CN117454098B - 一种基于激光散射的粉尘浓度测量方法及系统 - Google Patents
一种基于激光散射的粉尘浓度测量方法及系统 Download PDFInfo
- Publication number
- CN117454098B CN117454098B CN202311798405.XA CN202311798405A CN117454098B CN 117454098 B CN117454098 B CN 117454098B CN 202311798405 A CN202311798405 A CN 202311798405A CN 117454098 B CN117454098 B CN 117454098B
- Authority
- CN
- China
- Prior art keywords
- fluctuation
- value
- section
- noise
- segment
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 92
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000000875 corresponding effect Effects 0.000 claims description 53
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000000691 measurement method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 18
- 239000002245 particle Substances 0.000 description 13
- 238000010606 normalization Methods 0.000 description 5
- 238000011088 calibration curve Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Algebra (AREA)
- Dispersion Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及散射光粉尘浓度检测技术领域,具体涉及一种基于激光散射的粉尘浓度测量方法及系统。本发明根据散射光的光谱信号对应的频谱图中数据的波动情况,得到频谱图中的峰值波动段;通过峰值波动段之间长度分布以及对应功率分布特征的差异情况,得到频谱图的噪声估计值;通过峰值波动段中功率波动情况确定疑似噪声段,根据疑似噪声段与非疑似噪声段的功率分布差异情况,获得频谱图的光谱特征值;根据噪声估计值和光谱特征值优化维纳滤波,滤波光谱信号获得检测信号进行粉尘浓度测量。本发明通过对噪声在频谱图中的分布强度和特征表现程度的综合分析优化滤波过程,得到去噪效果更优的散射光谱信号,使检测出的粉尘浓度准确率较高。
Description
技术领域
本发明涉及散射光粉尘浓度检测技术领域,具体涉及一种基于激光散射的粉尘浓度测量方法及系统。
背景技术
基于激光散射的粉尘浓度测量方法和系统是一种常见的用于监测空气或气体中粉尘浓度的技术,利用激光与粉尘颗粒相互作用的原理,当激光照射到粉尘颗粒上时,光会发生散射,探测器用来测量散射光的强度或角度,进而来确定粉尘的浓度。现有的粉尘浓度测量方法中可采用激光散射探测器,通过对空气中粉尘颗粒的大小和形状等物理特性进行光谱检测,进而得到空气中粉尘颗粒的光谱信号。通过后续对光谱信号的进一步分析和处理来得到空气中粉尘浓度的测量结果,因此光谱信号的准确性对粉尘浓度的检测极为重要。
光谱信号在测量空气中粉尘颗粒浓度的过程中,由于受到环境因素以及自然光源的干扰,信号中存在较多的噪声成分,由于后续需要通过测量指定波长激光器的散射光谱信号来获取粉尘颗粒的物理特性信息,因此需要有效的去除光谱信号中的噪声干扰,现有的维纳滤波对粉尘浓度测量中的光谱信号进行去噪过程中,会由于噪声特征的分析不准确导致该滤波过程中会过度丢失与粉尘特性相关的重要信息,使得去噪后的光谱信号误差较大,检测出的粉尘浓度准确率较低。
发明内容
为了解决现有技术中去噪后的光谱信号误差较大,检测出的粉尘浓度准确率较低的技术问题,本发明的目的在于提供一种基于激光散射的粉尘浓度测量方法及系统,所采用的技术方案具体如下:
本发明提供了一种基于激光散射的粉尘浓度测量方法,所述方法包括:
通过激光散射获得散射光的光谱信号;获取光谱信号对应的频谱图;在频谱图中根据数据的波动趋势情况,获得频谱图中的峰值波动段;
根据每个峰值波动段中功率的分布趋势,获得每个峰值波动段的特征值;根据所有峰值波动段之间波动长度的差异情况以及不同波动长度对应的特征值的差异情况,获得频谱图的噪声估计值;
根据每个峰值波动段中功率的波动程度,确定疑似噪声段;根据疑似噪声段与非疑似噪声段的功率分布差异情况,获得频谱图的光谱特征值;
根据频谱图的噪声估计值和光谱特征值获得对应光谱信号的优化维纳滤波;通过优化维纳滤波对光谱信号进行滤波获得检测信号,通过检测信号进行粉尘浓度测量。
进一步地,所述峰值波动段的获取方法包括:
将频谱图中的数据通过曲线拟合获得频谱曲线,通过峰值检测算法获得频谱曲线中的峰值点;
对于任意一个峰值点,获取该峰值点在频谱曲线中左右相邻的两个极小值点;将左右相邻的相邻极小值点之间的区间,作为该峰值点在频谱图中的峰值波动段。
进一步地,所述特征值的获取方法包括:
依次将每个峰值波动段作为参考段,将频谱图中参考段两端对应的功率值作为端点波谷值;将两个端点波谷值中的最大值作为参考段的高波谷值;计算高波谷值与参考段中的峰值之间的平均值,获得参考段的带宽数据值;将参考段中功率值与带宽数据值相等的两个数据点之间的距离,作为参考段的带宽距离;
将参考段中每相邻两个数据点之间斜率的绝对值作为参考段的斜率特征值;计算参考段中所有斜率特征值的方差,获得参考段的波动规律指标;
根据参考段的带宽距离和波动规律指标获得参考段的特征值;带宽距离和波动规律指标均与特征值呈正相关。
进一步地,所述噪声估计值的获取方法包括:
根据所有峰值波动段对应带宽距离的长度差异情况,将峰值波动段分为窄段类别和宽段类别;
计算窄段类别中所有峰值波动段的宽带距离的累加值,获得窄段类别的长度距离;计算宽段类别中所有峰值波动段的宽带距离的累加值,获得宽段类别的长度距离;计算宽段类别的长度距离与窄段类别的长度距离的比值,获得频谱图的波动占比指标;
计算窄段类别中所有峰值波动段的特征值的平均值作为窄带类别的特征均值;计算宽段类别中所有峰值波动段的特征值的平均值作为宽带类别的特征均值;计算窄段类别和宽段类别之间特征均值的差异,获得频谱图的特征差异指标;
根据频谱图的波动占比指标和特征差异指标,获得频谱图的噪声估计值;波动占比指标和特征差异指标均与噪声估计值呈正相关。
进一步地,所述根据所有峰值波动段对应带宽距离的长度差异情况,将峰值波动段分为窄段类别和宽段类别,包括:
将所有峰值波动段中的带宽距离按照从小到大的顺序对峰值波动段进行排列,获得带宽序列;
计算带宽序列中每相邻两个峰值波动段之间带宽距离的差异,获得距离差异;在距离差异最大值对应的两个峰值波动段中,将对应宽带距离的最小值作为划分距离;
将带宽序列中对应宽带距离小于或等于划分距离的峰值波动段作为窄段类别;将带宽序列中对应宽带距离大于划分距离的峰值波动段作为宽段类别。
进一步地,所述根据每个峰值波动段中功率的波动程度,确定疑似噪声段,包括:
依次将每个峰值波动段作为目标波动段,计算目标波动段中每个数据点的功率值的标准差,获得目标波动段的功率紊乱指标;计算目标波动段中每个数据点的功率值的平均值,获得目标波动段的功率幅值指标;
将目标波动段的功率紊乱指标和功率幅值指标的乘积进行归一化处理,获得目标波动段的噪声评价指标;
当噪声评价指标小于预设评价阈值时,将对应的峰值波动段作为疑似噪声段。
进一步地,所述光谱特征值的获取方法包括:
在每个疑似噪声段中,将对功率值进行定积分计算的结果作为每个疑似噪声段的功率密度;将每个疑似噪声段的功率密度与功率幅值指标的乘积,作为每个疑似噪声段的强度指标;将所有疑似噪声段的强度指标的平均值,作为噪声强度指标;
在每个非疑似噪声段中,将对功率值进行定积分计算的结果作为每个非疑似噪声段的功率密度;将每个非疑似噪声段的功率密度与功率幅值指标的乘积,作为每个非疑似噪声段的强度指标;将所有非疑似噪声段的强度指标的平均值,作为信号强度指标;
将信号强度指标与噪声强度指标的比值,获得频谱图的光谱特征值。
进一步地,所述根据频谱图的噪声估计值和光谱特征值获得对应光谱信号的优化维纳滤波,包括:
计算噪声估计值的平方值与光谱特征值的平方值的比值,获得调节参数;将调节参数作为维纳滤波的滤波器参数获得光谱信号的优化维纳滤波。
进一步地,所述获取光谱信号对应的频谱图,包括:
对光谱信号进行傅里叶变换,获得光谱信号的频谱图。
本发明提供了一种基于激光散射的粉尘浓度测量系统,包括存储器和处理器,处理器执行存储器存储的计算程序,以实现如上述一种基于激光散射的粉尘浓度测量方法。
本发明具有如下有益效果:
本发明通过散射光的光谱信号中,由于噪声与信号叠加的分析不准确性,对光谱信号的频谱图进行分析。首先根据频谱图中数据的波动进行分段,得到频谱图中表征不同信息部分的峰值波动段,以便后续更好的对噪声的分布和表征强度进行分析。通过噪声与正常信号在频谱图中的分布特征差异,从分布强度上进行噪声估计得到频谱图的噪声估计值,进一步通过噪声与正常信号在频谱图中功率上的分布差异,从强度差异上进行噪声明显程度的分析得到频谱图的光谱特征值。最终根据噪声估计值和光谱特征值之间的相互调节优化维纳滤波,获得更清晰准确的检测信号进行粉尘浓度测量。本发明通过对噪声在频谱图中的分布强度和特征表现程度的综合分析优化滤波过程,得到去噪效果更优质量更好的光谱信号,使检测出的粉尘浓度准确率较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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它附图。
图1为本发明一个实施例所提供的一种基于激光散射的粉尘浓度测量方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于激光散射的粉尘浓度测量方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种基于激光散射的粉尘浓度测量方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于激光散射的粉尘浓度测量方法流程图,该方法包括:
S1:通过激光散射获得散射光的光谱信号;获取光谱信号对应的频谱图;在频谱图中根据频率的数据分布趋势,获得频谱图中的峰值波动段。
基于激光散射的粉尘浓度测量方法中,空气中不同的粉尘颗粒对不同波长的光具有不同的散射特性,通过激光光源对待测空气中特定类型的粉尘颗粒物进行散射,并且通过滤光器等滤除干扰光谱,通过分析指定光谱对粉尘颗粒物浓度进行测量分析。
因此首先通过激光散射获得散射光的光谱信号,在本发明实施例中,首先选取指定波长的激光器,设计一个光学系统,包络透镜、分束器等,通过光谱980nm的激光光源对待测空气中特定类型的粉尘颗粒物进行散射,使用散射光探测器过光谱仪器来收集散射光的光谱信号。需要说明的是,通过激光散射得到光谱信号的方法为本领域技术人员熟知的技术手段,在此不做过多赘述。
在光谱信号中,可以观察到一个或多个散射峰,表示在不同方向上发生的散射,这些峰的位置和强度可以提供关于粉尘颗粒的大小和形状的信息,基于激光散射的粉尘浓度测量方法中,光谱信号通常以波长作为横坐标,散射光的光强度作为纵坐标。由于光谱信号中的信号和噪声的成分重叠度较高,通过信号分析难以进行准确的噪声估计,故基于噪声和信号在频率上的功率强度不同,对光谱信号对应的频谱图进行分析。
因此进一步获取光谱信号对应的频谱图,在本发明实施例中,对光谱信号进行傅里叶变换,获得光谱信号的频谱图。其中,频谱图中通常以频率作为横坐标,功率强度作为纵坐标,需要说明的是,傅里叶变换得到频谱图的方法以及频谱图的横纵坐标为本领域技术人员熟知的技术手段,在此不做赘述。由于光谱信号中受到各种环境噪声影响,因此得到对应的频谱图中数据呈曲线分布,且由于信号信息部分通常在频率上较为集中,在频谱图中会存在多个峰值,每个峰值对应的部分代表着不同的信号信息部分或噪声部分,进一步对不同的峰值对应的部分进行分析噪声情况,在频谱图中根据频率的数据分布趋势,获得频谱图中的峰值波动段。
优选地,将频谱图中的数据通过曲线拟合获得频谱曲线,通过峰值检测算法获得频谱曲线中的峰值点,对于任意一个峰值点,对所有的峰值点均进行相同的分析,获取该峰值点在频谱曲线中左右相邻的两个极小值点,将左右相邻的相邻极小值点之间的区间,作为该峰值点在频谱图中的峰值波动段。每个峰值波动段代表着一个噪声或信号对应的区域部分,在本发明实施例中,曲线拟合可采用最小二乘法进行拟合,极小值点的获取可以通过导数进行,将频谱曲线对应一阶导为零,二阶导大于零的点作为极小值点,需要说明的是,最小二乘法进行曲线拟合、峰值检测算法和极小值点的获取均为本领域技术人员熟知的技术手段,在此不做赘述。
至此,通过频谱图反映光谱信号中不同信息对应的区域部分,即峰值波动段,进一步根据峰值波动段之间的数据分布情况进行噪声程度的分析。
S2:根据每个峰值波动段中功率的分布趋势,获得每个峰值波动段的特征值;根据所有峰值波动段之间波动长度的差异情况以及不同波动长度对应的特征值的差异情况,获得频谱图的噪声估计值。
首先对频谱图中整体的噪声情况进行估计,估计噪声的强度,由于噪声在频谱图中的分布情况与信号信息存在一定的不同,通常的信号信息在频率上具有一定的规律性,因此在频谱图中反映出较为集中且功率较强的部分,而对于杂乱的噪声而言,根据噪声的紊乱特点,在频谱图中可能呈现出叠加小且不规则的较宽波动区域。因此首先基于频率分布情况,得到每个波动段的特征值,即根据每个峰值波动段中功率的分布趋势,获得每个峰值波动段的特征值。
优选地,依次将每个峰值波动段作为参考段,对所有峰值波动段均进行同样的分析,将频谱图中参考段两端对应的功率值作为端点波谷值,参考段两端对应的功率值即为每个峰值相邻的极小值,因此将两个端点波谷值中的最大值作为参考段的高波谷值。进一步为了对波动的宽度进行选取,计算高波谷值与参考段中的峰值之间的平均值,获得参考段的带宽数据值,此时在参考段中,带宽数据值可看做波动的一半位置,将参考段中功率值与带宽数据值相等的两个数据点之间的距离,作为参考段的带宽距离。
在本发明实施例中,由于波动的不稳定性,通过波动的一半进行带宽的选取,更能代表频率的分布集中趋势程度,峰值的获取可通过步骤S1中得到的峰值点获取其功率值进行确定,在本发明其他实施例中,也可直接将参考段的高波谷值对应的两个数据点之间的距离作为参考段的带宽距离,峰值也可通过极值的获取进行确定,在此不做限制。需要说明的是,两点之间距离的获取和极值的获取为本领域技术人员熟知的技术手段,例如通过欧式距离进行距离的获取,通过导数法进行极大值获取等,在此不做赘述。
将参考段中每相邻两个数据点之间斜率的绝对值作为参考段的斜率特征值,计算参考段中所有斜率特征值的方差,获得参考段的波动规律指标,通过波动规律指标反映每个参考段中数据波动的规则程度。
根据参考段的带宽距离和波动规律指标获得参考段的特征值,当带宽距离越宽,说明在频率上被叠加混乱噪声的可能性越高,当波动规律指标越大,说明对应参考段中越可能对应为分布杂乱的噪声部分。带宽距离和波动规律指标均与特征值呈正相关,在本发明实施例中,特征值的具体表达式为:
式中,表示为第/>个峰值波动段的特征值,/>表示为第/>个峰值波动段的带宽距离,/>表示为第/>个峰值波动段的波动规律指标。
通过特征值反映每个峰值波动段在数据分布上的特征指标。通过乘法的形式反映带宽距离和波动规律指标均与特征值呈正相关,在本发明其他实施例中,也可通过其他基础数学运算反映带宽距离和波动规律指标均与特征值呈正相关,如加法等,在此不做限制。
进一步地,基于噪声分布的波动较宽而信号信息部分波动集中的特征,对频谱图中的噪声强度仅估计,也即根据所有峰值波动段之间波动长度的差异情况以及不同波动长度对应的特征值的差异情况,获得频谱图的噪声估计值。
优选地,根据所有峰值波动段对应带宽距离的长度差异情况,将峰值波动段分为窄段类别和宽段类别,从数据波动的趋势初步进行噪声的估计,在本发明一个实施例中,将所有峰值波动段中的带宽距离按照从小到大的顺序对峰值波动段进行排列,获得带宽序列,通过带宽距离进行分析,当带宽距离越大,说明频率的分布是分散的,其中叠加的噪声是越多的。计算带宽序列中每相邻两个峰值波动段之间带宽距离的差异,获得距离差异,在距离差异最大值对应的两个峰值波动段中,将对应宽带距离的最小值作为划分距离,通过带宽序列中带宽距离的变化程度,得到划分距离进行分类划分,将分布集中趋势较为相似的作为同一类别。
将带宽序列中对应宽带距离小于或等于划分距离的峰值波动段作为窄段类别,将带宽序列中对应宽带距离大于划分距离的峰值波动段作为宽段类别,窄段类别中为可能仅存在信号信息部分的峰值波动段,宽段类别中为可能存在噪声部分的峰值波动段,进一步通过长度和特征值的差异情况进行噪声的估计。
进一步地,计算窄段类别中所有峰值波动段的宽带距离的累加值,获得窄段类别的长度距离,计算宽段类别中所有峰值波动段的宽带距离的累加值,获得宽段类别的长度距离。计算宽段类别的长度距离与窄段类别的长度距离的比值,获得频谱图的波动占比指标,通过波动占比指标反映宽段类别中峰值波动段的长度占比程度,当波动占比指标越大,说明具有噪声部分越多。
进一步地,计算窄段类别中所有峰值波动段的特征值的平均值作为窄带类别的特征均值,计算宽段类别中所有峰值波动段的特征值的平均值作为宽带类别的特征均值。计算窄段类别和宽段类别之间特征均值的差异,获得频谱图的特征差异指标,通过特征差异指标反映两个类别之间的特征值差异程度,当特征差异指标越大,说明宽段类别中长度越长,波动越不规律,属于噪声部分的可能性越高。
最终,根据频谱图的波动占比指标和特征差异指标,获得频谱图的噪声估计值,结合噪声部分可能性和噪声部分的多少进行整体噪声强度的估计,波动占比指标和特征差异指标均与噪声估计值呈正相关。在本发明实施例中,噪声估计值的表达式为:
式中,表示为频谱图的噪声估计值,/>表示为宽段类别中峰值波动段的总数量,表示为宽段类别中第/>个峰值波动段的特征值,/>表示为宽段类别中第/>个峰值波动段的带宽距离,/>表示为窄段类别中峰值波动段的总数量,/>表示为窄段类别中第/>个峰值波动段的特征值,/>表示为窄段类别中第/>个峰值波动段的带宽距离,/>表示为绝对值提取函数。
其中,表示为宽段类别的特征均值,/>表示为窄段类别的特征均值,表示为频谱图的特征差异指标,/>表示为宽段类别的长度距离,表示为窄段类别的长度距离,/>表示为频谱图的波动占比指标。当特征差异指标越大,说明噪声部分可能性越大,当波动占比指标越大,说明噪声部分越多,则噪声估计值越大。
至此,从噪声的集中分布特征方面完成对噪声的强度估计。
S3:根据每个峰值波动段中功率的波动程度,确定疑似噪声段;根据疑似噪声段与非疑似噪声段的功率分布差异情况,获得频谱图的光谱特征值。
在根据噪声分布情况进行分析后,进一步根据噪声强度情况的占比进一步分析,当噪声部分对应的功率占比情况越高,说明信号中的噪声特征越强越明显,反之则说明噪声特征其实在信号中的表征并不明显,因此通过光谱特征值调节噪声强度的影响,首先根据噪声区域在频谱图中具有平坦的特征,首先根据每个峰值波动段中功率的波动程度,确定疑似噪声段。
优选地,依次将每个峰值波动段作为目标波动段,对每个峰值波动段均进行同样的分析,计算目标波动段中每个数据点的功率值的标准差,获得目标波动段的功率紊乱指标,通过功率紊乱指标反映目标波动段中功率数值的波动平坦程度。计算目标波动段中每个数据点的功率值的平均值,获得目标波动段的功率幅值指标,通过功率幅值指标反映目标波动段中功率数据的波动幅度。
将目标波动段的功率紊乱指标和功率幅值指标的乘积进行归一化处理,获得目标波动段的噪声评价指标,噪声评价指标反映目标波动段具有噪声特征的可能性,当功率紊乱指标越小,功率幅值指标越小,说明目标波动段中功率的分布较为平坦且幅值较小,越可能为噪声对应的波动段,在本发明实施例中,噪声评价指标的表达式为:
式中,表示为第/>个峰值波动段的噪声评价指标,/>表示为第/>个峰值波动段的功率紊乱指标,/>表示为第/>个峰值波动段中的数据点的总数量,/>表示为第/>个峰值波动段中第/>个数据点的功率值,/>表示为归一化函数,需要说明的是,归一化为本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或标准归一化等,具体的归一化方法在此不做限定。
其中,表示为第/>个峰值波动段的功率幅值指标,当噪声评价指标越小,说明峰值波动段中功率的分布较为平坦且幅值较小,对应的峰值波动段越可能为噪声区域,因此根据噪声评价指标确定疑似噪声的部分。
进一步地,当噪声评价指标小于预设评价阈值时,说明其峰值波动段的功率分布较为平坦,将对应的峰值波动段作为疑似噪声段。在本发明实施例中,预设评价阈值设置为0.2,具体数值实施者可根据具体实施情况进行调整,在此不做限制。
经过功率的波动情况,选取出噪声主要的分布区域,进行噪声程度的分析,也即根据疑似噪声段与非疑似噪声段的功率分布差异情况,获得频谱图的光谱特征值。优选地,在每个疑似噪声段中,将对功率值进行定积分计算的结果作为每个疑似噪声段的功率密度,也即对疑似噪声段中功率分布的面积进行计算,在频谱图中表征该频率范围内的功率密度。将每个疑似噪声段的功率密度与功率幅值指标的乘积,作为每个疑似噪声段的强度指标,将所有疑似噪声段的强度指标的平均值,作为噪声强度指标,通过噪声强度指标反映信号中噪声的功率强度程度。
同理计算非疑似噪声段,也即正常信号对应频率段中的强度,进一步地,在每个非疑似噪声段中,将对功率值进行定积分计算的结果作为每个非疑似噪声段的功率密度,将每个非疑似噪声段的功率密度与功率幅值指标的乘积,作为每个非疑似噪声段的强度指标,将所有非疑似噪声段的强度指标的平均值,作为信号强度指标。需要说明的是,定积分的计算为本领域技术人员熟知的技术手段,在此不做赘述。
将信号强度指标与噪声强度指标的比值,获得频谱图的光谱特征值,当光谱特征值越小,说明噪声特征表征越明显,当光谱特征值越大,说明正常信号特征表征越明显,噪声特征越小,在本发明实施例中,光谱特征值的表达式为:
式中,表示为频谱图的光谱特征值,/>表示为疑似噪声段的总数量,/>表示为第/>个疑似噪声段的功率幅值指标,/>表示为第/>个疑似噪声段的功率密度,/>表示为非疑似噪声段的总数量,/>表示为第/>个非疑似噪声段的功率幅值指标,/>表示为第/>个非疑似噪声段的功率密度。
至此,对噪声在信号中的特征明显程度进行分析,获得可以反映噪声特征的光谱特征值。
S4:根据频谱图的噪声估计值和光谱特征值获得对应光谱信号的优化维纳滤波;通过优化维纳滤波对光谱信号进行滤波获得检测信号,通过检测信号进行粉尘浓度测量。
最终结合噪声估计值和光谱特征值综合对维纳滤波进行优化,也即根据频谱图的噪声估计值和光谱特征值获得对应光谱信号的优化维纳滤波,优选地,计算噪声估计值的平方值与光谱特征值的平方值的比值,获得调节参数,通过平方将差异范围表征更加明显,在本发明实施例中,调节参数的表达式为:
式中,表示调节参数,/>表示为频谱图的噪声估计值,/>表示为频谱图的光谱特征值。
当噪声估计值较大时,说明噪声强度较高,如果此时光谱特征值较小,说明噪声不容易被滤波出,因此滤波参数需要更大的调节参数去调节,如果此时光谱特征值较小,说明噪声容易被滤波出,在滤波参数不需要很大的调节参数去调节。当噪声估计值较小时,说明噪声强度不高,如果此时光谱特征值较小,说明噪声本身不明显且强度不高,因此滤波参数不需要更大的调节参数,如果此时光谱特征值较大,说明噪声明显且强度小,很容易被滤波出,因此滤波参数可以调小,以免滤波过度导致失真。
因此噪声估计值和光谱特征值可以很好的相互调节噪声程度,将调节参数作为维纳滤波的滤波器参数获得光谱信号的优化维纳滤波。通过优化维纳滤波对光谱信号进行滤波可以获得检测信号,此时的检测信号为对噪声数据进行有效去除后,得到的质量较好的有关粉尘颗粒特性的光谱信号,改善了光谱信号的清晰度和分辨率,使得系统更能够分辨不同粉尘颗粒的散射特征,提高了检测的精度,降低了对光谱信号分析处理的复杂程度。
最后,通过检测信号进行粉尘浓度测量,在本发明实施例中,对检测信号进行化学计量学分析,使用已知浓度的标准样品,建立一个标定曲线或校准模型,标定曲线将检测信号与已知浓度建立关联,可以使用化学计量学技术如主成分分析、偏最小二乘回归等方法来推断粉尘的浓度,并将测得的粉尘浓度结果以数字显示、实时图形或其他形式在系统界面上呈现。需要说明的是,检测粉尘浓度的方法、建立标定曲线或校准模型、偏最小二乘回归和主成分分析等均为本领域技术人员熟知的技术手段,在此不做赘述。
综上,本发明通过散射光的光谱信号中,由于噪声与信号叠加的分析不准确性,对光谱信号的频谱图进行分析。首先根据频谱图中数据的波动进行分段,得到频谱图中表征不同信息部分的峰值波动段,以便后续更好的对噪声的分布和表征强度进行分析。通过噪声与正常信号在频谱图中的分布特征差异,从分布强度上进行噪声估计得到频谱图的噪声估计值,进一步通过噪声与正常信号在频谱图中功率上的分布差异,从强度差异上进行噪声明显程度的分析得到频谱图的光谱特征值。最终根据噪声估计值和光谱特征值之间的相互调节优化维纳滤波,获得更清晰准确的检测信号进行粉尘浓度测量。本发明通过对噪声在频谱图中的分布强度和特征表现程度的综合分析优化滤波过程,得到去噪效果更优质量更好的光谱信号,使检测出的粉尘浓度准确率较高。
本发明提供了一种基于激光散射的粉尘浓度测量系统,包括存储器和处理器,处理器执行存储器存储的计算程序,以实现如上述一种基于激光散射的粉尘浓度测量方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种基于激光散射的粉尘浓度测量方法,其特征在于,所述方法包括:
通过激光散射获得散射光的光谱信号;获取光谱信号对应的频谱图;在频谱图中根据数据的波动趋势情况,获得频谱图中的峰值波动段;
根据每个峰值波动段中功率的分布趋势,获得每个峰值波动段的特征值;根据所有峰值波动段之间波动长度的差异情况以及不同波动长度对应的特征值的差异情况,获得频谱图的噪声估计值;
根据每个峰值波动段中功率的波动程度,确定疑似噪声段;根据疑似噪声段与非疑似噪声段的功率分布差异情况,获得频谱图的光谱特征值;
根据频谱图的噪声估计值和光谱特征值获得对应光谱信号的优化维纳滤波;通过优化维纳滤波对光谱信号进行滤波获得检测信号,通过检测信号进行粉尘浓度测量;
所述根据频谱图的噪声估计值和光谱特征值获得对应光谱信号的优化维纳滤波,包括:
计算噪声估计值的平方值与光谱特征值的平方值的比值,获得调节参数;将调节参数作为维纳滤波的滤波器参数获得光谱信号的优化维纳滤波。
2.根据权利要求1所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述峰值波动段的获取方法包括:
将频谱图中的数据通过曲线拟合获得频谱曲线,通过峰值检测算法获得频谱曲线中的峰值点;
对于任意一个峰值点,获取该峰值点在频谱曲线中左右相邻的两个极小值点;将左右相邻的相邻极小值点之间的区间,作为该峰值点在频谱图中的峰值波动段。
3.根据权利要求1所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述特征值的获取方法包括:
依次将每个峰值波动段作为参考段,将频谱图中参考段两端对应的功率值作为端点波谷值;将两个端点波谷值中的最大值作为参考段的高波谷值;计算高波谷值与参考段中的峰值之间的平均值,获得参考段的带宽数据值;将参考段中功率值与带宽数据值相等的两个数据点之间的距离,作为参考段的带宽距离;
将参考段中每相邻两个数据点之间斜率的绝对值作为参考段的斜率特征值;计算参考段中所有斜率特征值的方差,获得参考段的波动规律指标;
根据参考段的带宽距离和波动规律指标获得参考段的特征值;带宽距离和波动规律指标均与特征值呈正相关。
4.根据权利要求3所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述噪声估计值的获取方法包括:
根据所有峰值波动段对应带宽距离的长度差异情况,将峰值波动段分为窄段类别和宽段类别;
计算窄段类别中所有峰值波动段的宽带距离的累加值,获得窄段类别的长度距离;计算宽段类别中所有峰值波动段的宽带距离的累加值,获得宽段类别的长度距离;计算宽段类别的长度距离与窄段类别的长度距离的比值,获得频谱图的波动占比指标;
计算窄段类别中所有峰值波动段的特征值的平均值作为窄带类别的特征均值;计算宽段类别中所有峰值波动段的特征值的平均值作为宽带类别的特征均值;计算窄段类别和宽段类别之间特征均值的差异,获得频谱图的特征差异指标;
根据频谱图的波动占比指标和特征差异指标,获得频谱图的噪声估计值;波动占比指标和特征差异指标均与噪声估计值呈正相关。
5.根据权利要求4所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述根据所有峰值波动段对应带宽距离的长度差异情况,将峰值波动段分为窄段类别和宽段类别,包括:
将所有峰值波动段中的带宽距离按照从小到大的顺序对峰值波动段进行排列,获得带宽序列;
计算带宽序列中每相邻两个峰值波动段之间带宽距离的差异,获得距离差异;在距离差异最大值对应的两个峰值波动段中,将对应宽带距离的最小值作为划分距离;
将带宽序列中对应宽带距离小于或等于划分距离的峰值波动段作为窄段类别;将带宽序列中对应宽带距离大于划分距离的峰值波动段作为宽段类别。
6.根据权利要求1所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述根据每个峰值波动段中功率的波动程度,确定疑似噪声段,包括:
依次将每个峰值波动段作为目标波动段,计算目标波动段中每个数据点的功率值的标准差,获得目标波动段的功率紊乱指标;计算目标波动段中每个数据点的功率值的平均值,获得目标波动段的功率幅值指标;
将目标波动段的功率紊乱指标和功率幅值指标的乘积进行归一化处理,获得目标波动段的噪声评价指标;
当噪声评价指标小于预设评价阈值时,将对应的峰值波动段作为疑似噪声段。
7.根据权利要求6所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述光谱特征值的获取方法包括:
在每个疑似噪声段中,将对功率值进行定积分计算的结果作为每个疑似噪声段的功率密度;将每个疑似噪声段的功率密度与功率幅值指标的乘积,作为每个疑似噪声段的强度指标;将所有疑似噪声段的强度指标的平均值,作为噪声强度指标;
在每个非疑似噪声段中,将对功率值进行定积分计算的结果作为每个非疑似噪声段的功率密度;将每个非疑似噪声段的功率密度与功率幅值指标的乘积,作为每个非疑似噪声段的强度指标;将所有非疑似噪声段的强度指标的平均值,作为信号强度指标;
将信号强度指标与噪声强度指标的比值,获得频谱图的光谱特征值。
8.根据权利要求1所述一种基于激光散射的粉尘浓度测量方法,其特征在于,所述获取光谱信号对应的频谱图,包括:
对光谱信号进行傅里叶变换,获得光谱信号的频谱图。
9.一种基于激光散射的粉尘浓度测量系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算程序,以实现如权利要求1-8任一项所述一种基于激光散射的粉尘浓度测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311798405.XA CN117454098B (zh) | 2023-12-26 | 2023-12-26 | 一种基于激光散射的粉尘浓度测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311798405.XA CN117454098B (zh) | 2023-12-26 | 2023-12-26 | 一种基于激光散射的粉尘浓度测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454098A CN117454098A (zh) | 2024-01-26 |
CN117454098B true CN117454098B (zh) | 2024-03-19 |
Family
ID=89580401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311798405.XA Active CN117454098B (zh) | 2023-12-26 | 2023-12-26 | 一种基于激光散射的粉尘浓度测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454098B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918446A (zh) * | 2018-04-18 | 2018-11-30 | 天津大学 | 一种超低浓度二氧化硫紫外差分特征提取算法 |
CN112834470A (zh) * | 2020-12-31 | 2021-05-25 | 杭州罗盘星科技有限公司 | 用于水质分析的三维荧光光谱信号纯化与增强方法 |
CN114485988A (zh) * | 2022-01-18 | 2022-05-13 | 江苏海洋大学 | 一种基于拉曼光谱水下温度遥测系统 |
CN114578436A (zh) * | 2022-03-07 | 2022-06-03 | 西北工业大学 | 基于动态卡尔曼滤波的极低频海洋电磁信号探测方法 |
CN116359974A (zh) * | 2023-04-20 | 2023-06-30 | 杭州湘亭科技有限公司 | 一种管道内铀放射性污染检测数据处理方法 |
-
2023
- 2023-12-26 CN CN202311798405.XA patent/CN117454098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918446A (zh) * | 2018-04-18 | 2018-11-30 | 天津大学 | 一种超低浓度二氧化硫紫外差分特征提取算法 |
CN112834470A (zh) * | 2020-12-31 | 2021-05-25 | 杭州罗盘星科技有限公司 | 用于水质分析的三维荧光光谱信号纯化与增强方法 |
CN114485988A (zh) * | 2022-01-18 | 2022-05-13 | 江苏海洋大学 | 一种基于拉曼光谱水下温度遥测系统 |
CN114578436A (zh) * | 2022-03-07 | 2022-06-03 | 西北工业大学 | 基于动态卡尔曼滤波的极低频海洋电磁信号探测方法 |
CN116359974A (zh) * | 2023-04-20 | 2023-06-30 | 杭州湘亭科技有限公司 | 一种管道内铀放射性污染检测数据处理方法 |
Non-Patent Citations (2)
Title |
---|
有约束最小平方复原在图像复原中的应用;郝明;方亮;;实验科学与技术;20101028(第05期);全文 * |
气体瑞利布里渊散射光谱数据处理方法与实现;梁梦凡;;激光杂志;20200525(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117454098A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106052864B (zh) | 用于波谱中的背景信号的校正的方法 | |
US7767969B2 (en) | Method and apparatus for measuring spectroscopic absorbance | |
WO2017084118A1 (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN101105446A (zh) | 差分吸收光谱空气质量检测系统 | |
CN109991181B (zh) | 自适应表面吸收光谱分析方法、系统、存储介质、设备 | |
CN113109317B (zh) | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 | |
CN117405622B (zh) | 一种燕窝中亚硝酸盐含量智能检测方法 | |
CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
CN106018331B (zh) | 多通道光谱系统的稳定性评价方法及预处理优化方法 | |
CN117112514B (zh) | 基于对氯甲基苯乙烯生产数据的记录存储方法 | |
CN117146977A (zh) | 一种针对单色器光谱的寻峰方法、装置与电子设备 | |
CN109283153B (zh) | 一种酱油定量分析模型的建立方法 | |
CN117346664B (zh) | 一种基于旋转测棒数据的光棒弓曲度计算方法 | |
CN117454098B (zh) | 一种基于激光散射的粉尘浓度测量方法及系统 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN111157115B (zh) | 一种水下布里渊散射光谱获取方法及装置 | |
CN117194902A (zh) | 一种光谱测量过程中噪声数据滤除方法 | |
JP2007155630A (ja) | 多層薄膜の膜厚測定方法および膜厚測定装置 | |
CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
CA3006225A1 (en) | Check method of worm gears | |
CN109459408A (zh) | 一种基于稀疏回归lar算法的近红外定量分析方法 | |
CN109324017B (zh) | 一种提高近红外光谱分析技术建模光谱质量的方法 | |
CN112666094A (zh) | 一种常见毒素识别系统及方法 | |
Bruchkouskaya et al. | Algorithm for second-order diffraction correction in a concave diffraction grating spectrometer |
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 |