基于一維卷積神經網絡的氣體識別方法研究*

李 鵬徐永凱楊佳康陸 一

(1.南京信息工程大學,江蘇省氣象探測與信息處理重點實驗室,江蘇 南京 210044；2.南京信息工程大學,江蘇省大氣環境與裝備技術協同創新中心,江蘇 南京 210044；3.南京信息工程大學濱江學院,江蘇 無錫 214105)

隨著我國工業的迅猛發展,在日常生產生活中,由危險化學氣體泄漏而引發的災難性事件時有發生,這對人們的生命財產造成極大威脅,也引起社會的廣泛關注及相關部門的高度重視。這些泄漏氣體一般不是某種單一氣體,以混合氣體居多,因此如何快速、準確地識別混合氣體中的組分是一項重要研究工作。而人工嗅覺的智能檢測應用極為廣泛,在氣味識別、環境監測、食品質量監管[1]、醫療衛生[2]及公眾安全[3]等領域發揮著重要的作用。因此,可以利用人工嗅覺對工業生產及日常生活中泄漏的混合氣體進行識別與分類。

人工嗅覺(Artificial Olfaction,AO)模仿生物的嗅覺系統,一般采用氣敏傳感器陣列與模式識別算法相結合的手段對被檢氣體進行定性分析,從而達到對混合氣體進行識別與分類的目的。金屬氧化物半導體(metal oxide semiconductor,MOS)氣敏傳感器具有成本低、反應速度快、使用壽命長等優點,因此常被用來構建傳感器陣列。但MOS 氣敏傳感器具有交叉敏感性[4],即一種類型的氣敏傳感器可同時對多種氣體發生反應,這對人工嗅覺的分類效果影響很大。若通過改進金屬材料來改善氣敏傳感器的性能較為困難,且研發周期較長、成本高,而從氣敏傳感器陣列與人工智能算法相結合的角度更容易實現[5]。通過氣敏傳感器陣列與相關算法相結合,可實現對混合氣體定性分析的目的,從而為后續氣體濃度的定量分析提供重要支撐。

近年來,為了提高人工嗅覺的檢測準確度與精度,許永輝[6]、譚光韜[7]、陶孟琪[8]、Zhang L[9]、Yoo Y[10]、Sunny[11]等均做了很多努力。以上各類方法的大致過程是通過人工設計特征提取函數對傳感器響應值進行相關特征提取,如響應穩態值、響應基值、響應時間、響應恢復時間等,然而此類傳統方法中人工特征提取函數的設計過程較為復雜,分類準確度很大程度上取決于特征提取函數設計效果的好壞,且特征提取函數不能根據響應信號進行自適應調整,而卷積神經網絡具備自適應特征提取能力,因此可以應用在氣體分類上。而氣敏傳感器的輸出信號為一維時間序列,因此本文基于一維卷積神經網絡(One-Dimensional Convolutional Neural Network,1D-CNN)進行改進,實現對被測混合氣體的識別與分類。

1 卷積神經網絡算法

卷積神經網絡(CNN)在二維信號處理方面應用最早,尤其在圖像處理方面的應用,如最早的手寫字識別[12]、圖像檢索[13]、人臉識別[14]等,隨著技術的發展,研究人員開始嘗試將CNN 用來處理三維信號如行為識別[15]、醫學診斷[16]等與一維信號如語義識別[17]、文本識別[18]、心電識別[19]等,均表現出良好的應用效果。本文采用一維卷積神經網絡對混合氣體進行識別,與傳統方法的不同之處在于不需要人工設計特征提取函數對信號進行特征提取,可以節省不少時間。因為特征提取函數設計往往較為復雜,對每一特征提取就需要設計一次函數,復雜程度高、難度大,且提取效果也并不是每次都能盡如人意,而卷積神經網絡可自動、全面地對原始數據進行特征提取與學習,比較適合完成對混合氣體進行分類的任務。

1.1 一維卷積神經網絡基本原理

本文所提出的1D-CNN 主要包括輸入層、隱含層、全局平均池化層、輸出層,如圖1 所示為一維卷積神經網絡的結構圖,整個網絡有四個隱含層,其中每個隱含層包括兩個卷積層、一個池化層與激活函數(tanh 函數)。卷積層用來提取傳感器陣列原始信號的特征,可以改善MOS 傳感器的選擇性；而池化層可以保留顯著特征、降低特征的維度,從而減小數據運算量與復雜程度。原始相應信號通過輸入層輸送至神經網絡,經過各隱含層的特征提取、池化降維等操作,最后通過softmax 函數對響應信號進行分類。

圖1 一維卷積神經網絡結構圖

1.2 特征提取與分類

一維卷積神經網絡[20-21]主要通過卷積運算提取輸入數據的特征,可有效降低原始數據對后續操作的噪聲干擾,從而提高分類結果的準確率,其輸出特征圖作為下一層輸入。常見二維卷積提取的特征既與水平方向相關[22],又與垂直方向相關,而此處一維卷積提取的特征僅與水平方向相關,且氣敏傳感器輸出的響應信號是一維時間序列,而非二維圖像的像素點,因此非常適合用一維卷積運算對輸出的響應信號進行特征提取。一維卷積運算的示意圖如圖2 所示,其表達式如(1)所示,xj代表輸出,表示第j層卷積層的第i個一維卷積核的輸出。

圖2 一維卷積運算示意圖

式中:M為輸入數據集,為卷積核,*為卷積符號,b為偏置項,f為激活函數。在本文中,四個隱含層的卷積核大小分別為1×16×8、1×4×16、1×4×256、1×2×512,其中8、16、256、512 分別為卷積核的數量。

本文特征提取部分采用每個隱含層兩個卷積層加一個池化層的結構,可以進一步提取數據的相關特征,同時池化采用最大池化,以去除冗余信息、減小數據的尺寸,而不改變數據的維度,也不涉及權重與參數更新,這樣可以有效減輕神經網絡的結構負擔與運算量。最大池化的表達式如(2)所示,這里池化步長為2。

一般卷積神經網絡的結構會在網絡最后的池化層后加兩個全連接層(Fully Connected Layer,FC)[23],全連接層的作用是將上一層得到的特征圖延展為向量,再對向量進行卷積,以降低其維度,但這將大大增加模型復雜度、降低訓練速度,容易導致過擬合現象的出現,而全局平均池化(Golbal Average Pooling,GAP)則可改善這一不利因素。因氣敏傳感器的輸出響應信號在時間域上是連續、相關的,對其進行GAP 操作可以保證采樣特征的連續性,并可有效去除冗余信息,提高運算效率,減少過擬合出現的概率。同時,在全局平均池化層后加入Dropout 層,可減少中間特征的數量、提高運算效率,增強模型的泛化能力,預防過擬合現象的出現。

如果分類標簽采用獨熱編碼的話,混合氣體分類的數目會隨著混合氣體種類呈現指數型的增加,例如如果某種混合氣體含有m種成分,則會產生2m個標簽,這樣標簽維度將會變得很大,為有效降低標簽維度,本文采用將獨熱編碼轉換成多標簽分類方法,如表1 所示,“0”代表沒有這種氣體,“1”代表有這種氣體,多標簽分類可將獨熱編碼的(0,0,0)轉換成0 表示,可有效解決獨熱編碼標簽尺寸大的問題。

表1 混合氣體標簽

最后再通過softmax 函數對輸入數據進行分類并利用分類交叉熵函數計算損失。softmax 函數常用來解決多分類問題,其表達式如式(3)所示。

式中:xk為第k個節點的輸出值。softmax 函數首先對輸入信號進行指數變換,這樣可以將多分類的數值轉換為[0,1]且和為1 的概率分布,而得到數值可看作該輸入的處理結果而被分為某一類的近似概率,并將其劃分為對應概率最大的標簽類。

最后對其進行預測分類與損失計算如式(4)、式(5)所示。

式中:ypre為對目標氣體的預測,yprei為預測正確的概率,WT為權重,b為偏置,yi為真實標簽,n為分類標簽數,最終將交叉熵函數作為訓練的損失函數,損失函數輸出值越小,則說明模型訓練越好。如果預測值與真實值越接近,交叉熵函數輸出值就越接近0,而若預測值與真實值誤差較大,在反向傳播訓練過程中,各種參數調整幅度也會隨之變大,從而使模型更快地收斂。

2 實驗數據的獲取

實驗數據的獲取需要搭建數據采集系統,這里針對甲烷(CH4)、一氧化碳(CO)、乙烯(C2H4)及兩種混合氣體進行采集數據,整個數據采集系統的框圖如3 所示。

圖3 數據采集系統

整個數據采集系統主要由氣瓶、氣敏傳感器陣列、數據采集卡及計算機等組成。其中三個氣瓶分別存有甲烷、一氧化碳和乙烯,可根據需求配制不同濃度的單一氣體或混合氣體。配置濃度計算公式如式(6)所示。

式中:Q為需要輸送至配氣箱內的氣體體積,單位為mL,C為所需配置氣體濃度ppm(parts per million,百萬分比),V為配氣箱的有效容積,單位為mL,此處V＝27 cm×27 cm×28 cm＝20 412 cm3,則V的取值為20 412 mL,這里高壓氣瓶里的氣體經減壓閥降至0.1 MPa 再經流量計輸送至配氣箱內,所以可以忽略壓強的影響。如需配置100×10-6的CO,根據式(6)可計算出Q＝100×10-6×20 412 mL＝2.041 2 mL,即需向配氣箱內輸送2.041 2 mL 的CO 氣體即可。傳感器陣列由四種不同型號的傳感器組成:分別為費加羅公司TGS2600、TGS2610、TGS2611 和TGS2620,表2 列出了不同傳感器可與發生反應的氣體。當目標氣體進入MOS 氣敏傳感器,與其內部半導體元件發生反應時,半導體元件會發生還原反應,釋放熱量,使得元件溫度升高,電阻發生變化,可以利用這一特性,將氣體組分和濃度轉換成電信號進行輸出。

表2 傳感器陣列選型

實驗配氣采用靜態配氣法,首先每次配氣前先用純凈氮氣清洗實驗箱3 min,待輸出響應值基本穩定后根據式(6)進行不同濃度的氣體配置,輸入氣體體積通過流量計瞬時流量和時間相乘可以得出。同時用數據采集卡記錄氣體與傳感器陣列反應的輸出響應信號,此處數據采集卡的采樣頻率設置為10 Hz,每次采樣時長為5 min,采集不同濃度甲烷、一氧化碳、乙烯及兩種混合氣體,其中三種單一氣體取值為0～500×10-6,間隔為100×10-6,如表3 所示；混合氣體濃度分布如表4、表5 所示。

表3 單一氣體濃度

表4 甲烷、一氧化碳混合氣體濃度

表5 乙烯、一氧化碳混合氣體濃度

每組數據采集60 次,共計獲得4080 條數據,訓練樣本與測試樣本的數據量比例為7∶3。

3 氣體檢測方法流程

圖4 所示為整個氣體識別算法流程圖,整個過程主要分為兩個階段:訓練階段和測試階段。首先通過氣敏傳感器陣列與目標氣體發生反應采集相關數據,在訓練階段,對采集到的數據貼上標簽,并隨機打亂排列順序；通過隱含層的卷積運算與池化操作對響應信號進行特征提取與降維處理,并通過反向傳播更新權重,保存最優模型參數。測試階段,通過前期訓練好的模型,對輸入數據進行分類,得出識別結果。

圖4 氣體識別算法流程

4 實驗結果與對比

實驗選取甲烷、一氧化碳、乙烯及兩種混合氣體的實驗數據作為訓練樣本,采用改進一維卷積神經網絡對其進行識別與分類。除了選用改進前的1D-CNN算法比較外,還與其他傳統算法如支持向量機(Support Vector Machine,SVM)、主成分分析法(Principal Component Analysis,PCA)、K 最近鄰(K-Nearest Neighbor,KNN)做對比,因SVM、PCA、KNN 不能進行數據特征的自動提取,需人工設計特征提取函數。如圖5 所示為四種傳感器對濃度為200×10-6的CO 濃度響應曲線,可看出每種傳感器的響應基值(傳感器在空氣中輸出電壓值)、響應建立時間(響應值從基值上升到最大響應值的90%所用時間)、響應恢復時間(響應值從最大響應值下降了90%所用時間)均有差異,可根據這些特點進行特征提取函數的設計。

圖5 不同傳感器對200×10-6 CO 的響應

如圖6 所示,(a)、(b)為改進前1D-CNN 的訓練準確率和損失率,可以看出訓練結果收斂性較差一些,最佳準確率最終達到92%左右；(c)、(d)分別為改進后1D-CNN 的訓練準確率和損失率,收斂性較好且最終訓練識別準確率基本接近100%、損失率接近0,可以看出利用卷積神經網絡自動提取的特征對數據進行分類,具有準確率高、損失小的優勢。

圖6 訓練結果圖

為進一步說明本文所提出的改進1D-CNN 算法在氣體識別與分類方面的性能,表6 列出了不同方法在氣體檢測性能方面的比較,這里1D-CNN 與改進的1D-CNN 參數設置相同,batch size 為20,優化器Adam 學習率為0.000 35,dropout 設為0.35；CNN＋SVM 中CNN 參數保持同上,SVM 懲罰系數C設為0.9,采用線性內核；長短期記憶網絡(Long Short-Term Memory,LSTM)batch size 為20,步長設為2,隱層為256,學習率為0.001；極限學習機(Extreme Learning Machine,ELM)正則化系數的倒數C 設為10,學習率設為0.3,可以看出相較于未改進的1D-CNN 算法,改進后的1D-CNN 算法在分類準確率上有7.62%的提高,而相比于其他三種算法,它們的訓練準確率在70%～80%之間,均沒有改進后的1D-CNN 算法訓練準確率高,因此改進后的1D-CNN 算法在準確率上占據優勢。

表6 不同方法準確率

5 結論

針對金屬氧化物半導體氣敏傳感器陣列在氣體檢測時選擇性差的問題,本文通過搭建改進的1DCNN 網絡結構和數據集進行模型的訓練,實現了對甲烷、一氧化碳、乙烯及兩種混合氣體的識別與分類。實驗結果表明1D-CNN 復雜特征提取能力優于傳統算法,不再依賴人工特征提取,簡化了特征提取過程,同時分類準確率也相應提升,也為后續氣體組分的濃度估計提供了重要支撐。