鄧 軒，孟慶浩，侯惠讓?zhuān)囌鹩?，李宏躍*

(1.天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津市過(guò)程檢測(cè)與控制重點(diǎn)實(shí)驗(yàn)室，機(jī)器人與自主系統(tǒng)研究所，天津 300072；2.應(yīng)急管理部天津消防研究所，天津 300381)

蓄意縱火是一種犯罪行為，對(duì)社會(huì)的穩(wěn)定以及人民財(cái)產(chǎn)和生命安全均構(gòu)成了極大威脅。 根據(jù)《中國(guó)消防年鑒》[1]和公安部消防局的報(bào)告[2]，從2015—2019 年，我國(guó)共發(fā)生火災(zāi)141 萬(wàn)起，其中人為的蓄意縱火案件約占每年總火災(zāi)發(fā)生次數(shù)的7%，死亡人數(shù)共計(jì)7 613 人，受傷人數(shù)共計(jì)4 794人，直接經(jīng)濟(jì)損失達(dá)189.67 億元。 在縱火案件中，犯罪分子往往借助易燃液體(本文稱(chēng)之為助燃劑)放火。 火災(zāi)發(fā)生之后，火災(zāi)現(xiàn)場(chǎng)通常破壞嚴(yán)重、情況復(fù)雜，準(zhǔn)確地找到起火點(diǎn)、提取物證并確定火場(chǎng)中是否存在助燃劑成分是是縱火案件確定與偵破的關(guān)鍵[3]。

大多數(shù)縱火犯采用基于石油基底的助燃劑，如汽油、柴油[4]等。 但隨著政府部門(mén)加大對(duì)石油相關(guān)產(chǎn)品的市場(chǎng)監(jiān)督以及犯罪分子反偵查能力的增強(qiáng)，犯罪分子也會(huì)使用酒精、稀料(油漆稀釋劑)等液體作為助燃物質(zhì)。 由于火場(chǎng)影響因素較多，導(dǎo)致火場(chǎng)助燃劑殘留物的檢測(cè)和識(shí)別的研究極具挑戰(zhàn)[5]。

助燃劑鑒定結(jié)果是認(rèn)定放火嫌疑案件的有效證據(jù)。 目前，用于助燃劑鑒定的方法包括氣相色譜-質(zhì)譜(GC-MS)法、拉曼光譜法、薄層色譜法、傅里葉紅外光譜法及熱分析-質(zhì)譜聯(lián)用等，其中GC-MS 法是國(guó)內(nèi)外最為公認(rèn)的助燃劑鑒定方法[6-10]。 但是，GC-MS 設(shè)備昂貴，識(shí)別過(guò)程耗時(shí)長(zhǎng)，對(duì)結(jié)果的解釋高度依賴(lài)于分析人員的經(jīng)驗(yàn)，且無(wú)法在火災(zāi)現(xiàn)場(chǎng)及時(shí)地識(shí)別助燃劑殘留物。 基于傳感器陣列的電子鼻是一種仿生的氣味指紋圖譜識(shí)別技術(shù)，由氣體傳感器陣列、信號(hào)處理系統(tǒng)和模式識(shí)別方法組成。 因其具有較好的便攜性、較低的成本、較快的識(shí)別速度等優(yōu)點(diǎn)，近些年在食品監(jiān)測(cè)、疾病診斷、環(huán)境監(jiān)測(cè)和安全保護(hù)等領(lǐng)域得到了越來(lái)越多的應(yīng)用[11]。 火場(chǎng)助燃劑一般具有較強(qiáng)的揮發(fā)性，且釋放到空氣中多為復(fù)合氣體或氣味，因此電子鼻有望在此領(lǐng)域發(fā)揮作用。 據(jù)本文作者所知，目前應(yīng)用于火場(chǎng)助燃劑識(shí)別的傳感器陣列式電子鼻相關(guān)研究較少，傅得鋒[12]利用快速氣相色譜式電子鼻實(shí)現(xiàn)了不同標(biāo)號(hào)汽油的區(qū)分，Marta 等[13]利用頂空-質(zhì)譜電子鼻識(shí)別五種不同助燃劑。 由于目前在助燃劑鑒定領(lǐng)域使用的電子鼻采用的技術(shù)為氣相色譜分析、質(zhì)譜分析等，而非通過(guò)氣體傳感器陣列采集氣味指紋圖譜，與本文提到的基于傳感器陣列式的電子鼻采用不同機(jī)理和思路，導(dǎo)致其不具備傳感器陣列式電子鼻的便攜性、低成本、快速識(shí)別等優(yōu)點(diǎn)。

為解決在火災(zāi)現(xiàn)場(chǎng)快速、準(zhǔn)確鑒別殘留助燃劑的難題，本研究設(shè)計(jì)了一種面向火場(chǎng)助燃劑檢測(cè)的電子鼻系統(tǒng)(簡(jiǎn)稱(chēng)火鼻Ⅰ號(hào))，并采用此電子鼻采集燃燒和未燃燒兩種條件下四種常見(jiàn)助燃劑(汽油、柴油、酒精和稀料)釋放的氣味，建立了2 套數(shù)據(jù)集。 在此基礎(chǔ)上，給出了通道分離CNN(CS-CNN)算法并與四種傳統(tǒng)的機(jī)器學(xué)習(xí)算法和兩種深度學(xué)習(xí)算法進(jìn)行了對(duì)比，初步的結(jié)果驗(yàn)證了電子鼻用于火場(chǎng)助燃劑識(shí)別的可行性。

1 火鼻Ⅰ號(hào)系統(tǒng)設(shè)計(jì)

1.1 傳感器選型

針對(duì)不同應(yīng)用領(lǐng)域的電子鼻，所需氣體傳感器類(lèi)型也不同，常見(jiàn)的氣體傳感器有金屬氧化物半導(dǎo)體(Metal-Oxide Semiconductor，MOS)型、導(dǎo)電聚合物型、質(zhì)量敏感型、電化學(xué)型、催化燃燒型和光學(xué)型等。其中，MOS 傳感器具有使用壽命長(zhǎng)、靈敏度較高、體積小、價(jià)格低等優(yōu)點(diǎn)，因此在電子鼻領(lǐng)域得到了廣泛的應(yīng)用。 MOS 型傳感器具有廣譜響應(yīng)特性，一般需要使用多個(gè)具有不同敏感特性的傳感器構(gòu)成陣列，以提升電子鼻系統(tǒng)的選擇性。

在進(jìn)行傳感器選型時(shí)，需要保證傳感器陣列對(duì)助燃劑有明顯響應(yīng)且具有一定區(qū)分度。 經(jīng)查閱助燃劑成分相關(guān)文獻(xiàn)[14-16]，汽油主要成分為烷烴類(lèi)物質(zhì)、芳烴類(lèi)物質(zhì)等，柴油主要成分為烷烴、烯烴、芳香烴和稠環(huán)芳烴等，稀料主要成分為乙醇、環(huán)烷烴化合物、酯類(lèi)化合物以及甲苯、二甲苯、三甲苯等芳香烴化合物。 在綜合考慮傳感器的檢測(cè)性能、對(duì)助燃劑主要成分敏感性、成本及尺寸的基礎(chǔ)上，本研究選取了15 個(gè)貼片式MOS 傳感器構(gòu)成陣列。 所選傳感器的具體型號(hào)及其對(duì)應(yīng)的敏感氣體、檢測(cè)下限和生產(chǎn)廠家如表1 所示，其中MICS-4514 產(chǎn)生兩路輸出，這樣傳感器陣列共輸出16 路電壓信號(hào)。 出于最大化利用空間的考慮，傳感器被分別焊接于兩塊PCB 板上，兩塊PCB 板分別包含9 個(gè)傳感器(ASMLV-P2、CCS801、TGS8100、MICS-4514、MICS-5914、GM-102B、GM-602B、GM-702B、GM-802B)

表1 火鼻Ⅰ號(hào)傳感器陣列具體信息

與6 個(gè)傳感器(GM-202B、GM-302B、GM-402B、GM-512B、MICS-2714、MICS-5524)，兩塊PCB 板上的15 個(gè)不同型號(hào)傳感器共同組成傳感器陣列，板間信號(hào)通過(guò)柔性印刷電路(FPC)線連接。 傳感器陣列分布如圖1 所示。 為使各傳感器和待測(cè)氣體接觸的時(shí)間和氣體的流速盡可能相同，傳感器被盡量對(duì)稱(chēng)地安放到氣室中軸線的兩側(cè)。

圖1 傳感器陣列分布圖

1.2 氣室設(shè)計(jì)

密閉性好且空間小的氣室便于待測(cè)氣體與傳感器的充分接觸，有利于傳感器產(chǎn)生明顯響應(yīng)且縮短氣室清洗時(shí)間。 氣室外形及實(shí)物如圖2 所示。 基于課題組前期大量的氣室結(jié)構(gòu)研究，本文氣室設(shè)計(jì)采用了簡(jiǎn)單、有效的長(zhǎng)條形結(jié)構(gòu)[17]。 此外，在氣室進(jìn)出口處設(shè)有縮緊結(jié)構(gòu)，便于平穩(wěn)進(jìn)出口處的氣流流速，進(jìn)而使氣室內(nèi)各傳感器附近的氣流方向、流速等盡可能一致，從而有效增強(qiáng)各傳感器響應(yīng)條件的一致性[18]。

圖2 火鼻Ⅰ號(hào)電子鼻氣室外形及實(shí)物圖

氣室通過(guò)3D 打印技術(shù)制作，所使用材料為無(wú)異味的高性能尼龍，具有良好的耐高溫性能、化學(xué)惰性以及氣密性。 氣室壁厚為6 mm，頂面及底面開(kāi)口，氣室四周留有四個(gè)內(nèi)徑0.5 mm 的螺絲孔，通過(guò)螺絲固定氣室和上下兩個(gè)電路板，氣室內(nèi)部因此形成了一個(gè)密閉的空間，在氣室與PCB 板交接處留有1 mm 深的凹槽，在其中填入無(wú)異味密封圈，以加強(qiáng)氣室與PCB 板貼合的緊密性，使氣室具有更好的氣密性。

1.3 硬件設(shè)計(jì)

本研究設(shè)計(jì)的火鼻Ⅰ號(hào)整體結(jié)構(gòu)如圖3 所示。

圖3 火鼻Ⅰ號(hào)系統(tǒng)框圖

火鼻Ⅰ號(hào)系統(tǒng)主要由氣路和電路(包括信號(hào)采樣、傳輸和控制)兩部分組成。 氣路部分的氣體流動(dòng)由真空泵抽氣控制，氣泵位于氣路的末端，通過(guò)透明膠管連接氣室后端以及氣泵吸氣口，氣室前端連接用于氣路切換的電磁閥，三者構(gòu)成氣體流通路徑。信號(hào)采集和傳輸部分包括傳感器陣列、運(yùn)算放大器、阻容(RC)濾波電路和模/數(shù)(A/D)轉(zhuǎn)換四個(gè)模塊。傳感器供電電壓為5 V，傳感器陣列與待測(cè)氣體在氣室內(nèi)反應(yīng)輸出響應(yīng)信號(hào)(電壓值)，信號(hào)經(jīng)過(guò)運(yùn)算放大器和阻容電路放大濾波后，由模/數(shù)轉(zhuǎn)換電路轉(zhuǎn)換為16 位數(shù)字信號(hào)，并通過(guò)串行外設(shè)接口(SPI)通訊發(fā)送給控制器。 控制部分選用Jetson Nano 核心板，實(shí)現(xiàn)數(shù)據(jù)的采集、顯示和保存等功能調(diào)控。 以上功能集成在一個(gè)操作簡(jiǎn)便的人機(jī)交互界面內(nèi)，通過(guò)點(diǎn)擊液晶觸摸顯示屏實(shí)現(xiàn)相應(yīng)功能。

火鼻Ⅰ號(hào)整體尺寸為260 mm × 140 mm ×132 mm，整機(jī)功耗不高于20 W，配備15 000 mAh 電池，可持續(xù)工作10 h 以上，便于研究人員在火災(zāi)發(fā)生后進(jìn)行長(zhǎng)時(shí)間現(xiàn)場(chǎng)操作。 該電子鼻系統(tǒng)進(jìn)行單次識(shí)別不超過(guò)30 s，可實(shí)現(xiàn)助燃劑的快速檢測(cè)。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 未燃燒實(shí)驗(yàn)

火場(chǎng)環(huán)境較為復(fù)雜，可以作為助燃劑的可燃液體種類(lèi)眾多，本研究選取了最常見(jiàn)的四種典型助燃劑作為主要實(shí)驗(yàn)材料，包括汽油、柴油、酒精以及稀料。

本研究首先分析了助燃劑氣體濃度對(duì)其識(shí)別的影響，通過(guò)采集一定體積比的待測(cè)氣體和空氣來(lái)控制目標(biāo)氣體濃度。 例如，使用流量為1 L/min 的氣泵抽取5 min 的待測(cè)氣體至采樣袋，將此采樣袋內(nèi)氣體濃度定為100%，使用流量為1 L/min 的氣泵抽取2.5 min 的待測(cè)氣體以及2.5 min 空氣至采樣袋，將此采樣袋內(nèi)氣體濃度定為50%，以此類(lèi)推，最終獲取了100%、50%及20%共三種濃度氣體。

各類(lèi)助燃劑樣本數(shù)量如表2 所示。

表2 助燃劑樣本數(shù)量表

由于汽油為混合物，不同種類(lèi)汽油成分不同，為分析成分對(duì)助燃劑識(shí)別結(jié)果的影響，2 號(hào)汽油以及3號(hào)汽油僅采集100%濃度。

2.2 燃燒實(shí)驗(yàn)

為模擬真實(shí)火場(chǎng)環(huán)境，本研究將助燃劑與輪胎混合燃燒，并將燃燒后的氣體采集至氣袋中。 為了判斷是否有助燃劑參與燃燒，選取火災(zāi)中常見(jiàn)的干擾物如紙張、木材、棉花(表3)等在不加入助燃劑的情況下單獨(dú)燃燒，并用氣袋采集燃燒后的氣體。

表3 燃燒后樣本數(shù)量表

為了保證實(shí)驗(yàn)安全，燃燒在應(yīng)急管理部天津消防所的燃燒實(shí)驗(yàn)室進(jìn)行，保證了燃燒實(shí)驗(yàn)的安全性。

2.3 實(shí)驗(yàn)數(shù)據(jù)采集

在火鼻Ⅰ號(hào)進(jìn)行氣體采集之前，需要提前0.5 h上電預(yù)熱，保證傳感器處于適宜反應(yīng)的溫度，在預(yù)熱過(guò)程中真空泵抽取清潔空氣清洗氣路及傳感器。 在實(shí)際應(yīng)用中，火災(zāi)調(diào)查是在消防人員趕至現(xiàn)場(chǎng)撲滅火勢(shì)并冷卻后的才開(kāi)始進(jìn)行，而電子鼻可在接到報(bào)警時(shí)進(jìn)行上電，從消防人員出警至火災(zāi)調(diào)查階段一般超過(guò)0.5 h，因此火鼻Ⅰ號(hào)可以實(shí)現(xiàn)災(zāi)后現(xiàn)場(chǎng)的快速檢測(cè)。 由于災(zāi)后現(xiàn)場(chǎng)環(huán)境復(fù)雜、存在大量干擾因素，通過(guò)氣袋進(jìn)行氣體采集后識(shí)別雖然在一定程度上降低了檢測(cè)與識(shí)別的快速性，但有助于提升識(shí)別準(zhǔn)確率，且這種方式仍然遠(yuǎn)快于目前常用的氣相色譜質(zhì)譜方式。

待MOS 傳感器陣列基線穩(wěn)定后將火鼻Ⅰ號(hào)的進(jìn)氣管連接至氣袋出氣口，打開(kāi)氣袋閥門(mén)，真空泵將氣體抽至氣室中與傳感器陣列發(fā)生反應(yīng)。 一個(gè)采樣周期過(guò)程為:空氣基線采集(5 s)—待測(cè)氣體采集(8 s)—恢復(fù)階段(17 s)。 采樣周期持續(xù)30 s，之后進(jìn)行2 min 的清洗階段使傳感器響應(yīng)恢復(fù)至基線階段。 采樣頻率設(shè)置為60 Hz。 對(duì)于酒精氣體的單次采集結(jié)果如圖4 所示。 其中橫坐標(biāo)對(duì)應(yīng)時(shí)間，縱坐標(biāo)對(duì)應(yīng)傳感器響應(yīng)值，不同線型對(duì)應(yīng)不同傳感器，其中響應(yīng)值為與氣體傳感器串聯(lián)的負(fù)載電阻兩端電壓值，由于串聯(lián)分壓作用，基線值并非為0 V。 判斷傳感器是否有響應(yīng)的依據(jù)是電壓是否有上升，電子鼻所采用的模數(shù)轉(zhuǎn)換芯片精度為1.22 mV，若傳感器未與氣體發(fā)生反應(yīng)，響應(yīng)電壓一般穩(wěn)定在基線或呈下降趨勢(shì)，當(dāng)響應(yīng)電壓值出現(xiàn)1.22 mV 及以上時(shí)，即可認(rèn)定傳感器產(chǎn)生響應(yīng)。 當(dāng)進(jìn)入待測(cè)氣體采集階段(5 s～13 s)后，所有響應(yīng)曲線均呈現(xiàn)上升趨勢(shì)，且各傳感器響應(yīng)幅值不同，恢復(fù)階段(13 s～30 s)傳感器響應(yīng)值逐漸下降。

圖4 火鼻Ⅰ號(hào)采集酒精氣體的響應(yīng)圖

3 助燃劑識(shí)別算法

目前國(guó)內(nèi)外電子鼻信號(hào)分類(lèi)領(lǐng)域常用的模式識(shí)別算法有k近鄰[19]、支持向量機(jī)[20](SVM)以及人工神經(jīng)網(wǎng)絡(luò)[21]等。 近年來(lái)，以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)技術(shù)在語(yǔ)音和圖像識(shí)別及自然語(yǔ)言處理等領(lǐng)域取得了可喜的進(jìn)展。 卷積神經(jīng)網(wǎng)絡(luò)[22](Convolutional Neural Network，CNN)是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，與其他深度神經(jīng)網(wǎng)絡(luò)相比具有更少的參數(shù)，便于實(shí)現(xiàn)輕量化并嵌入便攜式電子鼻系統(tǒng)中。 本文采用通道分離卷積神經(jīng)網(wǎng)絡(luò)(CS-CNN)網(wǎng)絡(luò)建立助燃劑識(shí)別模型，并與在電子鼻信號(hào)分類(lèi)領(lǐng)域廣泛應(yīng)用的一維卷積神經(jīng)網(wǎng)絡(luò)(1D CNN)、二維卷積神經(jīng)網(wǎng)絡(luò)(2D CNN)網(wǎng)絡(luò)以及k近鄰、SVM、決策樹(shù)及隨機(jī)森林四種傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比。

3.1 電子鼻信號(hào)特征提取

由于火鼻Ⅰ號(hào)采集到的初始數(shù)據(jù)維度過(guò)高，無(wú)法直接輸入到分類(lèi)器中，因此在建立分類(lèi)模型前要對(duì)初始數(shù)據(jù)預(yù)處理，包括特征提取與特征降維。

根據(jù)傳感器響應(yīng)曲線的形狀特點(diǎn)，提取七個(gè)典型時(shí)域特征，分別為采樣階段變化值F1、一階微分最大值F2、一階微分最大值對(duì)應(yīng)值F3、一階微分最小值F4、一階微分最小值對(duì)應(yīng)值F5、二階微分最大值F6、二階微分最小值F7，七種特征對(duì)應(yīng)計(jì)算方法如式(1)～式(7)所示:

式中:V代表傳感器的響應(yīng)值，ts代表開(kāi)始待測(cè)氣體采集時(shí)刻，te代表結(jié)束待測(cè)氣體采集時(shí)刻，tmax、tmin分別代表一階微分最大、最小值對(duì)應(yīng)時(shí)刻，max(·)和min(·)分別代表取最大和最小值。

對(duì)電子鼻的15 個(gè)傳感器輸出的16 條響應(yīng)曲線分別提取上述7 個(gè)特征，共112 個(gè)特征，之后通過(guò)主成分分析法降維至10 維，并對(duì)新生成的10 維特征進(jìn)行標(biāo)準(zhǔn)化處理。 最終生成的標(biāo)準(zhǔn)化特征可直接輸入分類(lèi)器模型中。

3.2 通道分離CNN 算法

火鼻Ⅰ號(hào)傳感器陣列采集的原始數(shù)據(jù)為多變量時(shí)間序列，其數(shù)據(jù)維度為m×n×1(其中m為傳感器數(shù)量，n為采樣點(diǎn)個(gè)數(shù))。

常規(guī)的卷積運(yùn)算使用的是與輸入的特征圖具有相同通道數(shù)的卷積核，卷積核的每個(gè)通道與輸入的每個(gè)通道對(duì)應(yīng)卷積后相加就得到輸出特征的一個(gè)通道上的一個(gè)數(shù)據(jù)點(diǎn)。 常規(guī)的卷積操作實(shí)現(xiàn)通道相關(guān)性和空間相關(guān)性的聯(lián)合映射，單個(gè)卷積核的任務(wù)是同時(shí)映射通道相關(guān)性和空間相關(guān)性。 電子鼻的傳感器數(shù)量相當(dāng)于通道數(shù)量，每一個(gè)傳感器采集的時(shí)間序列代表空間維度。 對(duì)于電子鼻數(shù)據(jù)而言，通道維度間的相關(guān)性與空間維度間的相關(guān)性可以分開(kāi)映射，以達(dá)到更好的特征提取效果。 因此，本研究采用CSCNN[23]進(jìn)行特征提取。 通道分離卷積主要分為兩個(gè)過(guò)程，分別為逐通道卷積(Depthwise Convolution，DW)和逐點(diǎn)卷積(Pointwise Convolution，PW)。

DW 過(guò)程中一個(gè)卷積核負(fù)責(zé)一個(gè)通道，一個(gè)通道只被一個(gè)卷積核處理。 輸出的特征圖與原始輸入通道數(shù)相同。 PW 的卷積核尺寸為C×1×1，C為上一層的通道數(shù)。 PW 運(yùn)算會(huì)將上一步DW 輸出的特征圖在通道上進(jìn)行加權(quán)組合，生成新的特征圖，輸出特征圖的數(shù)量與PW 核的個(gè)數(shù)相同。 本文所使用的CS-CNN 整體模型如圖5 所示。

圖5 CS-CNN 模型圖

將通道分離卷積單元與其他網(wǎng)絡(luò)結(jié)構(gòu)整合構(gòu)成的CS-CNN，整體網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置如表4 所示。

表4 網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置

假設(shè)輸入特征圖尺寸為H×W×Cin，其中H、W、Cin依次代表輸入特征圖的高、寬和通道數(shù)，卷積核尺寸為KH×KW×Cin，其中KH、KW代表卷積核的高和寬，生成一個(gè)尺寸為H×W×Cout的輸出特征圖，所需參數(shù)量為KH×KW×Cin×Cout。

使用通道分離卷積單元，通道卷積負(fù)責(zé)濾波，尺寸為KH×KW×1，共Cin個(gè)，作用在輸入的每個(gè)通道上，參數(shù)量為KH×KW×1×Cin；逐點(diǎn)卷積負(fù)責(zé)轉(zhuǎn)換通道，尺寸為1×1×Cin，共Cout個(gè)，作用在通道卷積的輸出特征映射上，參數(shù)量為1×1×Cin×Cout，通道分離單元參數(shù)量與常規(guī)卷積參數(shù)量對(duì)比如式(8)所示:

由上式可知，通道分離卷積單元與常規(guī)卷積運(yùn)算相比可以大幅度減少參數(shù)量與計(jì)算量，便于算法嵌入便攜式電子鼻平臺(tái)上。

本研究網(wǎng)絡(luò)模型使用PyTorch 框架搭建。 訓(xùn)練時(shí)網(wǎng)絡(luò)參數(shù)優(yōu)化算法選用Adam 優(yōu)化器，損失函數(shù)選擇交叉熵，初始學(xué)習(xí)率設(shè)置為0.000 3，批尺寸設(shè)置為16，epoch 設(shè)置為50。

CS-CNN 網(wǎng)絡(luò)與1D CNN 網(wǎng)絡(luò)、2D CNN 網(wǎng)絡(luò)模型大小以及Flops 對(duì)比如表5 所示。

表5 網(wǎng)絡(luò)模型大小與Flops 對(duì)比圖

由表5 可見(jiàn)，CS-CNN 網(wǎng)絡(luò)通道具有較小的網(wǎng)絡(luò)參數(shù)量、較低的模型復(fù)雜度和更快的運(yùn)算速度，便于嵌入到運(yùn)算能力相對(duì)較低的便攜式電子鼻系統(tǒng)中。

4 結(jié)果與分析

本研究對(duì)未燃燒實(shí)驗(yàn)與燃燒實(shí)驗(yàn)分別建立識(shí)別模型，并對(duì)比不同識(shí)別算法的識(shí)別效果。

4.1 未燃燒助燃劑識(shí)別模型對(duì)比

將未燃燒助燃劑共2 440 個(gè)樣本與200 個(gè)空氣樣本劃分為5 類(lèi)(汽油、柴油、酒精、油漆稀釋劑、空氣)，并進(jìn)行訓(xùn)練集與測(cè)試集劃分，采用2 折交叉驗(yàn)證方法。 首先按比例將不同標(biāo)簽的樣本均勻劃為2份子集，挑選其中1 份作為測(cè)試集，另1 份作為訓(xùn)練集用于模型訓(xùn)練，重復(fù)2 次，分別建立2 個(gè)模型，取2 個(gè)模型在測(cè)試集上準(zhǔn)確率的平均值作為識(shí)別準(zhǔn)確率。

分別繪制CS-CNN 模型、1D CNN 模型、2D CNN模型以及SVM 分類(lèi)器下的混淆矩陣如圖6 所示。

圖6 混淆矩陣對(duì)比圖

由混淆矩陣可見(jiàn)，各分類(lèi)器均能較好地區(qū)分四種不同助燃劑與空氣。

在此基礎(chǔ)上進(jìn)一步按照濃度將助燃劑細(xì)分為表2中的14 個(gè)類(lèi)別，和200 個(gè)空氣樣本混合對(duì)分類(lèi)模型進(jìn)行訓(xùn)練，以此檢驗(yàn)各算法對(duì)助燃劑內(nèi)部細(xì)微差別的區(qū)分能力。 不同分類(lèi)器在兩種分類(lèi)情況下的平均準(zhǔn)確率如表6 所示。

表6 未燃燒助燃劑不同分類(lèi)器分類(lèi)效果

由表6 可見(jiàn)，當(dāng)不考慮濃度因素影響(5 分類(lèi))時(shí)，分類(lèi)模型均能取得較高識(shí)別準(zhǔn)確率，當(dāng)考慮濃度影響因素(15 分類(lèi))后，各分類(lèi)器識(shí)別準(zhǔn)確率均有一定程度的下降，其中CS-CNN 網(wǎng)絡(luò)模型在兩種分類(lèi)情況下均取得了最佳結(jié)果，且濃度因素對(duì)其識(shí)別結(jié)果影響較小，說(shuō)明CS-CNN 網(wǎng)絡(luò)模型具有較好的泛化性，當(dāng)目標(biāo)氣體濃度不低于傳感器的檢測(cè)下限時(shí)，有望在任意濃度下均可準(zhǔn)確識(shí)別助燃劑類(lèi)別。

4.2 燃燒后助燃劑識(shí)別模型對(duì)比

將燃燒后的1 240 個(gè)樣本與200 個(gè)空氣樣本劃分為5 類(lèi)(汽油＋輪胎、柴油＋輪胎、酒精＋輪胎、干擾物、空氣)，采用2 折交叉驗(yàn)證方法，各分類(lèi)算法的識(shí)別準(zhǔn)確率如表7 所示，各分類(lèi)算法均可準(zhǔn)確區(qū)分各類(lèi)助燃劑與干擾物，其中CS-CNN 取得了最優(yōu)的識(shí)別準(zhǔn)確率。 由于同類(lèi)氣體均來(lái)源于相同采氣袋，使得氣體類(lèi)內(nèi)差異性小，故各算法的識(shí)別率普遍較高。

表7 燃燒助燃劑不同分類(lèi)器分類(lèi)效果

4.3 超參數(shù)尋優(yōu)實(shí)驗(yàn)

由于CS-CNN 在進(jìn)行逐通道卷積后使用逐點(diǎn)卷積提取不同通道之前的耦合特征，通過(guò)選取不同的逐點(diǎn)卷積核數(shù)量改變逐點(diǎn)卷積對(duì)通道間的耦合特征提取能力。 固定網(wǎng)絡(luò)其他參數(shù)，分別設(shè)置逐點(diǎn)卷積核數(shù)量為8、16、32、64、128，對(duì)比不同逐點(diǎn)卷積核數(shù)量對(duì)模型分類(lèi)準(zhǔn)確率的影響。 對(duì)五種不同卷積核數(shù)，在未燃燒助燃劑數(shù)據(jù)集上分別采用2 折交叉驗(yàn)證方法，模型準(zhǔn)確率對(duì)比結(jié)果如圖7 所示。

圖7 不同逐點(diǎn)卷積核個(gè)數(shù)下的模型準(zhǔn)確率對(duì)比結(jié)果

由圖7 可見(jiàn)，隨著逐點(diǎn)卷積核個(gè)數(shù)由8 個(gè)增大到32 個(gè)時(shí)，通道間耦合特征提取能力增強(qiáng)，模型準(zhǔn)確率隨之增加，當(dāng)逐點(diǎn)卷積核個(gè)數(shù)進(jìn)一步增大時(shí)，反而提取了通道間的冗余特征，造成模型過(guò)擬合，導(dǎo)致模型準(zhǔn)確率下降，因此本文選取逐點(diǎn)卷積核個(gè)數(shù)為32。

5 結(jié)論

本文設(shè)計(jì)了一種用于火場(chǎng)助燃劑檢測(cè)與識(shí)別的電子鼻系統(tǒng)，并基于此電子鼻采集四種助燃劑在未燃燒與燃燒兩種情況下釋放的氣體，從而建立了2套助燃劑氣體數(shù)據(jù)集。 分別采用支持向量機(jī)、k近鄰、決策樹(shù)、隨機(jī)森林、1D CNN、2D CNN 和通道分離CNN 七種算法進(jìn)行了助燃劑識(shí)別實(shí)驗(yàn)，結(jié)果表明通道分離CNN 優(yōu)于其他六種算法。 在類(lèi)別增多后，通道分離CNN 的分類(lèi)準(zhǔn)確率沒(méi)有出現(xiàn)明顯下降，具有更強(qiáng)的魯棒性。 電子鼻系統(tǒng)單次檢測(cè)時(shí)長(zhǎng)不超過(guò)30 s，初步實(shí)現(xiàn)了對(duì)四種常見(jiàn)助燃劑以及干擾物之間的準(zhǔn)確識(shí)別。

在實(shí)際助燃劑檢測(cè)與識(shí)別應(yīng)用中，電子鼻會(huì)受到火災(zāi)現(xiàn)場(chǎng)復(fù)雜環(huán)境的干擾，因此需要提高電子鼻硬件的穩(wěn)定性。 目前的研究只針對(duì)4 種典型助燃劑在燃燒與未燃燒情況下進(jìn)行實(shí)驗(yàn)與分析，在后續(xù)的研究中需要建立更為完善的燃燒助燃劑氣體數(shù)據(jù)庫(kù)。 此外，深度學(xué)習(xí)網(wǎng)絡(luò)依賴(lài)大量訓(xùn)練數(shù)據(jù)，且訓(xùn)練時(shí)間長(zhǎng)。 為了提升深度學(xué)習(xí)網(wǎng)絡(luò)的適用性，可以考慮建立云端數(shù)據(jù)處理系統(tǒng)，將電子鼻采集數(shù)據(jù)上傳至云端進(jìn)行分析識(shí)別。 本研究采用的電子鼻自初次使用至今已有8 個(gè)多月，依然可以準(zhǔn)確識(shí)別四種典型助燃劑，初步證明傳感器穩(wěn)定性較好，后續(xù)將繼續(xù)檢測(cè)該方面性能，同時(shí)將嘗試加入其他氣體環(huán)境監(jiān)測(cè)傳感器以實(shí)現(xiàn)如PM2.5、PM10、溫濕度、風(fēng)速風(fēng)向、大氣壓等參數(shù)監(jiān)測(cè)，并將探索電子鼻在長(zhǎng)期環(huán)境監(jiān)測(cè)方面的性能。