CN109470720B - 液体识别方法、向量提取方法、液体识别装置及存储介质 - Google Patents

液体识别方法、向量提取方法、液体识别装置及存储介质 Download PDF

Info

Publication number
CN109470720B
CN109470720B CN201811150332.2A CN201811150332A CN109470720B CN 109470720 B CN109470720 B CN 109470720B CN 201811150332 A CN201811150332 A CN 201811150332A CN 109470720 B CN109470720 B CN 109470720B
Authority
CN
China
Prior art keywords
liquid
microwave
feature vector
data
microwave data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811150332.2A
Other languages
English (en)
Other versions
CN109470720A (zh
Inventor
陈健
祁春超
谭信辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongtou Huaxun Terahertz Technology Co ltd
Original Assignee
Shenzhen Zhongtou Huaxun Terahertz Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhongtou Huaxun Terahertz Technology Co ltd filed Critical Shenzhen Zhongtou Huaxun Terahertz Technology Co ltd
Priority to CN201811150332.2A priority Critical patent/CN109470720B/zh
Publication of CN109470720A publication Critical patent/CN109470720A/zh
Application granted granted Critical
Publication of CN109470720B publication Critical patent/CN109470720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请提供了一种液体识别方法、向量提取方法、液体识别装置及存储介质。该液体识别方法包括：采集被测液体的微波反射信号；根据微波反射信号得到被测液体的微波数据；根据微波数据计算得到被测液体的特征向量；将特征向量输入预设分类器进行识别，并获取识别结果。通过上述液体识别方法，能够快速对被测液体进行识别，提高准确率。

Description

液体识别方法、向量提取方法、液体识别装置及存储介质
技术领域
本申请涉及检测技术领域，特别是涉及一种液体识别方法、向量提取方法、液体识别装置及存储介质。
背景技术
传统的易燃易爆液体检测方法主要有试纸法、拉曼光谱法、X射线法和微波法。前三种检测方法存在检测时间长、成本高和识别率较低等问题。考虑到车站、机场等公众场合的人流量大，安全等级要求高，对于应用到这些场合的检测设备提出了尽可能快速、准确和高效的要求。微波在介质中传播时呈现出穿越、吸收和反射的特性，对于塑料、玻璃和陶瓷，微波几乎是穿越而不吸收，水则呈现吸收特性，金属类则呈现反射特性。因而微波法能够容易的实现无损检测，同时微波法又具有灵敏度高，检测速度快、成本适中等优点，具有较大的开发潜力。
目前，基于微波信号液体检测的方法大多根据液体微波反射或透射信号中信号的相位、幅度、能量、时域峰峰值以及反演液体的介电常数这些特种中的一种或两种，通过简单的设定阈值来区分不同类型的液体，研究表明，上述特征在信号的不同采集条件下变异性大，导致上述方法的实用性较差、误报率高。近年来，人工智能算法得到了快速发展，在对于大数据样本的分类/回归分析方面都取得了传统方法(简单的设定阈值等)无可比拟的效果。
发明内容
本申请提供了一种液体识别方法、向量提取方法、液体识别装置及存储介质，主要解决的技术问题是如何快速对被测液体进行准确识别。
为解决上述技术问题，本申请提供了一种液体识别方法，所述液体识别方法包括：
采集被测液体的微波反射信号；
根据所述微波反射信号得到所述被测液体的微波数据；
根据所述微波数据计算得到所述被测液体的特征向量；
将所述特征向量输入预设分类器进行识别，并获取识别结果。
为解决上述技术问题，本申请还提供了一种特征向量提取方法，所述特征向量提取方法包括：
采集被测液体的反射信号；
根据所述反射信号得到所述被测液体的微波数据；
根据所述微波数据计算得到所述被测液体的特征向量；
其中，所述特征向量包括上述液体识别方法的特征向量。
为解决上述技术问题，本申请还提供了一种液体识别装置，所述液体识别装置包括收发模块和处理模块，其中，所述收发模块与所述处理模块耦接；
所述收发模块用于采集所述被测液体的微波反射信号；
所述处理模块用于根据所述微波反射信号得到所述被测液体的微波数据；
所述处理模块还用于根据所述微波数据计算得到所述被测液体的特征向量；
所述处理模块进一步用于将所述特征向量输入预设分类器进行识别，并获取识别结果。
为解决上述技术问题，本申请还提供了一种计算机存储介质，所述计算机存储介质存储有程序数据，所述程序数据能够被执行以实现上述的液体识别方法或上述的特征向量提取方法。
与现有技术相比，本申请的有益效果是：采集被测液体的微波反射信号；根据微波反射信号得到被测液体的微波数据；根据微波数据计算得到被测液体的特征向量；将特征向量输入预设分类器进行识别，并获取识别结果。通过上述液体识别方法，本申请将被测液体通过将微波反射信号进行处理，计算得到被测液体的特征向量，并利用分类器对特征向量进行识别。本申请能够快速准确识别出易燃易爆危险液体和安全液体。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请液体识别方法一实施例的流程示意图；
图2是图1中微波信号的传播路径示意图；
图3是图1中采集的微波反射信号波形图；
图4是本申请液体识别方法又一实施例的流程示意图；
图5是图4中微波数据提取流程示意图；
图6是图4中标准化后微波数据的时域波形图；
图7是图4中标准化后微波数据的频谱图；
图8是本申请特征向量提取方法一实施例的流程示意图；
图9是本申请液体识别装置一实施例的结构示意图；
图10是本申请计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出了一种液体识别方法，具体请参见图1～图3。图1是本申请液体识别方法一实施例的流程示意图，图2是图1中微波信号的传播路径示意图，图3是图1中采集的微波反射信号波形图。
本实施例的液体识别方法应用于安检领域，用于区分易燃易爆危险液体和安全液体。基于微波反射信号的液体识别方法能够有效地识别容器内的液体类型。
如图1所示，该液体识别方法包括以下步骤：
S11：采集被测液体的微波反射信号。
其中，本实施例的液体识别方法应用于液体安检仪中，液体安检仪中至少包括微波模块、太赫兹模块和热传导模块。
采集被测液体的微波反射信号的具体过程如下：盛放被测液体的容器被放置在液体安检仪的发射天线和接收天线之间；启动液体安检仪后，安检仪中的微波模块扫描盛放在容器内的被测液体，获得如图3所示的微波反射信号S(m)。
在本实施例中，发射天线和接收天线是液体安检仪微波模块的一部分结构。发射天线和接收天线采用收发分置的工作方式，且发射天线和接收天线位于同一水平面，便于夹持盛放被测液体的容器。
微波模块扫描盛放在容器内的被测液体时，微波信号的传播路径如图2所示。具体地，微波模块中的发射天线发射出的微波脉冲1垂直射入容器5，在容器壁4与被测液体6的分界面发生强烈反射和透射，得到反射信号2和透射信号。透射信号在被测液体6中传播，当透射信号传播到被测液体6与空气8的分界面7时，发生强烈反射和透射，得到反射信号3。反射信号3沿原路径返回与反射信号2以一定的时差先后被接收天线接收。
S12：根据微波反射信号得到被测液体的微波数据。
其中，提取微波反射信号S(m)中的微波数据s(n)，其中，n＜m。对微波数据s(n)进行数据标准化后，得到标准化后的微波数据x(n)。
S13：根据微波数据计算得到被测液体的特征向量。
其中，根据标准化后的微波数据x(n)计算x(n)的时域特征向量T和频域特征向量F，并将时域特征向量T和频域特征向量F组合成为多维特征向量M。
进一步地，对多维特征向量M进行归一化处理，得到归一化后的多维特征向量M*。
S14：将特征向量输入预设分类器进行识别，并获取识别结果。
将归一化后的多维特征向量M*输入预设分类器进行识别，并获取识别结果。其中，识别结果包括“危险液体”和“安全液体”。
进一步地，本实施例的液体识别方法还可以识别到液体为“安全液体”的基础上进一步识别液体为食用油类液体或饮料类液体；识别到液体为“危险液体”的基础上进一步识别液体为高浓度酒精类液体、强酸类液体或强碱类液体等。
在本实施例的液体识别方法中，由于反应不同液体主要特征的介电常数存在差异，电磁波在不同阻抗的界面进行传播都会发生反射，其中，液体的阻抗主要由介电常数决定。因此，通过盛放被测液体的容器和液体分界面、液体和空气的分界面反射回来的微波信号，就可以识别出容器内盛放液体的类型。具体地，先对反射回来的液体微波信号进行预处理，然后计算预处理后的液体微波信号的时域特征向量和频域特征向量，并组合成多维特征向量；最后基于多维特征向量通过预设分类器进行识别，得到识别结果。通过上述液体识别方法，能够快速获取被测液体准确的识别结果。
本申请提出了另一种液体识别方法，具体请参见图4～图7。图4是本申请液体识别方法又一实施例的流程示意图，图5是图4中微波数据提取流程示意图，图6是图4中标准化后微波数据的时域波形图，图7是图4中标准化后微波数据的频谱图。
如图4所示，该液体识别方法包括以下步骤：
S41：采集被测液体的微波反射信号。
其中，本实施例的步骤S41与上述实施例的步骤S11相同，在此不再赘述。
S42：从微波反射信号提取第一微波数据。
其中，液体识别方法将微波反射信号的波峰信号设置为标准信号，并将标准信号预设范围内的所有信号组合成第一微波数据。
进一步地，本实施例的液体识别方法根据液体微波反射信号S(m)的波峰定位微波数据s(n)的起点，提取起点前后预设点数对应的信号值组合成微波数据s(n)。其中，预设点数可为205。在其它实施例中，预设点数也可为其它点数。
具体地，对液体微波反射信号S(m)进行微波数据提取的方法请参见图5。首先，获取液体微波反射信号S(m)的最大值及其位置maxIndex；然后，判断maxIndex是否符合微波数据s(n)的起点条件。若最大值位置不符合起点条件，则将maxIndex附近的点对应的信号值置零；若最大值位置符合起点条件，则提取maxIndex前后的点对应的信号值作为微波数据s(n)。
上述的微波数据s(n)起点条件为：
式中，18、186、14和0.2均为预设的条件值。在其它实施例中也可以采用其它条件值，在此不再赘述。
具体地，若最大值位置不符合起点条件，将maxIndex附近的点对应的信号值置零的具体实现公式为：
S(maxIndex-10，maxIndex-9，…，maxIndex+10)＝0
式中，maxIndex-10和maxIndex+10均为预设条件值。在其它实施例中也可以采用其它条件值，在此不再赘述。
具体地，若最大值位置符合起点条件，提取maxIndex前后的点对应的信号值作为微波数据s(n)的具体实现公式为：
式中，maxIndex-18和maxIndex+186均为预设条件值。在其它实施例中也可以采用其它条件值，在此不再赘述。
S43：将第一微波数据进行数据标准化处理，得到第二微波数据。
其中，数据标准化的公式为其中，x(n)为第二微波数据，μ为第一微波数据s(n)的均值，σ为第一微波数据s(n)的标准差。
根据数据标准化的公式，将第一微波数据s(n)进行标准化处理，得到第二微波数据x(n)。标准化处理后的第二微波数据x(n)的时域波形图具体请参见图6。
S44：计算第二微波数据的时域特征向量和频域特征向量，并组合为多维特征向量。
其中，计算第二微波数据x(n)的时域特征向量T，具体计算过程如下：
计算第二微波数据x(n)的最大值Tmax、最小值Tmin和均值Tmean，从而获取x(n)的时域峰峰值Tpp＝Tmax-Tmin，并计算第二微波数据x(n)的能量值最后将第二微波数据x(n)的均值Tmean、时域峰峰值Tpp和第二微波数据x(n)的能量值TEn作为液体微波的时域特征向量T＝{Tmean,Tpp,TEn}。
计算第二微波数据x(n)的频域特征向量F，具体计算过程如下：
对第二微波数据x(n)进行快速傅里叶变换得到第三微波数据xf(k),k≤n，进而得到第三微波数据xf(k)的相位Fp和频谱幅度的最大值Fmax，并计算频谱中低频部分和整个频带功率的比值Fratio。计算公式具体如下：
式中，xfd(q)为xf(k)的低频频谱(q＜k)，为xf(k)的均值，/>为xfd(q)的均值。经过快速傅里叶变换的第三微波数据xf(k)的频谱图具体请参见图7。
快速傅里叶变换(Fast fourier transform,FFT)是信号处理中一种有效的时、频信号转换方法，有利于研究者在频域分析信号在时域无法观测到的潜在特征。
进一步地，将第三微波数据xf(k)的相位Fp、第三微波数据xf(k)频谱幅度的最大值Fmax和低频频谱和整个频带功率的比值Fratio作为液体微波的频域特征向量F＝{Fp,Fmax,Fratio}。
最后，将时域特征向量T和频域特征向量F组合为反映不同液体微波反射信号特征的多维特征向量M＝{T,F}。
常见被测液体的特征向量值请参见下述表1：
表1
S45：将多维特征向量输入SVM分类器进行识别，并获取识别结果。
将步骤S44的多维特征向量M进行归一化处理，得到归一化后的多维特征向量M*。其中，归一化处理的实现公式具体如下：
式中，Mmax为多维特征向量M的最大值，Mmin为多维特征向量M的最小值。
最后，将归一化后的多维特征向量M*输入最优SVM分类器(支持向量机分类器)进行识别，并获取识别结果。其中，识别结果包括“危险液体”和“安全液体”。
进一步地，本实施例的液体识别方法还可以识别到液体为“安全液体”的基础上进一步识别液体为食用油类液体或饮料类液体；识别到液体为“危险液体”的基础上进一步识别液体为高浓度酒精类液体、强酸类液体或强碱类液体等。
支持向量机(Support vector machine,SVM)是一种基于VC维理论和结构风险最小理论的模式识别算法，该方法在处理小样本、非线性、高维数数据的统计训练和预测学习问题时具有较好的分类性能和泛化能力。
进一步地，最优SVM分类器模型的训练过程为：
首先，将液体样本数据库的数据随机划分为训练集、验证和测试集(占数据库的比例分别为60％、20％和20％)。其中，液体样本数据库是采用液体安检仪中的微波模块预先采集的市面上常见的塑料、玻璃和陶瓷容器盛放常见液体(包括危险、安全及其混合类型的液体)的微波反射信号，例如每种容器、液体可以采集30组样本，一共(30*塑料、玻璃和陶瓷容器品种数目*液体品种数目)组微波液体反射信号样本及其训练标签(1-危险，0-安全)。
然后，用训练集初步训练SVM分类器，训练过程中采用径向基核函数，通过验证集验证上一步训练出的SVM分类器模型，得到验证集识别率。最后，选取验证集中识别率最高的模型通过10折交叉验证的方法进一步确定测试集中识别率最高的SVM模型，这个模型即为最优SVM分类器模型。
进一步地，在其它实施例中，液体识别方法也可以采用DNN神经网络对被测液体的特征向量进行识别。
具体地，在获取到归一化后的多维特征向量M*后，进一步将归一化后的多维特征向量M*输入到预设分类器中进行识别。其中，预设分类器是深度神经网络。深度神经网络(Deep Neural Network，DNN)是具有多个隐含层的神经网络，相比于传统的分类器，它具有大规模并行的分布式结构，因而模型具有更好的自适应性和泛化性能，能够更好地处理非线性问题。深度神经网络存储有多种液体的微波数据样本组成的数据库，深度神经网络中的微波数据样本的数据进行随机划分为训练集、验证和测试集。
具体地，深度神经网络可以通过预先对市面常见的塑料、玻璃和陶瓷容器，如聚对苯二甲酸乙二醇酯(PET)、聚乙烯(PE)和聚丙烯(PP)塑料容器等以及市面上常见的液体进行样本选取。例如，每种液体可以选取30组，一共(30*塑料、玻璃和陶瓷容器品种数目*液体品种数目)组的微波数据进行训练，其包括多级标签。具体地，一级可以为安全性的标签，即危险和安全。如水的一级标签为安全，或者水与不与水进行反应的其他安全液体的混合液体的标签为安全；二级标签可以为种类标签，如安全液体下的饮料等等；进一步的，还可以存在三级标签，如饮料液体中凉茶等。
通过对不同液体进行标上不同的标签，随后采用训练集对DNN分类器进行训练。训练过程中可以采用双曲正切激活函数，通过验证集验证上一步训练出的DNN模型，得到验证集识别率；选取验证集中识别率最高的模型通过10折交叉验证的方法进一步确定测试集中识别率最高的DNN的分类器模型，得到识别率最高的DNN的分类器模型后，即为本实施例提供的预设分类器。
在本实施例的液体识别方法中，通过微波反射信号的时域特征和频域特征组成的多维特征向量，利用SVM算法，能够对不同容器盛放的液体进行无损检测，能够有效地应用于不同体积、厚度的塑料、玻璃和陶瓷容器中易燃易爆液体的安检。
本申请还提供了一种特征向量提取方法，具体请参见图8，图8是本申请特征向量提取方法一实施例的流程示意图。
该特征向量提取方法包括以下步骤：
S81：采集被测液体的反射信号。
S82：根据反射信号得到被测液体的微波数据。
S83：根据微波数据计算得到被测液体的特征向量。
其中，该特征向量提取方法得到的特征向量包括上述液体识别方法中的特征向量。
本申请还提供了一种液体识别装置，具体请参见图9，图9是本申请液体识别装置一实施例的结构示意图。
液体识别装置900包括收发模块91和处理模块92，其中，收发模块91与处理模块92耦接。
收发模块91用于采集被测液体的微波反射信号；
处理模块92用于根据微波反射信号得到被测液体的微波数据；
处理模块92还用于根据微波数据计算得到被测液体的特征向量；
处理模块92进一步用于将特征向量输入预设分类器进行识别，并获取识别结果。
本申请还提供一种计算机存储介质，如图10所示，计算机存储介质100存储有程序数据，程序数据能够被执行以实现如本申请液体识别方法和/或特征向量提取方法实施例中所述的方法。
本申请液体识别方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在装置100中，例如一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种液体识别方法，其特征在于，所述液体识别方法包括：
采集被测液体的微波反射信号；
根据所述微波反射信号得到所述被测液体的微波数据；
根据所述微波数据计算得到所述被测液体的特征向量；
将所述特征向量输入SVM分类器进行识别，并获取识别结果，其中，所述识别通过盛放所述被测液体的容器和液体分界面、所述被测液体和空气的分界面反射回来的微波信号，进行识别；
其中，所述根据所述微波反射信号得到所述被测液体的微波数据，包括：从所述微波反射信号提取第一微波数据；
将所述第一微波数据进行数据标准化处理，得到第二微波数据；
对所述第二微波数据进行快速傅里叶变换得到第三微波数据xf(k),k≤n，并得到所述第三微波数据的相位Fp和频谱幅度的最大值Fmax；
根据所述第三微波数据计算频谱中低频部分和整个频带功率的比值Fratio，其中，计算公式为：
式中，xfd(q)为xf(k)的低频频谱(q<k)，和/>分别为xf(k)和xfd(q)的均值；
将所述相位Fp、所述频谱幅度的最大值Fmax和所述比值Fratio组合得到所述被测液体的频域特征向量F＝{Fp,Fmax,Fratio}。
2.根据权利要求1所述的液体识别方法，其特征在于，所述数据标准化处理的数据标准化的公式为：其中，x(n)为所述第二微波数据，μ为s(n)的均值，σ为s(n)的标准差。
3.根据权利要求2所述的液体识别方法，其特征在于，所述从所述微波反射信号提取第一微波数据的步骤，进一步包括：
将所述微波反射信号的波峰信号设置为标准信号，并将所述标准信号预设范围内的所有信号组成所述第一微波数据。
4.根据权利要求1所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：
计算所述第二微波数据的最大值、最小值和均值Tmean；
根据所述最大值和所述最小值得到所述第二微波数据的时域峰峰值Tpp；
计算所述第二微波数据的能量值TEn，其中，计算公式为
将所述均值Tmean、所述时域峰峰值Tpp和所述能量值TEn组合得到所述被测液体的时域特征向量T＝{Tmean,Tpp,TEn}。
5.根据权利要求4所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：
将所述被测液体的时域特征向量T和频域特征向量F组合为所述被测液体的第一特征向量M＝{T,F}。
6.根据权利要求5所述的液体识别方法，其特征在于，所述根据所述微波数据计算得到所述被测液体的特征向量的步骤，进一步包括：
对所述第一特征向量进行归一化处理，得到第二特征向量；
所述归一化处理的公式为：
式中，Mmax为M的最大值，Mmin为M的最小值。
7.一种特征向量提取方法，其特征在于，所述特征向量提取方法包括：
采集被测液体的反射信号；
根据所述反射信号得到所述被测液体的微波数据；
根据所述微波数据计算得到所述被测液体的特征向量；
其中，所述特征向量包括权利要求1～6中任一项所述的特征向量。
8.一种液体识别装置，其特征在于，其用于实施权利要求1～6中任一项所述的液体识别方法，所述液体识别装置包括收发模块和处理模块，其中，所述收发模块与所述处理模块耦接；
所述收发模块用于采集被测液体的微波反射信号；
所述处理模块用于根据所述微波反射信号得到所述被测液体的微波数据；
所述处理模块还用于根据所述微波数据计算得到所述被测液体的特征向量；
所述处理模块进一步用于将所述特征向量输入预设分类器进行识别，并获取识别结果。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有程序数据，所述程序数据能够被执行以实现权利要求1～6中任一项所述的液体识别方法或权利要求7中所述的特征向量提取方法。
CN201811150332.2A 2018-09-29 2018-09-29 液体识别方法、向量提取方法、液体识别装置及存储介质 Active CN109470720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811150332.2A CN109470720B (zh) 2018-09-29 2018-09-29 液体识别方法、向量提取方法、液体识别装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811150332.2A CN109470720B (zh) 2018-09-29 2018-09-29 液体识别方法、向量提取方法、液体识别装置及存储介质

Publications (2)

Publication Number Publication Date
CN109470720A CN109470720A (zh) 2019-03-15
CN109470720B true CN109470720B (zh) 2023-09-22

Family

ID=65664420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811150332.2A Active CN109470720B (zh) 2018-09-29 2018-09-29 液体识别方法、向量提取方法、液体识别装置及存储介质

Country Status (1)

Country Link
CN (1) CN109470720B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276282B (zh) * 2019-06-10 2021-07-20 深圳砺剑防卫技术有限公司 危险液体识别方法、装置及计算机可读存储介质
CN113376609B (zh) * 2021-06-18 2021-12-31 北京邮电大学 一种基于毫米波雷达的液体识别方法
CN113591677A (zh) * 2021-07-28 2021-11-02 厦门熵基科技有限公司 违禁品识别方法、装置、存储介质及计算机设备
WO2024040313A1 (pt) * 2022-08-23 2024-02-29 Meta - Soluções Em Segurança Ltda Dispositivo para comparação de padrão de materiais dielétricos a partir de antena vivaldi antipodal com borda exponencial

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202693497U (zh) * 2012-07-03 2013-01-23 上海道肯奇科技有限公司 一种用于液体快速安全检测的装置
CN103029438A (zh) * 2011-09-30 2013-04-10 富士胶片株式会社 喷墨记录设备和方法，以及异常喷嘴确定方法
CN103630555A (zh) * 2013-11-21 2014-03-12 烟台大学 一种液体危险品检测中采用微波多频点矢量检测的方法
CN104007475A (zh) * 2014-06-17 2014-08-27 深圳市天和时代电子设备有限公司 一种危险液体检测装置及其检测方法
CN104101687A (zh) * 2014-07-10 2014-10-15 天津大学 基于超声多普勒与电学多传感器的多相流可视化测试方法
CN104155471A (zh) * 2014-07-10 2014-11-19 天津大学 基于超声与电学多传感器互相关测速的多相流测试方法
CN104989401A (zh) * 2015-05-29 2015-10-21 中国矿业大学 一种基于声音的煤岩界面识别装置及识别方法
CN105527303A (zh) * 2015-12-04 2016-04-27 深圳大学 利用毫米波检测材料的方法及***
CN106645014A (zh) * 2016-09-23 2017-05-10 上海理工大学 基于太赫兹光谱的物质识别方法
CN106772331A (zh) * 2016-12-13 2017-05-31 中国电子科技集团公司第三研究所 目标识别方法和目标识别装置
CN108344715A (zh) * 2018-02-06 2018-07-31 深圳市无牙太赫兹科技有限公司 基于atr模式的物质成分鉴别方法、装置和计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10884128B2 (en) * 2015-03-24 2021-01-05 Utilis Israel Ltd. System and method of underground water detection

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103029438A (zh) * 2011-09-30 2013-04-10 富士胶片株式会社 喷墨记录设备和方法，以及异常喷嘴确定方法
CN202693497U (zh) * 2012-07-03 2013-01-23 上海道肯奇科技有限公司 一种用于液体快速安全检测的装置
CN103630555A (zh) * 2013-11-21 2014-03-12 烟台大学 一种液体危险品检测中采用微波多频点矢量检测的方法
CN104007475A (zh) * 2014-06-17 2014-08-27 深圳市天和时代电子设备有限公司 一种危险液体检测装置及其检测方法
CN104101687A (zh) * 2014-07-10 2014-10-15 天津大学 基于超声多普勒与电学多传感器的多相流可视化测试方法
CN104155471A (zh) * 2014-07-10 2014-11-19 天津大学 基于超声与电学多传感器互相关测速的多相流测试方法
CN104989401A (zh) * 2015-05-29 2015-10-21 中国矿业大学 一种基于声音的煤岩界面识别装置及识别方法
CN105527303A (zh) * 2015-12-04 2016-04-27 深圳大学 利用毫米波检测材料的方法及***
CN106645014A (zh) * 2016-09-23 2017-05-10 上海理工大学 基于太赫兹光谱的物质识别方法
CN106772331A (zh) * 2016-12-13 2017-05-31 中国电子科技集团公司第三研究所 目标识别方法和目标识别装置
CN108344715A (zh) * 2018-02-06 2018-07-31 深圳市无牙太赫兹科技有限公司 基于atr模式的物质成分鉴别方法、装置和计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于液滴分析技术和液滴指纹图的液体识别方法的研究;宋晴;《中国博士学位论文全文数据库》;中国学术期刊（光盘版）电子杂志社;20070815(第2期);第3-5章 *
王振成等.工程测试技术及应用.《工程测试技术及应用》.重庆大学出版社,2014, *
通过测量液体介电常数实现特定危险品的快速鉴别;李彬等;《警察技术》;20100907(第5期);第59-60页 *

Also Published As

Publication number Publication date
CN109470720A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109470720B (zh) 液体识别方法、向量提取方法、液体识别装置及存储介质
CN102034288B (zh) 基于多生物特征识别的智能门禁***
Gadde et al. Fall detection and classifications based on time-scale radar signal characteristics
Averbuch et al. A wavelet packet algorithm for classification and detection of moving vehicles
CN111767897B (zh) 一种基于支持向量机的钢轨裂纹缺陷的识别方法
Oh et al. A UAV classification system based on FMCW radar micro-Doppler signature analysis
Wu et al. Extraction and classification of acoustic scattering from underwater target based on Wigner-Ville distribution
CN107818298A (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
CN110514975A (zh) 一种gis设备的局部放电类型分类方法
CN102982339A (zh) 一种高光谱特征变量选取的方法
Rahman et al. Multiple drone classification using millimeter-wave CW radar micro-Doppler data
WO2020062471A1 (zh) 液体识别方法、特征提取方法、液体识别装置及存储装置
CN103116740A (zh) 一种水下目标识别方法及其装置
CN114740441A (zh) 一种基于小样本的低慢小目标雷达回波识别方法
CN114355462A (zh) 一种基于微多普勒特征的人体隐藏危险物检测方法及介质
US9147101B2 (en) Method of detecting and identifying substances or mixtures and determining their characteristics
CN110751103B (zh) 一种用于物体内部检测的微波信号分类方法及***
Lindenbaum et al. Seismic event discrimination using deep CCA
Tellbach et al. Wireless material identification in the recycling chain using chipless RFID Tags
Shihab et al. A comparison of segmentation techniques for target extraction in ground‐penetrating radar data
Shao et al. Signal classification for ground penetrating Radar using sparse kernel feature selection
Binder et al. Applying automatic aural classification to cetacean vocalizations
Moustakidis et al. An automated long range ultrasonic rail flaw detection system based on the support vector machine algorithm
Bouza et al. Robust target classification using UWB sensing
Zhang et al. Dictionary Learning for Radar Classification of Multiple Micro-Drones

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd.

Applicant after: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.

Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN CCT THZ TECHNOLOGY Co.,Ltd.

Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230614

Address after: 518000 Shenzhen, Baoan District, Xixiang, Guangdong Xixiang street, thirty-seventh fields, 430 estate.

Applicant after: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd.

Address before: 518102 room 430, building 37, chentian Industrial Zone, Baotian 1st Road, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Zhongtou Huaxun Terahertz Technology Co.,Ltd.

Applicant before: CHINA COMMUNICATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant