[发明专利]一种基于深度学习的混合气体光声光谱识别方法与装置

权利要求书

1.一种基于深度学习的混合气体光声光谱识别方法，其特征在于，包括如下步骤：

获取多张混合气体的光声光谱，记所述光声光谱为第一光声光谱；对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱；

根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值；

提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量；所述气体信息包括气体的浓度；

将所述第一光声光谱、所述多维向量分别作为样本和标签，构建样本数据集；利用所述样本数据集训练目标识别神经网络直至其误差低于阈值且趋于稳定，得到训练好的目标识别神经网络；

将待识别的光声光谱输入到训练好的目标识别神经网络中，得到所述光声光谱中的识别信息；所述识别信息包括混合气体的组分、吸收峰的最大吸收位置、深度和对称度。

2.根据权利要求1所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述对多张所述第一光声光谱依次进行傅里叶去卷积、双边滤波，得到多张第二光声光谱包括如下步骤：

对多张所述第一光声光谱中的重叠峰进行傅里叶去卷积;

对进行傅里叶去卷积后的多张所述第一光声光谱进行双边滤波，得到多张第二光声光谱；所述双边滤波的计算方法表示为：

，g(i,j)表示输出点；S(i,j)表示指以(i,j)为中心的(2N+1)(2N+1)的大小的范围；f(k,l)表示光声光谱的多个输入点；w(i,j,k,l)表示经过两个高斯函数计算出的值。

3.根据权利要求1所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述根据每张第二光声光谱中的重叠峰包含的单峰个数确定其导数的阶数，以使所述每张第二光声光谱的导数光声光谱中重叠峰的个数低于阈值包括如下步骤：

取初始导数的阶数为1，统计每张第二光声光谱中的每个重叠峰所包含的单峰数，对其中包含最多单峰的重叠峰求导：

若包含最多单峰的重叠峰经求导后得到的单峰的个数大于或等于阈值，将所述导数的阶数作为所述每张第二光声光谱的导数的阶数；

若包含最多单峰数的重叠峰经求导后得到的重叠峰的个数小于阈值，按步长为1，逐次提高导数的阶数，直至其经求导后得到的重叠峰的个数大于或等于阈值，将所述导数的阶数作为所述每张第二光声光谱的导数的阶数。

4.根据权利要求2或3所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息，并将其映射为多维向量包括如下步骤：

提取每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度和对应的气体信息；所述气体信息包括气体的浓度；

将每张第二光声光谱及其导数光声光谱中的每个波段的最大吸收位置、吸收深度、对称度作为为第一特征向量；对应的气体信息作为第二特征向量；

将所述第一特征向量与第二特征向量进行融合，并将其映射到多维向量中。

5.根据权利要求1所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述目标识别神经网络包括第一YOLO神经网络和第二YOLO神经网络，所述第一YOLO神经网络的全连接层与第二YOLO神经网络相互连接，

所述第一YOLO神经网络，用于识别混合气体的组分；

所述第二YOLO神经网络，用于识别吸收峰的最大吸收位置、深度和对称度。

6.根据权利要求5所述的基于深度学习的混合气体光声光谱识别方法，其特征在于，所述第二YOLO神经网络为YOLO V4神经网络。