基于热传导的液体识别方法、装置以及存储装置与流程

本申请涉及液体识别领域，特别是涉及一种基于热传导的液体识别方法、装置以及存储装置。
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。其中，拉曼光谱法和微波法无法对盛放在金属容器中的液体进行检测，x射线法虽然可以检测金属容器，但价格昂贵、设备体积大、也无法做到自动识别。技术实现要素：本申请提供一种基于热传导的液体识别方法、装置以及存储装置。能够解决现有技术中去液体识别成本较高的且识别效率较低的问题。本申请采用的一个技术方案是：提供一种基于热传导的液体识别方法，其方法包括：采集待测液体的第一热传导数据；对所述第一热传导数据进行预处理获得第二热传导数据；对所述第二热传导数据进行特征处理以获得所述第二热传导数据的主特征向量；将所述主特征向量输入到预设神经网络中进行识别；获取所述预设神经网络输出的识别结果，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：提供一种液体识别装置，该装置包括处理器、存储器以及热电偶检测器，所述处理器连接所述存储器与所述热电偶检测器；其中，所述热电偶检测器用于采集待测液体的第一热传导数据；所述处理器用于对所述第一热传导数据进行预处理获得第二热传导数据；对所述第二热传导数据进行特征处理以获得所述第二热传导数据的主特征向量；将所述主特征向量输入到预设神经网络中进行识别；获取所述预设神经网络输出的识别结果，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第一热传导数据，并进行处理得到第二热传导数据，随后对第二热传导数据进行特征化处理获得其主特征向量，并将该主特征向量输入到预设神经网络进行识别，获取识别结果，从而得到待测液体的类型。通过利用不同液体的导热系数不同，其温度上升的曲线的特性也不同，所得到的热传导数据不同，从而提取出待测液体所对应的热传导数据的主特征向量，并提供神经网络的智能算法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，且识别效率高，识别准确率高。附图说明图1是本申请基于热传导的液体识别方法的第一实施方式的流程示意图；图2是图1所示的流程示意图中步骤s11所得的多种待测液体的第一热传导数据的波形图；图3是本申请基于热传导的液体识别方法的第二实施方式的流程示意图；图4是图1所示的流程示意图步骤s12所得的多种待测液体的第二热传导数据的波形图；图5是本申请基于热传导的液体识别方法的第三实施方式的流程示意图；图6是本申请液体识别装置一实施方式的结构示意框图；图7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,采集待测液体的第一热传导数据。目前，市面上盛放饮料的金属容器主要有铝材(如罐装可乐容器等)和马口铁，又名镀锡铁(如能量型饮料与牛奶容器等)，或者其他金属材质等由于金属容器的壁都较薄(温度影响较小)，所以往往认为不同热传导数据的差异主要是由金属容器内盛放的被测液体所导致，检测不同的液体时在加热前后容器壁会产生不一样的温度差。热电偶检测器是本实施例提供的液体识别装置的一个重要组成部分，它以标准端作为参考(一般设置为0℃)，探测容器壁温度的一端作为热检测端，标准、热检查两端存在温差就引起热电偶回路中产生热电势，对被测液体进行检测时可以通过分析回路中热电势的特征来判别液体的类型。在一具体实施例中，采集待测液体的第一热传导数据，其具体可以是通过液体识别装置上的加热器对金属容器中的待采集液体进行加热，然后通过热电偶检测器来检测其金属容器(待测液体)的温度，其中，热电偶检测器包括标准端与热检测端，其中标准端为预设定值温度的参考端，热检测端与金属容器接触以检测金属容器(待测液体)温度，由于在加热过程中金属容器(待测液体)的温度上升，则热检测端的热电势发生改变，则热检测端与标准端由于温差的问题会在热电偶检测器中的热电偶回路产生热电势，如图2所示是多种液体进行加热5s时的热电势图，则每种液体的热电势可以作为对应液体的第一热传导数据s(m)，该第一热传导数据s(m)包括m个数据点。上述描述中，涉及到金属容器的温度以及加热，由于金属容器的容器壁较为薄，则均是最终主要对金属容器中的液体进行加热或者测量的是液体的温度变化。s12，对第一热传导数据进行预处理获得第二热传导数据。在采集获得第一热传导数据s(m)后，进一步对第一热传导数据s(m)进行预处理以得到第二热传导数据x(n)。请参阅图3，图3是本申请一种液体识别方法的第二实施例流程示意图，其是第一实施例s12的子流程示意图，其具体包括如下步骤：s121，对第一热传导数据进行中心化处理以获得第三热传导数据。对第一热传导数据s(m)进行中心化处理，其使得对于不同的液体的第三热传导数据s(m)的起点都在零附近，其中心化的实现方法为：其中，s(m)为第三热传导数据，s(m)为第一热传导数据，为s(m)中m个数据点中前j个数据点的均值，其中j<＝m且j为正整数，如1，2，3等等。s122，对第三热传导数据进行均值滤波获得滤波信号。在获得第一热传导数据s(m)的中心化热传导数据中，即第三热传导数据s(m)后，进一步对第三热传导数据s(m)进行均值滤波，从而获得滤波信号x(m)，其具体可以将第一个数据点作为初始点，随后求出第三热传导数据s(m)中m个数据点中前q个数据点的均值n，即1～q之间的数据点的均值n，其中q可以小于或等于m/25，且q也属于正整数。随后用这个均值n去取代第三热传导数据s(m)中前q个数据点的值，随后将q+1个数据点作为初始点，随后求出第三热传导数据s(m)中m个数据点中前q+1至2q个数据点的均值n1。并将该均值n1去替换掉q+1至2q个数据点的值。重复上述过程，一直到最后q个数据点，即24q+1到25q个数据点，求出24q+1到25q个数据点的均值n24，并将该均值n24去替换掉24q+1到25q个数据点的值。在其他实施例中，q也可以是小于或等于m/50等等。通过上述步骤，从而将m个点的数据点进行处理完毕，从而将第三热传导数据s(m)中的包含的噪声数据等干扰信号进行消除，从而得到滤波信号x(m)。s123，对滤波信号进行降采样处理获得第二热传导数据。在通过对第三热传导数据s(m)进行滤波处理获得滤波信号x(m)后，进一步对滤波信号x(m)进行降采样处理得到第二热传导数据x(n),n<m，从而使得其滤波信号x(m)的复杂度降低，利于后续的特征选取与识别过程，且减少数据的冗余度。其具体可以通过以j为采样间隔依次选取滤波信号x(m)的第j，(j+1)，(2j+1)，(3j+1)……………((m-1)j+1)个点，组成降采样后的数据点的集合组以作为降采样后的第二热传导数据x(n),n<m。其中，n＝m/j，n也为正整数。上述通过间隔采样的方法，将m个数据进行间隔选取数据点组成第二热传导数据x(n)，从而使得整个第二热传导数据x(n)的数据点相对滤波信号x(m)进行了缩减，有利于减少后续识别和计算的复杂度。如图4所示，图4是通过将多种液体的第一热传导数据s(m)进行预处理的第二热传导数据x(n)的波形图，是第一热传导数据s(m)进行中心化、滤波以及降采样的处理后得到的相对数据信息准确、数据量小的第二热传导数据x(n)。s13，对第二热传导数据进行特征处理以获得第二热传导数据的主特征向量。在获得第二热传导数据x(n)后，进一步对第二热传导数据x(n)进行特征化处理从而获得第二热传导数据x(n)的主特征向量，及其特征向量值。请参阅图5，图5是本申请一种液体识别方法的第三实施例流程示意图，其是第一实施例s13的子流程示意图，其具体包括如下步骤：s131，对第二热传导数据进行主成分分析以提取第二热传导数据的主特征信息。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。首先获取第二热传导数据x(n)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，通过将第二热传导数据x(n)向特征矩阵p进行投影得到主特征信息f。投影过程如下公式所示：其中，f为主特征信息，x(n)为第二热传导数据，x为上述求出的均值，p为特征矩阵。第二热传导数据x(n)中各主成分的贡献率及累计贡献率如表1所示：主成分特征值贡献率累计贡献率153260.3066698.53％98.53％2728.877521.35％99.87％323.740030.04％99.92％411.533780.02％99.94％59.817060.02％99.96％66.027970.01％99.97％73.170250.01％99.97％82.177730.00％99.98％91.676740.00％99.98％101.065680.00％99.98％表1从表1中可以看出，第二热传导数据x(n)的主成分主要为2个，第一个主成分对第二热传导数据x(n)的贡献率为98.53％，第二个主成分对第二热传导数据x(n)的贡献率为1.35％，前两个主成分对第二热传导数据x(n)的累计贡献率为99.88％。因此主要需要对第一成分与第二成分进行提取。s132，对主特征信息进行归一化处理获得主特征向量。在获得主特征信息f后，进一步将主特征信息f进行归一化处理，从而得到主特征向量f*。其具体可以通过如下公式：其中，f为主特征信息，fmax为f的最大值，fmin为f的最小值，f*是主特征向量。因此得到的主特征向量f*的数值小于1，即其数值分布范围为(0,1)。s14，将主特征向量输入到预设神经网络中进行识别；在获取到主特征向量f*后，进一步将主特征向量f*输入到预设神经网络中进行识别，其中预设神经网络是深度神经网络，深度神经网络(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。本实施例提供的深度神经网络具有多种液体的热传导数据样本组成的数据库。其深度神经网络中的热传导数据样本的数据进行随机划分为训练集、验证和测试集，具体可以通过预先对市面常见的金属容器，如铝和马口铁等，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进行样本选取，如每种液体可以选取30组，一共(30*金属容器品种数目*液体品种数目)组的热传导数据进行训练，其标签分别为危险和安全，如水的标签为安全，或者水与不与水进行反应的其他安全液体的混合液体的标签页为安全，随后采用训练集对dnn分类器进行训练，训练过程中可以采用双曲正切激活函数，接下来通过验证集验证上一步训练出的dnn模型，得到验证集识别率，最后，选取验证集中识别率最高的模型通过10折交叉验证的方法进一步确定测试集中识别率最高的dnn模型，得到识别率最高的dnn模型后，即为本实施例提供的预设神经网络。s15，获取预设神经网络输出的识别结果，以得到待检测液体的类型。因此在获取到主特征向量f*后，将其输入预设神经网络进行识别，则可以得到该主特征向量f*所对应的待检测液体的识别结果，即其标签如安全或者危险。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。在具体实施例中，由于训练的样本或者其类似的样本是有个整体集合的，可能出现有些液体没出现在这里集合中，从而无法进行识别，需要进一步通过人工识别，此时可以发出异常提醒，以提醒工作人员进行人工识别。同时，可以进一步收集该液体的热传导数据等，从而进行保存与再学习训练，从而扩大整个预设神经网络的识别能力。在具体实施例中，本申请提供的预设神经网络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。进一步的，在完成前一次的识别后，可以进行下次采集。请参阅图6，图6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、热电偶检测器12，其中，处理器10连接存储器11与热电偶检测器12。在本实施例中，热电偶检测器12用于采集待测液体的第一热传导数据。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可以用于对第一热传导数据进行预处理获得第二热传导数据；对第二热传导数据进行特征处理以获得第二热传导数据的主特征向量；处理器10还可以用于将主特征向量输入到预设神经网络中进行识别；并获取所述预设神经网络输出的识别结果，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7，图7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第一热传导数据，并进行处理得到第二热传导数据，随后对第二热传导数据进行特征化处理获得其主特征向量，并将该主特征向量输入到预设神经网络进行识别，获取识别结果，从而得到待测液体的类型。通过利用不同液体的导热系数不同，其温度上升的曲线的特性也不同，以使得不同待测液体其热传导数据也不同，从而提取出待测液体所对应热传导数据的主特征向量，并提供神经网络的智能算法来对主特征向量进行识别计算，从而获得待测液体的类型，其进一步通过对热传导数据信息进行中心化、滤波、降采样、归一化等操作，能够减少其主特征向量的信息容量与加强其信息准确性，在结合人工智能技术的基础上可以对待检测液体实现高速且高准确率的自动识别从而能够大大缩减成本，加快识别效率，加强识别准确度。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。当前第1页12