[發明專利]基于深度學習與氣體光聲效應的光聲光譜識別方法與裝置

有效

• 申請號: 202110397367.1
• 申請日: 2021-04-13
• 公開（公告）號: CN113111944B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 文剛;代犇;李俊逸;黃杰;易國華
• 申請（專利權）人: 湖北鑫英泰系統技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G01N21/17
• 代理公司: 武漢藍寶石專利代理事務所(特殊普通合伙) 42242
• 代理人: 嚴超

1.基于深度學習與氣體光聲效應的光聲光譜識別方法，其特征在于，包括如下步驟：

利用光聲效應和混合氣體的光聲光譜獲取其對應的混合光聲聲譜；

提取所述混合光聲聲譜的時域特征、頻域特征、時頻域特征；所述時域特征包括吸收波形、基音周期、短時平均過零率和短時平均能量；所述頻域特征包括頻率質心、帶寬、基音周期、共振峰、線性預測倒譜系數、梅爾頻率倒譜系數；所述時頻域特征包括投影特征、直方圖方差特征；

利用主成分分析法將所述時域特征、頻域特征、時頻域特征進行降維并映射到多維向量中；

將所述多維向量、氣體的濃度分別作為樣本和標簽，構建樣本數據集；利用樣本數據集訓練時域卷積神經網絡，直至所述時域卷積神經網絡的誤差低于閾值且趨于穩定，得到訓練好的時域卷積神經網絡；

將待識別的混合光聲聲譜輸入到時域卷積神經網絡中，識別出所述待識別的混合光聲聲譜所表征的混合光聲光譜的氣體的濃度。

2.根據權利要求1所述的基于深度學習與氣體光聲效應的光聲光譜識別方法，其特征在于，所述利用光聲效應和混合氣體的光聲光譜獲取其對應的混合光聲聲譜包括如下步驟：

獲取多張氣體的光聲信號頻譜圖；

對每張頻譜圖依次進行分幀、加窗，對每一幀經過分幀、加窗后的頻譜圖做短時傅里葉變換，得到每一幀的變換圖像；

將所述每一幀的變換圖像按時域維度融合，得到每張頻譜圖的混合光聲聲譜。

3.根據權利要求1所述的基于深度學習與氣體光聲效應的光聲光譜識別方法，其特征在于，所述利用主成分分析法將所述時域特征、頻域特征、時頻域特征進行降維并映射到多維向量中包括如下步驟：

利用主成分分析法分別將時域特征、頻域特征、時頻域特征進行降維，得到第一特征向量、第二特征向量、第三特征向量；

將所述第一特征向量、第二特征向量、第三特征向量融合并映射到多維向量中。

4.根據權利要求1所述的基于深度學習與氣體光聲效應的光聲光譜識別方法，其特征在于，所述時域卷積神經網絡包括輸入層和多個殘差模塊層，每個殘差模塊層包括dropout層、ReLU激活層。

5.根據權利要求4所述的基于深度學習與氣體光聲效應的光聲光譜識別方法，其特征在于，所述每個殘差模塊層還包括正則權重層。

6.根據權利要求1所述的基于深度學習與氣體光聲效應的光聲光譜識別方法，其特征在于，所述氣體至少包括氫氣、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧氣或氮氣中的一種。

7.一種基于深度學習與氣體光聲效應的光聲光譜識別裝置，其特征在于，包括獲取模塊、提取模塊、映射模塊、訓練模塊、識別模塊，

所述獲取模塊，用于利用光聲效應和混合氣體的光聲光譜獲取其對應的混合光聲聲譜；

所述提取模塊，用于提取所述混合光聲聲譜的時域特征、頻域特征、時頻域特征；所述時域特征包括吸收波形、基音周期、短時平均過零率和短時平均能量；所述頻域特征包括頻率質心、帶寬、基音周期、共振峰、線性預測倒譜系數、梅爾頻率倒譜系數；所述時頻域特征包括投影特征、直方圖方差特征；

所述映射模塊，用于利用主成分分析法將所述時域特征、頻域特征、時頻域特征進行降維并映射到多維向量中；

所述訓練模塊，用于將所述多維向量、氣體的濃度分別作為樣本和標簽，構建樣本數據集；利用樣本數據集訓練時域卷積神經網絡，直至所述時域卷積神經網絡的誤差低于閾值且趨于穩定，得到訓練好的時域卷積神經網絡；

所述識別模塊，用于將待識別的混合光聲聲譜輸入到時域卷積神經網絡中，識別出所述待識別的混合光聲聲譜所表征的混合光聲光譜的氣體的濃度。

8.根據權利要求7所述的基于深度學習與氣體光聲效應的光聲光譜識別裝置，其特征在于，所述映射模塊包括降維模塊、融合模塊，

所述降維模塊，用于利用主成分分析法分別將時域特征、頻域特征、時頻域特征進行降維，得到第一特征向量、第二特征向量、第三特征向量；

所述融合模塊，用于將所述第一特征向量、第二特征向量、第三特征向量融合并映射到多維向量中。