王建鵬

（山西省信息產(chǎn)業(yè)技術(shù)研究院有限公司， 山西 太原 030012）

引言

近些年，隨著我國工業(yè)和經(jīng)濟的飛速發(fā)展，顆粒物TSP、PM10、PM2.5 對大氣的污染日趨嚴重。目前，國內(nèi)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(jié)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(jié)果間隔較長不能做到實時監(jiān)測；光散射法通過光通量平均值與顆粒濃度之間的線性關(guān)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(xiàn)對顆粒物污染高精度實時監(jiān)測，依托山西省重點研發(fā)計劃項目（201903D321074），設(shè)計一套激光前散射與β 射線相融合的顆粒物濃度監(jiān)測系統(tǒng)，系統(tǒng)中引入卷積神經(jīng)網(wǎng)絡(luò)的污染源圖像識別技術(shù)，在對顆粒物濃度實時監(jiān)測的同時實現(xiàn)了對污染源圖像的識別和上傳。

1 設(shè)計方案

系統(tǒng)框架如圖1 所示。系統(tǒng)基于ROS 系統(tǒng)開發(fā)，在監(jiān)測區(qū)域內(nèi)呈一衛(wèi)多星式分布，建立基于LoRa 的無線局域網(wǎng)作為信息通道，以一個數(shù)據(jù)核心處理系統(tǒng)為Master 節(jié)點，以其他數(shù)據(jù)采集子系統(tǒng)作為其衛(wèi)星節(jié)點，通過Master 節(jié)點的控制與調(diào)度，完成區(qū)域內(nèi)數(shù)據(jù)的采集、傳輸及預(yù)處理等功能[1-2]。利用數(shù)據(jù)采集子系統(tǒng)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(huán)境污染達到警戒值時，由球機對周圍環(huán)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(tǒng)結(jié)構(gòu)

2 數(shù)據(jù)采集系統(tǒng)

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(shù)，光源發(fā)出的光束通過含有待測顆粒物的測量區(qū)域，發(fā)生光的散射，散射光從顆粒物向不同方向發(fā)生散射，前向散射的光被光電傳感器接收，激光光強信號轉(zhuǎn)換成電流信號，通過調(diào)理電路進行I.V 轉(zhuǎn)換、放大、濾波后輸入A/D 轉(zhuǎn)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(jié)構(gòu)如下頁圖3 所示，由采樣入口、濾紙、氣路組成氣體采樣系統(tǒng)，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(jù)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(zhì)量。由處理終端進行系統(tǒng)控制和數(shù)據(jù)處理。

圖2 激光前散射檢測裝置

圖3 β 射線檢測裝置結(jié)構(gòu)

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(jīng)網(wǎng)絡(luò)算法識別污染源圖像

當環(huán)境污染達到警戒值時，由球機對周圍環(huán)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(xiàn)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(xùn)練樣本，并進行標注產(chǎn)生分類標簽。

2）建立卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖4 所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖像由RGB 3 個通道輸入，經(jīng)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(xùn)練網(wǎng)絡(luò)參數(shù)，訓(xùn)練過程中的損失函數(shù)選用交叉熵損失函數(shù)，如公式（1）所示。

式中：m 為樣本數(shù)量；y 為樣本類別指示變量；h 為樣本類別的預(yù)測概率。選用AdamOptimizer 作為參數(shù)優(yōu)化器，訓(xùn)練權(quán)重為0.000 1。網(wǎng)絡(luò)權(quán)重初始值為標準差為0.1 的截斷正態(tài)分布，初始偏置值為0.1。訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)圖像識別準確率如圖5 所示。

圖5 訓(xùn)練曲線

由曲線圖可以看出經(jīng)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)對圖像識別的準確率達到97%。

4 結(jié)語

顆粒物濃度監(jiān)測系統(tǒng)是基于ROS 節(jié)點式設(shè)計的，可實現(xiàn)一衛(wèi)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(jīng)網(wǎng)絡(luò)對污染源進行識別，由訓(xùn)練曲線看出分類精度高達97%。