您好, 歡迎來到化工儀器網(wǎng)
6
當AI遇上光學：深度學習如何大幅提升痕量氣體分析靈敏度？
今天七月，Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy (SAA)期刊上發(fā)表了一個來自安徽大學周勝副教授課題組的研究成果《Optimized adaptive Savitzky-Golay filtering algorithm based on deep learning network for absorption spectroscopy》。此項工作將深度學習應(yīng)用在激光光譜氣體分析技術(shù)上的Savitzky-Golay（簡稱S-G）濾波抗噪算法，并通過仿真和實驗證實該方法能夠提升痕量NO2氣體分析中光譜信號的信噪比，有助于實現(xiàn)更高靈敏度的氣體分析。
激光光譜分析是一個很強大的氣體分析技術(shù)，能夠?qū)崿F(xiàn)非接觸式、高精度、高靈敏度、高選擇性的痕量氣體分析（ppm或ppb量級）。然而，實際操作中所測得的吸收光譜會受到噪聲的干擾，導致不準確的測量結(jié)果。過去的研究工作中提出了一些抑制噪聲的算法，其中S-G濾波算法由于速度快、無需提供過多的參數(shù)、且能較好的保留原始光譜的形狀和高度，成為近年來較受關(guān)注的方法，并且已經(jīng)在某些應(yīng)用場景（例如連續(xù)血糖監(jiān)測）證明其面對各類噪聲的有效性。S-G濾波算法的性能決定于兩個參數(shù)：多項式階數(shù)（k）和平均計算的窗口大小（b）。但是，噪聲源和吸收光譜在實際應(yīng)用中是未知的，因此難以獲得固定的參數(shù)值使得濾波效果達到*。為了解決這個問題，研究人員提出了一種優(yōu)化的自適應(yīng)S-G算法，將深度學習網(wǎng)絡(luò)與傳統(tǒng)的S-G 濾波相結(jié)合，以提高測量系統(tǒng)的性能。深度學習網(wǎng)路以其非線性映射和建模能力對數(shù)據(jù)的規(guī)律性進行研究，并實現(xiàn)出色的“自我調(diào)整"和“跟蹤反饋"。相較于傳統(tǒng)的S-G算法，經(jīng)過優(yōu)化的算法可以調(diào)整濾波參數(shù)以實現(xiàn)光譜的最佳信噪比。
圖一展示了用于訓練S-G濾波算法參數(shù)的深度學習網(wǎng)絡(luò)。這個具有多層感知器的人工智能網(wǎng)絡(luò)提供了設(shè)計上的彈性，可以通過調(diào)整層數(shù)、神經(jīng)元數(shù)量、和一些優(yōu)化指標以達到所需的性能。用龐大的數(shù)據(jù)集進行高效訓練后，相應(yīng)的網(wǎng)絡(luò)模型將達到最佳狀態(tài)。接著，經(jīng)過訓練的網(wǎng)絡(luò)模型將使用變量數(shù)據(jù)輸入找到好的 k 和 b。 與此同時，輸入數(shù)據(jù)集也將按傳統(tǒng)方式計算以獲得最佳參數(shù)k 和 b。通過比較模型預(yù)測和人機計算的結(jié)果，由人工決定出最佳的網(wǎng)絡(luò)參數(shù)。
圖一 用于計算S-G濾波算法參數(shù)的深度學習網(wǎng)絡(luò)
研究組以NO2為目標氣體，選取波數(shù)位于1630.1至1630.42 cm-1的吸收譜線，進行了軟件仿真和實驗測量作為新方法（adaptive S–G filtering, 以下稱ASGF）的驗證，同時與另一常用的multi-signal averaging filtering（MAF）方法作比較。MAF計算時間長且主要用于白噪聲的抑制。仿真結(jié)果顯示在白噪聲干擾的條件下（圖二），MAF將信噪比從原始的6.58 dB提升至12.62 dB，新的ASGF算法則能提升至15.51 dB。圖三則顯示了非白噪聲的背景噪聲干擾，MAF方法將信噪比從原始的7.14 dB提升至13.22 dB，新的ASGF算法則提升至了更高的17.37dB。
圖二 仿真驗證ASFG算法在白噪聲干擾下的性能表現(xiàn)
圖三 仿真驗證ASFG算法在其他背景噪聲干擾下的性能表現(xiàn)
圖四展示了實際實驗的設(shè)置，它由一個光源、一個帶壓強控制器的多通氣體吸收池、一系列反射鏡、一個碲鎘汞光電探測器和一臺計算機組成。昕虹光電為此項研究工作提供的激光源為Q-Qube型量子級聯(lián)激光發(fā)射頭，這是一款熱電冷卻，空氣制冷型，內(nèi)準直輸出的連續(xù)波CW室溫分布反饋型量子級聯(lián)激光（DFB-QCL）源，最大峰值輸出功率為 30 mW，由QC750-Touch型一體化激光驅(qū)動器，集溫度控制器和低噪聲恒流電流控制器驅(qū)動于一身，使光源系統(tǒng)發(fā)出6.2 μm波長的激光。極低的光學噪聲和驅(qū)動器穩(wěn)定性為此實驗奠定了高質(zhì)量信號基礎(chǔ)。激光通過多通池由熱電致冷型的碲鎘汞光電探測器接收，信號傳輸至電腦后進行數(shù)據(jù)處理與分析。
圖四 用于驗證ASGF算法用于痕量NO2氣體分析的實驗設(shè)置
實驗設(shè)置在壓力0.1 atm和溫度296 K的氮氣中對4 ppm NO2的測量。其測量和過濾后的吸收光譜如圖五(a)所示，原始數(shù)據(jù)測吸收特性淹沒在噪聲中，而經(jīng)ASGF算法過濾后的頻譜已顯著平滑，使識別更容易。研究組對吸收光譜數(shù)據(jù)與理論Voigt 函數(shù)擬合，圖五(b)結(jié)果表明擬合的R平方值高達0.99934，表明濾波后的吸收光譜與理論形狀吻合良好。
圖五 實測NO2的吸收光譜和經(jīng)ASFG算法后的吸收光譜，可以看到濾波后的吸收光譜與理論形狀吻合良好
結(jié)合了深度學習的神經(jīng)網(wǎng)絡(luò)技術(shù)，研究組提出的自適應(yīng)S-G濾波算法表現(xiàn)出顯著的濾波效果，在激光光譜氣體分析領(lǐng)域中能夠大幅改善光譜信號的信噪比。面對大氣環(huán)境中具有挑戰(zhàn)性的痕量氣體分子檢測，將能提供更優(yōu)異的靈敏度和可靠性。