[发明专利]一种基于物联网电子鼻的深度神经网络气体识别方法及系统

说明书

本发明公开了一种基于物联网电子鼻的深度神经网络气体识别方法及系统，通过气体传感器阵列采集得到的气体样本响应信号，经带有传感器阵列和物联网模块的终端设备发送到云端数据中心。在微控制器MCU对数据预处理后进行格拉姆角场变换，使得上位机接收到的二维传感器响应数据，经过升维后成为可以输入到卷积神经网络中的三维数据，通过分类器输出气体标签，可以表示气体类别和浓度等级，实现了远程监测的实时性、抗干扰性和高检测准确率。发挥了卷积神经网络特征提取能力强、模型收敛快和识别准确率高的优势。可广泛应用于环境检测、工业生产、医疗和安全等领域。

技术领域

本发明涉及气体分析领域，尤其涉及一种基于物联网电子鼻的深度神经网络气体识别方法。

背景技术

随着社会的发展，人们的日常生活越离不开燃气，以甲烷、一氧化碳为代表的燃气一方面为人们的日常生活带来了许多便利，另一方面也带来了由可燃气体泄漏、爆炸所造成的隐患。因此对于可燃气体的检测与识别越来越引起人们的重视。近年来，由于受到高新技术发展的影响，可燃气体检测技术也得到了很好的发展。“电子鼻”技术，又被称作机器嗅觉技术，是随着近些年模式识别技术的发展而兴起的计算机辅助传感器阵列的技术，最早由Gardner在二十世纪九十年代提出，在包括食品安全，环境监测，医疗领域等诸多个领域发挥着重要作用。它与常规的气相色谱质谱联用分析方法相比快速、简便、成本低，前景广泛。当前气体传感器的类型众多，其中半导体金属氧化物(Metal-Oxide Semiconductor，MOS)型传感器由于其成本低、体积小、灵敏度高和使用寿命长等特点在气体检测领域得到了广泛的应用，但是MOS传感器的选择性差，对多种气体存在交叉敏感的现象，在没有其他传感技术的情况下基于单个传感器识别多种气体仍然是一个巨大的挑战。

在这样的背景下采用计算机辅助方法非常重要。当前，混合气体的分类研究领域十分广泛。2019年发表在《Sensors》上的一篇文章《Combustible Gas ClassificationModeling using Support Vector Machine and Pairing Plot Scheme》构建了一种基于支持向量机的气体分类监督学习方法，所提出的模型对CH₄和CO气体的分类在传感器的最低浓度检测限上所有的浓度等级分类可以达到100％的正确率。由于气体传感器的时间序列响应信号难以被传统的气体识别算法处理，因此需要人工提取特征的步骤来使得信号能够进行机器学习的算法处理。但是该步骤需要反复验证提取特征的有效性，该步骤复杂而繁琐。2020年发表在《Sensors and Actuators A:Physical》上的《An optimized deepconvolutional neural network for dendrobiumclassification based on electronicnose》提出了使用一维深度卷积神经网络来自动提取特征，但是该种方法并没有利用到传感器阵列响应信号的多维时间序列的信号相关性。

发明内容

本发明目的在于针对现有技术的不足，实现对指定区域内的燃气类别和浓度等级实现实时检测和预警，针对传统机器识别方法需要人工提取特征等较为复杂的步骤，本发明提出了一种结合格拉姆角场的深度残差卷积神经网络算法，来实现对于响应信号的升维和自动提取特征。

本发明的目的是通过以下技术方案来实现的：一种基于物联网电子鼻的深度神经网络气体识别方法，其特征在于，该方法包括以下步骤：

步骤一：基于集成有网络通讯模组的传感器阵列终端设备，将采集得到的气体样本响应数据经网络协议传输到远程的云端数据中心；

步骤二：结合格拉姆角场GAF的深度残差卷积神经网络算法，对云端数据中心的传感器响应数据进行数据升维操作，以作为深度残差卷积神经网络的输入数据；完成待测气体的类别和浓度等级识别。

2、根据权利要求1所述的一种基于物联网电子鼻的深度神经网络气体识别方法，其特征在于，通过终端设备上的网络通讯模组完成与云端数据中心的信息交互；具体包括：