131.6A Active CN116106457B (zh) 2023-04-13 2023-04-13 空气采样检测一体化装置

Country Status (1)

Country Link
CN (1) CN116106457B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200167943A1 (en) * 2018-11-28 2020-05-28 Nvidia Corporation 3d plane detection and reconstruction using a monocular image
CN113592736A (zh) * 2021-07-27 2021-11-02 温州大学 一种基于融合注意力机制的半监督图像去模糊方法
CN114815930A (zh) * 2022-06-30 2022-07-29 烟台黄金职业学院 煅烧器的温度控制系统及其温度控制方法
CN115100456A (zh) * 2022-05-27 2022-09-23 福建天甫电子材料有限公司 用于电子级双氧水制备的智能化有毒有害气体报警系统
CN115231525A (zh) * 2022-07-29 2022-10-25 福建德尔科技股份有限公司 电子级三氟化氯的智能分离纯化系统
CN115311499A (zh) * 2022-08-22 2022-11-08 沈阳航空航天大学 一种基于注意力的子域适应高光谱图像分类方法及系统
CN115346345A (zh) * 2022-07-28 2022-11-15 福建省杭氟电子材料有限公司 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
US20220366260A1 (en) * 2021-04-30 2022-11-17 Google Llc Kernelized Classifiers in Neural Networks
CN115424323A (zh) * 2022-08-29 2022-12-02 华能国际电力开发公司吉林通榆风电分公司 风电场权限管理系统及其方法
CN115656086A (zh) * 2022-11-17 2023-01-31 福建省龙氟新材料有限公司 一种电子级氟化氢的产品纯度测定系统及其方法
US20230039196A1 (en) * 2021-08-09 2023-02-09 The United States Of America, As Represented By The Secretary Of The Navy Small unmanned aerial systems detection and classification using multi-modal deep neural networks
CN115761813A (zh) * 2022-12-13 2023-03-07 浙大城市学院 基于大数据分析的智能控制系统及方法
CN115754107A (zh) * 2022-11-08 2023-03-07 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动化采样分析系统及其方法
CN115754108A (zh) * 2022-11-23 2023-03-07 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的酸度测定系统及其方法
CN115760814A (zh) * 2022-11-25 2023-03-07 山东师范大学 一种基于双耦合深度神经网络的遥感图像融合方法及系统
CN115791640A (zh) * 2023-02-06 2023-03-14 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法
CN115839923A (zh) * 2022-12-16 2023-03-24 宿迁市产品质量监督检验所 智能食品检测系统及其方法
CN115902004A (zh) * 2022-11-08 2023-04-04 中科特肯(山东)智能科技有限公司 一种脱气氢电导率的测量装置及测量方法
CN115932140A (zh) * 2022-11-16 2023-04-07 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的质检系统及其方法
CN115947426A (zh) * 2022-12-28 2023-04-11 浙江致远环境科技股份有限公司 一种基于亚氧化钛电极的电催化氧化模块

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200167943A1 (en) * 2018-11-28 2020-05-28 Nvidia Corporation 3d plane detection and reconstruction using a monocular image
US20220366260A1 (en) * 2021-04-30 2022-11-17 Google Llc Kernelized Classifiers in Neural Networks
CN113592736A (zh) * 2021-07-27 2021-11-02 温州大学 一种基于融合注意力机制的半监督图像去模糊方法
US20230039196A1 (en) * 2021-08-09 2023-02-09 The United States Of America, As Represented By The Secretary Of The Navy Small unmanned aerial systems detection and classification using multi-modal deep neural networks
CN115100456A (zh) * 2022-05-27 2022-09-23 福建天甫电子材料有限公司 用于电子级双氧水制备的智能化有毒有害气体报警系统
CN114815930A (zh) * 2022-06-30 2022-07-29 烟台黄金职业学院 煅烧器的温度控制系统及其温度控制方法
CN115346345A (zh) * 2022-07-28 2022-11-15 福建省杭氟电子材料有限公司 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
CN115231525A (zh) * 2022-07-29 2022-10-25 福建德尔科技股份有限公司 电子级三氟化氯的智能分离纯化系统
CN115311499A (zh) * 2022-08-22 2022-11-08 沈阳航空航天大学 一种基于注意力的子域适应高光谱图像分类方法及系统
CN115424323A (zh) * 2022-08-29 2022-12-02 华能国际电力开发公司吉林通榆风电分公司 风电场权限管理系统及其方法
CN115754107A (zh) * 2022-11-08 2023-03-07 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动化采样分析系统及其方法
CN115902004A (zh) * 2022-11-08 2023-04-04 中科特肯(山东)智能科技有限公司 一种脱气氢电导率的测量装置及测量方法
CN115932140A (zh) * 2022-11-16 2023-04-07 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的质检系统及其方法
CN115656086A (zh) * 2022-11-17 2023-01-31 福建省龙氟新材料有限公司 一种电子级氟化氢的产品纯度测定系统及其方法
CN115754108A (zh) * 2022-11-23 2023-03-07 福建省杭氟电子材料有限公司 一种电子级六氟丁二烯的酸度测定系统及其方法
CN115760814A (zh) * 2022-11-25 2023-03-07 山东师范大学 一种基于双耦合深度神经网络的遥感图像融合方法及系统
CN115761813A (zh) * 2022-12-13 2023-03-07 浙大城市学院 基于大数据分析的智能控制系统及方法
CN115839923A (zh) * 2022-12-16 2023-03-24 宿迁市产品质量监督检验所 智能食品检测系统及其方法
CN115947426A (zh) * 2022-12-28 2023-04-11 浙江致远环境科技股份有限公司 一种基于亚氧化钛电极的电催化氧化模块
CN115791640A (zh) * 2023-02-06 2023-03-14 杭州华得森生物技术有限公司 基于分光光谱的肿瘤细胞检测设备及其方法

Also Published As

Publication number Publication date
CN116106457B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN115356434A (zh) 六氟丁二烯储放场所的气体监测系统及其监测方法
CN115100456B (zh) 用于电子级双氧水制备的智能化有毒有害气体报警系统
CN115754107B (zh) 用于六氟磷酸锂制备的自动化采样分析系统及其方法
CN113343901A (zh) 基于多尺度注意力图卷积网络的人体行为识别方法
Kerola et al. Cross-view human action recognition from depth maps using spectral graph sequences
CN115564766A (zh) 水轮机蜗壳座环的制备方法及其系统
CN113095158A (zh) 一种基于对抗生成网络的笔迹生成方法及装置
CN116030018A (zh) 用于门加工的来料合格检验系统及方法
CN116910611A (zh) 基于大数据的智能环境监测系统及其方法
CN117037004A (zh) 基于多尺度特征融合和上下文增强的无人机影像检测方法
CN116106457B (zh) 空气采样检测一体化装置
CN115754108B (zh) 一种电子级六氟丁二烯的酸度测定系统及其方法
CN116955991A (zh) 智能室内环境检测系统及其方法
CN112733750A (zh) 基于动态水流图像的污水处理检测的神经网络的训练方法
WO2024103613A1 (zh) 一种电子级六氟丁二烯的质检系统及其方法
CN116722992A (zh) 一种基于多模态融合的诈骗网站识别方法及装置
CN115143128B (zh) 小型潜水电泵的故障诊断方法及其系统
CN112966762B (zh) 一种野生动物检测方法、装置、存储介质及电子设备
Hong et al. Fluxformer: Flow-Guided Duplex Attention Transformer via Spatio-Temporal Clustering for Action Recognition
Xu et al. A novel technique solving shortages of low-concentration samples of electronic nose based on global and local features fusion
CN117129584B (zh) 热流体发生器尾气检测系统及其方法
CN116870654B (zh) 工业废气处理系统及其方法
CN117085492A (zh) 工业废气处理用喷淋控制系统及其方法
CN117825560A (zh) 食品用纸的安全检测方法及其系统
CN116204821B (zh) 用于轨道交通车辆的振动评估方法及系统

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