CN117288705A - 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 - Google Patents
基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 Download PDFInfo
- Publication number
- CN117288705A CN117288705A CN202311241398.3A CN202311241398A CN117288705A CN 117288705 A CN117288705 A CN 117288705A CN 202311241398 A CN202311241398 A CN 202311241398A CN 117288705 A CN117288705 A CN 117288705A
- Authority
- CN
- China
- Prior art keywords
- signal
- photoelectric detection
- detection signal
- global semantic
- feature 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.)
- Pending
Links
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 85
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 230000006855 networking Effects 0.000 claims abstract 2
- 239000013598 vector Substances 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002211 ultraviolet spectrum Methods 0.000 description 2
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229910052805 deuterium Inorganic materials 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000475 sunscreen effect Effects 0.000 description 1
- 239000000516 sunscreening agent Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
-
- 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
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请公开了一种基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其通过对光电检测信号进行波形分析以自动化地解码出臭氧浓度值。
Description
技术领域
本申请涉及环境检测领域,且更为具体地,涉及一种基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器。
背景技术
臭氧是一种重要的环境参数,它不仅影响大气层的结构和功能,还与人类健康和生态系统有密切关系。因此,对臭氧的监测具有重要的意义。目前,常用的臭氧检测方法有化学法、电化学法、光谱法等,其中光谱法具有灵敏度高、选择性好、干扰小、响应快等优点,是一种较为理想的检测手段。紫外吸收法是一种基于光谱法的臭氧检测方法,它利用臭氧在254 nm波长处有较强的吸收特性,通过测量紫外光的吸收强度来计算臭氧的浓度。
然而,现有的紫外吸收法臭氧传感器存在体积大、功耗高、成本高、无法实现远程监控等缺点,限制了其在环境监测领域的广泛应用。因此,期待一种优化的方案。
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基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其通过对光电检测信号进行波形分析以自动化地解码出臭氧浓度值。
根据本申请的一个方面,提供了一种基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其包括:
微型紫外光源,用于发出特定波长的紫外光;
多路吸收池,用于吸收相应程度的紫外光以得到被吸收后紫外光;
光电检测器,用于感知所述被吸收后紫外光,输出光电检测信号;
信号处理模块,用于对所述光电检测信号进行处理以得到臭氧浓度值;
无线通信模块,用于将所述臭氧浓度值发送到物联网平台。
与现有技术相比,本申请提供的一种基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其通过对光电检测信号进行波形分析以自动化地解码出臭氧浓度值。
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基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器的框图;
图2为根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器的系统架构图;
图3为根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器中信号处理模块的框图;
图4为根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器中数据预处理单元的框图;
图5为根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器中波形特征提取单元的框图;
图6为根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器中臭氧浓度值确定单元的框图。
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。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
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。
现有的紫外吸收法臭氧传感器存在体积大、功耗高、成本高、无法实现远程监控等缺点,限制了其在环境监测领域的广泛应用。因此,期待一种优化的方案。
在本申请的技术方案中,提出了一种基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器。图1为根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器的框图。如图1所示,根据本申请的实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300,包括:微型紫外光源310,用于发出特定波长的紫外光;多路吸收池320,用于吸收相应程度的紫外光以得到被吸收后紫外光;光电检测器330,用于感知所述被吸收后紫外光,输出光电检测信号;信号处理模块340,用于对所述光电检测信号进行处理以得到臭氧浓度值;无线通信模块350,用于将所述臭氧浓度值发送到物联网平台。
特别地,所述微型紫外光源310,用于发出特定波长的紫外光。应可以理解,紫外吸收法是一种基于光谱法的臭氧检测方法,它利用臭氧在254 nm波长处有较强的吸收特性,通过测量紫外光的吸收强度来计算臭氧的浓度。其中,特定波长的紫外光是指紫外光谱中的某一特定波长范围内的光线。紫外光谱是指电磁辐射中波长较短于可见光的部分,波长范围一般从10纳米到400纳米。
相应的,在一种可能的实现方式中,可通过以下步骤发出特定波长的紫外光,例如:选择适合发出紫外光的光源。常见的紫外光源包括氘灯、汞灯、氙灯等。这些光源可以通过电流或放电来激发并发射紫外光;根据所选光源的要求,提供所需的电流或放电条件,以激活光源。这可以通过连接电源或使用适当的激活设备来实现;使用适当的光学滤波器来选择特定波长的紫外光。滤波器可以选择性地透过或阻挡特定波长的光线,从而使所需波长的紫外光通过,而其他波长的光被滤除;根据需要,可以使用适当的光学元件(如透镜、反射镜等)来控制和聚焦紫外光的辐射方向和强度;在操作紫外光源时,务必采取必要的安全措施,以保护眼睛和皮肤免受紫外线的伤害。这包括佩戴适当的防护眼镜、穿戴防护服装和使用防晒剂等。
特别地,所述多路吸收池320和所述光电检测器330,用于吸收相应程度的紫外光以得到被吸收后紫外光;以及,感知所述被吸收后紫外光,输出光电检测信号。在一个示例中,将选定的光源与吸收器对准,确保光源的紫外光能够直接照射到吸收器上,再通过光电检测器感知被吸收后的紫外光,并将其转换为光电检测信号。
特别地,所述信号处理模块340,用于对所述光电检测信号进行处理以得到臭氧浓度值。特别的,在本申请的一个具体示例中,如图2和图3所示,所述信号处理模块340,包括:信号获取单元341,用于获取由光电检测器输出的光电检测信号;数据预处理单元342,用于对所述光电检测信号进行数据预处理以得到滤波后光电检测信号片段的序列;波形特征提取单元343,用于对所述滤波后光电检测信号片段的序列进行波形特征提取以得到光电检测信号全局语义编码特征向量;以及,臭氧浓度值确定单元344,用于基于所述光电检测信号全局语义编码特征向量,确定臭氧浓度值。
具体地,所述信号获取单元341,用于获取由光电检测器输出的光电检测信号。其中,光电检测器是一种用于将光信号转换为电信号的器件。它能够测量光的强度、能量或其他光学特性,并产生相应的电信号输出。
相应的,在一种可能的实现方式中,可通过以下步骤获取由光电检测器输出的光电检测信号,例如:选择适当的光源,根据具体应用需求选择合适的波长和光强度。光源可以是白光、激光器或特定波长的LED等;根据测量需求选择合适的光电检测器。考虑到波长范围、响应速度、灵敏度和噪声等因素,选择适合的光电二极管、光电倍增管、光电导或其他类型的光电检测器;将光电检测器与电路或测量系统连接。通常,光电检测器具有两个引脚,一个用于电源供应,另一个用于信号输出。确保正确连接电源和接地,以及正确连接信号输出引脚;根据需要,可以使用放大器和滤波器对光电检测信号进行放大和滤波。放大器可以增加信号的幅度,滤波器可以去除噪声和不需要的频率成分;使用数据采集设备(如模数转换器)或测量仪器,将光电检测信号转换为数字信号。数据采集设备可以将模拟信号转换为数字形式,以便后续处理和分析;对采集到的光电检测信号进行处理和分析。这可能涉及到信号校准、基线测量、信号处理算法的应用,以及与其他数据的关联和解释。
具体地,所述数据预处理单元342,用于对所述光电检测信号进行数据预处理以得到滤波后光电检测信号片段的序列。也就是,通过数据预处理的手段来提高所述光电检测信号的信号质量,降低噪声干扰并增强信号特征。特别的,在本申请的一个具体示例中,如图4所示,所述数据预处理单元342,包括滤波子单元3421,用于对所述光电检测信号进行放大和滤波以得到滤波后光电检测信号;以及,信号切分子单元3422,用于对所述滤波后光电检测信号进行信号切分以得到所述滤波后光电检测信号片段的序列。
更具体地,所述包括滤波子单元3421,用于对所述光电检测信号进行放大和滤波以得到滤波后光电检测信号。应可以理解,光电检测器输出的信号可能非常微弱,放大器可以将信号的幅度增加到适合后续处理和分析的范围。这有助于提高信号的信噪比,使信号更容易被检测和解析。考虑到由于光电检测信号的幅值较小,容易受到环境噪声的影响,通过对所述光电检测信号进行方法可以增加信噪比,提高信号的可靠性;同时,由于光电检测信号中可能存在一些无关的频率成分,例如电源频率、机械振动等,这些成分会干扰信号的波形特征,影响信号的解码效果,通过对信号进行滤波处理可以去除这些无关的频率成分,保留有用的信息。
相应的,在一种可能的实现方式中,可通过以下步骤对所述光电检测信号进行放大和滤波以得到滤波后光电检测信号,例如:根据光电检测器输出信号的幅度范围和应用需求,选择适当的放大器。放大器可以是模拟放大器或数字放大器,具体选择取决于信号类型和处理系统的要求;将光电检测器的输出信号连接到放大器的输入端。确保连接正确,以避免信号损失或干扰;根据实际需求和信号幅度,调整放大器的增益设置。增益设置应使信号的幅度适合后续处理和分析,同时避免过放大导致信号失真或饱和;根据应用需求选择合适的滤波器类型。常见的滤波器类型包括低通滤波器、高通滤波器、带通滤波器等。选择滤波器时考虑信号频率范围、噪声特性和所需的频率响应;根据信号特性和应用需求,设置滤波器的参数,如截止频率、通带增益、阻带衰减等。这些参数将影响滤波器的频率响应和滤波效果;将放大器的输出信号连接到滤波器的输入端。确保连接正确,并注意信号传输的阻抗匹配;通过滤波器对信号进行处理,得到滤波后的光电检测信号。滤波后的信号将具有较低的噪声水平和所需的频率特性。
更具体地,所述信号切分子单元3422,用于对所述滤波后光电检测信号进行信号切分以得到所述滤波后光电检测信号片段的序列。应可以理解,通过信号切分将完整的滤波后光电检测信号拆分成信号片段的序列可以在一定程度上体现信号的细微变化,使得后续模型更能关注到细节信息。
值得注意的是,信号切分是指将连续的信号分割成多个离散的片段或时间窗口的过程。在信号处理和分析中,信号切分常用于将长时间的信号序列分割成较短的片段,以便进行更详细的分析和处理。信号切分的目的是为了更好地理解和处理信号的局部特征,以便进行特定的分析、识别、分类或处理。通过切分信号,可以提取出感兴趣的片段,并对其进行更精细和有针对性的分析。
相应的,在一种可能的实现方式中,可通过以下步骤对所述滤波后光电检测信号进行信号切分以得到所述滤波后光电检测信号片段的序列,例如:根据应用需求和信号特性,确定每个信号片段的长度。这可以是固定长度的窗口,也可以是根据信号特征自适应调整的窗口;考虑是否需要在相邻的信号片段之间存在重叠部分。重叠部分可以提供更平滑的信号过渡,以及更好的频率分辨率和时域分辨率;确定信号切分的起始位置,可以是固定的时间点或根据特定的事件或信号特征进行自适应切分;根据确定的切分窗口长度、重叠率和起始位置,对滤波后的光电检测信号进行切分。将滤波后的信号分割成多个片段,并按照顺序形成信号片段的序列;将切分得到的信号片段存储为序列,可以使用数组、矩阵或其他数据结构进行存储。每个信号片段可以作为一个独立的数据对象进行处理和分析;对每个信号片段进行后续的处理和分析,例如特征提取、模式识别、频谱分析等。可以针对每个片段进行独立的处理,也可以将多个片段组合起来进行整体分析。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述光电检测信号进行数据预处理以得到滤波后光电检测信号片段的序列,例如:使用适当的数据采集设备将光电检测器输出的模拟信号转换为数字信号。确保采样频率足够高,以捕捉到所需的信号频率成分;在进行信号处理之前,首先进行基线校准。基线是指光电检测器在没有光照射时的输出信号水平。通过记录基线值,并将其从采集到的信号中减去,可以消除系统偏移和背景噪声的影响;应用适当的滤波器对光电检测信号进行滤波。滤波可以去除高频噪声、干扰和不需要的频率成分。常用的滤波方法包括低通滤波、高通滤波、带通滤波等。根据信号特性和应用需求选择合适的滤波器类型和参数;根据实际需求,将滤波后的光电检测信号分段为较小的片段。这可以根据时间窗口、事件触发或其他标准进行。分段后的信号片段可以更方便地进行后续分析和处理;将滤波后的光电检测信号片段序列存储为适当的数据格式,如数组或文件。根据需要,可以对信号进行进一步处理,如峰值检测、时间测量、频谱分析等。
具体地,所述波形特征提取单元343,用于对所述滤波后光电检测信号片段的序列进行波形特征提取以得到光电检测信号全局语义编码特征向量。也就是,捕捉所述滤波后光电检测信号片段的序列中所蕴含的局部波形隐含特征,并分析各个信号片段之间的语义关联特征关系。特别的,在一个具体示例中,如图5所示,所述波形特征提取单元343,包括:卷积子单元3431,用于将所述滤波后光电检测信号片段的序列分别通过基于卷积层的信号局部波形特征提取器以得到光电检测局部信号波形特征向量的序列;以及,全局语义编码子单元3432,用于将所述光电检测局部信号波形特征向量的序列通过基于转换器的波形全局语义编码器以得到所述光电检测信号全局语义编码特征向量。
更具体地,所述卷积子单元3431,用于将所述滤波后光电检测信号片段的序列分别通过基于卷积层的信号局部波形特征提取器以得到光电检测局部信号波形特征向量的序列。应可以理解,通过基于卷积层的信号局部波形特征提取器,可以从滤波后的光电检测信号片段中提取出局部波形特征。这些特征可以捕捉信号的局部变化和结构信息。具体地,使用所述基于卷积层的信号局部波形特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积层的信号局部波形特征提取器的最后一层的输出为所述光电检测局部信号波形特征向量的序列,所述基于卷积层的信号局部波形特征提取器的第一层的输入为所述滤波后光电检测信号片段的序列。
值得注意的是,卷积层是深度学习神经网络中的一种基本层,用于提取输入数据的局部特征。在信号处理中,卷积层可以应用于滤波后的光电检测信号片段,通过滑动窗口的方式在信号上提取局部波形特征。卷积层的工作原理如下:输入数据:卷积层的输入是一个多维数据,可以是一维、二维或多维的信号片段。对于光电检测信号,可以将其表示为一维的时间序列数据;卷积核:卷积层包含多个卷积核,每个卷积核是一个小的可学习参数矩阵。卷积核的大小决定了提取的局部特征的时间范围,例如,一个大小为3的卷积核可以捕捉3个连续时间点的局部特征;卷积操作:卷积层通过将卷积核与输入数据进行卷积操作来提取特征。卷积操作是通过滑动窗口的方式在输入数据上进行的,窗口的大小与卷积核的大小相同。在每个位置,窗口与输入数据进行元素级乘法,并将乘积结果相加得到输出的一个元素;步长和填充:卷积操作可以通过调整步长和填充来控制输出的尺寸。步长定义了窗口在输入数据上滑动的距离,填充是在输入数据周围添加额外的值,以便保持输出尺寸与输入尺寸相同或相似;激活函数:在卷积操作后,可以应用激活函数来引入非线性。常用的激活函数包括ReLU、Sigmoid和Tanh等,它们可以增加网络的表达能力;特征映射提取:卷积操作的输出是一系列特征映射,每个特征映射对应一个卷积核提取的特征。每个特征映射都捕捉了输入数据的不同局部特征。
更具体地,所述全局语义编码子单元3432,用于将所述光电检测局部信号波形特征向量的序列通过基于转换器的波形全局语义编码器以得到所述光电检测信号全局语义编码特征向量。应可以理解,通过基于转换器的波形全局语义编码器,可以将光电检测局部信号波形特征向量的序列转换为具有全局语义信息的特征表示。转换器利用自注意力机制和堆叠的编码器层,能够捕捉输入序列的全局关联性和语义信息。具体地,将所述光电检测局部信号波形特征向量的序列进行一维排列以得到全局光电检测信号波形特征向量;计算所述全局光电检测信号波形特征向量与所述光电检测局部信号波形特征向量的序列中各个光电检测局部信号波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述光电检测局部信号波形特征向量的序列中各个光电检测局部信号波形特征向量进行加权以得到所述多个上下文语义光电检测局部信号波形特征向量;以及,将所述多个上下文语义光电检测局部信号波形特征向量进行级联以得到所述光电检测信号全局语义编码特征向量。
值得注意的是,基于转换器的波形全局语义编码器是一种使用转换器模型实现上下文编码的方法。它通过多层的自注意力机制和前馈神经网络,对输入序列中的每个位置进行编码,并融合全局上下文信息。基于转换器的波形全局语义编码器能够捕捉输入序列的全局关联性和语义信息,提供丰富的特征表示。这样的编码器可以用于各种任务,如序列分类、机器翻译、语音识别等,从而提高模型的性能和泛化能力。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述滤波后光电检测信号片段的序列进行波形特征提取以得到光电检测信号全局语义编码特征向量,例如:选择适合的波形特征提取方法,根据应用需求和信号特性。常见的波形特征包括时域特征、频域特征和时频域特征等;对每个光电检测信号片段应用所选的波形特征提取方法,提取出相应的特征。例如,对于时域特征,可以计算均值、方差、峰值等;对于频域特征,可以计算功率谱密度、频谱峰值等;将每个信号片段提取得到的波形特征组合起来,形成一个特征向量。可以将每个片段的特征按照时间顺序连接起来,形成一个长向量,或者对每个特征进行汇总统计,形成一个综合的特征向量;对特征向量进行归一化,以消除不同片段之间的幅度差异。常见的归一化方法包括均值归一化、最大最小值归一化等;将归一化后的特征向量作为光电检测信号的全局语义编码特征向量。该特征向量反映了整个信号序列的重要波形特征,可用于描述信号的全局特性和语义信息。
具体地,所述臭氧浓度值确定单元344,用于基于所述光电检测信号全局语义编码特征向量,确定臭氧浓度值。特别地,在本申请的一个具体示例中,如图6所示,所述臭氧浓度值确定单元344,包括:特征分布优化子单元3441,用于对所述光电检测信号全局语义编码特征向量进行特征分布优化以得到优化光电检测信号全局语义编码特征向量;以及,解码子单元3442,用于将所述优化光电检测信号全局语义编码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示所述臭氧浓度值。
更具体地,所述特征分布优化子单元3441,用于对所述光电检测信号全局语义编码特征向量进行特征分布优化以得到优化光电检测信号全局语义编码特征向量。应可以理解,每个光电检测局部信号波形特征向量表达相应的滤波后光电检测信号片段的局部图像语义特征,由此,将所述光电检测局部信号波形特征向量的序列通过基于转换器的波形全局语义编码器后,可以提取全局图像语义空间域下的各个局部图像语义空间域之间的图像语义上下文关联特征,从而使得所述光电检测信号全局语义编码特征向量具有对应于不同图像语义空间尺度下的图像语义关联特征的多样化特征表示,这样,将所述光电检测信号全局语义编码特征向量通过解码器时,就会影响所述光电检测信号全局语义编码特征向量作为整体在解码回归域内的泛化效果,也就是,影响解码值的准确性。基于此,本申请的申请人在对所述光电检测信号全局语义编码特征向量进行解码时,优选地对所述光电检测信号全局语义编码特征向量,例如记为进行希尔伯特正交空间域表示解耦,表示为:其中/>是所述光电检测信号全局语义编码特征向量,/>是所述光电检测信号全局语义编码特征向量的全局特征均值,/>是所述光电检测信号全局语义编码特征向量的二范数,/>是所述光电检测信号全局语义编码特征向量的长度,且/>是单位向量,/>表示按位置作差。这里,所述希尔伯特正交空间域表示解耦用于通过强调所述光电检测信号全局语义编码特征向量/>的多样化特征表达内的本质域特定(domain-specific)信息,即,通过基于向量自空间度量和向量自内积表示下的希尔伯特空间度量,来从所述光电检测信号全局语义编码特征向量/>的整体域表示内进行域恒定(domain-invariant)表征的正交空间域解耦,以提升所述光电检测信号全局语义编码特征向量/>在解码回归域内的域自适应泛化性能,从而提升所述光电检测信号全局语义编码特征向量通过解码器得到的解码值的准确性。
更具体地,所述解码子单元3442,用于将所述优化光电检测信号全局语义编码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示所述臭氧浓度值。也就是,在得到所述优化光电检测信号全局语义编码特征向量后,进一步将其作为解码特征向量通过分类器以获得用于表示所述臭氧浓度值的解码值。具体地,使用所述解码器以如下公式将所述优化光电检测信号全局语义编码特征向量进行解码回归以获得用于表示所述臭氧浓度值的解码值;其中,所述公式为:,其中/>表示所述优化光电检测信号全局语义编码特征向量,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述光电检测信号全局语义编码特征向量,确定臭氧浓度值,例如:收集包含光电检测信号和相应臭氧浓度值的数据集。确保数据集中的光电检测信号和臭氧浓度值是配对的;对收集到的光电检测信号进行预处理。这可能包括信号放大、滤波、去噪等操作,以确保信号的质量和可用性;使用基于转换器的波形全局语义编码器对光电检测信号进行特征提取。将每个光电检测信号转换为全局语义编码特征向量;将数据集划分为训练集和测试集。通常,大部分数据用于训练模型,而一小部分数据用于评估模型的性能;使用训练集的光电检测信号的全局语义编码特征向量和相应的臭氧浓度值,训练一个回归模型。常见的回归模型包括线性回归、支持向量回归、神经网络等;使用测试集的光电检测信号的全局语义编码特征向量,通过模型预测臭氧浓度值,并将预测结果与真实值进行比较。常见的评估指标包括均方误差(Mean Squared Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)等;根据评估结果对模型进行调优,如调整模型参数、改变模型结构等。可以使用交叉验证等技术来验证模型的泛化能力;使用经过调优的模型,对新的光电检测信号进行特征提取,并通过模型预测臭氧浓度值。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述光电检测信号进行处理以得到臭氧浓度值,例如:光电检测器可以将光信号转换为电信号,并输出一个与光强相关的电压或电流值;在进行测量之前,需要对系统进行校准。这可以通过使用已知浓度的臭氧标准气体进行校准。此外,还需要进行基线测量,即在无臭氧存在的情况下测量光电检测器的输出信号,以获得系统的基准值;对采集到的光电检测信号进行处理,以获得臭氧浓度值。处理的具体方法取决于所使用的测量技术和设备。以下是一些常见的信号处理方法:比率法:将测量信号与基线信号进行比较,计算其比值。这种方法可以消除光源强度和检测器响应的变化对测量结果的影响;使用已知浓度的臭氧标准气体进行多点校准,建立测量信号与臭氧浓度之间的关系曲线。然后,根据测量信号的数值,通过曲线插值或拟合来计算臭氧浓度值;使用数学模型来描述光电检测信号与臭氧浓度之间的关系。根据模型参数和测量信号,通过模型计算得到臭氧浓度值;对处理后的臭氧浓度数据进行分析和解释。可以根据需要进行统计分析、数据可视化或其他数据处理方法。最终,将得到的臭氧浓度值输出为数值或报告形式,以便进一步使用或展示。
特别地,所述无线通信模块350,用于将所述臭氧浓度值发送到物联网平台。应可以理解,将臭氧浓度值发送到物联网平台,并利用平台的功能进行数据处理、存储和监测。这样,可以实现对臭氧浓度的实时监测。
如上所述,根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300可以实现在各种无线终端中。在一种可能的实现方式中,根据本申请实施例的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300与该无线终端也可以是分立的设备,并且该基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其特征在于,包括:
微型紫外光源,用于发出特定波长的紫外光;
多路吸收池,用于吸收相应程度的紫外光以得到被吸收后紫外光;
光电检测器,用于感知所述被吸收后紫外光,输出光电检测信号;
信号处理模块,用于对所述光电检测信号进行处理以得到臭氧浓度值;
无线通信模块,用于将所述臭氧浓度值发送到物联网平台。
2.根据权利要求1所述的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其特征在于,所述信号处理模块,包括:
信号获取单元,用于获取由光电检测器输出的光电检测信号;
数据预处理单元,用于对所述光电检测信号进行数据预处理以得到滤波后光电检测信号片段的序列;
波形特征提取单元,用于对所述滤波后光电检测信号片段的序列进行波形特征提取以得到光电检测信号全局语义编码特征向量;以及
臭氧浓度值确定单元,用于基于所述光电检测信号全局语义编码特征向量,确定臭氧浓度值。
3.根据权利要求2所述的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其特征在于,所述数据预处理单元,包括:
滤波子单元,用于对所述光电检测信号进行放大和滤波以得到滤波后光电检测信号;以及
信号切分子单元,用于对所述滤波后光电检测信号进行信号切分以得到所述滤波后光电检测信号片段的序列。
4.根据权利要求3所述的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其特征在于,所述波形特征提取单元,包括:
卷积子单元,用于将所述滤波后光电检测信号片段的序列分别通过基于卷积层的信号局部波形特征提取器以得到光电检测局部信号波形特征向量的序列;以及
全局语义编码子单元,用于将所述光电检测局部信号波形特征向量的序列通过基于转换器的波形全局语义编码器以得到所述光电检测信号全局语义编码特征向量。
5.根据权利要求4所述的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其特征在于,所述臭氧浓度值确定单元,包括:
特征分布优化子单元,用于对所述光电检测信号全局语义编码特征向量进行特征分布优化以得到优化光电检测信号全局语义编码特征向量;以及
解码子单元,用于将所述优化光电检测信号全局语义编码特征向量通过解码器进行解码回归以得到解码值,所述解码值用于表示所述臭氧浓度值。
6.根据权利要求5所述的基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器,其特征在于,所述特征分布优化子单元,用于:以如下优化公式对所述光电检测信号全局语义编码特征向量进行特征分布优化以得到优化光电检测信号全局语义编码特征向量;其中,所述公式为:其中/>是所述光电检测信号全局语义编码特征向量,/>是所述光电检测信号全局语义编码特征向量的全局特征均值,/>是所述光电检测信号全局语义编码特征向量的二范数,/>是所述光电检测信号全局语义编码特征向量的长度,且/>是单位向量,/>表示按位置作差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241398.3A CN117288705A (zh) | 2023-09-25 | 2023-09-25 | 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241398.3A CN117288705A (zh) | 2023-09-25 | 2023-09-25 | 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117288705A true CN117288705A (zh) | 2023-12-26 |
Family
ID=89240347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241398.3A Pending CN117288705A (zh) | 2023-09-25 | 2023-09-25 | 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117288705A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201757737U (zh) * | 2010-07-29 | 2011-03-09 | 青岛高科技工业园雷博电子仪器厂 | 一种便携式大气监测仪 |
CN104020121A (zh) * | 2014-05-28 | 2014-09-03 | 广西电网公司电力科学研究院 | 一种抗干扰关键技术的开关柜臭氧含量识别系统 |
CN104360692A (zh) * | 2014-11-19 | 2015-02-18 | 武汉怡特环保科技有限公司 | 低浓度标准臭氧发生器的反馈控制装置 |
CN106896070A (zh) * | 2015-12-17 | 2017-06-27 | 重庆川仪自动化股份有限公司 | 基于物联网技术的doas气体检测系统 |
CN110823798A (zh) * | 2019-12-13 | 2020-02-21 | 苏州宏瑞净化科技有限公司 | 一种用于臭氧老化试验箱的多通道臭氧浓度分析仪 |
CN114486733A (zh) * | 2021-12-31 | 2022-05-13 | 武汉怡特环保科技有限公司 | 一种基于光反射的单光路光池结构 |
CN115514343A (zh) * | 2022-05-13 | 2022-12-23 | 浙江腾腾电气有限公司 | 电网波形滤波系统及其滤波方法 |
CN115983848A (zh) * | 2023-02-15 | 2023-04-18 | 杭银消费金融股份有限公司 | 加密电子钱包的安全监测方法及系统 |
CN116046720A (zh) * | 2022-12-30 | 2023-05-02 | 北京无线电计量测试研究所 | 一种空气中氰化氢含量的非接触测量装置及方法 |
CN116110422A (zh) * | 2023-04-13 | 2023-05-12 | 南京熊大巨幕智能科技有限公司 | 全向级联麦克风阵列降噪方法及系统 |
CN116307487A (zh) * | 2023-02-01 | 2023-06-23 | 浙江曼克斯缝纫机股份有限公司 | 基于电网新能源节能利用的新能源车充电管理系统及方法 |
CN116340703A (zh) * | 2023-04-04 | 2023-06-27 | 山东省地震工程研究院 | 基于数据的土样参数测量方法及其系统 |
CN116647946A (zh) * | 2023-07-27 | 2023-08-25 | 济宁九德半导体科技有限公司 | 基于半导体的加热控制系统及其方法 |
-
2023
- 2023-09-25 CN CN202311241398.3A patent/CN117288705A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201757737U (zh) * | 2010-07-29 | 2011-03-09 | 青岛高科技工业园雷博电子仪器厂 | 一种便携式大气监测仪 |
CN104020121A (zh) * | 2014-05-28 | 2014-09-03 | 广西电网公司电力科学研究院 | 一种抗干扰关键技术的开关柜臭氧含量识别系统 |
CN104360692A (zh) * | 2014-11-19 | 2015-02-18 | 武汉怡特环保科技有限公司 | 低浓度标准臭氧发生器的反馈控制装置 |
CN106896070A (zh) * | 2015-12-17 | 2017-06-27 | 重庆川仪自动化股份有限公司 | 基于物联网技术的doas气体检测系统 |
CN110823798A (zh) * | 2019-12-13 | 2020-02-21 | 苏州宏瑞净化科技有限公司 | 一种用于臭氧老化试验箱的多通道臭氧浓度分析仪 |
CN114486733A (zh) * | 2021-12-31 | 2022-05-13 | 武汉怡特环保科技有限公司 | 一种基于光反射的单光路光池结构 |
CN115514343A (zh) * | 2022-05-13 | 2022-12-23 | 浙江腾腾电气有限公司 | 电网波形滤波系统及其滤波方法 |
CN116046720A (zh) * | 2022-12-30 | 2023-05-02 | 北京无线电计量测试研究所 | 一种空气中氰化氢含量的非接触测量装置及方法 |
CN116307487A (zh) * | 2023-02-01 | 2023-06-23 | 浙江曼克斯缝纫机股份有限公司 | 基于电网新能源节能利用的新能源车充电管理系统及方法 |
CN115983848A (zh) * | 2023-02-15 | 2023-04-18 | 杭银消费金融股份有限公司 | 加密电子钱包的安全监测方法及系统 |
CN116340703A (zh) * | 2023-04-04 | 2023-06-27 | 山东省地震工程研究院 | 基于数据的土样参数测量方法及其系统 |
CN116110422A (zh) * | 2023-04-13 | 2023-05-12 | 南京熊大巨幕智能科技有限公司 | 全向级联麦克风阵列降噪方法及系统 |
CN116647946A (zh) * | 2023-07-27 | 2023-08-25 | 济宁九德半导体科技有限公司 | 基于半导体的加热控制系统及其方法 |
Non-Patent Citations (1)
Title |
---|
曹江涛 等: "基于红外光谱成像的危险气体泄漏检测技术综述", 科学技术与工程, vol. 23, no. 19, 31 July 2023 (2023-07-31), pages 8050 - 8060 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115791640B (zh) | 基于分光光谱的肿瘤细胞检测设备及其方法 | |
CN114912533B (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
Fan et al. | Signal‐to‐noise ratio enhancement for Raman spectra based on optimized Raman spectrometer and convolutional denoising autoencoder | |
CN111597877A (zh) | 一种基于无线信号的跌倒检测方法 | |
CN116858789A (zh) | 食品安全检测系统及其方法 | |
CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及系统 | |
CN105933063B (zh) | 一种光纤信号处理方法、装置及光纤传感系统 | |
CN106052728A (zh) | 一种光纤信号的滤波方法、装置及光纤传感系统 | |
CN116576956A (zh) | 基于分布式光纤声波传感的多源振动信号分离方法 | |
CN110632002A (zh) | 一种基于压缩感知的孔径编码光谱探测装置 | |
CN117288705A (zh) | 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 | |
CN117147532A (zh) | 基于物联网的微型化学发光法氮氧化物气体传感器 | |
CN117688305A (zh) | 基于改进降噪自编码器的异常检测方法及系统 | |
CN115266583B (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN203798725U (zh) | 一种臭氧分析系统 | |
CN107462330B (zh) | 一种颜色识别方法和系统 | |
CN115561193A (zh) | 一种傅里叶红外光谱仪数据处理和分析系统 | |
CN114970722A (zh) | 一种污染物识别方法、装置、电子设备及存储介质 | |
CN114913415A (zh) | 一种基于遥感监测的病虫害检测系统 | |
CN115278247A (zh) | 一种偏振光谱视频压缩采集系统 | |
Brady et al. | Compressive sampling strategies for integrated microspectrometers | |
CN109374131B (zh) | 一种基于dmd编码的瞬态哈达玛矩阵光谱仪 | |
CN111474139A (zh) | 一种车内空气有机污染物检测方法 | |
CN114364971A (zh) | 用于确定样品中存在的组分的光谱装置和方法 | |
CN116863251B (zh) | 一种分布式光纤传感扰动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |