激光前散射與β 射線相融合的顆粒物濃度監測系統★

王建鵬

（山西省信息產業技術研究院有限公司， 山西 太原 030012）

引言

近些年，隨著我國工業和經濟的飛速發展，顆粒物TSP、PM10、PM2.5 對大氣的污染日趨嚴重。目前，國內外常用顆粒物濃度檢測方法有濾膜稱重法、β射線法、光散射法等。濾膜稱重法原理簡單，采樣定量的氣體，空氣中的顆粒物附著于薄膜上，采樣薄膜前后的重量差，從而求得顆粒物濃度，這種方法結果也比較可靠，但檢測周期過長；β 射線法利用紙帶上顆粒物對β 射線的吸收，通過前后衰減程度計算出顆粒物濃度，該方法測量準確度高、易維護但測量結果間隔較長不能做到實時監測；光散射法通過光通量平均值與顆粒濃度之間的線性關系確定顆粒物濃度的大小，光散射法檢測的實時性高，但在測量精度上達不到濾膜稱重法和β 射線法的水平。為了實現對顆粒物污染高精度實時監測，依托山西省重點研發計劃項目（201903D321074），設計一套激光前散射與β 射線相融合的顆粒物濃度監測系統，系統中引入卷積神經網絡的污染源圖像識別技術，在對顆粒物濃度實時監測的同時實現了對污染源圖像的識別和上傳。

1 設計方案

系統框架如圖1 所示。系統基于ROS 系統開發，在監測區域內呈一衛多星式分布，建立基于LoRa 的無線局域網作為信息通道，以一個數據核心處理系統為Master 節點，以其他數據采集子系統作為其衛星節點，通過Master 節點的控制與調度，完成區域內數據的采集、傳輸及預處理等功能[1-2]。利用數據采集子系統中激光前散射測量裝置獲得揚塵的順時相對變化，利用β 射線法測量裝置檢測顆粒物的小時濃度，并用小時值校準順時值，獲得高分辨的實時顆粒物濃度。當環境污染達到警戒值時，由球機對周圍環境進行掃描拍照，通過圖像分析將污染源和非污染源的圖像進行分類，并將污染源圖像上傳。

圖1 系統結構

2 數據采集系統

2.1 激光前散射檢測裝置

空氣中顆粒物檢測采用基于激光前散射的檢測技術，光源發出的光束通過含有待測顆粒物的測量區域，發生光的散射，散射光從顆粒物向不同方向發生散射，前向散射的光被光電傳感器接收，激光光強信號轉換成電流信號，通過調理電路進行I.V 轉換、放大、濾波后輸入A/D 轉換，由串口送入工控機。如下頁圖2 所示。

2.2 β 射線檢測裝置

裝置結構如下頁圖3 所示，由采樣入口、濾紙、氣路組成氣體采樣系統，進行樣本氣體采集[3]。由低能量β 射線源在顆粒物采集前后穿過清潔濾紙和采集有顆粒物的濾紙，根據兩次β 射線被吸收的變化量來求得搜集在濾紙上的顆粒物的質量。由處理終端進行系統控制和數據處理。

圖2 激光前散射檢測裝置

圖3 β 射線檢測裝置結構

利用β 射線法檢測裝置檢測顆粒物的小時濃度，并用小時值校準激光前散射檢測裝置，從而獲得高分辨的實時顆粒物濃度。

3 通過卷積神經網絡算法識別污染源圖像

當環境污染達到警戒值時，由球機對周圍環境進行掃描拍照, 通過圖像分析將污染源和非污染源的圖像進行分類，并將污染源圖像上傳。具體實現方法如下：

1）收集樣本集，包含存在污染源對象的圖片和不存在污染源對象的圖片作為訓練樣本，并進行標注產生分類標簽。

2）建立卷積神經網絡結構，如圖4 所示。

圖4 卷積神經網絡結構

圖像由RGB 3 個通道輸入，經過32@7×7，64@5×5，128@5×5 的卷積核進行特征抽取，卷積層與卷積層之間加入2×2 的max pooling 層，最后由1024 的全連接層進行輸出分類[4-5]。

3）訓練網絡參數，訓練過程中的損失函數選用交叉熵損失函數，如公式（1）所示。

式中：m 為樣本數量；y 為樣本類別指示變量；h 為樣本類別的預測概率。選用AdamOptimizer 作為參數優化器，訓練權重為0.000 1。網絡權重初始值為標準差為0.1 的截斷正態分布，初始偏置值為0.1。訓練后，神經網絡圖像識別準確率如圖5 所示。

圖5 訓練曲線

由曲線圖可以看出經訓練后的卷積神經網絡對圖像識別的準確率達到97%。

4 結語

顆粒物濃度監測系統是基于ROS 節點式設計的，可實現一衛多星式部署，同時，采用激光前散射與與β 射線相融合的檢測方式，達到了兼顧準確性和實時性的目的，并引入卷積神經網絡對污染源進行識別，由訓練曲線看出分類精度高達97%。