液体识别方法、特征提取方法、液体识别装置及存储装置与流程

本申请涉及液体识别领域，特别是涉及一种液体识别方法、特征提取方法、液体识别装置及存储装置。

背景技术：

为了消除易燃易爆液体在机场、地铁站、火车站等公共场所引起的安全隐患以及满足快速、准确、无损的检测要求，公安机关迫切需要更加先进的技术来进行安检，已有的非损伤性检测技术主要有拉曼光谱法、x射线法和微波法，但是其检测的设备庞大，且价格昂贵。

太赫兹时域光谱(terahertztime-domainspectroscopy,thz-tds)技术是一门相对较新的相干探测技术，已被广泛用于航空航天、生物医学、物质检测、国土安全等领域。常见的thz-tds系统可分为两类：透射式和反射式。利用透射式thz-tds技术测量各类物质的透射谱，提取光学参数，用于物质识别的工作已相对较多，且技术和算法也较为成熟。然而透射式配置需要和样品两端接触，对液体特别是在太赫兹波段具有很强吸收的极性液体，透射式thz-tds技术在实用性和通用性上遇到了很大的瓶颈。相对而言，反射式配置由于太赫兹波仅在容器内壁界面上和液体作用，在液体强吸收的问题上展现出了优越性。

技术实现要素：

本申请提供一种基于本申请涉及液体识别领域，特别是涉及一种液体识别方法、特征提取方法、液体识别装置及存储装置。能够解决现有技术中液体识别成本较高的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种液体识别方法，采集放置在容器中的待测液体的第一时域信号图谱；对所述第一时域信号图谱进行预处理获得第二时域信号图谱；对所述第二时域信号图谱进行特征处理以获得所述第二时域信号图谱的主特征向量；将所述主特征向量输入预设分类器进行分类；获取所述预设分类器分类结果，以得到所述待检测液体的类型。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种液体的特征提取方法，包括采集液体的第一时域信号图谱；对所述第一时域信号图谱进行预处理获得第二时域信号图谱；对所述第二时域信号图谱进行特征处理以获得所述第二时域信号图谱的特征向量；其中，所述特征向量为上述的主特征向量。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种液体识别装置，该装置包括处理器、存储器以及太赫兹收发器，所述处理器连接所述存储器与所述太赫兹收发器；其中，所述太赫兹收发器用于采集放置在容器中的待测液体的第一时域信号图谱；所述处理器用于对所述第一时域信号图谱进行预处理获得第二时域信号图谱；对所述第二时域信号图谱进行特征处理以获得所述第二时域信号图谱的主特征向量；将所述主特征向量输入预设分类器进行分类；获取所述预设分类器分类结果，以得到所述待检测液体的类型。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种存储装置，包括能实现上述方法的程序文件。

本申请的有益效果是：区别于现有技术，本申请通过采集待测液体的采集待测液体的第一时域信号图谱，随后对第一时域信号图谱进行预处理与特征处理从而获取其主特征向量，并将主特征向量输入到预设分类器进行分类，从而获取待测液体的类型。通过利用不同液体的对太赫兹的反射性能不同，其得到的第一时域信号图谱也不同，从而提取出待测液体所对应的第一时域信号图谱的主特征向量，并提供预设分类器来对主特征向量进行识别计算，从而获得待测液体的类型，能够大大缩减成本，且识别速度高，识别准确率高。

附图说明

图1是本申请液体识别方法的第一实施方式的流程示意图；

图2是本申请液体识别方法中采集待测液体的时域图谱的示意图；

图3是本申请液体识别方法所采集的时域图谱的示意图；

图4是本申请液体识别方法的第二实施方式的流程示意图；

图5是本申请液体识别方法的第三实施方式的流程示意图；

图6是本申请液体特征提取方法的第一实施方式的流程示意图；

图7是本申请液体识别装置一实施方式的结构示意框图；

图8是本申请存储装置一实施方式的结构示意图。

实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请参阅图1，图1是本申请一种液体识别方法的第一实施例流程示意图，其具体包括如下步骤：

s11，采集放置在容器中的待测液体的第一时域信号图谱。

目前，市面上的液体容器主要有金属容器、塑料容器或者纸质容器，其液体主要有水、饮料等安全液体以及石油等危险液体，基于反射式太赫兹的特性，其对塑料容器有较好的穿透性，本申请采用的容器为塑料容器。

如图2，本申请提供的液体识别装置中的太赫兹收发器12发出太赫兹波thz，其太赫兹波thz首先接触到容器110，由于介质不同，其一部分被容器110表面反射，一部分透射，随后接触到待测液体120，从而被待测液体120反射，其中回波携带了关于容器以及容器内液体的信息，包括了被容器外壁反射回来的thz1与被液体反射回来的thz2，太赫兹收发器12进一步接收被反射回来的回波，从而获取到如图3所示的第一时域信号图谱。

s12，对第一时域信号图谱进行预处理获得第二时域信号图谱。

在获取到第一时域信号图谱后，进一步对第一时域信号图谱进行去噪处理与截取峰值处理，以获得信噪比更高的第二时域信号图谱。

请参阅图4，图4是本申请液体识别的方法的第二实施例流程示意图，其是图1步骤s12的子步骤，其具体包括如下步骤：

s121，通过正交小波变换法去除第一时域信号图谱中的高斯噪声；以得到第三时域信号图谱。

首先，通过正交小波变换法去除第一时域信号图谱中的高斯噪声，从而得到相对信噪比更高的第三时域信号图谱，

s122，对第三时域信号图谱进行截取化处理，以得到第二时域信号图谱。

进一步的，获取所述第三时域信号图谱中峰值最大的最大反射峰信息，具体是在第三时域信号图谱中峰值最大的峰的位置信息，随后根据最大反射峰信息在第三时域信号图谱中获取峰值第二的次最大峰信息；即在将最大反射峰的进行排除后剩下的第三时域信号图谱中获取峰值最大的反射峰信息，在获取后，将次最大峰信息进行截取，即将该次最大峰从第三时域信号图谱进行提取，从而得到第二时域信号图谱。

由于在采集过程中，所获得的第一时域信号图谱包括容器的反射信号和液体的反射信号，而需要的是液体的反射信号，即其第二次的反射信号，其第一次(被容器反射)为峰值最大的峰，第二次为次最大峰，因此通过上述方法，获取到了携带液体信息的时域信号图谱。

在具体实施例中，对于某些反射性较高的液体而言，其峰值最大的峰可能是液体反射的峰，因此可以获取峰值排名第一和第二的峰，并将时间关系上靠后的峰进行截取从而得到第二时域信号图谱。

s13，对第二时域信号图谱进行特征处理以获得第二时域信号图谱的主特征向量。

在获取到信噪比较高的第二时域信号图谱后，进一步对第二时域信号图谱进行特征化处理，从而获得第二时域信号图谱的主特征向量。

请参阅图5，图5是本申请液体识别方法的第三实施例流程示意图，其是图1步骤s13的子步骤，其具体包括如下步骤：

s131，将第二时域信号图谱进行快速傅里叶变换以获得第一频域信号频谱。

将第二时域信号图谱进行快速傅里叶变换后，获取第一频域信号频谱，相对第二时域信号图谱而言，第一频域信号频谱的数学构造更为明显，能够通过数学结构直观的反应其第二时域信号图谱的特征信息。

s132，对第一频域信号频谱进行归一化处理以获得第二频域信号频谱。

随后对第一频域信号频谱进行归一化处理以获得第二频域信号频谱，首先求出第一频域信号频谱的方差与均值的数值。

随后可以根据如下的公式进行处理：

其中，yi为第一频域信号频谱，μ为第一频域信号频谱的均值，所述δ为第一频域信号频谱的方差，所述x(n)为第二频域信号频谱，其得到的第二频域信号频谱的数值在[-1,1]之间。

在具体实施例中，在进行采集之前，还可以采用太赫兹收发器对金属反射镜进行采集并处理，获取一个基准化信号。从而作为归一化处理的基准化信号。

s133，对第二频域信号频谱进行主成分分析以提取第二频域信号频谱主特征向量。

主成分分析(principalcomponentanalysis，pca)是一种常用的数据降维、特征选择方法，它可以消除数据之间存在的相关性，进而从多维数据中筛选出对分类贡献率大的特征，减少计算量，提升识别率。

首先获取第二频域信号频谱的协方差矩阵c与均值x；随后获取协方差矩阵c的特征值d与特征向量v；按照特征值d的大小对特征值d对应的特征向量v进行排列，具体是按照特征值d的大小从上到下按行进行排列，随后取前k个特征值d对应的k维特征向量v组成特征矩阵p。

其中，关于k的值的确认公式如下：

其中，所述di为协方差矩阵c进行降序排列后的矩阵的第i个特征值，且k≤n；且k为正整数。

进一步的，通过将第二频域信号频谱x(n)向特征矩阵p进行投影得到主特征向量f。投影过程如下公式所示：

其中，f为主特征向量，x(n)为第二频域信号频谱，x为上述求出的均值，p为特征矩阵。

经过上述主成分分析后，能够根据贡献度的大小将第二频域信号频谱x(n)较为重要的特征信息进行提取，并进行投影后，从而得到主特征向量。

s14，将主特征向量输入预设分类器进行分类。

在获取到主特征向量后，进一步将主特征向量输入到预设分类器中进行分类，本申请提供的预设分类器是具有多组液体的特征向量在支持向量机分类器(svm)中进行训练而获得的分类器模型，在实施例中，svm分类器采用径向核函数。

svm(supportvectormachine)分类器是一种基于svm方法的机器学习类分类器，其svm方法的原理是它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。且它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局优化，并且在整个样本空间的期望以某个概率满足一定上界。即它具有更好的自适应性和泛化性能，能够更好地处理非线性问题。

其具体可以通过塑料容器以及不同的液体，如市面上常见的液体，如水、饮料等安全液体，汽油、敌敌畏等危险液体及其混合液体，将其各进行组合形成从而作为初始训练样本，具体的提取这些组合液体的主特征向量作为训练组，，其可以包括多级标签，如一级标签可以安全性，包括安全和危险，二级标签可以为种类，如安全下的饮料型液体或者食用油等，还可以进一步包括三级标签，如饮料型液体中的牛奶等，将其训练组对应的液体及其各液体所对应的标签输入到多个svm分类器进行训练，随后通过交叉验证的方法来确定其多个svm分类器模型的识别准确性，并将最佳的那个作为预设分类器。

在其他实施例中，也可以采用深层神经网络，深层神经网络(deepneuralnetwork，dnn)是具有多个隐含层的神经网络，相比于传统的分类器，它具有大规模并行的分布式结构，因而模型具有更好的自适应性和泛化性能，能够更好地处理非线性问题，同样将上述液体组的主特征向量及其对应的标签输入到深层神经网络进行训练得到分类器模型，并通过交叉验证来确认多个分类器模型的识别准确性等，并将最佳的那个作为预设分类器。

s15，获取预设分类器分类结果，以得到待检测液体的类型。

因此在获取到主特征向量后，将其输入预设分类器进行分类，则可以得到该主特征向量所对应的待检测液体的识别结果，其识别结果包括安全性和种类，如其安全性包括安全或危险，其种类包括其具体的类别，如饮料类，或者可以进一步具体到凉茶。

进一步的，也就知道待检测液体的类型，是否是安全类液体，还是危险类液体。如果其在安全类液体下，进一步可以得到其是饮料类中的凉茶。

在具体实施例中，本申请提供的预设分类器也可以在工作中进行再次训练，从而加强其识别能力与准确度。

请参阅图6，图6是本申请特征提取方法的第一实施例流程示意图，其具体包括如下步骤：

s21，采集液体的第一时域信号图谱。

采集液体的第一时域信号图谱，对液体(存储在容器中的)发射第一太赫兹信号，并接收被液体反射回来的第二太赫兹信号。

s22，对第一时域信号图谱进行预处理获得第二时域信号图谱。

在获取到第一时域信号图谱后，进一步对第一时域信号图谱进行去噪处理与截取峰值处理，以获得信噪比更高的第二时域信号图谱。

s23，对第二时域信号图谱进行特征处理以获得第二时域信号图谱的特征向量。

在获取到信噪比较高的第二时域信号图谱后，进一步对第二时域信号图谱进行特征化处理，从而获得第二时域信号图谱的特征向量。

本实施例的具体提取方法在上述实施例中已经有叙述，这里不再赘述，且需要知道的是，本实施例的特征提取方法所提取的特征向量为上述实施例中的主特征向量，其也可以应用于上述任一实施例中的识别方法。

请参阅图7，图7是本申请液体识别装置的一实施方式结构示意框图。

本实施例提供的液体识别装置具体包括处理器10、存储器11、太赫兹收发器12，其中，处理器10连接存储器11与太赫兹收发器12。

在本实施例中，太赫兹收发器12用于采集待测液体的第一时域信号图谱。

其中，处理器10还可以称为cpu(centralprocessingunit，中央处理单元)。处理器10可能是一种集成电路芯片，具有信号的处理能力。处理器10还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本实施中，处理器10可以用于对第一时域信号图谱进行预处理获得第二时域信号图谱；对第二时域信号图谱进行特征处理以获得第二时域信号图谱的主特征向量；将主特征向量输入预设分类器进行分类；获取所述预设分类器分类结果，以得到所述待检测液体的类型。

上述设备的模块终端可分别具体执行上述方法实施例中对应的步骤，故在此不对各模块进行赘述，详细请参阅以上对应步骤的说明。

参阅图8，图8为本申请存储装置一实施方式的结构示意图，有能够实现上述所有方法的指令文件21，该指令文件21可以以软件产品的形式存储在上述存储装置中，同时还是记录各种计算的数据，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，智能机器人，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。

所述指令文件21还具有一定独立性，可以在运行系统、备份系统发生故障时候继续配合处理器10执行相关指令，在升级、引导程序升级以及修复中不会被替换、损坏以及清空。

而前述的存储装置包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

综上所述，本申请通过采集待测液体的采集待测液体的第一时域信号图谱，随后对第一时域信号图谱进行预处理与特征处理从而获取其主特征向量，并将主特征向量输入到预设分类器进行分类，从而获取待测液体的类型。通过利用不同液体的对太赫兹的反射性能不同，其得到的第一时域信号图谱也不同，从而提取出待测液体所对应的第一时域信号图谱的主特征向量，并提供预设分类器来对主特征向量进行识别计算，从而获得待测液体的类型，能够大大缩减成本，且识别速度高，识别准确率高。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结果或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。