CN117969426A - 一种环境空气恶臭物质在线分析方法及系统 - Google Patents
一种环境空气恶臭物质在线分析方法及系统 Download PDFInfo
- Publication number
- CN117969426A CN117969426A CN202410375598.6A CN202410375598A CN117969426A CN 117969426 A CN117969426 A CN 117969426A CN 202410375598 A CN202410375598 A CN 202410375598A CN 117969426 A CN117969426 A CN 117969426A
- Authority
- CN
- China
- Prior art keywords
- pixel
- sequence
- wavelength
- gas
- value
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 239000012080 ambient air Substances 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000000926 separation method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012512 characterization method Methods 0.000 claims abstract description 23
- 238000003064 k means clustering Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 239000007789 gas Substances 0.000 claims description 176
- 238000002310 reflectometry Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 239000003570 air Substances 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- 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
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及物质分析技术领域,具体涉及一种环境空气恶臭物质在线分析方法及系统,该方法包括:采集环境未知气体的高光谱图像数据,获取各像元的未知气体序列,获取未知气体序列中各元素的气体分离序列,根据气体分离序列得到各像元的各波长的气体表征特性值,获取各像元的各波长的气体识别系数,根据气体识别系数得到各像元的最优密度值序列,结合最优密度值序列与K‑means聚类算法完成各像元的气体物质分析。本发明旨在提高气体物质分析的准确性,完成环境空气恶臭物质的精确在线分析。
Description
技术领域
本发明涉及物质分析技术领域,具体涉及一种环境空气恶臭物质在线分析方法及系统。
背景技术
随着农业的快速发展,畜牧业的发展模式朝向集中化、产业化的方向进行演化,大量的家禽家畜需要在短时间内高效的转化为可供消费的肉类产品,因此规模化的屠宰场便孕育而生,但屠宰场内动物的排泄物、血液、脂肪、毛发等废弃物在自然环境中迅速腐败,这些废弃物在腐败的过程中会产生大量的恶臭气体,如氨气、硫化氢等。恶臭气体扩散至周围环境,严重影响空气质量,降低居民的生活质量。长期吸入恶臭气体对人体呼吸系统、神经系统等造成伤害,甚至引发各种疾病。不同的恶臭物质有着不同的处理方法,通过对环境空气的恶臭气体进行分析,针对分析出不同的恶臭气体采用不同的处理方法,不仅可以高效的处理恶臭气体,而且可以节约资源经济。
传统对于气体物质的分析一般采用高光谱数据,通过K-means聚类算法提取特征波长,对特征波长进行分析识别气体物质,但由于K-means聚类算法的精度受限于初始聚类中心的选择,因此需要根据气体的数据特征确定K-means聚类算法的初始聚类中心。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种环境空气恶臭物质在线分析方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种环境空气恶臭物质在线分析方法,该方法包括以下步骤:
采集环境未知气体的高光谱图像数据;将各像元在所有波长下的反射率作为各像元的未知气体序列;以未知气体序列中各元素为起点获取各元素的预设窗口,将预设窗口内的所有元素作为未知气体序列中各元素的气体分离序列;根据气体分离序列中元素的最值差异得到各像元的各波长的气体表征特性值;
根据各像元的未知气体序列中各元素与相邻元素的差异得到各像元的各波长的变异区分值;结合各像元的各波长的气体表征特性值与变异区分值得到各像元的各波长的气体识别系数;根据各像元的任一波长的气体识别系数与其他波长的气体识别系数的差异得到各像元的最优密度值序列;
根据各像元的最优密度值序列中元素的分布特征得到各像元的第二初始聚类中心可信真实度,结合K-means聚类算法对各像元的最优密度值序列进行聚类;根据聚类结果得到各像元的特征波长序列;根据各像元的特征波长序列与标准气体光谱的比对结果完成各像元的物质分析。
优选的,所述根据气体分离序列中元素的最值差异得到各像元的各波长的气体表征特性值,表达式为:
式中,为r像元的第i个波长的气体表征特性值,/>表示r像元的第i个波长的反射率;/>表示r像元的第i个波长对应气体分离序列所有元素的均值,/>表示r像元的第i个波长对应的气体分离序列,/>、/>分别表示取最大值、最小值函数,/>表示以自然常数为底数的指数函数,/>表示r像元的第i个波长对应气体分离序列中元素的数量,表示r像元的第i个波长对应气体分离序列中不同元素的数量。
优选的,所述根据各像元的未知气体序列中各元素与相邻元素的差异得到各像元的各波长的变异区分值,包括:
针对各像元的未知气体序列,分别计算各波长的反射率与前一个波长、后一个波长的反射率的差值,将两个差值的均值作为各波长的变异分值,将所有波长的变异分值作为OTSU算法的输入,输出为分割阈值,将变异分值大于分割阈值的波长标记为1,将变异分值小于等于分割阈值的波长标记为0,统计各波长的前一个波长、后一个波长被标记为1的数量,将所述数量作为各像元的各波长的变异区分值。
优选的,所述结合各像元的各波长的气体表征特性值与变异区分值得到各像元的各波长的气体识别系数,表达式为:
式中,为r像元的第i个波长的气体识别系数,/>表示采集的波长数量,/>、分别表示r像元的第j个、第i个波长的气体表征特性值,/>表示r像元的第i个波长的变异区分值,/>表示余弦相似度函数,/>,/>分别表示r像元的第i个、第j个波长对应的气体分离序列,/>表示预设大于0的参数调节因子。
优选的,所述根据各像元的任一波长的气体识别系数与其他波长的气体识别系数的差异得到各像元的最优密度值序列,包括:
将各像元的所有波长的气体识别系数按波长升序排列作为各像元的气体识别系数序列,计算气体识别系数序列中任一元素与其他各元素的欧式距离,计算所述欧式距离与所述其他各元素的序号的比值,将所述任一元素与其他所有元素的所述比值升序排列作为所述任一元素的邻近密度序列;
针对气体识别系数序列中所有元素的邻近密度序列,将邻近密度序列中相同位置的所有元素作为各密度集合,将各密度集合中的所有元素作为于LOF算法的输入,输出为各密度集合中各元素的离群因子,将离群因子大于预设阈值的元素从对应的密度集合中删除,计算各密度集合中剩余所有元素的均值,将所述均值最大值对应的密度集合作为各像元的最优密度值序列。
优选的,所述根据各像元的最优密度值序列中元素的分布特征得到各像元的第二初始聚类中心可信真实度,包括:
针对r像元的最优密度值序列,将最优密度值序列的最大值元素作为第一初始聚类中心,计算最优密度值序列中各元素与所述第一初始聚类中心的欧式距离,记为第一欧式距离,将所述第一欧式距离的最大值记为,计算最优密度值序列中任一元素与其他各元素的欧式距离,记为第二欧式距离,将最优密度值序列中所有元素的所述第二欧式距离的最大值记为/>,将所述第二欧式距离的最大值对应的两个元素依次记为元素A、元素B;r像元的最优密度值序列中第x个元素的第二初始聚类中心可信真实度/>的表达式为:
式中,表示以自然常数为底数的指数函数,/>表示r像元的最优密度值序列中第x个元素,/>、/>分别表示取最大值、最小值函数,/>表示r像元的最优密度值序列中第x个元素与第一初始聚类中心的欧式距离,/>、/>分别表示r像元的最优密度值序列中第x个元素与元素A、元素B的欧式距离,/>表示r像元的最优密度值序列中第一初始聚类中心的数值,/>表示预设大于0的调参系数。
优选的,所述结合K-means聚类算法对各像元的最优密度值序列进行聚类,包括:
将各像元的最优密度值序列中第二初始聚类中心可信真实度最大值对应的元素作为第二初始聚类中心,将各像元的最优密度值序列及最优密度值序列的第一初始聚类中心、第二初始聚类中心作为K-means聚类算法的输入,输出为两个聚类簇。
优选的,所述根据聚类结果得到各像元的特征波长序列,包括:
计算各聚类簇所有元素的均值,计算均值最大值对应的聚类簇中各元素与所述均值最大值的差值绝对值,将所述差值绝对值大于预设数值的元素进行剔除,将均值最大值对应的聚类簇中剩余所有元素对应的波长升序排列作为各像元的特征波长序列。
优选的,所述根据各像元的特征波长序列与标准气体光谱的比对结果完成各像元的物质分析,包括:
将各像元的特征波长序列中各波长对应的反射率按特征波长序列排序,作为各像元的特征波长反射率序列,计算各像元的特征波长反射率序列与各类气体的标准气体光谱数据的余弦相似度,将余弦相似度大于预设划分阈值的标准气体光谱数据对应的气体作为各像元的物质成分。
第二方面,本发明实施例还提供了一种环境空气恶臭物质在线分析系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明通过分析波长的局部特征计算各波长的气体表征特性值,有益效果在于减少非目标气体成分及环境噪声等因素带来的干扰,提高识别气体种类的准确性;通过波长的局部变异特征与气体表征特性值以及相似度计算各波长的气体识别系数,可以显著的区分目标气体与非目标气体物质,有利于准确识别气体种类;通过气体识别系数得到最优密度值序列;计算K-means聚类算法的初始聚类中心,确保了聚类中心之间的分散性,有助于得到符合气体特征的聚类结构,使得气体物质分析结果的精度更高、效果更好。
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提供的一种环境空气恶臭物质在线分析方法的步骤流程图;
图2为气体物质分析指标获取流程图。
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环境空气恶臭物质在线分析方法及系统,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,一个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环境空气恶臭物质在线分析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环境空气恶臭物质在线分析方法的步骤流程图,该方法包括以下步骤:
步骤S001,收集屠宰场内空气中的气体,并通过光谱气体分析仪获取采集气体的高光谱图像数据,并进行预处理。
首先,在屠宰场的关键区域部署一系列气体采样管道,确保能全面有效地捕捉到环境中包含的各种气体成分。之后,采用光谱气体分析仪对采集到的气体样品进行光谱扫描,生成高光谱图像。由于屠宰场环境复杂多变,导致采集到的高光谱图像数据中含有大量噪声,因此本实施例采用自适应滤波器(LMS)对采集气体的高光谱图像数据进行去噪。对于采集的光谱数据,针对高光谱图像数据,将各像元在所有波长下的反射率作为各像元的未知气体序列,记为Gus,其中,光谱气体分析仪为现有公知技术,具体过程不做赘述。
步骤S002,通过分析波长的局部特征计算各波长的气体表征特性值,通过波长的局部变异特征与气体表征特性值以及相似度构建各波长的气体识别系数,通过气体识别系数得到最优密度值序列,利用最优密度值序列计算K-means聚类算法的初始聚类中心。
具体的,本实施例首先采集环境未知气体的高光谱图像数据,获取各像元的未知气体序列,获取未知气体序列中各元素的气体分离序列,根据气体分离序列得到各像元的各波长的气体表征特性值,获取各像元的各波长的气体识别系数,根据气体识别系数得到各像元的最优密度值序列,结合最优密度值序列与K-means聚类算法完成各像元的气体物质分析,具体气体物质分析指标获取流程图如图2所示。各像元的第二初始聚类中心可信真实度的构建过程具体为:
不同的物质在相同波长下有不同的吸收或反射特征,因此不同的物质具有不同的最能够代表物质特征的波长范围。当气体物质在一个波长下的局部变化特征较大时,表明在这个波长范围内,目标气体对电磁辐射的反射或者吸收特别强烈,这种强烈的吸收或者反射特征往往与特定气体的分子结构和化学性质有关,因此,对应的波长范围可以作为气体物质的气体识别特征波长。通过识别气体的气体识别特征波长,有助于更准确的分析气体物质成分。
对于各像元的未知气体序列,以未知气体序列中的各元素为起点,构建各元素的局部窗口,其中窗口长度为,实施者可根据实际情况自行设定,本实施例对此不做限制,将局部窗口内的所有元素作为未知气体序列中各元素的气体分离序列,记为/>,各像元的各波长的气体表征特性值的表达式为:
式中,为r像元的第i个波长的气体表征特性值,/>表示r像元的第i个波长的反射率;/>表示r像元的第i个波长对应气体分离序列所有元素的均值,/>表示r像元的第i个波长对应的气体分离序列,/>、/>分别表示取最大值、最小值函数,/>表示以自然常数为底数的指数函数,/>表示r像元的第i个波长对应气体分离序列中元素的数量,表示r像元的第i个波长对应气体分离序列中不同元素的数量。
当像元存在波长的吸收或反射特性相较于其他波长有显著区别,则表示该波长能够最大程度的反映像元对应气体物质的成分信息,当气体分离序列内部的波动越大,的值越大,/>的值也越大,使得计算的气体表征特性值/>的值也越大。
气体识别特征波长与其他波长之间存在较大的区别,气体识别特征波长处的反射率会出现明显的峰值或谷值,且气体识别特征波长更具有识别的特性,因为每种气体分子对不同的波长具有特定的吸收与反射,在气体识别特征波长处的响应更为剧烈,变化更为明显。
针对各像元的未知气体序列,分别计算各波长的反射率与前一个波长、后一个波长的反射率的差值,将两个差值的均值作为各波长的变异分值,将所有波长的变异分值作为OTSU算法的输入,输出为分割阈值,将变异分值大于分割阈值的波长标记为1,将变异分值小于等于分割阈值的波长标记为0,统计各波长的前一个波长、后一个波长被标记为1的数量,作为各像元的各波长的变异区分值,变异区分值的值域为0、1、2,OTSU算法为现有公知技术,本实施例在此不做详细赘述。
基于上述分析,为了表征波长的识别特征值,计算各像元的各波长的气体识别系数,表达式为:
式中,为r像元的第i个波长的气体识别系数,/>表示采集的波长数量,/>、分别表示r像元的第j个、第i个波长的气体表征特性值,/>表示r像元的第i个波长的变异区分值,/>表示余弦相似度函数,/>,/>分别表示r像元的第i个、第j个波长对应的气体分离序列,/>表示预设大于0的参数调节因子,防止分母为0,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制。
当像元的波长越有可能是具有高度识别特性的波长时,在光谱响应上的特点越发突出,表明波长在气体分离序列中表现出强烈的变异趋势,使得波长处的反射率变化明显,波长的变异区分值的值越大;与此同时,波长对应的气体分离序列与其他波长的气体分离序列在形态和变化趋势上有较大差异,故两个序列计算的余弦相似度/>越小,因此计算的波长的气体识别系数/>越大。
为了提取具有较高气体识别系数的波长,本实施例采用K-means算法对波长进行分类,但由于K-means算法的计算精度受到聚类中心的影响。因此,将各像元的所有波长的气体识别系数按波长升序排列作为各像元的气体识别系数序列,计算气体识别系数序列中任一元素与其他各元素的欧式距离,计算欧式距离与对应元素的序号的比值,将任一元素与其他所有元素的所述比值升序排列作为任一元素的邻近密度序列,其中,元素的序号即为元素在气体识别系数序列中的位置排序;
针对气体识别系数序列中所有元素的邻近密度序列,将邻近密度序列中相同位置的所有元素作为各密度集合,即将所有邻近密度序列中第一个元素作为一个密度集合,所有邻近密度序列中第二个元素作为一个密度集合,以此类推,获取各个密度集合,将各密度集合中的所有元素作为于LOF算法的输入,输出为各密度集合中各元素的离群因子,将离群因子大于预设阈值TR的元素从对应的密度集合中删除,计算各密度集合中剩余所有元素的均值,将均值最大值对应的密度集合作为各像元的最优密度值序列,记为Dss,本实施例中TR=1.1,实施者可根据实际情况自行设定,本实施例对此不做限制,LOF算法为现有公知技术,具体过程不再赘述。
以最优密度值序列Dss中的最大值作为第一初始聚类中心,第二初始聚类中心与第一初始聚类中心具有高度相关性,第二初始聚类中心同样具有较高的密度,代表着潜在的另一个密集数据区域的中心。因此,以r像元的最优密度值序列为例,将最优密度值序列的最大值元素作为第一初始聚类中心,计算最优密度值序列中各元素与第一初始聚类中心的欧式距离,记为第一欧式距离,将第一欧式距离的最大值记为,计算最优密度值序列中任一元素与其他各元素的欧式距离,记为第二欧式距离,将最优密度值序列中所有元素的第二欧式距离的最大值记为/>,将第二欧式距离的最大值对应的两个元素依次记为元素A、元素B;
由此,计算r像元的最优密度值序列中第x个元素的第二初始聚类中心可信真实度,表达式为:
式中,表示以自然常数为底数的指数函数,/>表示r像元的最优密度值序列中第x个元素,/>、/>分别表示取最大值、最小值函数,/>表示r像元的最优密度值序列中第x个元素与第一初始聚类中心的欧式距离,/>、/>分别表示r像元的最优密度值序列中第x个元素与元素A、元素B的欧式距离,/>表示r像元的最优密度值序列中第一初始聚类中心的数值,/>表示预设大于0的调参系数,防止分母为零,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制。
当最优密度值序列Dss中的值越大,代表越有可能被选中为第二初始聚类中心,聚类中心应当位于数据空间中最稠密的区域,因此采用进行计算增加权重;当第x个元素距离元素A与元素B越近时,表明第x个元素可能位于离群区域或是处于边界区域,降低了第x个元素作为第二初始聚类中心的可行性,即当/>越小;距离第一聚类中心越远代表第x个元素越有可能是第二初始聚类中心,但过度远离也可能意味着第x个元素是一个离群点或处于另一个独立的低密度区域,因此采用/>作为阈值对距离进行判断;当第x个元素值与第一初始聚类中心的值越接近表明第x个元素在密度层面与已知聚类中心相近,更有可能代表一个新的聚类中心,即/>越小。因此当/>越大,代表第x个元素越有可能为第二初始聚类中心。
将最优密度值序列中第二初始聚类中心可信真实度最大的元素作为第二初始聚类中心,将第一、第二初始聚类中心作为K-means算法的初始聚类中心对K-means算法进行改进,将最优密度值序列Dss作为K-means算法的输入,输出结果为两个聚类簇。K-means聚类算法为现有公知技术,具体过程不再赘述。
步骤S003,根据聚类结果得到各像元的特征波长序列,根据各像元的特征波长序列与标准气体光谱的比对结果对各像元的气体物质进行分析。
针对各像元的最优密度值序列中的两个聚类簇,分别计算两个聚类簇中所有元素的均值,计算均值最大值对应的聚类簇中各元素与所述均值最大值的差值绝对值,将所述差值绝对值大于的元素从均值最大值对应的聚类簇中剔除,将均值最大值对应的聚类簇中剩余的所有元素对应的波长升序排列作为各像元的特征波长序列,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制,将特征波长序列中各波长对应的反射率按特征波长序列排序,得到各像元的特征波长反射率序列V。
获取数据库中各类气体的标准气体光谱数据,计算各像元的特征波长反射率序列V与各类气体的标准气体光谱数据的余弦相似度,将余弦相似度大于划分阈值T的标准气体光谱数据对应的气体作为各像元的物质成分,本实施例中T=0.9,实施者可根据实际情况自行设定,本实施例对此不做限制。
基于与上述方法相同的发明构思,本发明实施例还提供了一种环境空气恶臭物质在线分析系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种环境空气恶臭物质在线分析方法中任意一项所述方法的步骤。
综上所述,本发明实施例通过分析波长的局部特征计算各波长的气体表征特性值,减少了非目标气体成分及环境噪声等因素带来的干扰,提高识别气体种类的准确性;计算各波长的气体识别系数,通过气体识别系数得到最优密度值序列;计算K-means聚类算法的初始聚类中心,确保了聚类中心之间的分散性,有助于得到符合气体特征的聚类结构,使得气体物质分析结果的精度更高、效果更好。
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。且上述对本说明书特定实施例进行了描述。另外,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种环境空气恶臭物质在线分析方法,其特征在于,该方法包括以下步骤:
采集环境未知气体的高光谱图像数据;将各像元在所有波长下的反射率作为各像元的未知气体序列;以未知气体序列中各元素为起点获取各元素的预设窗口,将预设窗口内的所有元素作为未知气体序列中各元素的气体分离序列;根据气体分离序列中元素的最值差异得到各像元的各波长的气体表征特性值;
根据各像元的未知气体序列中各元素与相邻元素的差异得到各像元的各波长的变异区分值;结合各像元的各波长的气体表征特性值与变异区分值得到各像元的各波长的气体识别系数;根据各像元的任一波长的气体识别系数与其他波长的气体识别系数的差异得到各像元的最优密度值序列;
根据各像元的最优密度值序列中元素的分布特征得到各像元的第二初始聚类中心可信真实度,结合K-means聚类算法对各像元的最优密度值序列进行聚类;根据聚类结果得到各像元的特征波长序列;根据各像元的特征波长序列与标准气体光谱的比对结果完成各像元的物质分析。
2.根据权利要求1所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述根据气体分离序列中元素的最值差异得到各像元的各波长的气体表征特性值,表达式为:
式中,为r像元的第i个波长的气体表征特性值,/>表示r像元的第i个波长的反射率;/>表示r像元的第i个波长对应气体分离序列所有元素的均值,/>表示r像元的第i个波长对应的气体分离序列,/>、/>分别表示取最大值、最小值函数,/>表示以自然常数为底数的指数函数,/>表示r像元的第i个波长对应气体分离序列中元素的数量,/>表示r像元的第i个波长对应气体分离序列中不同元素的数量。
3.根据权利要求1所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述根据各像元的未知气体序列中各元素与相邻元素的差异得到各像元的各波长的变异区分值,包括:
针对各像元的未知气体序列,分别计算各波长的反射率与前一个波长、后一个波长的反射率的差值,将两个差值的均值作为各波长的变异分值,将所有波长的变异分值作为OTSU算法的输入,输出为分割阈值,将变异分值大于分割阈值的波长标记为1,将变异分值小于等于分割阈值的波长标记为0,统计各波长的前一个波长、后一个波长被标记为1的数量,将所述数量作为各像元的各波长的变异区分值。
4.根据权利要求1所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述结合各像元的各波长的气体表征特性值与变异区分值得到各像元的各波长的气体识别系数,表达式为:
式中,为r像元的第i个波长的气体识别系数,/>表示采集的波长数量,/>、/>分别表示r像元的第j个、第i个波长的气体表征特性值,/>表示r像元的第i个波长的变异区分值,/>表示余弦相似度函数,/>,/>分别表示r像元的第i个、第j个波长对应的气体分离序列,/>表示预设大于0的参数调节因子。
5.根据权利要求1所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述根据各像元的任一波长的气体识别系数与其他波长的气体识别系数的差异得到各像元的最优密度值序列,包括:
将各像元的所有波长的气体识别系数按波长升序排列作为各像元的气体识别系数序列,计算气体识别系数序列中任一元素与其他各元素的欧式距离,计算所述欧式距离与所述其他各元素的序号的比值,将所述任一元素与其他所有元素的所述比值升序排列作为所述任一元素的邻近密度序列;
针对气体识别系数序列中所有元素的邻近密度序列,将邻近密度序列中相同位置的所有元素作为各密度集合,将各密度集合中的所有元素作为于LOF算法的输入,输出为各密度集合中各元素的离群因子,将离群因子大于预设阈值的元素从对应的密度集合中删除,计算各密度集合中剩余所有元素的均值,将所述均值最大值对应的密度集合作为各像元的最优密度值序列。
6.根据权利要求1所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述根据各像元的最优密度值序列中元素的分布特征得到各像元的第二初始聚类中心可信真实度,包括:
针对r像元的最优密度值序列,将最优密度值序列的最大值元素作为第一初始聚类中心,计算最优密度值序列中各元素与所述第一初始聚类中心的欧式距离,记为第一欧式距离,将所述第一欧式距离的最大值记为,计算最优密度值序列中任一元素与其他各元素的欧式距离,记为第二欧式距离,将最优密度值序列中所有元素的所述第二欧式距离的最大值记为/>,将所述第二欧式距离的最大值对应的两个元素依次记为元素A、元素B;r像元的最优密度值序列中第x个元素的第二初始聚类中心可信真实度/>的表达式为:
式中,表示以自然常数为底数的指数函数,/>表示r像元的最优密度值序列中第x个元素,/>、/>分别表示取最大值、最小值函数,/>表示r像元的最优密度值序列中第x个元素与第一初始聚类中心的欧式距离,/>、/>分别表示r像元的最优密度值序列中第x个元素与元素A、元素B的欧式距离,/>表示r像元的最优密度值序列中第一初始聚类中心的数值,/>表示预设大于0的调参系数。
7.根据权利要求6所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述结合K-means聚类算法对各像元的最优密度值序列进行聚类,包括:
将各像元的最优密度值序列中第二初始聚类中心可信真实度最大值对应的元素作为第二初始聚类中心,将各像元的最优密度值序列及最优密度值序列的第一初始聚类中心、第二初始聚类中心作为K-means聚类算法的输入,输出为两个聚类簇。
8.根据权利要求7所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述根据聚类结果得到各像元的特征波长序列,包括:
计算各聚类簇所有元素的均值,计算均值最大值对应的聚类簇中各元素与所述均值最大值的差值绝对值,将所述差值绝对值大于预设数值的元素进行剔除,将均值最大值对应的聚类簇中剩余所有元素对应的波长升序排列作为各像元的特征波长序列。
9.根据权利要求1所述的一种环境空气恶臭物质在线分析方法,其特征在于,所述根据各像元的特征波长序列与标准气体光谱的比对结果完成各像元的物质分析,包括:
将各像元的特征波长序列中各波长对应的反射率按特征波长序列排序,作为各像元的特征波长反射率序列,计算各像元的特征波长反射率序列与各类气体的标准气体光谱数据的余弦相似度,将余弦相似度大于预设划分阈值的标准气体光谱数据对应的气体作为各像元的物质成分。
10.一种环境空气恶臭物质在线分析系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410375598.6A CN117969426B (zh) | 2024-03-29 | 2024-03-29 | 一种环境空气恶臭物质在线分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410375598.6A CN117969426B (zh) | 2024-03-29 | 2024-03-29 | 一种环境空气恶臭物质在线分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117969426A true CN117969426A (zh) | 2024-05-03 |
CN117969426B CN117969426B (zh) | 2024-06-28 |
Family
ID=90851786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410375598.6A Active CN117969426B (zh) | 2024-03-29 | 2024-03-29 | 一种环境空气恶臭物质在线分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117969426B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
US20120155735A1 (en) * | 2009-08-18 | 2012-06-21 | Mor Research Applications Ltd | System and method for analyzing imaging data |
CN113435291A (zh) * | 2021-06-22 | 2021-09-24 | 生态环境部华南环境科学研究所 | 一种排污口排查工作量核算方法、系统、装置及存储介质 |
CN113515847A (zh) * | 2021-05-12 | 2021-10-19 | 中国矿业大学 | 一种基于K-means聚类算法的非均质岩石数字岩芯建模方法 |
WO2022016884A1 (zh) * | 2020-07-22 | 2022-01-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
CN114663770A (zh) * | 2022-04-12 | 2022-06-24 | 聊城大学 | 一种基于集成聚类波段选择的高光谱图像分类方法及系统 |
CN115344996A (zh) * | 2022-08-01 | 2022-11-15 | 中国电力科学研究院有限公司 | 一种基于改进K-means算法的多特征量指标下风电典型场景构建方法及系统 |
US11790636B1 (en) * | 2023-02-07 | 2023-10-17 | Momentick Ltd | System and method for detection of gas in the atmosphere from a multispectral image |
CN116935082A (zh) * | 2023-09-11 | 2023-10-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于时间序列融合影像提取洪水水体的IK-means方法 |
CN117611470A (zh) * | 2024-01-18 | 2024-02-27 | 之江实验室 | 一种多时相红外图像融合方法、装置和介质 |
-
2024
- 2024-03-29 CN CN202410375598.6A patent/CN117969426B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
US20120155735A1 (en) * | 2009-08-18 | 2012-06-21 | Mor Research Applications Ltd | System and method for analyzing imaging data |
WO2022016884A1 (zh) * | 2020-07-22 | 2022-01-27 | 江苏科技大学 | 一种基于K-means聚类算法的海面风速方法 |
CN113515847A (zh) * | 2021-05-12 | 2021-10-19 | 中国矿业大学 | 一种基于K-means聚类算法的非均质岩石数字岩芯建模方法 |
CN113435291A (zh) * | 2021-06-22 | 2021-09-24 | 生态环境部华南环境科学研究所 | 一种排污口排查工作量核算方法、系统、装置及存储介质 |
CN114663770A (zh) * | 2022-04-12 | 2022-06-24 | 聊城大学 | 一种基于集成聚类波段选择的高光谱图像分类方法及系统 |
CN115344996A (zh) * | 2022-08-01 | 2022-11-15 | 中国电力科学研究院有限公司 | 一种基于改进K-means算法的多特征量指标下风电典型场景构建方法及系统 |
US11790636B1 (en) * | 2023-02-07 | 2023-10-17 | Momentick Ltd | System and method for detection of gas in the atmosphere from a multispectral image |
CN116935082A (zh) * | 2023-09-11 | 2023-10-24 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于时间序列融合影像提取洪水水体的IK-means方法 |
CN117611470A (zh) * | 2024-01-18 | 2024-02-27 | 之江实验室 | 一种多时相红外图像融合方法、装置和介质 |
Non-Patent Citations (3)
Title |
---|
刘春桐;马世欣;王浩;汪洋;李洪才;: "基于空间密度聚类的改进KRX高光谱异常检测", 光谱学与光谱分析, no. 06, 15 June 2019 (2019-06-15) * |
姜洪权;王岗;高建民;高智勇;高瑞琪;郭旗;: "一种适用于高维非线性特征数据的聚类算法及应用", 西安交通大学学报, no. 12, 27 August 2017 (2017-08-27) * |
袁周米琪;周坚华;: "自适应确定K-means算法的聚类数:以遥感图像聚类为例", 华东师范大学学报(自然科学版), no. 06, 25 November 2014 (2014-11-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117969426B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2001218164B2 (en) | Non-invasive in-vivo tissue classification using near-infrared measurements | |
CN103278464B (zh) | 鱼肉检测方法和装置 | |
CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
CN109870421B (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
CN113222062A (zh) | 烟叶分类的方法、装置和计算机可读取介质 | |
CN114781484A (zh) | 基于卷积神经网络的癌症血清sers光谱分类方法 | |
CN117969426B (zh) | 一种环境空气恶臭物质在线分析方法及系统 | |
Das et al. | Detection of diseases on visible part of plant—A review | |
CN112782115A (zh) | 一种基于近红外光谱检验卷烟感官特征一致性的方法 | |
CN112205990A (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
CN116510110A (zh) | 基于膀胱冲洗仪的液位数据分析及液位控制方法 | |
CN113066544B (zh) | 基于CAA-Net与LightGBM的FVEP特征点检测方法 | |
CN115359857A (zh) | 一种基于cart模型和优化rvflnn模型预测pm2.5浓度的方法 | |
CN115541531A (zh) | 基于二维相关光谱预测饲料中蛋白质含量的方法 | |
Sulaiman et al. | Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network | |
CN115060663B (zh) | 一种基于机器学习定量测试香蕉品质的方法 | |
CN116712035B (zh) | 基于CNN-PSO-BiLSTM睡眠分期方法及系统 | |
CN118277674B (zh) | 基于大数据分析的个性化影像内容推荐方法 | |
Baek et al. | Multi-choice wavelet thresholding based binary classification method | |
CN117224095B (zh) | 一种基于智能手表健康监测方法及系统 | |
CN117951610B (zh) | 基于特征数据分析的通信信号识别分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |