CN211086175U - 一种仿生嗅觉采集识别系统 - Google Patents
一种仿生嗅觉采集识别系统 Download PDFInfo
- Publication number
- CN211086175U CN211086175U CN201921080632.8U CN201921080632U CN211086175U CN 211086175 U CN211086175 U CN 211086175U CN 201921080632 U CN201921080632 U CN 201921080632U CN 211086175 U CN211086175 U CN 211086175U
- Authority
- CN
- China
- Prior art keywords
- gas
- local terminal
- information
- cloud server
- collecting
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本实用新型公开了一种仿生嗅觉采集识别系统,包括:气体采集装置,用于采集待测气体的气味信息;与气体采集装置连接的本地终端,用于接收气味信息,并将气味信息发送到云服务器;与本地终端连接的云服务器,用于对气味信息进行气味识别,获取识别结果,并将识别结果发送到本地终端;本实用新型利用云服务器进行快速准确的气味识别,减少或杜绝人为主观评定的差异;并且通过本地终端与云服务器之间的数据交互,使得本系统在使用空间上突破了物理距离的约束,降低了对本地终端的要求,有利于推广;相较于现有的本地终端,云服务器计算速度更快且存储空间更大,为以后建立气味特征信息数据库提供良好的硬件支撑。
Description
技术领域
本实用新型涉及仿生嗅觉技术领域,特别涉及一种仿生嗅觉采集识别系统。
背景技术
在人类活动中,常常需要判定、辨别和分析物质的气味。例如对咖啡、烟草、香水等商品其气味信息品质的评价;对生活环境中各种易燃、易爆、有毒的气体的检测等。传统的判定模式主要是嗅辨员评定和化学分析方法相结合。嗅辨员评定方法需要对从业人员进行专业的培训后才能上岗,这无疑增加了成本;其次人工评价方法受人的个体差异、生理、经验、情绪、环境等主客观因素的影响,缺乏客观性和标准性;且人的感官容易疲劳、适应和习惯,久而久之导致人对特定气味敏感度丧失,从而影响评定结果的准确程度。化学分析方法所需时间较长,检测仪器体积较大,便携性差。因而开发出能长时间工作、能识别多种气体并且能够给出气体浓度和成分等客观指标的嗅觉识别系统就变得十分必要。
仿生嗅觉技术有效解决了对不易嗅到的挥发性物质的判断和分析问题。相比于传统的气味分析技术,如气相色谱法(GasChromatography,GC)、质谱法(MassSpectroscopy,MS)、火焰离子化检测(FlameIonizationDetection,FID)等,仿生嗅觉系统凭借快捷、简便和经济等优点,在医疗、食品加工和环境检测等领域已经得到了广泛的应用。
现有技术中,仿生嗅觉技术在气味识别应用中,气味信息的采集主要是通过前端的气敏传感器阵列来完成,而气味信息的预处理与模式识别主要是在本地终端(如计算机)来实现的。这使得整个识别过程只能在本地终端进行,应用场景较为局限,并且对本地终端的要求较高,不利于推广。因此,如何能够更好的利用仿生嗅觉技术对气体的气味进行自动识别,减少或杜绝人为主观评定的差异,扩展气味识别的应用场景,降低对本地终端的要求,是现今急需解决的问题。
实用新型内容
本实用新型的目的是提供一种仿生嗅觉采集识别系统,以利用云服务器进行快速准确的气味识别,减少或杜绝人为主观评定的差异,扩展气味识别的应用场景,降低对本地终端的要求,有利于推广。
为解决上述技术问题,本实用新型提供一种仿生嗅觉采集识别系统,包括:
气体采集装置,用于采集待测气体的气味信息;
与所述气体采集装置连接的本地终端,用于接收所述气味信息,并将所述气味信息发送到云服务器;
与所述本地终端连接的所述云服务器,用于对所述气味信息进行气味识别,获取识别结果,并将所述识别结果发送到所述本地终端。
可选的,所述本地终端与所述云服务器之间通过IPV6连接。
可选的,所述气体采集装置与所述本地终端之间通过蓝牙连接。
可选的,所述气体采集装置与所述本地终端之间通过串口连接。
可选的,所述气体采集装置,包括:
传感器阵列,用于检测所述待测气体的原始气味信息;
与所述传感器阵列连接的滤波与A/D转换电路,用于对所述原始气味信息进行滤波和A/D转换,得到所述气味信息;
与所述滤波与A/D转换电路连接的核心控制芯片,用于对所述气味信息进行处理和打包,发送给所述本地终端。
可选的,所述气体采集装置,所述传感器阵列设置有10个气体传感器。
可选的,所述气体采集装置,还包括:
抽气装置,用于抽取和混合所述待测气体;
过滤装置,用于过滤所述抽气装置输出的所述待测气体中的杂质。
可选的,所述抽气装置包括第一风扇和第二风扇;其中,所述第一风扇用于运转时抽取和混合所述待测气体,并将所述待测气体输出到过滤装置;所述第二风扇用于排除用于运转时排出所述待测气体。
本实用新型所提供的一种仿生嗅觉采集识别系统,包括:气体采集装置,用于采集待测气体的气味信息;其中,气味信息为数字信号;与气体采集装置连接的本地终端,用于接收气味信息,并将气味信息发送到云服务器;与本地终端连接的云服务器,用于对气味信息进行气味识别,获取识别结果,并将识别结果发送到本地终端;
可见,本实用新型利用云服务器进行快速准确的气味识别,减少或杜绝人为主观评定的差异;并且通过本地终端与云服务器之间的数据交互,使得本系统在使用空间上突破了物理距离的约束,扩展了气味识别的应用场景,降低对本地终端的要求,有利于推广;而且相较于现有的本地终端,云服务器计算速度更快且存储空间更大,可以为以后建立气味特征信息数据库提供良好的硬件支撑。
附图说明
为了更清楚地说明本实用新型实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本实用新型的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本实用新型实施例所提供的一种仿生嗅觉采集识别系统的结构框图;
图2为本实用新型实施例所提供的一种气体采集装置的气味信息检测过程的示意图;
图3为本实用新型实施例所提供的一种滤波与A/D转换电路的电路示意图;
图4为本实用新型实施例所提供的一种核心控制芯片的电路示意图;
图5为本实用新型实施例所提供的一种电源电路的电路示意图;
图6为本实用新型实施例所提供的一种气味识别流程的示意图;
图7为本实用新型实施例所提供的一种BP神经网络模型的示意图。
具体实施方式
为使本实用新型实施例的目的、技术方案和优点更加清楚,下面将结合本实用新型实施例中的附图,对本实用新型实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本实用新型一部分实施例,而不是全部的实施例。基于本实用新型中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本实用新型保护的范围。
请参考图1,图1为本实用新型实施例所提供的一种仿生嗅觉采集识别系统的结构框图。该系统可以包括:
气体采集装置10,用于采集待测气体的气味信息;
与气体采集装置10连接的本地终端20,用于接收气味信息,并将气味信息发送到云服务器;
与本地终端30连接的云服务器30,用于对气味信息进行气味识别,获取识别结果,并将识别结果发送到本地终端。
其中,本实施例中的气体采集装置10可以为采集待测气体进行气味识别所需的数据(气味信息)的装置。对于气体采集装置10的具体装置结构,可以由设计人员根据实用场景和用户需求自行设置,如气体采集装置10可以包括:传感器阵列,用于检测待测气体的原始气味信息;与传感器阵列连接的滤波与A/D转换电路,用于对原始气味信息进行滤波和A/D转换,得到气味信息;与滤波与A/D转换电路连接的核心控制芯片,用于对气味信息进行处理和打包,发送给本地终端。对应的,如图2所示,气体采集装置10还可以包括用于抽取和混合待测气体的抽气装置和用于过滤抽气装置输出的待测气体中的杂质的过滤装置,以保证传感器阵列可以检测到待测气体的原始气味信息。只要气体采集装置10可以采集到待测气体进行气味识别所需的数字信号形式的气味信息,本实施例对此不做任何限制。
具体的,如图2所示,抽气室中的抽气装置可以抽取和混合待测气体,并将其输出到过滤装置。对于抽气装置的具体结构,可以由设计人员自行设置,如抽气装置可以第一风扇和第二风扇;其中,第一风扇用于运转时抽取和混合待测气体,并将待测气体输出到过滤装置;第二风扇用于排除用于运转时排出待测气体。如抽气装置可以由两个风扇构成,一个风扇运转时实现气体快速混合,另一个风扇运转时实现传感器阵列检测结束后的快速洗气。
过滤装置可以对抽气装置输出的待测气体进行过滤,即过滤掉待测气体中的杂质,从而将过滤后的待测气体输出到气体采集室中给传感器阵列检测。如过滤装置可以为装有活性炭的装置,从而利用活性炭过滤掉待测气体中的杂质。
传感器阵列可以由预设数量的气体传感器组成,从而通过气体传感器对气体采集室内的待测气体的检测,生成对应的模拟信号形式的原始气味信息。对于传感器阵列中气体传感器的具体数量和类型,可以由设计人员自行设置,如传感器阵列可以由10个气体传感器组成,每个气体传感器可以分别对不同的气味有着不同的响应度;气体传感器可以采用灵敏度高、稳定性好且寿命长的气敏金属氧化物传感器,利用气敏金属氧化物传感器组成的传感器阵列模拟人体嗅觉细胞来检测待测气体。
由于传感器阵列采集的原始气味信息是模拟信号,其中必然含有一些干扰噪声信号,因此可以通过滤波与A/D转换电路的设置,过滤掉原始气味信息中的干扰噪声信号,并通过A/D转换将过滤后的原始气味信息(模拟信号)转换为气味信息(数字信号),实现气味信息的数字化传输。具体的,对于滤波与A/D转换电路的具体电路结构,可以由设计人员自行设置,如可以采用图3所示的电路,只要滤波与A/D转换电路可以对传感器阵列采集的原始气味信息进行滤波和A/D转换,本实施例对此不做任何限制。
核心控制芯片可以为对采集的气味信息(气味数据)进行处理和打包的处理器,以保证气味信息可以通过串口或蓝牙发送到本地终端20。对于核心控制芯片的具体类型和电路结构,可以由设计人员自行设置,如图4所示,核心控制芯片可以采用STM8S103F3控制芯片。对应的,气体采集装置10还可以设置有串口装置(如图2中的串口模块)和/或蓝牙装置,以保证核心控制芯片可以将打包后的气味信息通过串口装置和/或蓝牙装置发送给本地终端20。即气体采集装置10与本地终端20之间可以通过串口和/或蓝牙连接。
进一步的,气体采集装置10还可以设置有电源电路,用于为气体采集装置10供电。如图5所示,电源电路可以通过稳压芯片得到稳定的直流电源,从而为气体采集装置10供电。
可以理解的是,本实施例的目的可以为以分别与气体采集装置10和云服务器30相连的本地终端20为桥梁,通过本地终端20将气体采集装置10采集的被测气体的气味信息发送到远程的云服务器30,并且接收云服务器30返回的识别结果。对于本实施例中的本地终端20的具体装置类型,可以由设计人员自行设置,如可以为计算机,也可以为手机。本实施例对此不做任何限制。
具体的,对于本实施例中本地终端20与云服务器30的具体连接方式,可以由设计人员自行设置,如本地终端20可以通过基于IPV4的网络协议与云服务器30进行通讯,即本地终端20与云服务器30之间通过IPV4连接;本地终端20也可以通过基于IPV6的网络协议与云服务器30进行通讯,以保证数据传输的速度和安全性,即本地终端20与云服务器30之间通过IPV6连接,本实施例对此不做任何限制。
对应的,本地终端20上可以设置有用于与气体采集装置10和云服务器30通讯的程序,以保证程序运行过程中本地终端20可以将气体采集装置10采集的气味信息发送到云服务器30。对于本地终端20上设置的程序的具体内容和运行过程,可以由设计人员自行设置,如可以采用与现有的数据传输方法相同或相似的方式实现。例如本地终端20上程序可以采用C语言实现,当本地终端20与气体采集装置10通过串口连接,且与云服务器30通过IPV6连接时,本地终端20在运行该程序的过程中可以先打开气体采集装置10发送的包含气味数据(气味信息)的串口设备文件;再根据串口通信协议设置波特率、数据位、停止位和校验位;然后将串口设备文件中的气味数据保存在内存缓冲区buff中;最后根据TCP(传输控制协议)与IPV6等等相关的网络通信协议,调用对应的函数接口,将内存缓冲区buff中的气味数据发送到云服务器30。只要保证本地终端20可以将气体采集装置10采集的气味信息发送到云服务器30,本实施例对此不做任何限制。
需要说明的是,本实施例中利用云服务器30根据本地终端20发送的气味信息进行气味识别,即云服务器30可以利用预设识别算法对气味信息进行气味识别,得到识别结果。
对应的,对于本实施例中云服务器30根据气味信息进行气味识别的具体方式,即预设识别算法的具体选择,可以由设计人员自行设置,如可以采用与现有的线性分类方法进行气味识别,如采用k-近邻法、聚类分析发、判别分析法或主元分析法等;也可以采用基于神经网络基础上的非线性分类方法,如采用BP神经网络、概率神经网、自组织映射、学习向量量化、自适应共振网或遗传算法等。只要云服务器30可以根据气味信息进行气味识别,本实施例对此不做任何限制。
具体的,云服务器30上可以设置基于BP神经网络的预设识别算法,在云服务器安装Matlab运行环境;同时设置一个接口程序用来接收本地终端20发送的气味数据(气味信息),然后再调用Matlab算法进行气味识别。基于BP神经网络的理论得到如图6所示的气味识别流程,从而可以构建一个如图7所示的基本的BP神经网络模型。
由于BP神经网络必须通过训练才能使它具有联想记忆与预测的能力。可以采用如下步骤训练BP神经网络:
S101:计算样本(训练样本)的特征值。
例如气体采集装置10中的传感器阵列包括了10个气体传感器,当每采集一次样本数据时,每一个传感器输出120个数值。本步骤可以将这120个数值的方差、均值和中位数计算出来,这3个数值作为的特征值。
S102:网络初始化。
由步骤S101可知每次样本可得30个特征值,这30个特征值就是每次训练的输入。假设现在只对4种气体样本进行训练,分别用00、01、10和11二进制作为输出标签。根据输入输出序(X,Y)确定输入的个数n,隐含层节点数l,输出层节点数m,初始化输入层,隐含层和输出层的权值wij和wjk,,初始化隐含层阈值a,输出层阈值b。
S103:隐含层输出计算。
可以利用如下公式:
S104:输出层输出计算。
可以根据隐含层输出H,通过如下公式计算BP神经网络的预测输出O:
其中,bk可以为第k个隐含层节点的输出层阈值。
S105:计算误差。
可以预测输出O与期望输出Y,通过如下公式计算误差e:
ek=Yk-Ok,k=1,2,...,m。
S106:权值更新。
可以根据误差e,通过如下公式更新权值wij和wjk:
wjk=wjk+ηHjek,j=1,2,...,l,k=1,2,...,m;
其中,η可以为预设的学习效率。
S107:更新阈值。
可以根据误差e,通过如下公式更新节点阈值a和b。
bk=bk+ek,k=1,2,...,m。
S108:判断算法迭代是否结束;若否,返回步骤S103。
需要说明的是,云服务器30可以将接收的气体数据(气味信息)作为输入,输入到训练好的BP神经网络中,最后识别结果;如可以首先通过上述步骤S101计算气体数据的特征值,由于经过了训练样本的训练,所以现在的BP神经网络输出误差e已经很小,从而可以输出准确的识别结果。
对应的,云服务器30可以将对气味信息进行气味识别得到的识别结果发送到本地终端20,以告知用户识别结果。如采用成熟且识别速度相对较快的BP神经网络对本地终端20通过IPV6网络协议发送的气味信息进行气味识别时,可以使气味采集、传输和识别的总时间在2分钟之内,从而大大提高了气体识别效率。
本实施例中,本实用新型实施例利用云服务器30进行快速准确的气味识别,减少或杜绝人为主观评定的差异;并且通过本地终端20与云服务器30之间的数据交互,使得本系统在使用空间上突破了物理距离的约束,扩展了气味识别的应用场景,降低对本地终端20的要求,有利于推广;而且相较于现有的本地终端,云服务器30计算速度更快且存储空间更大,可以为以后建立气味特征信息数据库提供良好的硬件支撑。
以上对本实用新型所提供的仿生嗅觉采集识别系统进行了详细介绍。本文中应用了具体个例对本实用新型的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本实用新型的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本实用新型原理的前提下,还可以对本实用新型进行若干改进和修饰,这些改进和修饰也落入本实用新型权利要求的保护范围内。
Claims (7)
1.一种仿生嗅觉采集识别系统,其特征在于,包括:
气体采集装置,用于采集待测气体的气味信息;
与所述气体采集装置连接的本地终端,用于接收所述气味信息,并将所述气味信息发送到云服务器;
与所述本地终端连接的所述云服务器,用于对所述气味信息进行气味识别,获取识别结果,并将所述识别结果发送到所述本地终端;
所述气体采集装置,包括:
传感器阵列,用于检测所述待测气体的原始气味信息;
与所述传感器阵列连接的滤波与A/D转换电路,用于对所述原始气味信息进行滤波和A/D转换,得到所述气味信息;
与所述滤波与A/D转换电路连接的核心控制芯片,用于对所述气味信息进行处理和打包,发送给所述本地终端。
2.根据权利要求1所述的仿生嗅觉采集识别系统,其特征在于,所述本地终端与所述云服务器之间通过IPV6连接。
3.根据权利要求1所述的仿生嗅觉采集识别系统,其特征在于,所述气体采集装置与所述本地终端之间通过蓝牙连接。
4.根据权利要求1所述的仿生嗅觉采集识别系统,其特征在于,所述气体采集装置与所述本地终端之间通过串口连接。
5.根据权利要求1所述的仿生嗅觉采集识别系统,其特征在于,所述气体采集装置,所述传感器阵列设置有10个气体传感器。
6.根据权利要求1所述的仿生嗅觉采集识别系统,其特征在于,所述气体采集装置,还包括:
抽气装置,用于抽取和混合所述待测气体;
过滤装置,用于过滤所述抽气装置输出的所述待测气体中的杂质。
7.根据权利要求6所述的仿生嗅觉采集识别系统,其特征在于,所述抽气装置包括第一风扇和第二风扇;其中,所述第一风扇用于运转时抽取和混合所述待测气体,并将所述待测气体输出到过滤装置;所述第二风扇用于排除用于运转时排出所述待测气体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201921080632.8U CN211086175U (zh) | 2019-07-10 | 2019-07-10 | 一种仿生嗅觉采集识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201921080632.8U CN211086175U (zh) | 2019-07-10 | 2019-07-10 | 一种仿生嗅觉采集识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN211086175U true CN211086175U (zh) | 2020-07-24 |
Family
ID=71647031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201921080632.8U Expired - Fee Related CN211086175U (zh) | 2019-07-10 | 2019-07-10 | 一种仿生嗅觉采集识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN211086175U (zh) |
-
2019
- 2019-07-10 CN CN201921080632.8U patent/CN211086175U/zh not_active Expired - Fee Related
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399221B (zh) | 基于大数据关联分析的室内电气设备分类识别方法与系统 | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN106503458A (zh) | 一种地面气温数据质量控制方法 | |
CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
CN113777000B (zh) | 一种基于神经网络的粉尘浓度检测方法 | |
CN114553475A (zh) | 一种基于网络流量属性有向拓扑的网络攻击检测方法 | |
CN112233798B (zh) | 基于病理模式与注意力机制的可解释疾病风险分析系统 | |
CN109698798B (zh) | 一种应用的识别方法、装置、服务器和存储介质 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
CN103892830A (zh) | 一种基于人体皮肤电阻变化的情绪检测方法及系统 | |
CN115239209B (zh) | 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统 | |
CN115391670B (zh) | 一种基于知识图谱的互联网行为分析方法与系统 | |
CN111242276A (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
CN116386649A (zh) | 一种基于云边协同的野外鸟类监测系统和方法 | |
CN211086175U (zh) | 一种仿生嗅觉采集识别系统 | |
CN112269937B (zh) | 一种计算用户相似度的方法、系统及装置 | |
CN116896139B (zh) | 基于通信电源系统的新型bms系统 | |
CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
CN115398861A (zh) | 异常文件检测方法及相关产品 | |
CN113204332B (zh) | 智能家居设备控制程序生成系统及方法 | |
Tudu et al. | Comparison of multivariate normalization techniques as applied to electronic nose based pattern classification for black tea | |
CN112487991B (zh) | 一种基于特征自学习的高精度负荷辨识方法及系统 | |
CN114492994A (zh) | 一种基于电力大数据的电力信息处理系统、方法及装置 | |
CN108668265B (zh) | 基于循环神经网络预测移动用户间相遇概率的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200724 Termination date: 20210710 |
|
CF01 | Termination of patent right due to non-payment of annual fee |