氟氮混合气中氟含量的测试方法

技术领域

本申请涉及智能测试领域，且更为具体地，涉及一种氟氮混合气中氟含量的测试方法。

背景技术

氟气是一种极具腐蚀性的淡黄色双原子气体，有强烈刺激性气味，也是很强的氧化剂，在常温下，它几乎能和所有的元素化合，并产生大量的热能。含氟混合气，例如氟氮混合气具有与氟气相近的理化性质。氟氮混合气常采用压力法配制，主要用于汽车、制药工业中材料氟化处理。在氟氮混合气参与化工制备的过程中，例如通过氟氮混合气来制备六氟化硫的过程中，对氟氮混合气中氟气浓度的控制尤为重要。

中国专利CN113702532B 揭露了一种测量含氟混合气体中氟气含量的装置，其通过采用一种便携的氟气检测装置来进行混合气体中氟气含量值的测定。具体地，通过等间距设置的三个色谱柱来进行混合气体的分离，进而对于分离后的气体进行分析来实现对氟气含量的快速测定。此方案虽然能够节省对于混合气体中的氟含量的检测时间，以提高检测效率，但是，在实际使用时发现对于混合气体中氟气含量检测的精准度较低，难以达到满意的效果，其原因为：在该专利方案中，获得较为精准的氟气含量值的测量值的关键在于所述三个色谱柱能够对吸入的混合气体进行充分分离，但在实际测量中，分离常常不够彻底，也难以彻底分离。

因此，期望一种优化的氟氮混合气中氟含量的测试方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种氟氮混合气中氟含量的测试方法，其通过采用基于深度学习的神经网络模型挖掘出所述氟氮混合气体的气相色谱图中关于氟气含量值的隐含特征分布信息，以此来对于氟氮混合气体中的氟气含量值进行准确测定。

根据本申请的一个方面，提供了一种氟氮混合气中氟含量的测试方法，其包括：获取待检测氟氮混合气体的气相色谱图；将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图；对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列；将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量；对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量；将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量；以及将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

在上述氟氮混合气中氟含量的测试方法中，将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图，包括：使用所述自动编码器的编码器从所述气相色谱图提取气相色谱特征图，其中，所述自动编码器的编码器为卷积层；以及，使用所述自动编码器的解码器对所述气相色谱特征图进行解码以得到所述降噪后气相色谱图，其中，所述自动编码器的解码器为反卷积层。

在上述氟氮混合气中氟含量的测试方法中，对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列，包括：对所述降噪后气相色谱图沿着图像的高度方向进行均匀划分以得到图像子区域的序列，其中，所述图像子区域的序列中各个图像子区域具有相同的尺寸。

在上述氟氮混合气中氟含量的测试方法中，将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个色谱子区域特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像子区域的序列中各个图像子区域。

在上述氟氮混合气中氟含量的测试方法中，对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量，包括：将所述多个图像子区域分别通过作为特征提取器的附加卷积神经网络模型以获得多个图像特征图；分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及，分别计算所述多个加权特征向量中的各个加权特征向量与所述多个色谱子区域特征向量中相应的色谱子区域特征向量之间按位置点乘以得到所述多个优化色谱子区域特征向量。

在上述氟氮混合气中氟含量的测试方法中，将所述多个图像子区域分别通过作为特征提取器的附加卷积神经网络模型以获得多个图像特征图，包括：使用所述作为特征提取器的附加卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的附加卷积神经网络的最后一层的输出为所述多个图像特征图，所述作为特征提取器的附加卷积神经网络的第一层的输入为所述多个图像子区域。

在上述氟氮混合气中氟含量的测试方法中，分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的多个加权特征向量，包括：以如下公式分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述多个加权特征向量；其中，所述公式为：

，其中/>

在上述氟氮混合气中氟含量的测试方法中，将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量，包括：将所述多个优化色谱子区域特征向量进行一维排列以得到全局优化色谱子区域特征向量；计算所述全局优化色谱子区域特征向量与所述多个优化色谱子区域特征向量中各个优化色谱子区域特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个优化色谱子区域特征向量中各个优化色谱子区域特征向量进行加权以得到所述多个上下文语义优化色谱子区域特征向量；将所述多个上下文语义优化色谱子区域特征向量进行级联以得到所述上下文全局气相色谱特征向量。

在上述氟氮混合气中氟含量的测试方法中，将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值，包括：使用所述解码器以如下公式将所述上下文全局气相色谱特征向量进行解码回归以获得用于表示成像质量差异的解码值；其中，所述公式为：

根据本申请的另一方面，提供了一种氟氮混合气中氟含量的测试系统，其包括：图像获取模块，用于获取待检测氟氮混合气体的气相色谱图；降噪模块，用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图；分区模块，用于对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列；卷积模块，用于将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量；特征分布强化模块，用于对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量；上下文编码模块，用于将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量；以及解码模块，用于将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的氟氮混合气中氟含量的测试方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的氟氮混合气中氟含量的测试方法。

与现有技术相比，本申请提供的一种氟氮混合气中氟含量的测试方法，其通过采用基于深度学习的神经网络模型挖掘出所述氟氮混合气体的气相色谱图中关于氟气含量值的隐含特征分布信息，以此来对于氟氮混合气体中的氟气含量值进行准确测定。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的氟氮混合气中氟含量的测试方法的应用场景图；图2为根据本申请实施例的氟氮混合气中氟含量的测试方法的流程图；图3为根据本申请实施例的氟氮混合气中氟含量的测试方法的架构示意图；图4为根据本申请实施例的氟氮混合气中氟含量的测试方法中卷积神经网络编码过程的流程图；图5为根据本申请实施例的氟氮混合气中氟含量的测试方法中特征分布强化过程的流程图；图6为根据本申请实施例的氟氮混合气中氟含量的测试方法中上下文编码过程的流程图；图7为根据本申请实施例的氟氮混合气中氟含量的测试系统的框图；图8为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述：如前背景技术所言，中国专利CN113702532B揭露的一种测量含氟混合气体中氟气含量的装置，其通过采用一种便携的氟气检测装置来进行混合气体中氟气含量值的测定。此方案在实际使用时发现对于混合气体中氟气含量检测的精准度较低，难以达到满意的效果，其原因为：在该专利方案中，获得较为精准的氟气含量值的测量值的关键在于所述三个色谱柱能够对吸入的混合气体进行充分分离，但在实际测量中，分离常常不够彻底，也难以彻底分离。因此，期望一种优化的氟氮混合气中氟含量的测试方案。

相应地，考虑到在实际进行含氟混合气体的氟气含量测定时，由于上述方案中的所述三个色谱柱不能充分地对于混合气体进行分离，导致后续的气相色谱图中存在有多种气体的色谱信息，难以对于氟气的含量值进行测定。而在实际对于所述气相色谱图进行分析的过程中，考虑到由于所述气相色谱图在采集的过程中可能由于环境等因素导致图像存在噪声干扰，难以对于所述气相色谱图中的氟气含量有效信息进行捕捉提取，并且由于所述气相色谱图中存在有较多气体的信息量，降低了对于氟氮混合气体中的氟气含量值的检测精度。因此，在此过程中，难点在于如何准确地挖掘出所述氟氮混合气体的气相色谱图中关于氟气含量值的隐含特征分布信息，以此来对于氟氮混合气体中的氟气含量值进行准确测定。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述氟氮混合气体的气相色谱图中关于氟气含量值的隐含特征分布信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取待检测氟氮混合气体的气相色谱图。接着，考虑到所述待检测氟氮混合气体的气相色谱图在采集的过程中，可能会由于外界环境气体或设备的干扰导致图像存在噪声，使得所述气相色谱图中关于氟气的隐含特征信息变得模糊，进而降低了对于氟气含量值测定的精度。因此，在本申请的技术方案中，在特征提取前需要对于所述气相色谱图像进行降噪。具体地，将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图。特别地，这里，所述自动编解码器由图像编码器和图像解码器组成，所述图像编码器使用卷积层对所述气相色谱图进行显式空间编码以得到图像特征，所述图像解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。

然后，考虑到在实际进行氟气含量检测的过程中，由于所述气相色谱图中存在有各种气体的气相色谱信息，并且不同气体的气相色谱信息在所述气相色谱图像中的不同高度位置处的隐含特征有所不同。因此，为了能够对于所述气相色谱图中的氟气隐含特征进行充分提取，以此来对于氟氮混合气体中氟气含量值进行准确地检测，在本申请的技术方案中，进一步对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列。相应地，在本申请的一个具体示例中，可以对所述降噪后气相色谱图沿着图像的高度方向进行均匀分区处理，以便于后续更精准地检测出所述气相色谱图中关于氟气的隐含特征分布信息，从而得到所述图像子区域的序列，这里，所述图像子区域的序列中各个图像子区域具有相同的尺寸。

进一步地，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述图像子区域的序列中各个图像子区域的图像特征挖掘，以分别提取出所述图像子区域的序列中各个图像子区域的关于氟气的隐含特征分布信息，从而得到多个色谱子区域特征向量。

接着，考虑到由于所述图像子区域的序列中各个图像子区域都存在有关于氟气的隐含特征信息，并且，在所述气相色谱图整体上有关于各个图像子区域的氟气隐含特征间具有着关联性关系，也就是说，所述各个图像子区域中的关于氟气的隐含特征并不是独立存在的，其在所述气相色谱图像整体上存在着关联性特征信息。因此，在本申请的技术方案中，进一步将所述多个色谱子区域特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个子区域中关于氟气隐含特征基于全局的关联性特征分布信息，从而得到上下文全局气相色谱特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个色谱子区域特征向量中各个色谱子区域特征向量进行基于全局的上下文语义编码以得到以所述多个色谱子区域特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述上下文全局气相色谱特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个子区域中关于氟气的隐含特征相对于所述气相色谱图整体的关于氟气隐含特征的上下文语义关联特征表示。

然后，将所述上下文全局气相色谱特征向量作为解码特征向量通过解码器中进行解码回归处理，以得到用于表示待检测氟氮混合气体中的氟气含量值解码值。也就是，以所述气相色谱图中关于氟气的隐含特征分布信息来作为解码特征向量通过解码器，以此来解码回归得到所述待检测氟氮混合气体中的氟气含量值。这样，能够准确地对于待检测氟氮混合气体中的氟气含量值进行测定。

特别地，在本申请的技术方案中，这里，将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型得到所述多个色谱子区域特征向量时，如果能够对作为过滤器的卷积神经网络模型在通道维度上的特征提取显著性进行区分，即对色谱子区域特征向量的各个特征值进行加权，则可以提升所述色谱子区域特征向量的表达效果。

通常，这可以通过将所述图像子区域通过作为特征提取器的附加卷积神经网络模型，并对得到的图像特征图的各个特征矩阵进行全局均值池化的方式来实现。但是，本申请的申请人考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的特征空间分布信息，即图像特征的空间语义信息，因此期望对于所述特征矩阵的全局特征均值表示进行优化，以尽量恢复所述特征矩阵由其整体特征空间分布所表达的图像语义信息，从而提升用于对色谱子区域特征向量的各个特征值进行加权的加权特征向量的准确性。

基于此，计算所述图像特征图的各个特征矩阵的实例归一化和一致性相关恢复因数，表示为：

这里，所述实例归一化和一致性相关恢复因数针对特征矩阵的全局均值池化不可避免地损失区别性特征信息的问题，在特征矩阵所表达的通道实例的空间分布特征的实例归一化（Instance Normalization：IN）的基础上，通过从类概率的统计残差特征中蒸馏一致性相关的特征，来将统计信息中的一致性相关的相干性恢复到特征值表示中，这样，通过以该因数组成所述加权特征向量，就可以实现所述加权特征向量的由所述图像特征图的特征矩阵的空间分布引起的因果关系约束（causality constraint）的恢复。这样，通过以所述加权特征向量对所述色谱子区域特征向量进行点乘以优化所述色谱子区域特征向量，就可以提升所述色谱子区域特征向量的表达效果，进而改进所述上下文全局气相色谱特征向量通过解码器得到的解码值的准确性。这样，能够准确地对于氟氮混合气体中的氟气含量值进行检测。

基于此，本申请提出了一种氟氮混合气中氟含量的测试方法，其包括：获取待检测氟氮混合气体的气相色谱图；将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图；对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列；将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量；对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量；将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量；以及，将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

图1为根据本申请实施例的氟氮混合气中氟含量的测试方法的应用场景图。如图1所示，在该应用场景中，通过气相色谱仪（例如，如图1中所示意的C）获取待检测氟氮混合气体的气相色谱图。接着，将上述图像输入至部署有用于氟氮混合气中氟含量的测试算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述氟氮混合气中氟含量的测试算法对上述输入的图像进行处理，以生成解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法：图2为根据本申请实施例的氟氮混合气中氟含量的测试方法的流程图。如图2所示，根据本申请实施例的氟氮混合气中氟含量的测试方法，包括步骤：S110，获取待检测氟氮混合气体的气相色谱图；S120，将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图；S130，对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列；S140，将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量；S150，对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量；S160，将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量；以及，S170，将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

图3为根据本申请实施例的氟氮混合气中氟含量的测试方法的架构示意图。如图3所示，在该网络结构中，首先，获取待检测氟氮混合气体的气相色谱图；再将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图；接着，对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列；将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量；然后，对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量；将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量；进而，将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

具体地，在步骤S110中，获取待检测氟氮混合气体的气相色谱图。应可以理解，在实际对氟氮混合气体中的氟气含量进行测定时，可以借助气相色谱图作为判断依据，在本申请的技术方案中，可通过气相色谱仪来获得气相色谱图。其中，所述气相色谱仪是以气体作为流动相（载气），利用色谱分离技术和检测技术，对多组分的复杂混合物进行定性和定量分析的仪器。所述色谱图是指被分离组分的检测信号随时间分布的图象。色谱图形状随色谱方法和检测记录的方式不同而不同。

具体地，在步骤S120中，将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图。考虑到所述待检测氟氮混合气体的气相色谱图在采集的过程中，可能会由于外界环境气体或设备的干扰导致图像存在噪声，使得所述气相色谱图中关于氟气的隐含特征信息变得模糊，进而降低了对于氟气含量值测定的精度。因此，在本申请的技术方案中，在特征提取前需要对于所述气相色谱图像进行降噪。具体地，将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图。特别地，这里，所述自动编解码器由图像编码器和图像解码器组成，所述图像编码器使用卷积层对所述气相色谱图进行显式空间编码以得到图像特征，所述图像解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。编码器将输入数据从高维空间映射到低维特征空间，实现输入数据的压缩表示以及提取特征向量，同时，通过解码器尽可能多地重构输入数据的低维特征。更具体地，将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图，包括：使用所述自动编码器的编码器从所述气相色谱图提取气相色谱特征图，再使用所述自动编码器的解码器对所述气相色谱特征图进行解码以得到所述降噪后气相色谱图。

具体地，在步骤S130中，对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列。应可以理解，在实际进行氟气含量检测的过程中，由于所述气相色谱图中存在有各种气体的气相色谱信息，并且不同气体的气相色谱信息在所述气相色谱图像中的不同高度位置处的隐含特征有所不同。因此，为了能够对于所述气相色谱图中的氟气隐含特征进行充分提取，以此来对于氟氮混合气体中氟气含量值进行准确地检测，在本申请的技术方案中，进一步对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列。相应地，在本申请的一个具体示例中，可以对所述降噪后气相色谱图沿着图像的高度方向进行均匀分区处理，以便于后续更精准地检测出所述气相色谱图中关于氟气的隐含特征分布信息，从而得到所述图像子区域的序列，这里，所述图像子区域的序列中各个图像子区域具有相同的尺寸。

具体地，在步骤S140中，将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量。也就是，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述图像子区域的序列中各个图像子区域的图像特征挖掘，以分别提取出所述图像子区域的序列中各个图像子区域的关于氟气的隐含特征分布信息，从而得到多个色谱子区域特征向量。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。

图4为根据本申请实施例的氟氮混合气中氟含量的测试方法中卷积神经网络编码过程的流程图。如图4所示，在所述卷积神经网络的编码过程中，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个色谱子区域特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像子区域的序列中各个图像子区域。

具体地，在步骤S150中，对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量。应可以理解，在本申请的技术方案中，将所述图像的子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型得到所述多个色谱子区域特征向量时，如果能够对作为过滤器的卷积神经网络模型在通道维度上的特征提取显著性进行区分，即对色谱子区域特征向量的各个特征值进行加权，则可以提升所述色谱子区域特征向量的表达效果。通常，这可以通过将所述图像子区域通过作为特征提取器的附加卷积神经网络模型，并对得到的图像特征图的各个特征矩阵进行全局均值池化的方式来实现。但是，本申请的申请人考虑到特征矩阵的全局均值池化不可避免地损失特征矩阵所表达的特征空间分布信息，即图像特征的空间语义信息，因此期望对于所述特征矩阵的全局特征均值表示进行优化，以尽量恢复所述特征矩阵由其整体特征空间分布所表达的图像语义信息，从而提升用于对色谱子区域特征向量的各个特征值进行加权的加权特征向量的准确性。基于此，计算所述图像特征图的各个特征矩阵的实例归一化和一致性相关恢复因数，表示为：

图5为根据本申请实施例的氟氮混合气中氟含量的测试方法中特征分布强化过程的流程图。如图5所示，在所述特征分布强化的过程中，包括：S310,将所述多个图像子区域分别通过作为特征提取器的附加卷积神经网络模型以获得多个图像特征图；S320,分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及，S330,分别计算所述多个加权特征向量中的各个加权特征向量与所述多个色谱子区域特征向量中相应的色谱子区域特征向量之间按位置点乘以得到所述多个优化色谱子区域特征向量。其中，所述S310,包括：使用所述作为特征提取器的附加卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的附加卷积神经网络的最后一层的输出为所述多个图像特征图，所述作为特征提取器的附加卷积神经网络的第一层的输入为所述多个图像子区域。

具体地，在步骤S160中，将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量。考虑到由于所述图像子区域的序列中各个图像子区域都存在有关于氟气的隐含特征信息，并且，在所述气相色谱图整体上有关于各个图像子区域的氟气隐含特征间具有着关联性关系，也就是说，所述各个图像子区域中的关于氟气的隐含特征并不是独立存在的，其在所述气相色谱图像整体上存在着关联性特征信息。因此，在本申请的技术方案中，进一步将所述多个色谱子区域特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个子区域中关于氟气隐含特征基于全局的关联性特征分布信息，从而得到上下文全局气相色谱特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个色谱子区域特征向量中各个色谱子区域特征向量进行基于全局的上下文语义编码以得到以所述多个色谱子区域特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述上下文全局气相色谱特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个子区域中关于氟气的隐含特征相对于所述气相色谱图整体的关于氟气隐含特征的上下文语义关联特征表示。

图6为根据本申请实施例的氟氮混合气中氟含量的测试方法中上下文编码过程的流程图。如图6所示，在所述上下文编码过程中，包括：S410，将所述多个优化色谱子区域特征向量进行一维排列以得到全局优化色谱子区域特征向量；S420，计算所述全局优化色谱子区域特征向量与所述多个优化色谱子区域特征向量中各个优化色谱子区域特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；S430，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；S440，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；S450，分别以所述多个概率值中各个概率值作为权重对所述多个优化色谱子区域特征向量中各个优化色谱子区域特征向量进行加权以得到所述多个上下文语义优化色谱子区域特征向量；S460，将所述多个上下文语义优化色谱子区域特征向量进行级联以得到所述上下文全局气相色谱特征向量。

具体地，在步骤S170中，将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。也就是，在本申请的技术方案中，将所述上下文全局气相色谱特征向量作为解码特征向量通过解码器中进行解码回归，也得到解码值。具体地，以所述气相色谱图中关于氟气的隐含特征分布信息来作为解码特征向量通过解码器，以此来解码回归得到所述待检测氟氮混合气体中的氟气含量值。这样，能够准确地对于待检测氟氮混合气体中的氟气含量值进行测定。在本申请的一个具体示例中，使用所述解码器以如下公式将所述上下文全局气相色谱特征向量进行解码回归以获得用于表示成像质量差异的解码值；其中，所述公式为：其中，所述公式为：

综上，根据本申请实施例的氟氮混合气中氟含量的测试方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出所述氟氮混合气体的气相色谱图中关于氟气含量值的隐含特征分布信息，以此来对于氟氮混合气体中的氟气含量值进行准确测定。

示例性系统：图7为根据本申请实施例的氟氮混合气中氟含量的测试系统的框图。如图7所示，根据本申请实施例的氟氮混合气中氟含量的测试系统300，包括：图像获取模块310；降噪模块320；分区模块330；卷积模块340；特征分布强化模块350；上下文编码模块360；以及，解码模块370。

其中，所述图像获取模块310，用于获取待检测氟氮混合气体的气相色谱图；所述降噪模块320，用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图；所述分区模块330，用于对所述降噪后气相色谱图沿着图像的高度方向进行分区以得到图像子区域的序列；所述卷积模块340，用于将所述图像子区域的序列中各个图像子区域通过作为过滤器的卷积神经网络模型以得到多个色谱子区域特征向量；所述特征分布强化模块350，用于对所述多个色谱子区域特征向量进行通道维度的特征分布强化以得到多个优化色谱子区域特征向量；所述上下文编码模块360，用于将所述多个优化色谱子区域特征向量通过基于转换器的上下文编码器以得到上下文全局气相色谱特征向量；以及，所述解码模块370，用于将所述上下文全局气相色谱特征向量通过解码器以得到解码值，所述解码值用于表示待检测氟氮混合气体中的氟气含量值。

在一个示例中，在上述氟氮混合气中氟含量的测试系统300中，所述降噪模块320，用于：使用所述自动编码器的编码器从所述气相色谱图提取气相色谱特征图，其中，所述自动编码器的编码器为卷积层；以及，使用所述自动编码器的解码器对所述气相色谱特征图进行解码以得到所述降噪后气相色谱图，其中，所述自动编码器的解码器为反卷积层。

在一个示例中，在上述氟氮混合气中氟含量的测试系统300中，所述分区模块330，用于：对所述降噪后气相色谱图沿着图像的高度方向进行均匀划分以得到图像子区域的序列，其中，所述图像子区域的序列中各个图像子区域具有相同的尺寸。

在一个示例中，在上述氟氮混合气中氟含量的测试系统300中，所述卷积模块340，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述多个色谱子区域特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述图像子区域的序列中各个图像子区域。

在一个示例中，在上述氟氮混合气中氟含量的测试系统300中，所述特征分布强化模块350，用于：将所述多个图像子区域分别通过作为特征提取器的附加卷积神经网络模型以获得多个图像特征图；分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的多个加权特征向量；以及，分别计算所述多个加权特征向量中的各个加权特征向量与所述多个色谱子区域特征向量中相应的色谱子区域特征向量之间按位置点乘以得到所述多个优化色谱子区域特征向量。其中，将所述多个图像子区域分别通过作为特征提取器的附加卷积神经网络模型以获得多个图像特征图，包括：使用所述作为特征提取器的附加卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的附加卷积神经网络的最后一层的输出为所述多个图像特征图，所述作为特征提取器的附加卷积神经网络的第一层的输入为所述多个图像子区域；以及，分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的多个加权特征向量，包括：以如下公式分别计算所述各个图像特征图的每个特征矩阵的全局均值池化的实例归一化和一致性相关恢复因数以得到由多个实例归一化和一致性相关恢复因数组成的所述多个加权特征向量；其中，所述公式为：

在一个示例中，在上述氟氮混合气中氟含量的测试系统300中，所述上下文编码模块360，用于：将所述多个优化色谱子区域特征向量进行一维排列以得到全局优化色谱子区域特征向量；计算所述全局优化色谱子区域特征向量与所述多个优化色谱子区域特征向量中各个优化色谱子区域特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个优化色谱子区域特征向量中各个优化色谱子区域特征向量进行加权以得到所述多个上下文语义优化色谱子区域特征向量；将所述多个上下文语义优化色谱子区域特征向量进行级联以得到所述上下文全局气相色谱特征向量。

在一个示例中，在上述氟氮混合气中氟含量的测试系统300中，所述解码模块370，用于：使用所述解码器以如下公式将所述上下文全局气相色谱特征向量进行解码回归以获得用于表示成像质量差异的解码值；其中，所述公式为：其中，所述公式为：

综上，根据本申请实施例的氟氮混合气中氟含量的测试系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出所述氟氮混合气体的气相色谱图中关于氟气含量值的隐含特征分布信息，以此来对于氟氮混合气体中的氟气含量值进行准确测定。

如上所述，根据本申请实施例的氟氮混合气中氟含量的测试系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的氟氮混合气中氟含量的测试系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该氟氮混合气中氟含量的测试系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该氟氮混合气中氟含量的测试系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该氟氮混合气中氟含量的测试系统300与该终端设备也可以是分立的设备，并且该氟氮混合气中氟含量的测试系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备：下面，参考图8来描述根据本申请实施例的电子设备。

图8图示了根据本申请实施例的电子设备的框图。

如图8所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的氟氮混合气中氟含量的测试方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如上下文全局气相色谱特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的氟氮混合气中氟含量的测试方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的氟氮混合气中氟含量的测试方法的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。