本发明涉及光学气体成像检测领域，具体为一种多光谱通道气体分类和定量检测方法及其系统。
背景技术：
1、光学气体成像检测技术因其非侵入性、高灵敏度、以及能够成像和实时响应的特点，近年来在环境监测、工业过程控制和医疗健康等领域得到了广泛应用。传统的光学气体检测方法主要基于气体分子的光吸收特性，通过测量单个特定波长下的吸收强度来推断气体的存在及其浓度。然而，这些方法在实际应用中暴露了很多问题，特别是当应用在化工场地时，难以准确区分泄露气体的种类以及量化其浓度。当泄露气体未知种类时，传统的单波长或窄波段光吸收技术在应对这种复杂情况时显得力不从心。由于不同气体的吸收光谱可能在某些波长上出现重叠，单一波长检测难以区分出各个气体成分。这种情况下，误差累积导致检测结果不准确，甚至可能出现漏检或误报。除了气体种类的识别，精确测量气体浓度也是光学气体检测技术的一大难题。目前业界还没有能够实现浓度定量的光学气体成像检测技术。
技术实现思路
1、本发明的目的在于提供一种多光谱通道气体分类和定量检测方法及其系统，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种多光谱通道气体分类和定量检测方法，包括以下步骤:
4、步骤1，通过多光谱分光模块，将入射光束分为多个子光束并滤波，得到n-1个不同窄带光谱波段的子光束和一个宽带全通波段子光束；
5、步骤2，通过红外探测器将步骤1得到的n个波段的子光束转化为多波段通道同时成像的数字图像信号；
6、步骤3，通过图像畸变矫正和配准单元，将红外探测器输出的多波段通道同时成像的数字图像信号进行畸变矫正并与不同通道的图像进行图像配准对齐，输出光谱图像立方体；
7、步骤4，通过气体分类单元，将步骤3输出的配准后的光谱图像立方体进行像素级的气体的分类检测，得到气体分布的像素坐标区域和种类信息；
8、步骤5，通过气体定量单元，将步骤4得到的气体分布的像素坐标区域和种类信息进行浓度方程定量解算，并基于气体浓度对气体进行伪彩色增强，输出气体浓度的空间分布。
9、进一步地，所述步骤1具体包括以下过程：
10、步骤1.1，通过孔径阵列模块将入射光束分光为n个子光束，孔径阵列模块为由n个毫米级透镜排列而成的透镜阵列；
11、步骤1.2，保留n个子光束中的一束，剩下的n-1个子光束通过滤光片阵列模块进行子光束滤波，得到n-1个不同窄带光谱波段的子光束和一个宽带全通波段子光束，所述滤光片阵列模块为由n-1个中心波长不同的窄带带通滤光片排列而成的滤光片阵列。
12、进一步地，所述步骤3具体包括以下过程：
13、步骤3.1，将多波段通道同时成像的数字图像信号切割为n张子图像，其中包含n-1个不同窄带光谱波段子图像和一个宽带全通波段子图像；
14、步骤3.2，使用orb算法将切割后的图像配准；
15、步骤3.3，将配准后的多通道图像排列成为具有n个通道的光谱图像立方体，输出。
16、进一步地，所述步骤4具体包括以下过程：
17、步骤4.1，在气体分类单元中导入归一化的气体吸收光谱数据库；
18、步骤4.2，对于步骤3输出的配准后的光谱图像立方体按如下过程计算：
19、将光谱图像立方体记为is,则is(x,y,c)表示横坐标为x，纵坐标为y，通道为c的点，其值是坐标dn值，is(x,y)表示一个由is(x,y,1)、is(x,y,2)...is(x,y,n) n个dn值组成的向量，将该向量归一化后，通过使用基于贝叶斯优化的神经网络对该向量进行分类，基于贝叶斯优化的神经网络输出每个像素点最终所属气体种类i和属于第i种气体的概率p；
20、步骤4.3，输出标记为气体分布的像素坐标区域和种类信息。
21、进一步地，所述神经网络具有五层网络结构，包括一个输入层、三个隐藏层、一个输出层，其中输入层神经元数目为光谱通道数，输出层神经元数目为所需分类的气体种类数i，贝叶斯优化器基于初始值优化神经网络的超参数，优化后超参数如下：第一个隐藏层大小为71、第二个隐藏层大小为164；正则化强度为7.99425566291672e-06；激活函数为tanh，损失函数为交叉熵损失函数。
22、进一步地，所述步骤5具体包括以下过程：
23、步骤5.1，根据步骤4输出的气体分布的像素坐标区域提取对应各通道区域点的dn值；
24、步骤5.2，将气体像素的dn值与周围背景像素的dn值做差得到△dn(λ)，最少选择三个窄带光谱波长通道la、lb、lc，分别得到如下的气体浓度方程，通过求解以下三个方程解算反演气体浓度：
25、
26、其中，e为自然常数，λa、λb、λc分别为窄带光谱波长通道la、lb、lc的波长，τs(λa)、τs(λb)、τs(λc)分别为窄带光谱波长通道la、lb、lc的波段总响应率，τ2(λa)、τ2(λb)、τ2(λc)分别为波长λa、λb、λc的大气透过率，可以通过查询modtran辐射传输模型得到，k(λa)、k(λb)、k(λc)分别为窄带光谱波长通道la、lb、lc的待测气体吸收率，可以通过查询hitran数据库得到，ε(λa)、ε(λb)、ε(λc)分别为窄带光谱波长通道la、lb、lc的背景发射率，α(λa)、α(λb)、α(λc)分别通过波长λa、λb、λc普朗克公式计算得到，β(λa)、β(λb)、β(λc)分别通过波长λa、λb、λc普朗克公式计算得到，未知量为气体的柱密度c·l、背景温度tbg、气体温度tgas，将具体数值带入后可以通过求解的三元超越方程组，解出气体的柱浓度、背景温度和气体温度；
27、步骤5.3，根据气体的浓度，对宽带全通波段子图像的气体区域进行伪彩色增强处理，输出气体浓度的空间分布。
28、本发明还提供一种多光谱通道气体分类和定量检测系统，用于实现如上所述的多光谱通道气体分类和定量检测方法，包括：
29、多光谱分光模块，所述多光谱分光模块用于将入射光束细分为多个波段的子光束；
30、红外探测器，所述红外探测器用于将多光谱分光模块得到的子光束转化为肉眼可见的数字图像信号；
31、气体分类定量模块，所述气体分类定量模块包括图像畸变矫正和配准单元、气体分类单元和气体定量单元，所述图像畸变矫正和配准单元用于将红外探测器输出的数字图像信号进行畸变矫正并与不同通道的图像进行图像配准对齐，输出多通道的光谱图像立方体；所述气体分类单元用于将图像畸变矫正和配准单元输出的配准后的光谱图像立方体进行像素级的气体的分类检测，得到气体分布的像素坐标区域和种类信息；所述气体定量单元用于将气体分类单元的输出得到的气体分布的像素坐标区域和种类信息进行浓度方程定量解算，并基于气体浓度对气体进行伪彩色增强，输出气体浓度的空间分布。
32、进一步地，所述多光谱分光模块包含如下子模块：
33、孔径阵列模块，所述孔径阵列模块用于将红外入射光束分为n个子光束，所述孔径阵列模块为由n个毫米级透镜排列而成的透镜阵列；
34、窄带带通滤光片阵列模块，所述窄带带通滤光片阵列模块用于将n-1个子光束滤波，得到n-1个不同窄带光谱波段的子光束，所述滤光片阵列模块为由n-1个中心波长不同的窄带带通滤光片排列而成的滤光片阵列。
35、与现有技术相比，本发明的有益效果是：相比传统的单一波长成像检测，多光谱通道检测具有能够识别气体种类、检测气体浓度的优势。多光谱通道检测的主要创新点在于通过分析不同波长下的吸收特性，可以更准确地区分不同气体的存在。即使在吸收光谱重叠的情况下，多波长信息的综合利用也能显著提高识别的准确性。多光谱通道的冗余信息使得系统在面对环境噪声和干扰时更具鲁棒性，能够有效滤除非目标气体的影响。
36、通过这些创新，本发明提出的多光谱通道气体分类和定量检测方法及其系统，能够显著提升光学气体检测技术的应用水平，为环境监测、工业控制和公共安全等领域提供更加精准和可靠的解决方案。
1.一种多光谱通道气体分类和定量检测方法，其特征在于，包括以下步骤:
2.根据权利要求1所述的一种多光谱通道气体分类和定量检测方法，其特征在于，所述步骤1具体包括以下过程：
3.根据权利要求1所述的一种多光谱通道气体分类和定量检测方法，其特征在于，所述步骤3具体包括以下过程：
4.根据权利要求1所述的一种多光谱通道气体分类和定量检测方法，其特征在于，所述步骤4具体包括以下过程：
5.根据权利要求4所述的一种多光谱通道气体分类和定量检测方法，其特征在于，所述神经网络具有五层网络结构，包括一个输入层、三个隐藏层、一个输出层，其中输入层神经元数目为光谱通道数，输出层神经元数目为所需分类的气体种类数i，贝叶斯优化器基于初始值优化神经网络的超参数，优化后超参数如下：第一个隐藏层大小为71、第二个隐藏层大小为164；正则化强度为7.99425566291672e-06；激活函数为tanh，损失函数为交叉熵损失函数。
6.根据权利要求1所述的一种多光谱通道气体分类和定量检测方法，其特征在于，所述步骤5具体包括以下过程：
7.一种多光谱通道气体分类和定量检测系统，其特征在于，用于实现如权利要求1-6中任一所述的多光谱通道气体分类和定量检测方法，包括：
8.根据权利要求7所述的一种多光谱通道气体分类和定量检测系统，其特征在于，所述多光谱分光模块包含如下子模块：
