气体浓度检测方法及装置、系统、模型训练方法及装置

1.本技术涉及气体浓度检测技术领域，特别是涉及一种气体浓度检测方法及装置、系统、模型训练方法及装置。


背景技术：

2.随着气体浓度检测技术的发展，越来越多检测技术应运而生。
3.现有技术中，检测气体浓度的方法是：对气敏传感器进行上电加热，当温度达到气敏传感器上涂覆的气敏材料的最佳工作温度后，采集气敏传感器输出的电压数据，计算机设备根据气敏传感器输出的电压数据确定被测气体的浓度。然而，上述检测方法存在检测灵活性低的技术问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高气体浓度检测灵活度的气体浓度检测方法及装置、系统、模型训练方法及装置。
5.第一方面，本技术提供了一种气体浓度检测方法，应用于基于fpga开发板的气体浓度检测装置；所述方法包括：
6.对位于密闭腔中的气敏传感器进行加热，以使所述气敏传感器生成模拟信号形式的第一检测信号，所述密闭腔中通入有待测气体；
7.将所述第一检测信号转换为数字信号形式的第二检测信号；
8.根据所述气体浓度检测装置中的深度学习模型对所述第二检测信号进行运算以获取待测气体在所述密闭腔中的浓度检测结果。
9.在其中一个实施例中，对所述气敏传感器进行加热包括：
10.采用脉冲电压驱动所述气敏传感器中的加热电极以对所述气敏传感器中的气敏材料进行加热。
11.在其中一个实施例中，所述脉冲电压的脉冲周期为8s～10s，各所述脉冲周期中脉冲的持续时间为1s～3s。
12.在一个实施例中，所述根据所述气体浓度检测装置中的深度学习模型对所述第二检测信号进行运算以获取待测气体在所述密闭腔中的浓度检测结果之前，还包括获取所述深度学习模型的步骤，包括：
13.接收模型训练装置发送的深度学习模型的参数信息；
14.根据所述参数信息获取计算电路；
15.基于所述计算电路获取所述深度学习模型。
16.在一个实施例中，所述深度学习模型为bp神经网络模型。
17.第二方面，本技术还提供了一种模型训练方法，用于构建上述实施例中所述气体浓度检测方法中的深度学习模型，所述方法包括：
18.分别获取所述气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测
气体对应的第二检测信号，以形成多个第一信号数组；
19.采用独热编码对一维的所述第一信号数组进行转换以获取多维的第二信号数组；
20.基于relu函数对所述第二信号数组进行训练以构建所述深度学习模型，并将所述深度学习模型的参数信息发送至气体浓度检测装置。
21.第三方面，本技术还提供了一种气体浓度检测装置。所述气体浓度检测装置为基于fpga开发板的气体浓度检测装置，所述装置包括：
22.加热模块，用于对位于密闭腔中的气敏传感器进行加热，以使所述气敏传感器生成模拟信号形式的第一检测信号，所述密闭腔中通入有待测气体；
23.信号接收模块，用于将模拟信号形式的所述第一检测信号转换为数字信号形式的第二检测信号；
24.数据分析模块，用于根据所述气体浓度检测装置中的深度学习模型对所述第二检测信号进行运算以获取待测气体在所述密闭腔中的浓度检测结果。
25.第四方面，本技术还提供了一种模型训练装置。所述装置包括：
26.数据获取模块，用于分别获取气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测气体对应的第二检测信号，以形成多个第一信号数组；
27.数组转换模块，用于采用独热编码对一维的所述第一信号数组进行转换以获取多维的第二信号数组；
28.模型训练模块，用于基于relu函数对所述第二信号数组进行训练以构建深度学习模型，并将所述深度学习模型的参数信息发送至气体浓度检测装置。
29.第五方面，本技术还提供了一种气体浓度检测系统，所述系统包括：
30.气体浓度检测装置，用于执行上述实施例中所述的气体浓度检测方法的步骤；
31.气敏传感器，与所述气体浓度检测装置连接，用于基于所述气体浓度检测装置的加热，根据待测气体的不同浓度生成对应的第一检测信号。
32.在其中一个实施例中，所述系统还包括：
33.模型训练装置，与所述气体浓度检测装置连接，用于构建所述的气体浓度检测装置的所述深度学习模型，并将所述深度学习模型的参数信息发送至气体浓度检测装置。
34.上述气体浓度检测方法及装置、系统、模型训练方法及装置，气体浓度检测方法应用于基于fpga开发板的气体浓度检测装置，包括对位于密闭腔中的气敏传感器进行加热，以使气敏传感器生成模拟信号形式的第一检测信号，密闭腔中通入有待测气体；将模拟信号形式的第一检测信号转换为数字信号形式的第二检测信号；根据气体浓度检测装置中的深度学习模型对第二检测信号进行运算以获取待测气体在密闭腔中的浓度检测结果。所述气体浓度检测方法可以通过存于基于fpga开发板的气体浓度检测装置中的深度学习模型实时对待测气体进行气体浓度检测，相对于现有技术而言，检测过程不需要计算机设备，在保证检测精度的同时有利于提高气体浓度检测的灵活性。
附图说明
35.图1为一个实施例中气体浓度检测方法的流程示意图；
36.图2为一个实施例中气体浓度检测装置的结构框图之一；
37.图3为一个实施例中获取深度学习模型的流程示意图；
38.图4为一个实施例中模型训练方法的流程示意图；
39.图5为一个实施例中气体浓度检测装置的结构框图之二；
40.图6为一个实施例中模型训练装置的结构框图；
41.图7为一个实施例中计算机设备的内部结构图；
42.图8为一个实施例中气体浓度检测系统的结构框图。
具体实施方式
43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
44.在一个实施例中，如图1所示的气体浓度检测方法的流程示意图，该气体浓度检测方法可以应用于基于fpga开发板的气体浓度检测装置，该气体浓度检测方法包括以下步骤102至步骤106：
45.步骤102，对位于密闭腔中的气敏传感器进行加热，以使气敏传感器生成模拟信号形式的第一检测信号，密闭腔中通入有待测气体。
46.其中，所述fpga开发板的型号可以是pynq-z2开发板，fpga开发板可以用于驱动密闭腔中的脉冲加热电路对气敏传感器进行加热。可选地，如图2所示的气体浓度检测装置的结构框图之一，气体浓度检测装置200可以包括采集电路210和脉冲加热电路220，采集电路210与脉冲加热电路220连接，用于采集脉冲加热电路220获取的气敏传感器230输出的电压信号(即第一检测信号)，并将电压信号转换为与电压值对应的浓度检测值(即第二检测信号)。其中，气敏传感器230位于密封腔240内，密封腔240中通入有待测气体。可以理解的是，为了使所述气体浓度检测装置200可以更加灵活地进行气体浓度检测，采集电路210和脉冲加热电路220均可以是基于fpga开发板设计的电路。
47.所述气敏传感器是用来检测气体浓度和成分的传感器，气敏传感器能够将气体种类及其与浓度有关的信息转换成模拟信号形式的电信号(即本技术中的第一检测信号)，根据这些电信号的强弱就可以获得与待测气体在环境中的存在情况有关的信息，从而可以进行检测、监控、报警。
48.所述待测气体可以是voc(挥发性有机化合物，volatile organic compounds)气体。
49.步骤104，将第一检测信号转换为数字信号形式的第二检测信号。
50.具体地，例如可以将模拟信号形式的电压信号转换为数字信号形式的与电压信号对应的浓度检测值。
51.步骤106，根据气体浓度检测装置中的深度学习模型对第二检测信号进行运算以获取待测气体在密闭腔中的浓度检测结果。
52.其中，所述深度学习模型是基于fpga开发板的气体浓度检测装置从其他能够进行模型训练的设备中移植而来的，能够存储于所述气体浓度检测装置中，实现重复灵活运用该深度学习模型。
53.具体地，深度学习模型包括六层运算层：输入层、压平层、3层全连接层和输出层。深度学习模型涵盖了在模型训练过程中涉及的全部计算过程，能够对获取的第二检测信号
property core)，具体指的是芯片中具有独立功能的电路模块的成熟设计。该ip核可存储在气体浓度检测装置的存储器内，因此，气体浓度检测装置能够随时使用该深度学习模型，提高气体浓度检测的灵活度。
68.在本实施例中，接收模型训练装置发送的深度学习模型的参数信息，气体浓度检测装置基于所述参数信息进行编码，并将编码后的计算电路进行封装从而获取深度学习模型，因此，所述运算设备能够独立地使用该深度学习模型，不再依托模型训练装置，能够更加灵活地完成对待测气体的浓度检测。
69.在一个实施例中，深度学习模型为bp神经网络模型。
70.本实施例中，由于所述bp神经网络(误差反向传播神经网络，backpropagation neural networks)模型具有较强的非线性映射能力，能够根据获取的第一检测信号准确地获取浓度检测结果，以提高最终对待测气体浓度检测的准确度。同时，bp神经网络模型具有高度自学习和自适应的能力，能够提高对不同浓度、不同类型的待测气体检测的灵活性。
71.在一个实施例中，如图4所示的模型训练方法的流程示意图；上述模型训练方法包括以下步骤402至步骤406：
72.步骤402，分别获取气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测气体对应的第二检测信号，以形成多个第一信号数组。
73.具体地，通过气体浓度配置机器配置voc气体(可以是乙醇气体)，分别为10ppm，20ppm，30ppm，40ppm，50ppm，60ppm，70ppm，80ppm，90ppm和100ppm，每个浓度的voc气体持续通入1小时。通过气体浓度检测装置上的模拟信号接口收集输出的第一检测信号(电压值信号)，第一检测信号收集的采样率为50hz。
74.步骤404，采用独热编码对一维的第一信号数组进行转换以获取多维的第二信号数组。
75.其中，所述独热编码即为one-hot编码，又称一位有效编码，能够使用n位状态寄存器来对n个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效(n为正整数)。
76.具体地，使用独热编码能够将1
×
100的一维信号数组转换为100
×
100的多维第二信号数组。通过独热编码无需将电压值转换为阻抗，使得基于该第二信号数组构建的深度学习模型能够获取更加准确的浓度检测结果。
77.步骤402，基于relu函数对第二信号数组进行训练以构建深度学习模型，并将深度学习模型的参数信息发送至基于fpga开发板的气体浓度检测装置。
78.具体地，所述深度学习模型包括6层，第一层为输入层，输入的信号数组大小为100
×
100；第二层为压平层，作用是将多维的第二信号数组转换为一维的信号数组，输入的信号数组大小为100
×
100；第三层为全连接层，由于经过了压平操作，神经元数量为50个，输入的信号数组的大小为1
×
10000，激活函数为relu函数；第四层为全连接层，神经元数量为20个，输入的信号数组大小为1
×
50，激活函数为relu函数；第五层为全连接层，神经元数量为5个，输入的信号数组大小为1
×
20，激活函数为relu函数；最后一为输出层，输入的信号数组大小为1
×
5，输出的信号数组大小为1
×
1。其中，为了降低过拟合，在第三层后加入了dropout(随机失活)节点，设为50％。
79.在本实施例中，为提高深度学习模型获取的浓度检测结果的准确度，在获取第一
信号数组时，需要为获取的第一信号数组提供标签(label)，因此，可以选用两个相同型号的气敏传感器，一个使用直流加热，另一个采用脉冲加热，并检测密闭腔的气密性。其中，直流加热选用参数为2.5v加热电压；脉冲加热的参数为：脉冲周期为10s，一个脉冲周期中加热脉冲(高电平)的持续时间为2s，脉冲电压的大小为3.2v。在具体实施过程中，对于直流加热获取的第一信号数组，在一个浓度期间(1小时)，只获取选用后半小时内的第一检测信号，这是因为直流加热下，气敏传感器输出的数据需要经过较长时间才能稳定；对于脉冲加热获取的第一信号数组，只选用脉冲加热阶段(2s)的数据，也就是100个采样点的电压数组，并且取相同时间段内的直流加热获取的第一信号数组(同样100个采样点)的平均值，经过数学运算转换为响应值，将获取的所述平均值作为脉冲加热下电压数组的标签。进一步地，为提高获取的深度学习模型的稳定性，各第一信号数组需进行多次获取。最终获取的深度学习模型是基于回归方程r2和均方根误差rmse经过多次(本实施例中为10次)训练，选取的检测效果最佳的深度学习模型。进一步地，在进行正式地浓度检测时，可先进行浓度检测测试：由气体浓度配置装置配置设定浓度的待测气体(如40ppm)，通入气腔。在10min后，所述气体浓度检测装置即可获取5-10个脉冲的第一检测信号，经过运算，预测出该气体的浓度检测结果。在和已知的待测气体的浓度误差在10％以内，则说明该深度学习模型获取的浓度检测结果是准确的。基于上述方法获取的深度学习模型，能够获取更加准确的浓度检测结果。
80.在一个实施例中，气体浓度检测方法包括：模型训练装置分别获取气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测气体对应的第二检测信号，以形成多个第一信号数组；采用独热编码对一维的第一信号数组进行转换以获取多维的第二信号数组；基于relu函数对所述第二信号数组进行训练以构建bp神经网络模型，并将所述bp神经网络模型的参数信息发送至气体浓度检测装置；气体浓度检测装置采用脉冲电压驱动对位于密闭腔中的气敏传感器中的加热电极，以对所述气敏传感器中的气敏材料进行加热，使气敏传感器生成模拟信号形式的第一检测信号，所述密闭腔中通入有待测气体；脉冲电压的脉冲周期为8s～10s，各脉冲周期中脉冲的持续时间为1s～3s；将第一检测信号转换为数字信号形式的第二检测信号；接收模型训练装置发送的bp神经网络模型的参数信息；根据参数信息获取计算电路；基于计算电路获取所述bp神经网络模型；根据bp神经网络模型对第二检测信号进行运算以获取待测气体在密闭腔中的浓度检测结果。
81.上述气体浓度检测方法，模型训练装置根据气体浓度检测装置获取的第一信号数组训练bp神经网络模型，该bp神经网络模型在模型训练装置中训练，并经过移植存储于气体浓度检测装置中，该气体浓度检测装置为基于fpga的气体浓度检测装置，使得气体浓度检测装置能够灵活地使用该bp神经网络模型以对待测气体进行浓度检测。同时气体浓度检测装置采用脉冲电压对气敏传感器的气敏材料进行加热，相对于现有技术中使用直流电压进行加热，大大地减少了在获取第一检测信号时的功耗。因此，上述气体浓度检测方法能够通过存储于基于fpga的气体浓度检测装置中，能够在保证气体浓度检测精度的同时，提高气体浓度检测的灵活度和减少功耗。
82.应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，
如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
83.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的气体浓度检测方法的气体浓度检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个气体浓度检测装置实施例中的具体限定可以参见上文中对于气体浓度检测方法的限定，在此不再赘述。
84.在一个实施例中，如图5所示的气体浓度检测装置的结构框图之二，该气体浓度检测装置200为基于fpga开发板的气体浓度检测装置，气体浓度检测装置200还可以包括：加热模块510、信号接收模块520和数据分析模块530，其中。
85.加热模块510，用于对位于密闭腔中的气敏传感器进行加热，以使气敏传感器生成模拟信号形式的第一检测信号，密闭腔中通入有待测气体。
86.信号接收模块520，用于接收根据将模拟信号形式的第一检测信号转换的为数字信号形式的第二检测信号。
87.数据分析模块530，用于根据气体浓度检测装置中的深度学习模型对第二检测信号进行运算以获取待测气体在密闭腔中的浓度检测结果。
88.在一个实施例中，加热模块还用于采用脉冲电压驱动气敏传感器中的加热电极以对气敏传感器中的气敏材料进行加热。
89.在一个实施例中，继续参考如图5所示的气体浓度检测装置示意图；气体浓度检测装置还包括模型获取模块540，用于接收模型训练装置发送的初始深度学习模型的参数信息；根据参数信息获取计算电路；基于计算电路获取深度学习模型。
90.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的模型训练方法的模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个模型训练装置实施例中的具体限定可以参见上文中对于模型训练方法的限定，在此不再赘述。
91.在一个实施例中，如图6所示的模型训练装置的结构框图，上述模型训练装置600包括：数据获取模块610、数组转换模块620和模型训练模块630，其中：
92.数据获取模块610，用于分别获取气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测气体对应的第二检测信号，以形成多个第一信号数组。
93.数组转换模块620，用于采用独热编码对一维的第一信号数组进行转换以获取多维的第二信号数组。
94.模型训练模块630，用于基于relu函数对第二信号数组进行训练以构建深度学习模型，并将深度学习模型的参数信息发送至气体浓度检测装置。
95.上述模型训练装置600中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
96.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示
屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
97.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
98.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中的模型训练方法的步骤。
99.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的模型训练方法的步骤。
100.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例中的模型训练方法的步骤。
101.本领域普通技术人员可以理解实现上述实施例的模型训练方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述模型训练方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
102.在一个实施例中，如图8所示的气体浓度检测系统的结构框图；本技术提供的气体浓度检测系统800包括气体浓度检测装置200和气敏传感器810，其中：
103.气体浓度检测装置200，用于执行上述任一实施例中的气体浓度检测方法的步骤；
104.气敏传感器810，与气体浓度检测装置200连接，用于气体浓度检测装置200的加热，根据待测气体的不同浓度生成对应的第一检测信号。
105.在一个实施例中，上述气体浓度检测系统还包括模型训练装置600，模型训练装置
600与气体浓度检测装置200连接，用于构建深度学习模型，并将深度学习模型的参数信息发送至气体浓度检测装置200。
106.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
107.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种气体浓度检测方法，其特征在于，应用于基于fpga开发板的气体浓度检测装置；所述方法包括：对位于密闭腔中的气敏传感器进行加热，以使所述气敏传感器生成模拟信号形式的第一检测信号，所述密闭腔中通入有待测气体；将所述第一检测信号转换为数字信号形式的第二检测信号；根据所述气体浓度检测装置中的深度学习模型对所述第二检测信号进行运算以获取待测气体在所述密闭腔中的浓度检测结果。2.根据权利要求1所述的气体浓度检测方法，其特征在于，对所述气敏传感器进行加热包括：采用脉冲电压驱动所述气敏传感器中的加热电极以对所述气敏传感器中的气敏材料进行加热。3.根据权利要求2所述的气体浓度检测方法，其特征在于，所述脉冲电压的脉冲周期为8s～10s，各所述脉冲周期中脉冲的持续时间为1s～3s。4.根据权利要求1所述的气体浓度检测方法，其特征在于，所述根据所述气体浓度检测装置中的深度学习模型对所述第二检测信号进行运算以获取待测气体在所述密闭腔中的浓度检测结果之前，还包括获取所述深度学习模型的步骤，包括：接收模型训练装置发送的深度学习模型的参数信息；根据所述参数信息获取计算电路；基于所述计算电路获取所述深度学习模型。5.根据权利要求1至4任一项所述的气体浓度检测方法，其特征在于，所述深度学习模型为bp神经网络模型。6.一种模型训练方法，其特征在于，用于训练如权利要求1-5任一项所述的气体浓度检测方法中的深度学习模型，所述方法包括：分别获取所述气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测气体对应的第二检测信号，以形成多个第一信号数组；采用独热编码对一维的所述第一信号数组进行转换以获取多维的第二信号数组；基于relu函数对所述第二信号数组进行训练以构建所述深度学习模型，并将所述深度学习模型的参数信息发送至气体浓度检测装置。7.一种气体浓度检测装置，其特征在于，所述气体浓度检测装置为基于fpga开发板的气体浓度检测装置，所述装置包括：加热模块，用于对位于密闭腔中的气敏传感器进行加热，以使所述气敏传感器生成模拟信号形式的第一检测信号，所述密闭腔中通入有待测气体；信号接收模块，用于将模拟信号形式的所述第一检测信号转换为数字信号形式的第二检测信号；数据分析模块，用于根据所述气体浓度检测装置中的深度学习模型对所述第二检测信号进行运算以获取待测气体在所述密闭腔中的浓度检测结果。8.一种模型训练装置，其特征在于，所述装置包括：数据获取模块，用于分别获取气体浓度检测装置按预设周期采集的密闭腔中多个浓度下的待测气体对应的第二检测信号，以形成多个第一信号数组；
数组转换模块，用于采用独热编码对一维的所述第一信号数组进行转换以获取多维的第二信号数组；模型训练模块，用于基于relu函数对所述第二信号数组进行训练以构建深度学习模型，并将所述深度学习模型的参数信息发送至气体浓度检测装置。9.一种气体浓度检测系统，其特征在于，所述系统包括：气体浓度检测装置，用于执行如权利要求1至5任一项所述的气体浓度检测方法的步骤；气敏传感器，与所述气体浓度检测装置连接，用于基于所述气体浓度检测装置的加热，根据待测气体的不同浓度生成对应的第一检测信号。10.根据权利要求9所述的气体浓度检测系统，其特征在于，所述系统还包括：模型训练装置，与所述气体浓度检测装置连接，用于构建所述的气体浓度检测装置的所述深度学习模型，并将所述深度学习模型的参数信息发送至气体浓度检测装置。

技术总结
本申请涉及一种气体浓度检测方法及装置、系统、模型训练方法及装置。该气体浓度检测方法应用于基于FPGA开发板的气体浓度检测装置，包括对位于密闭腔中的气敏传感器进行加热，以使气敏传感器生成模拟信号形式的第一检测信号，密闭腔中通入有待测气体；将模拟信号形式的第一检测信号转换为数字信号形式的第二检测信号；根据气体浓度检测装置中的深度学习模型对第二检测信号进行运算以获取待测气体在密闭腔中的浓度检测结果。所述气体浓度检测方法可以通过存于基于FPGA开发板的气体浓度检测装置中的深度学习模型实时对待测气体进行气体浓度检测，相对于现有技术而言，检测过程不需要计算机设备，在保证检测精度的同时有利于提高气体浓度检测的灵活性。于提高气体浓度检测的灵活性。于提高气体浓度检测的灵活性。


技术研发人员：汪飞 吴浪 庄议
受保护的技术使用者：南方科技大学
技术研发日：2023.05.12
技术公布日：2023/7/18