CN117907277A - 一种基于深度学习的偏振增强型气体识别探测方法、装置 - Google Patents
一种基于深度学习的偏振增强型气体识别探测方法、装置 Download PDFInfo
- Publication number
- CN117907277A CN117907277A CN202410256890.6A CN202410256890A CN117907277A CN 117907277 A CN117907277 A CN 117907277A CN 202410256890 A CN202410256890 A CN 202410256890A CN 117907277 A CN117907277 A CN 117907277A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- gas
- signal
- signals
- absorption
- 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
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 330
- 238000010521 absorption reaction Methods 0.000 claims abstract description 82
- 229910052732 germanium Inorganic materials 0.000 claims abstract description 30
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000008878 coupling Effects 0.000 claims abstract description 4
- 238000010168 coupling process Methods 0.000 claims abstract description 4
- 238000005859 coupling reaction Methods 0.000 claims abstract description 4
- 230000011664 signaling Effects 0.000 claims abstract description 3
- 239000007789 gas Substances 0.000 claims description 223
- 238000000862 absorption spectrum Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000006798 recombination Effects 0.000 claims 1
- 238000005215 recombination Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 229910005866 GeSe Inorganic materials 0.000 description 4
- 239000000969 carrier Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001745 non-dispersive infrared spectroscopy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000041 tunable diode laser absorption spectroscopy Methods 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
- G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
-
- 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
- G01N21/21—Polarisation-affecting properties
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Pure & Applied Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Computing Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于深度学习的偏振增强型气体识别探测方法、装置，该方法包括获取超连续谱激光信号，并通过准直分光耦合出两路信号；对光谱信号进行气体的吸收处理，得到气体吸收后的光谱信号，将其与标准的光源光谱对照信号作对比，获得气体吸收特征光谱；利用超连续谱激光信号深度学习模块对光谱谐波信号图谱进行训练，并结合电控偏振片和锗基二维光谱探测器完成信号重构，利用偏振增强的气体光谱指纹信号的智能识别终端绘制气体吸收的光谱信号图谱，完成气体成分和浓度的识别。本发明提高了多气体识别精度，气体浓度识别的下限能够达到ppb级别。
Description
技术领域
本发明涉及探测器领域，尤其涉及一种基于深度学习的偏振增强型气体识别探测方法、装置。
背景技术
G. Li, N. Andre, P. Gerard, S. Z. Ali, F. Udrea, L. A. Francis, Y.Zeng, D. Flandre, IEEE Trans. Ind. Electron.2017, 64, 7368.报道了在PIN异质结构光电二极管中实现了450-900 nm的多波长检测的方法，可用于测量CH*和C2*混合气体。S. Yuan, D. Naveh, K. Watanabe, T. Taniguchi, F. Xia, Nat. Photonics2021, 15,601.提出了一种可调谐的黑磷光电晶体管，其使用NDIR技术来重建光谱并捕获CO2吸收特征。不过宽光谱的探测方法存在探测速度慢（低速低频探测1/f噪声非常严重），光入射功率低，光散射反射干扰大等一系列问题。但是，能够兼顾高精度和多组分探测的窄波段气体传感与识别却很少被报道。例如典型的窄波段TDLAS激光探测技术，它能够通过分析激光被气体的选择性吸收来获得气体的浓度。其优点在于具有高分辨率、高灵敏度、快速响应和不易受其他气体组分干扰等。
困扰它的一个重要问题是传统的窄带激光光谱仪受到传统光电探测器的单组分检测特性的限制。光电探测器只能检测特定波长的光子，并且无法同时获取光子能量和光波段信息。因此，传统的窄带激光光谱仪在使用光电探测器件进行多组分探测时，只能通过设置滤波片等手段进行多光谱探测，探测范围小，光谱分辨率低。造成对气体成分的识别，以及气体浓度的预测精度都不足。第二个问题是传统的窄带激光光谱仪可能会受到外界因素的干扰，例如激光均匀性、无效光波段干扰、温度变化等。这些干扰因素可能导致光谱仪的测量结果出现误差，从而影响到测量的准确性。本发明针对这一痛点，采用可以调谐的超连续谱激光器，搭配偏振增强的光谱探测器，组建可以高光谱扫描2f谐波的高精度、多组分激光窄波段气体识别探测方法、装置。
发明内容
本发明所要解决的技术问题：提供一种基于深度学习的偏振增强型气体识别探测方法、装置，通过对人工神经网络对锗基二维光谱探测器采集的超连续谱激光信号进行采集。系统能够完成气体吸收光谱的图谱化，能够利用深度学习的方法对气体吸收图谱进行训练和测试。与传统数据拟合的方法相比，这种人工智能探测方式能够综合分析气体吸收特征，实现高精度的气体分子诊断和识别。
本发明为解决以上技术问题而采用以下技术方案：
本发明提出的一种基于深度学习的偏振增强型气体识别探测方法，包括：
S1、获取超连续谱激光信号，并通过准直分光耦合出两路信号，其中一路为原始信号，利用商用标准光谱仪对该信号进行光谱采集，并作为标准的光源光谱对照信号；另一路为光谱信号。
S2、对光谱信号进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号。
S3、对光谱信号进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号。
S4、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别。
进一步的，步骤S4中，识别气体成分和浓度包括以下子步骤：
S401、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号进行扫描，获得相应的气体光谱指纹信号。
S402、利用模数转换芯片和偏振增强的气体光谱指纹信号的智能识别终端对气体光谱指纹信号进行量化，并将设定种类的已知气体的光谱指纹信号录入到数据库。
S403、根据步骤S401中的气体光谱指纹信号绘制对应的图谱，记为第一图谱，形成气体吸收图谱数据集；超连续谱激光信号深度学习模块利用该数据集对光谱信号图谱进行训练。
S404、对步骤S3中的待测气体的吸收特征光谱信号进行量化，绘制对应的图谱，记为第二图谱，形成被待测气体吸收后的图谱测试集。
S405、利用偏振增强的气体光谱指纹信号的智能识别终端中的OpenCV识别系统，根据超连续谱激光信号深度学习模块生成的神经网络权重，将步骤S403中的图谱数据集与步骤S404中的图谱测试集进行比对，识别分析气体成分和浓度。
进一步的，步骤S401中，获得气体光谱指纹信号包括以下内容：
利用锗基二维光谱探测器测量不同波长激光器下的偏振角和光电流之间的关系，具体表达式为：
；
其中，表示偏振角，/>表示y轴与0°之间的固定夹角，/>表示沿/>方向的光电流，/>分别表示沿x轴和y轴的最小光电流。
光电流的偏振角依赖性随入射光波长而变化很大，表明偏振角可以用于选择性地检测基于锗基二维光谱探测器的特定波长。
利用电控偏振片中二维锗基（GeSe、GeS2）化合物异质结各向异性的材料特性造成的偏振敏感特点，基于波段响应最大的偏振角度对已知气体的吸收特征光谱信号进行预处理，初步扫描900-1700nm的光谱形成偏振预处理的光谱信号，对扫描到的偏振角度不敏感的波长信号将被削弱，能够初步滤除它们的干扰。
锗基二维光谱探测器利用栅压VG调控二维锗基（GeSe、GeS2）化合物异质结载流子的输运模式，改变载流子在二维异质结能带中复合的位置，不同的波长对不同的电栅压响应的敏感度也不同，使用栅压对偏振预处理的光谱信号再次进行扫描，综合多个吸收峰数据，计算多个吸收峰拟合，进一步滤除它们对所需波长信号的干扰，获得超连续谱激光信号的气体光谱指纹信号。
进一步的，步骤S402中，量化包括以下内容：
模数转换芯片将气体光谱指纹信号转换为数字信号，用VISA串口工具把数字信号传给偏振增强的气体光谱指纹信号的智能识别终端。
进一步的，超连续谱激光信号深度学习模块中，能使用深度神经网络或者卷积神经网络（LeNet、AlexNet或VGG16Net等）进行深度学习。
进一步的，步骤S405中，识别分析气体成分和浓度包括以下内容：
扫描电栅将气体光谱指纹信号不同中心波段下的光谱谐波信号图形化，其中横坐标为波数，纵坐标为气体流量；超连续谱激光信号深度学习模块利用神经网络生成神经网络权重并训练光谱谐波信号图谱，利用后端识别系统生成图谱库，并导入OpenCV识别系统；扫描电栅采集被测气体不同中心波段的光谱信号的谐波图谱，利用OpenCV识别系统运行步骤S404中的图谱测试集，比对步骤S403中的图谱数据集中的特征吸收谱线，计算出的相似度达到95%以上即为气体分子，表面识别比对成功，并进一步通过该气体吸收谱的强度预测出气体的浓度。
进一步的，一种基于深度学习的偏振增强型气体识别探测装置，包括：
超连续谱激光器、准直分光模块、长光程气室、电控偏振片、锗基二维光谱探测器、超连续谱激光信号深度学习模块、偏振增强的气体光谱指纹信号的智能识别终端。
超连续谱激光器发射出超连续谱激光信号，将该信号输入到准直分光模块中，耦合出两路信号，一路为原始信号，另一路为光谱信号；原始信号作为标准的光源光谱对照信号。
将光谱信号输入到长光程气室中进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号；将光谱信号输入到长光程气室中进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号。
利用电控偏振片和锗基二维光谱探测器对不同成分的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明通过同步的偏振片对超连续激光谱进行光谱信号预处理，通过结合智能计算，精确分辨红外激光信号，不需要光栅即可实现分光分波段测试。联合采用调谐二极管激光吸收光谱技术，能够实现高精度的气体分子诊断和识别。结合OpenCV识别预测功能，为实现多组分痕量气体的高精度识别奠定了技术基础。
附图说明
图1是本发明装置的整体结构图。
图2是本发明气体识别和预测流程示意图。
图3是本发明实施例中在电栅调控下，锗基异质结模式改变情况图。
图4是本发明实施例中偏振增强后，电栅与偏振检测的光谱扫描能力展示图。
图5是本发明实施例中二氧化碳吸收图谱。
图6是本发明实施例中不同二氧化碳浓度下的吸收图谱训练数据集的展示图。
图7是本发明实施例中利用OpenCV库进行的人工智能多组分混合气体识别与浓度预测的示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合附图和实例对本发明进行详细说明。
为实现上述目的，本发明提出了一种基于深度学习的偏振增强型气体识别探测装置，如图1所示，包括：
超连续谱激光器1、准直分光模块2、长光程气室3、电控偏振片4、锗基二维光谱探测器5、超连续谱激光信号深度学习模块6、偏振增强的气体光谱指纹信号的智能识别终端7。
超连续谱激光器1发射出超连续谱激光信号，将该信号输入到准直分光模块2中，耦合出两路信号，一路为原始信号，另一路为光谱信号；原始信号作为标准的光源光谱对照信号。
将光谱信号输入到长光程气室3中进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号；将光谱信号输入到长光程气室3中进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号。
利用电控偏振片4和锗基二维光谱探测器5对不同成分的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端7绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块6对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端7绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别。
利用一种基于深度学习的偏振增强型气体识别探测装置进行探测的方法如图2所示，包括：
S1、获取超连续谱激光信号（波长范围900-1700 nm），并通过准直分光耦合出两路信号，其中一路为原始信号，作为标准的光源光谱对照信号；另一路为光谱信号。
S2、对光谱信号进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号。
S3、对光谱信号进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号。
S4、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别，具体内容为：
S401、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号进行扫描，获得相应的气体光谱指纹信号，具体内容为：
利用锗基二维光谱探测器测量不同波长激光器下的偏振角和光电流之间的关系，具体表达式为：
；
其中，表示偏振角，/>表示y轴与0°之间的固定夹角，/>表示沿/>方向的光电流，/>分别表示沿x轴和y轴的最小光电流。
锗基二维光谱探测器在1270 nm、1370 nm和1512 nm处的各向异性光电流比分别为2.68、3.36和1.78。光电流的偏振角依赖性随入射光波长而变化很大，表明偏振角可以用于选择性地检测基于锗基二维光谱探测器的特定波长。
利用电控偏振片中二维锗基（GeSe、GeS2）化合物异质结各向异性的材料特性造成的偏振敏感特点，基于波段响应最大的偏振角度对已知气体的吸收特征光谱信号进行预处理，初步扫描900-1700nm的光谱形成偏振预处理的光谱信号，对扫描到的偏振角度不敏感的波长信号将被削弱，能够初步滤除它们的干扰。
锗基二维光谱探测器利用栅压VG调控二维锗基（GeSe、GeS2）化合物异质结载流子的输运模式，改变载流子在二维异质结能带中复合的位置，不同的波长对不同的电栅压响应的敏感度也不同，使用栅压对偏振预处理的光谱信号再次进行扫描，综合多个吸收峰数据，计算多个吸收峰拟合，进一步滤除它们对所需波长信号的干扰，获得超连续谱激光信号的气体光谱指纹信号。
S402、利用模数转换芯片和偏振增强的气体光谱指纹信号的智能识别终端对气体光谱指纹信号进行量化，并将设定种类的已知气体的光谱指纹信号录入到数据库。其中，量化的具体内容为：
模数转换芯片将气体光谱指纹信号转换为数字信号，用VISA串口工具把数字信号传给偏振增强的气体光谱指纹信号的智能识别终端。
S403、根据步骤S401中的气体光谱指纹信号绘制对应的图谱，记为第一图谱，形成气体吸收图谱数据集；超连续谱激光信号深度学习模块利用该数据集对光谱信号图谱进行训练。
S404、对步骤S3中的待测气体的吸收特征光谱信号进行量化，绘制对应的图谱，记为第二图谱，形成被待测气体吸收后的图谱测试集。
S405、利用偏振增强的气体光谱指纹信号的智能识别终端中的OpenCV识别系统，根据超连续谱激光信号深度学习模块生成的神经网络权重，将步骤S403中的图谱数据集与步骤S404中的图谱测试集进行比对，识别分析气体成分和浓度。对时域光谱信号进行傅里叶变换，在频域采集气体指纹2f信号，降低了噪声的影响，比传统光谱仪的检测精度提高1000倍以上。具体内容为：
偏振增强的气体光谱指纹信号的智能识别终端是嵌入深度学习算法节点的虚拟仪器，能够将不同的光谱信号转化为不同的颜色，并绘制出气体吸收的光谱信号图谱，并利用深度学习的方法完成最终的气体识别与探测。
扫描电栅将气体光谱指纹信号不同中心波段下的光谱谐波信号图形化，其中横坐标为波数，纵坐标为气体流量；超连续谱激光信号深度学习模块利用神经网络生成神经网络权重并训练光谱谐波信号图谱，利用后端识别系统生成图谱库，并导入OpenCV识别系统；扫描电栅采集被测气体不同中心波段的光谱信号的谐波图谱，利用OpenCV识别系统运行步骤S404中的图谱测试集，比对步骤S403中的图谱数据集中的特征吸收谱线，计算出的相似度达到95%以上即为气体分子，表明识别成功，并进一步通过该气体吸收谱的强度预测出气体的浓度。
如图3所示，将这种锗基二维异质结的电路-电压特性通过Fowler-Nordheim拟合后的特征曲线，展示了在不同的VG下，探测器的异质结会进入不同的载流子传输模式，从而改变他们的光谱响应特征。
如图4所示，不同的偏振角度和栅压VG联合调控下，光谱探测器能够扫描到的特征波长范围。
如图5所示，对二氧化碳的采集光谱信号被探测器采集并量化后，将不同波长（波数）为横坐标，气体流入气室的流量为纵坐标，不同的光谱强度为不同颜色，绘制出气体吸收的二维强度图。
如图6所示，对二氧化碳采集的光谱信号进行识别和浓度预测用于训练的气体吸收图谱数据集。可以看到，气体在低浓度时最强的吸收峰变化并不剧烈，在其他较弱的吸收峰相较而言却有比较明显的特性。因此本发明通过深度学习的方法来识别这些特征，做到对气体成分的识别和气体浓度的预测。
如图7所示，完成几个波长范围扫描后，组合这些波长的光谱信号，实现智能多组分混合气体识别的示意图，通过OpenCV系统，采用深度学习的方法分析出了5种混合气体的吸收谐波图谱，可以计算出混合气体的组成以及各成分的浓度。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于深度学习的偏振增强型气体识别探测方法，其特征在于，包括：
S1、获取超连续谱激光信号，并通过准直分光耦合出两路信号，其中一路为原始信号，作为标准的光源光谱对照信号；另一路为光谱信号；
S2、对光谱信号进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号；
S3、对光谱信号进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号；
S4、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别。
2.根据权利要求1所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，步骤S4中，识别气体成分和浓度包括以下子步骤：
S401、利用电控偏振片和锗基二维光谱探测器对设定种类的已知气体的吸收特征光谱信号进行扫描，获得相应的气体光谱指纹信号；
S402、利用模数转换芯片和偏振增强的气体光谱指纹信号的智能识别终端对气体光谱指纹信号进行量化，并将设定种类的已知气体的光谱指纹信号录入到数据库；
S403、根据步骤S401中的气体光谱指纹信号绘制对应的图谱，记为第一图谱，形成气体吸收图谱数据集；超连续谱激光信号深度学习模块利用该数据集对光谱信号图谱进行训练；
S404、对步骤S3中的待测气体的吸收特征光谱信号进行量化，绘制对应的图谱，记为第二图谱，形成被待测气体吸收后的图谱测试集；
S405、利用偏振增强的气体光谱指纹信号的智能识别终端中的OpenCV识别系统，根据超连续谱激光信号深度学习模块生成的神经网络权重，将步骤S403中的图谱数据集与步骤S404中的图谱测试集进行比对，识别分析气体成分和浓度。
3.根据权利要求1所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，步骤S401中，获得气体光谱指纹信号包括以下内容：
利用锗基二维光谱探测器测量不同波长激光器下的偏振角和光电流之间的关系，具体表达式为：
；
其中，表示偏振角，/>表示y轴与0°之间的固定夹角，/>表示沿/>方向的光电流，/>分别表示沿x轴和y轴的最小光电流；
利用波段响应最大的偏振角度对已知气体的吸收特征光谱信号进行预处理，初步扫描900-1700nm的光谱形成偏振预处理的光谱信号；
锗基二维光谱探测器利用栅压VG调控二维锗基化合物异质结载流子的输运模式，改变载流子在二维异质结能带中复合的位置，使用栅压对偏振预处理的光谱信号再次进行扫描，综合多个吸收峰数据，计算多个吸收峰拟合，获得气体光谱指纹信号。
4.根据权利要求3所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，步骤S402中，量化包括以下内容：
模数转换芯片将气体光谱指纹信号转换为数字信号，用VISA串口工具把数字信号传给偏振增强的气体光谱指纹信号的智能识别终端。
5.根据权利要求3所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，步骤S405中，识别分析气体成分和浓度包括以下内容：
扫描电栅将气体光谱指纹信号不同中心波段下的光谱谐波信号图形化，其中横坐标为波数，纵坐标为气体流量；超连续谱激光信号深度学习模块利用神经网络生成神经网络权重并训练光谱信号图谱，利用后端识别系统生成图谱库，并导入OpenCV识别系统；扫描电栅采集被测气体不同中心波段的光谱信号的谐波图谱，利用OpenCV识别系统运行步骤S404中的图谱测试集，比对步骤S403中的图谱数据集中的特征吸收谱线，计算出的相似度达到95%以上即为气体分子，表明识别成功，并进一步通过该气体吸收谱的强度预测出气体的浓度。
6.根据权利要求1所述的基于深度学习的偏振增强型气体识别探测方法，其特征在于，超连续谱激光信号深度学习模块中，能使用深度神经网络或者卷积神经网络进行深度学习。
7.根据权利要求1所述的基于深度学习的偏振增强型气体识别探测方法的装置，其特征在于，包括：
超连续谱激光器（1）、准直分光模块（2）、长光程气室（3）、电控偏振片（4）、锗基二维光谱探测器（5）、超连续谱激光信号深度学习模块（6）、偏振增强的气体光谱指纹信号的智能识别终端（7）；
超连续谱激光器（1）发射出超连续谱激光信号，将该信号输入到准直分光模块（2）中，耦合出两路信号，一路为原始信号，另一路为光谱信号；原始信号作为标准的光源光谱对照信号；
将光谱信号输入到长光程气室（3）中进行设定种类的已知气体的吸收处理，得到设定种类的已知气体吸收处理后的光谱信号，利用光谱仪对设定种类的已知气体处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与设定种类的已知气体吸收处理后的光谱信号进行对比，获得设定种类的已知气体的吸收特征光谱信号；将光谱信号输入到长光程气室（3）中进行待测气体的吸收处理，得到待测气体吸收处理后的光谱信号，利用光谱仪对待测气体吸收处理后的光谱信号进行采集；以标准的光源光谱对照信号为基准，与待测气体吸收处理后的光谱信号进行对比，获得待测气体的吸收特征光谱信号；
利用电控偏振片（4）和锗基二维光谱探测器（5）对不同成分的已知气体的吸收特征光谱信号完成信号重构，获取气体光谱指纹信号，利用偏振增强的气体光谱指纹信号的智能识别终端（7）绘制气体光谱指纹信号图谱，记为第一图谱，利用超连续谱激光信号深度学习模块（6）对第一图谱进行训练；基于待测气体的吸收特征光谱信号，利用偏振增强的气体光谱指纹信号的智能识别终端（7）绘制对应的图谱，记为第二图谱，将第一图谱和第二图谱进行对比，完成气体成分和浓度的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256890.6A CN117907277B (zh) | 2024-03-07 | 2024-03-07 | 一种基于深度学习的偏振增强型气体识别探测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256890.6A CN117907277B (zh) | 2024-03-07 | 2024-03-07 | 一种基于深度学习的偏振增强型气体识别探测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117907277A true CN117907277A (zh) | 2024-04-19 |
| CN117907277B CN117907277B (zh) | 2024-05-28 |
Family
ID=90689186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410256890.6A Active CN117907277B (zh) | 2024-03-07 | 2024-03-07 | 一种基于深度学习的偏振增强型气体识别探测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117907277B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140183362A1 (en) * | 2012-12-31 | 2014-07-03 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers for detecting counterfeit or illicit drugs and pharmaceutical process control |
| CN106802288A (zh) * | 2017-03-22 | 2017-06-06 | 河北大学 | 基于可调谐激光和超连续谱激光的气体检测装置和方法 |
| CN111220573A (zh) * | 2020-02-28 | 2020-06-02 | 江苏大学 | 一种非线性光学吸收截面测量方法 |
| CN113281278A (zh) * | 2021-05-14 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种快速超高分辨瞬态吸收光谱测量装置及测量方法 |
| CN114235742A (zh) * | 2021-12-17 | 2022-03-25 | 中国石油大学(华东) | 基于呼吸气体大类标志物复合光谱检测系统及方法 |
| WO2023283266A1 (en) * | 2021-07-06 | 2023-01-12 | Si-Ware Systems | Self-calibrated spectroscopic and ai-based gas analyzer |
| CN115753661A (zh) * | 2022-11-25 | 2023-03-07 | 山东非金属材料研究所 | 一种基于紫外光谱的喷气燃料水分离指数测量处理方法及系统 |
-
2024
- 2024-03-07 CN CN202410256890.6A patent/CN117907277B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140183362A1 (en) * | 2012-12-31 | 2014-07-03 | Omni Medsci, Inc. | Short-wave infrared super-continuum lasers for detecting counterfeit or illicit drugs and pharmaceutical process control |
| CN106802288A (zh) * | 2017-03-22 | 2017-06-06 | 河北大学 | 基于可调谐激光和超连续谱激光的气体检测装置和方法 |
| CN111220573A (zh) * | 2020-02-28 | 2020-06-02 | 江苏大学 | 一种非线性光学吸收截面测量方法 |
| CN113281278A (zh) * | 2021-05-14 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种快速超高分辨瞬态吸收光谱测量装置及测量方法 |
| WO2023283266A1 (en) * | 2021-07-06 | 2023-01-12 | Si-Ware Systems | Self-calibrated spectroscopic and ai-based gas analyzer |
| CN114235742A (zh) * | 2021-12-17 | 2022-03-25 | 中国石油大学(华东) | 基于呼吸气体大类标志物复合光谱检测系统及方法 |
| CN115753661A (zh) * | 2022-11-25 | 2023-03-07 | 山东非金属材料研究所 | 一种基于紫外光谱的喷气燃料水分离指数测量处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117907277B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103411973B (zh) | 一种基于高光谱的酿酒葡萄果皮中花色苷含量测定的方法 | |
| CN101105446B (zh) | 差分吸收光谱空气质量检测系统 | |
| CN106596436B (zh) | 一种基于光谱法的多参数水质实时在线监测装置 | |
| Kumar et al. | Deep remote sensing methods for methane detection in overhead hyperspectral imagery | |
| CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
| CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
| CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
| CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
| CN109270027A (zh) | 一种基于正弦调制时域拟合的气体吸收率在线测量方法 | |
| CN107037004A (zh) | 一种tdlas检测sf6电气设备中湿度的装置及方法 | |
| CN109724941A (zh) | 一种基于径向基神经网络的co2高温气体浓度检测方法 | |
| CN113406036A (zh) | 基于光谱重构技术的便携式温室气体检测系统 | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| CN117629501A (zh) | 一种气体分压力的检测方法 | |
| CN109001182B (zh) | 封闭容器中酒精含量的拉曼光谱无损测定方法 | |
| CN117907277B (zh) | 一种基于深度学习的偏振增强型气体识别探测方法、装置 | |
| CN114544547A (zh) | 一种用于波长调制光谱信号在线递推解调的方法与系统 | |
| CN110887798B (zh) | 基于极端随机树的非线性全光谱水体浊度定量分析方法 | |
| CN105784629B (zh) | 利用中红外光谱快速检测土壤的稳定碳同位素比值的方法 | |
| CN105067556A (zh) | 一种快速检测生物液态样品的光学装置及光学方法 | |
| CN105115909B (zh) | 基于高光谱成像技术检测花生中脂肪含量分布的方法 | |
| CN114166793A (zh) | 基于光谱波段重叠分离的叶片叶绿素a、b含量反演方法 | |
| CN113406017A (zh) | 高集成度表面等离子体共振传感器系统 | |
| CN106442405A (zh) | 一种卷烟烟气气相物动态检测方法 | |
| Chen et al. | Application of spectral droplet analysis method in flammable liquids identification |
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 |