气体浓度检测方法、装置、系统及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113720968A(43)申请公布日2021.11.30(21)申请号202110868872.X(22)申请日2021.07.29(71)申请人深圳市天得一环境科技有限公司地址518000广东省深圳市光明区玉塘街道长圳村长凤路351号一楼(72)发明人张汉辉(74)专利代理机构深圳市恒程创新知识产权代理有限公司44542代理人张小容(51)Int.Cl.G01N33/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图2页(54)发明名称气体浓度检测方法、装置、系统及存储介质(57)摘要本发明公开了一种气体浓度检测方法、装置、系统及存储介质，其中，气体浓度检测方法包括以下步骤：通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果。本发明公开的气体浓度检测方法可解决现有的气体浓度检测方法输出结果不精准的技术问题。CN113720968ACN113720968A权利要求书1/2页1.一种气体浓度检测方法，其特征在于，包括以下步骤：通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；其中，所述通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型的步骤，包括：获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型。2.根据权利要求1所述的气体浓度检测方法，其特征在于，所述利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型的步骤，包括：将所述训练数据集中的所述响应电压值输入至所述神经网络模型中，输出预测浓度值；根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度；若所述神经网络模型的训练精度未达到预设精度，则调节所述神经网络模型的连接权值，并反复利用所述训练数据集中的所述响应电压值对所述神经网络模型进行训练，直至所述神经网络模型的训练精度达到预设精度为止，获得训练完成的所述目标神经网络模型。3.根据权利要求1所述的气体浓度检测方法，其特征在于，所述目标神经网络模型包括输入层、中间层、线性层以及输出层；通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层；通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。4.根据权利要求3所述的气体浓度检测方法，其特征在于，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块；所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；所述LSTM模块，用于对应记录所述输入层中相应电压数据输出点的所述电压数据，并生成所述第一特征传输至所述线性层；2CN113720968A权利要求书2/2页所述Linear+LSTM模块，用于记录所述输入层中所有电压数据输出点的所述电压数据，并生成所述第二特征传输至所述线性层。5.根据权利要求4所述的气体浓度检测方法，其特征在于，所述输入层包括若干个气体传感器，每一所述气体传感器与每一所述LSTM模块一一对应连接，且所有所述气体传感器分别与各个所述LSTM模块连接；所述气体传感器，用于检测所述目标气体的浓度，并生成与所述目标气体的浓度相对应的所述第一电压信息。6.根据权利要求3所述的气体浓度检测方法，其特征在于，所述线性层包括若干个Linear模块；所述Linear模块与所述中间层全连接；所述Linear模块对所述第一特征和第二特征进行综合处理，生成输出特征并传