一种基于红外光吸收特性的酒精浓度范围检测方法

摘要

本发明公开了一种基于红外光吸收特性的酒精浓度范围检测方法，包括以下步骤：S1.将酒精浓度范围分为

说明书

技术领域

本发明涉及一种基于红外光吸收特性的酒精浓度范围检测方法。

背景技术

随着公共交通道路的不断发展和建设，自驾车出行已经成为了最主要的出行方式之一，但随之而来的是各种交通事故，严重威胁着驾驶员和交通导通的安全；酒驾是导致交通事故的重要原因之一，驾驶员酒后驾车发生事故的可能性相比正常驾驶情况大得多，严重的危害着交通安全；

因此，对酒驾进行检测非常重要，但是目前的检测时大部分是通过化学法进行检测，在精度和检测效率上还存在一定缺陷。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于红外光吸收特性的酒精浓度范围检测方法，通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率。

本发明的目的是通过以下技术方案来实现的：一种基于红外光吸收特性的酒精浓度范围检测方法，包括以下步骤：

S1.将酒精浓度范围分为

S2.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值

S3.在不同的M个温度和N个酒精浓度下，按照步骤S2进行测试，得到

S4.根据得到的

样本集中的样本数据以强度衰减值和温度作为特征样本，以酒精浓度等级作为标签：

第i个样本数据记为

S5.采用机器学习方法或者神经网络算法构建分类模型，利用样本集中的每一个数据对分类模型进行训练，得到训练后的分类模型；

S6.在进行酒精浓度范围检测时，将未知酒精浓度的气体吹入的透明吸收室内，测量此时的温度信息

本发明的有益效果是：本发明通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率；分类模型的训练可以在后台进行，将训练好分类模型下载到测试仪器中，并在测试仪器中配置透明吸收室内、红外光源和红外传感器，可以完成现场的检测，在提高检测精度的同时，有效简化了测试仪器的结构。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于红外光吸收特性的酒精浓度范围检测方法，包括以下步骤：

S1.将酒精浓度范围分为

设置用于分度的酒精浓度

等级

其中，酒精浓度的单位为mg/100ml 。

S2.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值

S201.设定红外光源的红外光发射强度；

S202.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，利用红外光源向所述透明吸收室发射与气体吹入方向垂直的红外光，当红外光通过所述透明吸收室后，在光传播方向上通过光强度传感器进行光强度检测，得到红外光检测强度；

S203.利用红外光发射强度减去红外光检测强度，得到强度衰减值

所述透明吸收室为左侧设置有吹气口，右侧带有密封盖，其余侧面由透明材料制成的矩形吸收室；

所述红外光源发射的红外光从透明吸收室的正下方射入，所述光强度传感器位于透明吸收室的正上方。

S3.在不同的M个温度和N个酒精浓度下，按照步骤S2进行测试，得到

S301.任一温度T下，当吹入气体的已知酒精浓度在N个不同取值时，重复执行步骤S2，得到N组测试数据；

S302.在不同的M个温度下，对于每一个温度重复执行步骤S301，共得到N*M组测试数据。

S4.根据得到的

样本集中的样本数据以强度衰减值和温度作为特征样本，以酒精浓度等级作为标签：

第i个样本数据记为

S5.采用机器学习方法或者神经网络算法构建分类模型，利用样本集中的每一个数据对分类模型进行训练，得到训练后的分类模型；

步骤S5所述的训练过程中，以样本集中每一个样本数据的样本特征

S6.在进行酒精浓度范围检测时，将未知酒精浓度的气体吹入的透明吸收室内，测量此时的温度信息

所述步骤S6中，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值

将未知酒精浓度的气体吹入的透明吸收室内，利用红外光源向所述透明吸收室发射与气体吹入方向垂直的红外光，当红外光通过所述透明吸收室后，在光传播方向上通过光强度传感器进行光强度检测，得到红外光检测强度；利用红外光发射强度减去红外光检测强度，得到强度衰减值。

所述步骤S6中，构建特征样本

在本申请的实施例中，所述机器学习方法包括Adaboost算法、神经网络算法、朴素贝叶斯算法、SVM算法和决策树算法中的一种；所述神经网络算法包括浅层神经网络、深层神经网络、卷积神经网络和循环神经网络算法中的一种。

通过本发明的方法，能够通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率；数据集、样本集的获取以及模型的训练均可在后台完成，在得到训练后的模型时，仅需要将该模型下载到测试一起的处理器中，并在测试仪器中配置透明吸收室内、红外光源和红外传感器和温度传感器，即可采集到所需的数据，并进行酒精浓度检测，相比与现有的化学检测方法，结构更加简单，检测精度更高。