基于移动平台的便携式FTIR灾害现场气体检测技术

傅里叶红外光谱技术(FTIR)的引入极大地提升了气体的检测速度和准确性。然而在石油化工泄露和爆炸、森林火灾等突发危险现场,存在着人力无法现场检测的情况。为了应对这种场景,开发了基于移动平台的便携式FTIR灾害现场气体检测方法。通过将云服务器和树莓派的优势相结合实现远程操作移动平台,将搭载便携式FTIR光谱仪的移动平台远程操作驶入现场,并及时通过4G/5G模块传回现场位置数据、视频数据和光谱气体浓度数据。最后,在野外基地利用该平台进行了实测,对CO₂、CO、SO₂、C₆H₆等多种污染气体进行了检测,结果验证了该系统在野外工况下的可靠性。本工作为FTIR光谱仪或其他光谱类检测系统在移动平台上的集成应用提供了思路和解决方案。     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。