化工仪器网高级会员    点击进入官网 手机:15618922826
技术文章 / Technical article 您的位置:网站首页 > 技术文章 > 当AI遇上光学:深度学习如何大幅提升痕量气体分析灵敏度?

当AI遇上光学:深度学习如何大幅提升痕量气体分析灵敏度?

点击次数:345 发布时间:2021-12-03

今天七月,Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy (SAA)期刊上发表了一个来自安徽大学周胜副教授课题组的研究成果《Optimized adaptive Savitzky-Golay filtering algorithm based on deep learning network for absorption spectroscopy》。此项工作将深度学习应用在激光光谱气体分析技术上的Savitzky-Golay(简称S-G)滤波抗噪算法,并通过仿真和实验证实该方法能够提升痕量NO2气体分析中光谱信号的信噪比,有助于实现更高灵敏度的气体分析。

激光光谱分析是一个很强大的气体分析技术,能够实现非接触式、高精度、高灵敏度、高选择性的痕量气体分析(ppmppb量级)。然而,实际操作中所测得的吸收光谱会受到噪声的干扰,导致不准确的测量结果。过去的研究工作中提出了一些抑制噪声的算法,其中S-G滤波算法由于速度快、无需提供过多的参数、且能较好的保留原始光谱的形状和高度,成为近年来较受关注的方法,并且已经在某些应用场景(例如连续血糖监测)证明其面对各类噪声的有效性。S-G滤波算法的性能决定于两个参数:多项式阶数(k)和平均计算的窗口大小(b)。但是,噪声源和吸收光谱在实际应用中是未知的,因此难以获得固定的参数值使得滤波效果达到最优。为了解决这个问题,研究人员提出了一种优化的自适应S-G算法,将深度学习网络与传统的S-G 滤波相结合,以提高测量系统的性能。深度学习网路以其非线性映射和建模能力对数据的规律性进行研究,并实现出色的“自我调整"和“跟踪反馈"。相较于传统的S-G算法,经过优化的算法可以调整滤波参数以实现光谱的最佳信噪比。

图一展示了用于训练S-G滤波算法参数的深度学习网络。这个具有多层感知器的人工智能网络提供了设计上的弹性,可以通过调整层数、神经元数量、和一些优化指标以达到所需的性能。用庞大的数据集进行高效训练后,相应的网络模型将达到最佳状态。接着,经过训练的网络模型将使用变量数据输入找到好的 k b。 与此同时,输入数据集也将按传统方式计算以获得最佳参数k b。通过比较模型预测和人机计算的结果,由人工决定出最佳的网络参数。

 

image.png 

图一 用于计算S-G滤波算法参数的深度学习网络

 

研究组以NO2为目标气体,选取波数位于1630.11630.42 cm-1的吸收谱线,进行了软件仿真和实验测量作为新方法(adaptive SG filtering, 以下ASGF)的验证,同时与另一常用的multi-signal averaging filteringMAF)方法作比较。MAF计算时间长且主要用于白噪声的抑制。仿真结果显示在白噪声干扰的条件下(图二),MAF将信噪比从原始的6.58 dB提升至12.62 dB,新的ASGF算法则能提升至15.51 dB。图三则显示了非白噪声的背景噪声干扰,MAF方法将信噪比从原始的7.14 dB提升至13.22 dB,新的ASGF算法则提升至了更高的17.37dB

image.png

 

图二 仿真验证ASFG算法在白噪声干扰下的性能表现

image.png 

图三 仿真验证ASFG算法在其他背景噪声干扰下的性能表现

 

图四展示了实际实验的设置,它由一个光源、一个带压强控制器的多通气体吸收池、一系列反射镜、一个碲镉汞光电探测器和一台计算机组成。昕虹光电为此项研究工作提供的激光源为Q-Qube型量子级联激光发射头,这是一款热电冷却,空气制冷型,内准直输出的连续波CW室温分布反馈型量子级联激光(DFB-QCL)源,最大峰值输出功率为 30 mW,由QC750-Touch型一体化激光驱动器,集温度控制器和低噪声恒流电流控制器驱动于一身,使光源系统发出6.2 μm波长的激光。极低的光学噪声和驱动器稳定性为此实验奠定了高质量信号基础。激光通过多通池由热电致冷型的碲镉汞光电探测器接收,信号传输至电脑后进行数据处理与分析。

 

image.png 

图四 用于验证ASGF算法用于痕量NO2气体分析的实验设置

 

实验设置在压力0.1 atm和温度296 K氮气4 ppm NO2的测量。其测量和过滤后的吸收光谱如图五(a)所示,原始数据测吸收特性淹没在噪声中,而经ASGF算法过滤后的频谱已显着平滑,使识别更容易。研究组对吸收光谱数据与理论Voigt 函数拟合图五(b)结果表明拟合的R平方值高达0.99934,表明滤波后的吸收光谱与理论形状吻合良好。

 

 

image.png 

图五 实测NO2的吸收光谱和经ASFG算法后的吸收光谱,可以看到滤波后的吸收光谱与理论形状吻合良好

 

结合了深度学习的神经网络技术,研究组提出的自适应S-G滤波算法表现出显着的滤波效果,在激光光谱气体分析领域中能够大幅改善光谱信号的信噪比。面对大气环境中具有挑战性的痕量气体分子检测,将能提供更优异的灵敏度和可靠性。


扫一扫访问手机站扫一扫访问手机站
访问手机站