基于轻量级卷积网络的颗粒物质量浓度校准方法及系统与流程

本发明涉及环境监测与边缘计算领域，尤其是涉及基于轻量级卷积网络的颗粒物质量浓度校准方法及系统。

背景技术：

1、光散射法因其响应速度快、结构紧凑、成本低廉，被广泛应用于便携式及网格化空气质量监测设备中。光散射粒径谱仪通过检测颗粒物对入射激光的散射信号，结合多粒径通道计数信息，可同时获取颗粒物粒径分布与数浓度数据。然而，由散射信号换算为质量浓度的过程，本质上依赖于颗粒物的粒径分布、形貌、密度及折射率等物理化学属性，而这些属性在实际大气环境中随时间、地域和气象条件发生剧烈变化，导致固定系数转换方法存在系统性偏差。

2、为解决上述问题，现有技术多采用多元线性回归或固定系数校正，存在线性假设强、无法适应气溶胶组分和气象条件动态变化、未充分利用粒径谱全通道信息等问题，导致校准精度受限。此外，现有机器学习或深度学习模型补偿校准方法因参数量过大无法边缘部署，缺乏物理先验导致泛化能力不足。例如，cn106769731a 公开了一种颗粒物浓度的测量方法及装置，以退偏比、侧向散射信号、后向散射信号及环境温湿度为输入，通过神经网络模型输出修正后的颗粒物浓度；但该方案仅使用少量散射通道信号，未充分利用粒径谱仪多通道粒径谱序列所蕴含的完整粒径分布信息，模型结构也未针对粒径通道序列的物理关联进行专门建模。cn120705803a 公开了一种基于多模态特征级融合的粉尘浓度反演方法，通过卷积神经网络提取散射信号局部特征，并采用 transformer 自注意力机制捕获全局特征，融合光学特征与环境特征后经全连接网络输出粉尘浓度；然而，该方案以transformer 作为全局特征提取器，参数量较大，难以部署于资源受限的低成本嵌入式芯片，且直接输出浓度绝对值，未能引入光散射物理模型的先验约束，在训练样本分布与实际工况存在偏差时泛化能力受限。

3、因此，现有技术存在以下主要缺点：第一，纯数据驱动的深度学习模型缺乏物理可解释性，在样本稀缺或环境突变时容易出现过拟合或预测发散，且直接输出浓度绝对值丢失了光散射物理测量的先验约束；第二，cnn+lstm 等复杂时序深度学习模型参数量庞大、计算复杂度高，难以在资源受限的低成本嵌入式芯片（如 arm cortex-m 系列或低端 dsp）上实现实时推理，无法满足边缘侧原位校准的部署需求；第三，现有方案未针对粒径谱仪多通道信号的序列特性及粒径分布物理规律设计专门的轻量化特征提取架构，特征利用率低；第四，现有方案未考虑传感器自身硬件退化（如光源老化、镜头污染）对测量信号的系统性影响，导致长期部署后校准精度下降。

4、针对现有技术中光散射法颗粒物质量浓度校准存在的物理先验缺失、模型参数量过大难以边缘部署、长期稳定性不足等问题，本发明旨在提供一种基于轻量级卷积网络的颗粒物质量浓度校准方法，以实现高精度、可解释、可在嵌入式设备上实时部署的颗粒物质量浓度校准。

技术实现思路

1、本发明为了解决现有技术中存在的问题，创新提出了基于轻量级卷积网络的颗粒物质量浓度校准方法及系统，有效解决由于现有技术造成颗粒物质量浓度校准可靠性不高的问题，有效地提高了颗粒物质量浓度校准的可靠性。

2、本发明第一方面提供了基于轻量级卷积网络的颗粒物质量浓度校准方法，包括：

3、分别获取光散射粒径谱仪、设备内置分光监测器、环境温湿度传感器、β射线标准参考仪器的多源输出数据，并对多源输出数据进行预处理；其中，光散射粒径谱仪的输出数据包括多粒径通道粒子计数序列、总散射光强信号，设备内置分光监测器的输出数据为当前出射光强与出厂标定初始光强之比所定义的光源衰减率参数，环境温湿度传感器的输出数据为环境温湿度参数，β射线标准参考仪器的输出数据为颗粒物质量浓度真值；对多源输出数据进行预处理包括：

4、采用滑动窗口统计方法对光散射粒径谱仪的输出数据进行时间对齐聚合，在每个窗口内对各粒径通道计数序列分别提取均值向量、标准差向量、偏度向量；

5、将均值向量、标准差向量、偏度向量、环境温湿度参数、光源衰减率以及颗粒物质量浓度真值共同构成多源输入特征集；

6、以预处理后多源输出数据为输入，构建物理引导的混合输入张量，具体包括：

7、基于米氏散射理论，针对光散射粒径谱仪各粒径通道，计算每个粒径通道的理论质量当量系数向量；

8、基于各粒径通道计数的均值向量、标准差向量，进行z-score标准化，得到标准化均值向量；将理论质量当量系数向量采用min-max进行归一化，将标准化均值向量与归一化后的理论质量当量系数向量沿通道维度拼接，得到混合输入张量；

9、将混合输入张量输入至预测模型中，输出有效密度修正因子与光强修正系数；其中，预测模型依次包括多尺度深度可分离卷积模块、通道注意力模块及多源状态特征融合层；

10、基于有效密度修正因子与光强修正系数对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度。

11、可选地，基于有效密度修正因子与光强修正系数对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度具体包括：

12、确定当前待检测工况，根据当前待检测工况，选择对应修正方式；

13、基于不同检测工况分别对应的修正方式、有效密度修正因子与光强修正系数对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度。

14、进一步地，根据当前待检测工况，选择对应修正方式具体为：

15、如果当前待检测工况不为第一预设工况或第二预设工况时，基于光强修正系数、有效密度修正因子，对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度；其中，第一预设工况为粗粒子模态颗粒物的平均密度与细粒子模态颗粒物的平均密度之间的差值大于预设差值阈值；第二预设工况为环境温度超出预设温度范围。

16、进一步地，根据当前待检测工况，选择对应修正方式具体还包括：

17、如果当前待检测工况为第一预设工况时，分别获取粗粒子与细粒子的有效密度修正因子，基于光强修正系数、粗粒子与细粒子的有效密度修正因子，对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度。

18、进一步地，根据当前待检测工况，选择对应修正方式具体还包括：

19、如果当前待检测工况为第二预设工况时，基于光强修正系数、温度偏置项、粗粒子与细粒子的有效密度修正因子，对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度。

20、进一步地，基于光强修正系数、有效密度修正因子，对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度具体为：

21、；

22、其中，为校准后的颗粒物质量浓度；为有效密度修正因子；为第i个粒径通道在统计窗口内的计数均值；为第i个粒径通道的理论质量当量系数向量；为光强修正系数；

23、基于光强修正系数、粗粒子与细粒子的有效密度修正因子，对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度具体为：

24、；

25、其中，为细粒子的有效密度修正因子；为粗粒子的有效密度修正因子；为细粒子粒径通道集合；为粗粒子粒径通道集合；为第j个粒径通道在统计窗口内的计数均值；为第j个粒径通道的理论质量当量系数向量；

26、基于光强修正系数、温度偏置项、粗粒子与细粒子的有效密度修正因子，对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度具体为：

27、；

28、其中，为温度偏置项。

29、可选地，多尺度深度可分离卷积模块采用并行分支，分别针对不同粒径的粒子模态进行局部特征提取；对每路分支各自输出的特征图，沿通道维度进行拼接，形成多尺度融合的通道特征张量；

30、通道注意力模块在通道注意力权重生成过程引入了粒径物理分区的先验约束，通过全局平均池化对通道特征张量沿粒径通道维度进行压缩，得到通道描述符向量；将通道描述符向量与当前窗口的多源状态特征向量拼接，形成增强描述符；再经由全连接网络生成各通道的注意力权重向量；将注意力权重向量与原始通道特征张量逐通道相乘，得到加权后特征向量；多源状态特征向量包括环境温湿度向量、光源衰减率参数向量；

31、多源状态特征融合层将加权后特征向量与多源状态特征向量进行拼接融合，形成综合特征向量；拼接后的综合特征向量依次经过两层全连接层得到了高层语义特征向量，将得到的高层语义特征向量输入预测模型的有效密度修正因子输出头与光强修正系数输出头。

32、可选地，还包括：

33、采用多任务联合损失函数对预测模型进行训练；其中，多任务联合损失函数具体为：

34、

35、其中，为总损失函数；为预测浓度与参考真值之间的均方误差项；为l2权重正则化项；为l2权重正则化项的权重系数；为物理范围惩罚项；为物理范围惩罚项的权重系数；

36、根据β射线标准参考仪器输出的颗粒物质量浓度真值对预测模型的动态补偿量进行在线矫正更新；

37、预测模型推理时，若有效密度修正因子或光强修正系数超出预设安全阈值，则触发系统告警并自动回退至上一周期模型参数，避免预测发散；

38、引入经验回放机制，通过维护循环缓冲区持续缓存历史校准样本，在预测模型在线微调时，从维护循环缓冲区中随机采样历史样本与新采集样本按 1:1 比例混合，对模型输出层及融合全连接层参数进行微调训练；若监测到当前批次输入特征与训练集特征分布存在显著差异，则临时解冻多尺度深度可分离卷积模块的最后两层卷积模块，使底层特征提取器能够适应粒径分布的变化。

39、进一步地，根据β射线标准参考仪器输出的颗粒物质量浓度真值对预测模型的动态补偿量进行在线矫正更新具体包括：

40、在预测模型推理阶段维护一个长度为60分钟的滑动窗口，实时记录每一分钟预测模型输出的校准后的颗粒物质量浓度与当前β射线标准参考仪器输出的颗粒物质量浓度小时均值之间的偏差序列；

41、每当获取到新的β射线标准参考仪器输出的颗粒物质量浓度小时均值时，根据偏差序列计算目标校准系数；

42、根据目标校准系数、每分钟系数最大变化幅度，在下一小时内的每一分钟，渐进调整动态补偿量，使动态补偿量平滑趋近目标校准系数。

43、本发明第二方面提供了基于轻量级卷积网络的颗粒物质量浓度校准系统，包括：

44、光散射粒径谱仪，用于输出多粒径通道粒子计数序列、总散射光强信号；

45、设备内置分光监测器，用于输出当前出射光强与出厂标定初始光强之比所定义的光源衰减率参数；

46、环境温湿度传感器，用于输出当前环境温湿度参数；

47、β射线标准参考仪器，用于输出颗粒物质量浓度真值；

48、处理器，用于执行如本发明第一方面所述的基于轻量级卷积网络的颗粒物质量浓度校准方法。

49、本发明采用的技术方案包括以下技术效果：

50、1、本发明分别获取光散射粒径谱仪、设备内置分光监测器、环境温湿度传感器、β射线标准参考仪器的多源输出数据，并对多源输出数据进行预处理；以预处理后多源输出数据为输入，构建物理引导的混合输入张量；将混合输入张量输入至预测模型中，输出有效密度修正因子与光强修正系数；基于有效密度修正因子与光强修正系数对颗粒物质量浓度参数进行修正，得到校准后的颗粒物质量浓度；实现光散射传感器与β射线标准站数据的高效融合，使校准后的分钟级浓度数据与β射线小时均值保持高度一致性，满足国控站考核要求，有效解决由于现有技术造成颗粒物质量浓度校准可靠性不高的问题，有效地提高了颗粒物质量浓度校准的可靠性。

51、2、本发明技术方案中通过将理论质量当量系数向量以强先验方式注入模型输入层，构建物理引导混合输入张量，预测模型不再完全依赖数据拟合；双修正因子输出具有明确的物理含义，在小样本（100 组以内）条件下仍能保持较高校准精度，与纯数据驱动方案相比，相同训练样本量下 r² 可以有效提升。

52、3、本发明技术方案中采用多尺度深度可分离卷积（ms-dsc）与 se-block 轻量化架构，模型总参数量约4.8万至5.2万，相比传统cnn+lstm方案（参数量通常在50万至200万量级），减少了模型参数量；降低了单轮推理延迟，满足嵌入式芯片实时推理需求，实现边缘侧原位校准。

53、4、本发明技术方案中将光源衰减率作为设备状态特征输入，结合 se-block 通道注意力机制，使模型能够自动感知并补偿光源老化、镜头污染等硬件退化带来的系统误差；在长期验证中，相较于未引入光强衰减特征的方案，降低模型的mre指标，大幅延长了设备免维护周期。

54、5、本发明技术方案中通过经验回放机制，将历史样本与新样本按 1:1 混合进行在线微调，有效防止模型遗忘历史环境特征；在高湿度条件下（相对湿度大于 80%），经月度增量微调后，降低模型的rmse指标以及单次更新耗时，满足在线部署实时性要求。

55、6、本发明技术方案中可实现光散射与β射线数据的有机融合，降低与标准站小时均值偏差，满足生态环境监测的要求；提高了模型训练的物理合理性，降低了过拟合风险；而且通过短期快速校正与长期经验回放相结合，使设备在复杂环境下仍能保持高精度，适应季节性和突发污染事件的变化。

56、应当理解的是以上的一般描述以及后文的细节描述仅是示例性和解释性的，并不能限制本发明。