[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

说明书

本发明涉及一种基于深度学习的混合气体光声光谱识别方法与装置，其方法包括：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；利用导数法对所述第二光声光谱进行分峰，然后提取每个波段的波形特征和气体特征信息；利用波形特征和气体信息构建多维向量，构建样本数据集；利用样本数据集训练目标识别神经网络，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，得到识别信息。本发明结合了传统滤波方法和导数法对重叠峰进行分峰，然后利用目标识别神经网络识别光声光谱，识别的速度快、成本低、稳定性好。

技术领域

本发明属于光声光谱的数据处理与深度学习领域，具体涉及一种基于深度学习的混合气体光声光谱识别方法与装置。

背景技术

光声光谱技术是一种新的简单、高检测灵敏度、高选择性、大动态范围、普适性强、而又不破坏样品的分析测试手段，该技术检测微量气体的方法与吸收光谱分析的方法不同，它是直接测量吸收的能量而非测量投射或反射光强，被认为是检测痕量气体的最佳工具之一，被广泛的应用在很多领域，其基本原理是光声效应。光声效应是1880年，美国科学家，贝尔电话公司的创始人Alexander Graham Bell（A.G.Be11）首先在固体中发现的光声转换现象。他发现当用太阳光断续地照射密闭容器中的试样时，容器内部会产生声波，这种现象被称之为“光声效应”。

对于每一种气体分子而言,都具有各自的吸收峰值,不同气体的吸收峰值也存在一定的差异,但在某些区域中,也会出现重叠吸收峰值的情况,在使用该波段的光进行气体的分析时,就会容易导致气体间交叉影响的发生。通常，为了规避吸收峰的重叠峰的问题和降低识别难度，通常利用频率调制装置或滤光片改变激发光源进入到不同的光声室。但这样带来了成本的提高和设备的稳定性的问题。

发明内容

为解决现有混合气体光声光谱的检测技术中混合气体的光声光谱中重叠峰识别难，以及现有识别方法的成本高和设备稳定性低的问题，本发明提供了一种基于深度学习的混合气体光声光谱识别方法，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、吸收深度和对称度。

在本发明的一些实施例中，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)代表输出点；S(i,j)的是指以(i,j)为中心的(2N+1)(2N+1)的大小的范围；f(k,l)代表光声光谱的多个输入点；w(i,j,k,l)代表经过两个高斯函数计算出的值。