本發明涉及管道流體檢測領域，尤其涉及一種基于毫米波雷達的管道流體濃度檢測方法及裝置。

背景技術：

1、隨著工業技術的不斷發展，化工、石油和制藥等領域對液體檢測技術的需求日益增加。這些領域的液體檢測通常涉及到對流體濃度的精確測量和監控。傳統的液體濃度檢測方法包括化學分析、電導率測量和光學測量等。這些方法依賴于液體的光電特性和各種化學特性，通常需要使用如拉曼分析儀等精密儀器。然而，這些專業儀器昂貴且操作復雜，限制了其在大規模生產中的廣泛應用。此外，傳統方法通常為離線檢測，存在滯后性，難以在生產過程中進行實時調整。這種檢測方式在系統工程中多個點位上的實時判斷能力不足，通常僅在部分點位進行間斷性檢測，從而影響生產監控的效率和準確性。

2、近年來，隨著無線感知技術的不斷發展，通過分析無線信號穿透液體后的變化來檢測液體特性，已經成為一種快速、便捷、低成本的液體檢測方案。尤其是其非接觸式測量的特性，吸引了越來越多研究者的關注。無線感知技術在液體檢測中的應用，克服了傳統方法的許多局限性，能夠在不接觸液體的情況下進行快速檢測，降低了檢測成本和復雜度。

3、然而，當前無線感知技術主要關注液體種類的識別，對于液體濃度的檢測研究較少。此外，現有方法在識別精度和識別魯棒性等方面仍存在挑戰，例如液體位置的偏移會導致識別效果的不穩定。這些問題限制了無線感知技術在液體濃度檢測中的應用效果。

技術實現思路

1、本發明目的在于針對現有技術的不足，提出一種基于毫米波雷達的管道流體濃度檢測方法及裝置。

2、本發明的目的是通過以下技術方案來實現的：一種基于毫米波雷達的管道流體濃度檢測方法，該方法包括如下步驟：

3、s1、在密閉環境使用毫米波雷達對需檢測的管道視鏡兩端發射線性調頻信號，并接收反射信號獲取原始數據，根據原始數據提取液體和反射面反射的強相關性雷達信息；

4、s2、構建全范圍管道流體的濃度數據集；根據所需檢測的最小濃度進行分類，并生成對應的真實標簽；

5、s3、使用濃度數據集對識別全范圍濃度的神經網絡進行訓練，所述神經網絡對強相關性雷達信息進行一維特征提取，通過復數域多層感知機對原始數據提取高維特征，使用注意力機制進行特征融合，將融合后的特征進行解碼操作得到濃度預測結果；

6、s4、將原始數據和強相關性雷達信息輸入到訓練好的識別全范圍濃度的神經網絡得到濃度預測結果。

7、進一步地，所述在密閉環境使用毫米波雷達對需檢測的管道視鏡兩端發射線性調頻信號具體包括：將箱式結構安裝在管道液體視鏡兩端發射線性調頻信號，所述箱式結構中安裝毫米波雷達、相應的電源適配器和嵌入式設備，所述毫米波雷達的收發天線暴露在視鏡視野內，其他部分由金屬板隔離。

8、進一步地，所述獲取原始數據包括對接收的反射信號通過混頻器進行混頻處理，生成中頻信號座位雷達的原始數據。

9、進一步地，所述提取液體和反射面反射的強相關性雷達信息包括：對原始數據進行快速傅里葉變換得到頻域信號，對設定距離范圍內的頻域信號強度進行排序，得到三個峰值信號作為第一次達到視鏡表面的雷達信號，第一次穿透視鏡的雷達信號，以及第一次到達反射面的雷達信號；根據信號所在位置的下標和雷達的距離分辨率，計算出三個目標點所在的位置，以毫米波雷達到反射面的距離為參照，將整個雷達信息分為多個區段，在這些區段中將三個信號在同一維度上進行堆疊，得到液體和反射面反射的強相關性雷達信息。

10、進一步地，所述識別全范圍濃度的神經網絡采用深度復數網絡模型中的模塊作為網絡中的基礎模塊，包括：數據擴張層、特征提取層、注意力機制和解碼部分；

11、所述數據擴張層通過復制的方式將原始數據中的雷達數據從二維擴充至三維，使原始數據由天線數×采樣數維度變為天線數×采樣數×采樣數；

12、所述特征提取層中包括多層感知機對雷達的原始數據進行高維特征提取，還包括一維感知機對液體和反射面反射的強相關性雷達信息進行信息提取；

13、所述注意力機制中，將原始雷達數據的高維特征部分分為h×1×c和1×w×c部分分別與反射面反射組成強相關性雷達信息特征進行多頭注意力機制操作，進行維度映射，映射到所需注意力頭數量再將得到的結果進行廣播，將兩個結果擴大為相同的維度再進行相加；

14、所述解碼部分包括多個復數全連接層對結果進行降維展開至一維，然后通過取模的方式將復數域的結果轉化到實數域，最后通過softmax函數獲得對應濃度梯度的概率。

15、進一步地，所述多層感知機模型由若干2維3*3的復數卷積模塊、復數激活函數模塊，復數池化模塊和復數批標準化模塊組成。

16、進一步地，所述復數激活函數模塊采取crelu函數，所述復數批標準化模塊對輸入進行0均值1方差的操作：

17、

18、其中x為輸入向量，v為相關性矩陣，其中相關性矩陣v計算方式如下

19、

20、最終的bn還有兩個參數γ與β，因此最終的批標準化結果如下

21、

22、進一步地，所述訓練過程中選取交叉熵函數作為損失函數，其計算方式為：

23、

24、其中，n為樣本數，c為依據最小濃度分辨率獲得的類別數，xy為第i個樣本屬于真實類別y的概率，xc為第i個樣本數據類別c的概率。

25、另一方面，本發明說明書還提供了一種基于毫米波雷達的管道流體濃度檢測裝置，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執行代碼，所述處理器執行所述可執行代碼時，實現所述的一種基于毫米波雷達的管道流體濃度檢測方法。

26、另一方面，本發明說明書還提供了一種計算機可讀存儲介質，其上存儲有程序，所述程序被處理器執行時，實現所述的一種基于毫米波雷達的管道流體濃度檢測方法。

27、本發明的有益效果：本發明所述的基于毫米波雷達的管道流體濃度檢測方法及系統，通過設計一種全封閉的金屬材質外掛式檢測環境系統，將系統外掛在需要檢測的液體管道兩端形成封閉金屬環境，通過毫米波雷達在封閉金屬環境中發出線性調頻信號，信號穿透液體到達金屬反射面后進行多次反射，獲得毫米波多次穿透液體和到達反射面的數據，極大豐富了接收數據中有效數據的比例，在數據層面通過疊加多次穿透的數據提升了神經網絡的準確性和魯棒性。同時，通過復制的方式擴充數據維度，將二維數據轉化為三維數據，使網絡能進行更加復雜的訓練。

28、本發明對管道流體濃度檢測所建立的神經網絡模型，主要通過復用深度復數網絡中的復數模塊實現對雷達中頻復數數據的高效合理利用。通過復數模塊組成的感知機模型作為特征提取模塊對原始數據進行數據提取，通過參數矩陣將毫米波多次穿透液體和到達反射面的數據與原始數據的高維特征做注意力機制訓練，實現長距離序列化特征以及相關性融合。通過上述方式實現了精細化全范圍的液體濃度階梯化識別，能夠識別0.5％濃度范圍的數據，同時對于未放入網絡訓練的濃度也能辨別為對應的階梯濃度，實現了更加穩定平滑的濃度識別。

29、本發明的基于毫米波雷達的管道流體濃度檢測方法及系統，通過毫米波雷達結合嵌入式系統以及外掛系統結合工作，能夠簡便高效的安裝在所需檢測液體管道視鏡外，便于拆裝，通過在線式檢測也避免了人工檢測的繁瑣流程和復雜培訓過程。易于上手，適用范圍廣，尤其對于高危液體濃度檢測避免了潛在的安全隱患。