一种气压检测方法及系统与流程

本发明涉及气压检测领域，具体涉及一种气压检测方法及系统。

背景技术：

目前，气压计内通常采用芯片，气压计的输出气压值会被气压计受到的光照影响，导致气压计的输出气压值与气压真实值之间存在偏差，气压检测精度受到影响。以防水气压计为例，如图1所示，现有的防水气压计典型的封装结构中，防水气压计上端面设有较大的开口，内部填充有gel胶10，气压计内部采用的芯片是mems芯片20和asic芯片30，防水气压计还包括外壳40、pcb基板50，mems芯片20和asic芯片30对光照比较敏感，在gel胶10透光率比较好时(颜色为白色、透明等)，光线的照射会使得防水气压计的输出气压值会出现偏差，影响防水气压计的检测精度。

现有技术中，为解决光照影响，常采用黑色的遮光胶包覆芯片，这样能减小光照对芯片的影响，但是会改变气压计的整体封装结构，例如开口尺寸、gel胶10的选型等，造成生产工艺复杂等其他问题。

因此，需要提出一种新的气压检测方法及系统。

技术实现要素：

本发明的目的在于提供一种气压检测方法及系统，以解决现有技术中存在的问题中的至少一个；

为达到上述目的，本发明采用下述技术方案：

本发明第一方面提供一种气压检测方法，包括：

获取气压计的输出气压值及作用于所述气压计的光照强度值；

将所述输出气压值及所述光照强度值输入计算模型，使得所述计算模型输出气压真实值，得到气压检测结果，其中，所述计算模型为公式模型或机器学习网络模型。

可选地，所述公式模型为光照强度值及输出气压值作为自变量且气压真实值作为因变量的三元数学方程。

可选地，所述三元数学方程由多个包含气压计输出气压值、作用于所述气压计的光照强度值和气压真实值的样本数据拟合得到。

可选地，所述机器学习网络模型为径向基神经网络模型、人工神经网络或最小二乘支持向量机。

可选地，所述机器学习网络模型为径向基神经网络模型，在将所述光照强度值及输出气压值输入计算模型，使得所述计算模型输出气压真实值之前，该方法还包括：

预设所述径向基神经网络模型的扩展常数σ和输出节点权值w，基于多个包含气压计的输出气压值、作用于所述气压计的光照强度值和气压真实值的样本数据，寻找(σ，w)的最优解，并训练生成径向基神经网络模型。

可选地，所述将所述光照强度值及输出气压值输入计算模型，使得所述计算模型输出气压真实值，得到气压检测结果进一步包括：

获取作用于所述气压计的光照频率，并基于所述作用于所述气压计的光照频率判断光照的影响时段：

在光照的影响时段，将所述光照强度值及输出气压值输入计算模型，使得所述计算模型输出气压真实值；

在光照的无影响时段，将气压计的输出气压值直接作为气压检测结果。

本发明第二方面提供一种执行本发明第一方面提供的方法的气压检测系统，包括气压计、光强传感器和数据处理器；

所述气压计，用于检测气压而输出气压值；

所述光强传感器，用于测量作用于所述气压计的光照强度值；

所述数据处理器，用于将所述气压计的输出气压值及所述光照强度值输入计算模型，使得所述计算模型输出气压真实值，得到气压检测结果，其中，所述计算模型为公式模型或机器学习网络模型。

可选地，所述光强传感器和数据处理器集成于所述气压计中。

本发明的有益效果如下：

本发明所述技术方案通过算法即可在气压计的输出端将光照对气压计的影响剔除掉，可提高利用气压计进行气压检测的精度，且无需改变气压计整体封装结构。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出现有的防水气压计的结构示意图；

图2示出本发明实施例提供的气压检测方法的流程图：

图3示出计算模型的生成流程图；

图4示出固定光照频率的示意图；

附图标记：10gel胶；20mems芯片；30asic芯片；40外壳；50pcb基板。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

本发明的一个实施例公开了一种气压检测方法，如图2所示，该方法包括：

s1、获取气压计的输出气压值及作用于所述气压计的光照强度值；

s2、将所述输出气压值及所述光照强度值输入计算模型，其中，所述计算模型为公式模型或机器学习网络模型；

s3、计算模型输出气压真实值，得到气压检测结果。

本实施例提供的气压检测方法，可通过将气压计的输出气压值及采集的作用于气压计的光照强度值输入计算模型进行计算而得到精确的气压真实值，从而在气压计的输出端将光照对气压计的影响剔除掉，以提高利用气压计进行气压检测的精度，且无需改变气压计的整体封装结构。

在本实施例的一些可选地实现方式中，所述公式模型为光照强度值及输出气压值作为自变量且气压真实值作为因变量的三元数学方程。所述三元数学方程由多个包含气压计输出气压值、作用于所述气压计的光照强度值和气压真实值的样本数据拟合得到。

在一个具体示例中，如图3所示，生成公式模型及机器学习网络模型的过程如下：

首先，向处于不同的已知真实气压y环境中的气压计照射不同的已知光照强度x的光线，得到多个样本数据的输入向量(x，y)，同时通过获取气压计感测所处环境而输出的气压值得到与输入向量(x，y)对应的输出向量—气压计的输出气压值z，从而得到多个包含对应的z，x，y的样本数据，并将多个样本数据存储到数据库。

然后，基于所述样本数据，若z，x，y的关系比较简单，可以用一定的数学公式进行拟合，则可以选择使用较简单的三元数学方程z(x，y，c)来映射光照强度x、真实气压y和输出气压z三者的关系，这样只需要通过训练样本(x，y，z)拟合得到数学公式相应的系数c即可得到确定的公式z(x，y，c)，其中，三元数学方程例如z＝y+0.5(x²)y+0.1xy。当然，不同类型的光照对气压计的影响是不一样的，例如，可见光(红光、绿光等)、红外光(包括不同波长的红外光，1200nm、940nm、850nm等)对气压计的影响是不一样的，因此，拟合得到的三元数学方程会有所不同，但对应某种已知类型的光照，是可以得到确定的三元数学方程的。

然后，可进行对拟合得到的三元数学方程的拟合度进行判断，拟合度可确定三元数学方程得到的数值与样本数据的相似情况，可设定拟合度阈值，例如95％：

若三元数学方程的拟合度大于等于拟合度阈值，则可将三元数学方程作为计算模型用于后续基于输出气压值、光照强度值计算气压真实值。

若三元数学方程的拟合度小于拟合度阈值，说明z，x，y的关系较复杂，用较简单的三元数学方程难以拟合出光照强度x、真实气压y和输出气压z三者的关系，则选择机器学习网络模型来映射z，x，y之间的关系：

在一个具体示例中，机器学习网络模型为径向基神(rbf)经网络模型、人工神经网络或最小二乘支持向量机。以径向基神经网络模型为例，在将所述光照强度值及输出气压值输入径向基神经网络模型，使得径向基神经网络模型输出气压真实值之前，该方法还包括：

预设径向基神经网络的扩展常数σ和输出节点权值w；

径向基神经网络是一种通用逼近器，只有要足够的节点，它可以以任意精度逼近紧集上的任意多元连续函数。在采用径向基神经网络时，z、x、y三者之间关系的预测表达式的待定常数c为径向基神经网络的扩展常数和输出节点权值，记为(σ，w)，其中，σ代表径向基神经网络的扩展常数，w代表径向基神经网络的输出节点权值(可以为矩阵或者向量)，只需对这两类参数进行寻优。

利用遗传算法寻找(σ，w)的最优解；

遗传算法(geneticalgorithm，ga)是一种以生物进化和遗传变异为理论基础的搜索算法。在自然界中，只有适应环境好的个体才能存活，个体通过遗传将好的性状特点传递给下代。而在遗传过程中，群体通过进化逐渐产生适应性优良的个体以适应环境变化，生物群体得到不断的发展和完善。遗传算法模拟生物的进化和遗传机制，通过采用选择(复制)、交叉(重组)、变异(突变)等遗传操作，衍生出种群中下一代的个体，直到获得符合要求的种群。

基于多个包含气压计的输出气压值、作用于所述气压计的光照强度值和气压真实值的样本数据训练，寻找(σ，w)的最优解，并生成径向基神经网络模型。

在一个例子中，寻找最优参数组合的过程如下：

1)首先建立待定参数的初始种群，初始种群中的每一个体对应于表达式的一种参数值组合。例如通过随机取值的方式获得初始种群中的个体a、个体b和个体c，其中个体a对应的参数值组合是(0.2,w1)，个体b对应的参数值组合是(0.15,w2)，个体c对应的参数值组合是(0.1,w3)。将上述参数值组合转换成二进制串编码的形式，即将参数优化问题转化为基因编码的形式。将初始待定参数输入初始径向基神经网络模型。将扩展常数的寻优范围设置为(0,1)，输出节点权值的寻优范围设置为(0.1,0.2)。

2)将适应度函数设置为：h(γ，c)＝accuracy。其中，accuracy为训练样本集上的验证准确率。将训练样本进行归一化处理，并输入径向基神经网络模型中，得到输出结果。

根据输出结果对初代种群进行适应度评价，将样本向量值的输出结果与相配对的样本湿度值进行比较确定输出结果是否准确，计算出每一个体的验证准确率。例如个体a的验证准确率为0.5，个体b的验证准确率为0.6，个体c的验证准确率为0.7。从初始种群中选出适应度最优个体，这里个体c为适应度最优个体。将个体c的验证准确率与目标准确率进行比较，目标准确率例如是0.85，则个体c的验证准确率不满足精度要求，需要通过进化寻找最优参数值组合。

3)对初始种群进行进化，也就是选择、交叉和变异，得到新一代种群。在进化时，首先根据初始种群中个体的适应度值确定个体的选择概率，通过例如基于赌轮法的选择算子进行选择操作，得到用于复制的个体。在进化中采用最优保存策略，即对上一代的适应度最优个体进行保留。

在复制过程中，交叉概率的取值例如为[0.3,0.4]，变异概率的取值例如为0.03。复制时对上一代的适应度最优个体c进行保留。假设个体a和个体b在复制时发生了基因交叉，交叉后得到了个体a’和个体b’，个体a’对应的参数值组合是(0.15,w1)，个体b’对应的参数值组合是(0.2,w2)。

4)对新一代种群的个体适应度进行计算，得出个体a’的验证准确率为0.9，个体b’的验证准确率为0.8，个体c的验证准确率为0.7。此时适应度最优个体为a’，其验证准确率满足精度要求，因此个体a’对应的参数值组合(0.25,20)即为最优参数值组合。

5)如果进化中最优个体的精度一直没有满足要求，当进化的代数达到预设值例如为10代时停止进化，并认为此时的个体对应的参数值组合为最优参数值组合。

得到了最优参数值组合，也就得到最优的rbf神经网络模型。

利用遗传算法得到了(σ，w)的最优参数值组合，也就得到最优的径向基神经网络模型，作为计算模型用于后续基于输出气压值、所述光照强度值输出的气压真实值的测量。

基于上述训练后得到的数学方程和机器学习网络模型，在输入光照强度值及气压计输出气压值后进而得出真实气压。并且，用户可以根据实际需要，将该剔除光照影响的真实气压更新到气压计中，得到p’。

当然，为了更快速地得到计算模型，为了避免数学方程计算模型的生成过程会使计算模型的时间增长，也可以省略数学方程的生成过程，直接采用机器学习网络模型的方式基于样本数据进行计算模型的生成。

在本实施例的一些可选的实现方式中，将所述光照强度值及输出气压值输入计算模型，使得所述计算模型输出气压真实值，得到气压检测结果进一步包括：

获取作用于所述气压计的光照频率，并基于所述作用于所述气压计的光照频率判断光照的影响时段：

在光照的影响时段，将所述光照强度值及输出气压值输入计算模型，使得所述计算模型输出气压真实值；

在光照的无影响时段，将气压计的输出气压值直接作为气压检测结果。

这种方式适用于光照并不是一直照射，而是有规律的间隔照射时(如闪光灯)，此情况下，气压计的输出气压值会出现一高一低的波动，并不能真实反应环境气压的波动变化。如图3所示，比如闪光灯以50hz方波形式闪烁，每个方波持续时间是0.02s(1/50hz)，也就是它的周期(一亮一灭)，那么当灯亮的时候会对气压计有影响，灯灭的时候对气压计没有影响。在检测气压时，需将灯亮时产生的影响剔除，即，每隔1/2t滤除掉光照对气压计带来的漂移量影响。基于上述计算模型，以及基于获取的作用于所述气压计的光照频率判断光照的影响时段，在光照的影响时段，将所述光照强度值及输出气压值输入计算模型，使得所述计算模型输出气压真实值，将光照影响剔除掉，得到真实环境气压的波动变化，而无需更改产品结构，即可消除光照的影响，进而提高精度。

当然，本领域技术人员应当理解，本发明所述的光照的影响时段并不仅限于图3所示的光照频率，只要能确定光照频率的规律性变化，即可在气压计输出真实值之前，对相应的光照频率规律的影响时段进行判断，并提出影响时段的气压影响值，进而输出真实的气压值。

本发明的另一个实施例公开了一种执行上述方法的气压检测系统，具体包括：

气压计、光强传感器和数据处理器；

气压计，用于检测气压而输出气压值；气压计可为现有技术中通用的气压计，例如图1所述的防水气压计；

光强传感器，用于测量作用于所述气压计的光照强度值；

数据处理器，用于将所述气压计的输出气压值及所述光照强度值输入计算模型，使得所述计算模型输出气压真实值，得到气压检测结果。

在本实施例的一些可选的实现方式中，光强传感器和数据处理器集成于气压计中。通过集成的设置，可以以手持终端的方式实现气压检测系统，便于携带，方便测量。手持终端还可包括定位模块(例如gps和/或北斗定位芯片)、用于存储检测结果及对应的位置坐标及检测时间的存储器。

需要说明的是，本实施例提供的气压检测系统的原理及工作流程与上述气压检测方法相似，相关之处可以参照上述说明，在此不再赘述。显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。