一种混合气体中的单种气体检测识别方法、装置、服务器

本申请涉及气体识别，尤其涉及一种混合气体中的单种气体检测识别方法、装置、服务器。

背景技术：

1、目前，对于识别混合气体中某一单种气体或者所有单种气体的种类，常采用的有试剂跟踪法、电化学法和光谱测量法等。目前，光谱测量法是常用的方法之一。但由于受各种单体气体自身吸收特性的影响，混合气体中的各种单种气体的光谱吸收峰会存在混叠现象，从而导致识别时产生误判，进而导致检测结果误判。

2、示例的，天然气是国民经济的一种重要不可再生资源，在开采过程中受地质条件影响，时常会产生大量硫化氢。准确识别含硫天然气田中的硫化氢，对天然气工业的安全生产，避免有毒气体泄漏导致的安全生产事故有积极意义。

3、目前，常用光谱测量法识别含硫天然气田中的硫化氢，即通过测量含硫天然气的光谱，然后通过光谱检测识别含硫天然气中的硫化氢。但含硫天然气中的硫化氢和甲烷的光谱吸收峰存在混叠现象，经常造成对硫化氢的误判，进而导致检测误判，影响安全生产管理。

技术实现思路

1、本申请实施例通过提供一种混合气体中的单种气体检测识别方法，能够解决混合气体中的各种单种气体的光谱吸收峰会存在混叠现象，从而导致识别时产生误判，进而导致检测结果误判的问题。

2、为了实现上述目的，本发明实施例的技术方案是：

3、第一方面，本发明实施例提供了一种混合气体中的单种气体检测识别方法，包括：

4、将混合气体中每种待识别气体的标准光谱数据进行变换步骤对应得到每种待识别气体的标准二维图像数据；

5、将所述标准二维图像数据训练得到深度神经网络模型；

6、采集所述混合气体的混气光谱数据；

7、将所述混气光谱数据进行变换步骤得到混气二维图像数据；

8、使用所述深度神经网络模型识别所述混气二维图像数据中的每种待识别气体。

9、结合第一方面，在一种可能的实现方式中，所述变换步骤包括：

10、将所述光谱数据规范化到设定区间，得到所述光谱数据的第一波长域序列集；

11、将所述第一波长域序列集转化为极坐标下的第二波长域序列集；

12、将所述第二波长域序列集通过格拉姆角场变换得到二维图像数据。

13、结合第一方面，在一种可能的实现方式中，通过以下公式将所述光谱数据规范化到设定区间，得到所述光谱数据的第一波长域序列集

14、

15、其中，x为所述光谱数据的集合，xi为x中的任意一个光谱数据，为第一波长域序列集中的任意一个第一波长序列。

16、结合第一方面，在一种可能的实现方式中，通过以下公式将所述第一波长域序列集转化为极坐标下的第二波长域序列集：

17、

18、其中，为第一波长域序列集中的任意一个第一波长序列，ti为第一波长的步长，n为极坐标下的正则化常数系数。

19、结合第一方面，在一种可能的实现方式中，所述采集所述混合气体的混气光谱数据，还包括：

20、将所述混气光谱数据进行滤波处理。

21、结合第一方面，在一种可能的实现方式中，所述使用所述深度神经网络模型识别所述混气二维图像数据中的每种待识别气体之后，还包括：

22、当所述待识别气体超过预警值，进行报警。

23、结合第一方面，在一种可能的实现方式中，所述深度神经网络模型采用googlenet深度学习模型。

24、第二方面，本发明另一实施例提供了一种混合气体中的单种气体检测识别装置，包括：

25、第一变换模块，用于将混合气体中每种待识别气体的标准光谱数据进行变换步骤对应得到每种待识别气体的标准二维图像数据；

26、训练模块，用于将所述标准二维图像数据训练得到深度神经网络模型；

27、采集模块，用于采集所述混合气体的混气光谱数据；

28、第二变换模块，用于将所述混气光谱数据进行变换步骤得到混气二维图像数据；

29、识别模块，用于使用所述深度神经网络模型识别所述混气二维图像数据中的每种待识别气体。

30、第三方面，本发明又一实施例提供了一种服务器，包括：存储器和处理器；

31、所述存储器用于存储程序指令；

32、所述处理器用于执行服务器中的程序指令，使得所述服务器执行上述所述的混合气体中的单种气体检测识别方法。

33、第四方面，本发明再一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有可执行指令，计算机执行所述可执行指令时能够实现上述所述的混合气体中的单种气体检测识别方法。

34、本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

35、本发明实施例提供的混合气体中的单种气体检测识别方法，首先将混合气体中每种待识别气体的标准光谱数据进行变换步骤对应得到每种待识别气体的标准二维图像数据。然后将标准二维图像数据训练得到深度神经网络模型。之后采集混合气体的混气光谱数据。再之后将混气光谱数据进行变换步骤得到混气二维图像数据。最后使用深度神经网络模型识别混气二维图像数据中的每种待识别气体。本申请的方法和人工智能深度学习识别算法兼容，利用深度神经网络模型进行大量光谱数据的快速训练，极大地提高了识别准确率，不会产生混合气体中的单种气体检测识别时的误判，检测结果精准。

技术特征：

1.一种混合气体中的单种气体检测识别方法，其特征在于，包括：

2.根据权利要求1所述的混合气体中的单种气体检测识别方法，其特征在于，所述变换步骤包括：

3.根据权利要求2所述的混合气体中的单种气体检测识别方法，其特征在于，通过以下公式将所述光谱数据规范化到设定区间，得到所述光谱数据的第一波长域序列集

4.根据权利要求3所述的混合气体中的单种气体检测识别方法，其特征在于，通过以下公式将所述第一波长域序列集转化为极坐标下的第二波长域序列集：

5.根据权利要求1所述的混合气体中的单种气体检测识别方法，其特征在于，所述采集所述混合气体的混气光谱数据，还包括：

6.根据权利要求1所述的混合气体中的单种气体检测识别方法，其特征在于，所述使用所述深度神经网络模型识别所述混气二维图像数据中的每种待识别气体之后，还包括：

7.根据权利要求1所述的混合气体中的单种气体检测识别方法，其特征在于，所述深度神经网络模型采用googlenet深度学习模型。

8.一种混合气体中的单种气体检测识别装置，其特征在于，包括：

9.一种服务器，其特征在于，包括：存储器和处理器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有可执行指令，计算机执行所述可执行指令时能够实现如权利要求1～7任一项所述的混合气体中的单种气体检测识别方法。

技术总结
本申请公开了一种混合气体中的单种气体检测识别方法，属于气体识别技术领域，能够解决混合气体中的各种单种气体的光谱吸收峰会存在混叠现象，从而导致识别时产生误判，进而导致检测结果误判的问题。方法包括：将混合气体中每种待识别气体的标准光谱数据进行变换步骤对应得到每种待识别气体的标准二维图像数据；将标准二维图像数据训练得到深度神经网络模型；采集混合气体的混气光谱数据；将混气光谱数据进行变换步骤得到混气二维图像数据；使用深度神经网络模型识别混气二维图像数据中的每种待识别气体。本申请不会产生混合气体中的单种气体检测识别时的误判，检测结果精准。

技术研发人员：李俊
受保护的技术使用者：西安科技大学
技术研发日：
技术公布日：2024/3/5