光纤电容液滴分析仪及其识别算法

裘祖荣，陈新华，李杏华，任妮娜

光纤电容液滴分析仪及其识别算法

裘祖荣，陈新华，李杏华，任妮娜

(天津大学精密测试技术及仪器国家重点实验室，天津 300072)

光纤电容液滴分析仪利用液滴分析技术，综合在液体形成液滴的监测过程中获得的物理、化学特性参数，进行液体识别．基于液滴分析仪的功能原理，结合其现有的识别算法，提出了一个基于BP神经网络技术的液体识别方案，设计了3层BP神经网络分类器，完成了嵌入式系统功能算法的设计．对典型样品进行了测试实验，结果表明，对大部分液体可以进行完全识别，部分液体的识别率达96%以上，识别精度可达95%．

液滴分析；液滴指纹图；BP神经网络；嵌入式系统；识别算法

随着全球经济的飞速发展和人们生活水平的提高，人们对污染的控制，对饮食、医药和工业用液的质量监测都提出了更多、更高的要求，迫切需要功能更强、使用更方便的分析方法和仪器．液滴分析技术[1-5]是随着人们对可持续发展战略和保护生态环境的重视而逐步发展起来的，是用于液体综合分析的一门高新技术．通过液滴分析技术获得的液滴指纹图[5-9]，在一定条件下具有确定性和唯一性，可以作为识别液体细微差别的依据，由此可以很方便地识别未知液体和鉴别液体真伪．基于液滴分析技术的液滴分析仪[2-5]也因具有综合能力强、容易用于在线测量、为理想的“绿色仪器”等特点，而有望应用于食品、医药、工农业用液、环境监测和资源保护等涉及液体监测的领域．笔者主要实现了系统目标的分类设计，使液滴分析仪有针对性的完成预定目标；嵌入式系统的研究，减少了仪器的“多功能化”带来的设计上的复杂性；通过对以往识别方法的比较和总结，提出基于BP神经网络技术的识别算法，并利用典型样品的测试实验对算法进行了验证．

1 光纤电容液滴分析仪的工作原理

图1所示为光纤、电容液滴分析仪[2-5]的总体设计原理框图．根据图1可知，光纤、电容液滴分析仪的设计主要由精密微量供液泵，光纤、电容液滴传感器，光纤信号和电容信号处理电路，数据的嵌入式系统采集和处理模块，以及结果的液晶显示等组成．

图1 光纤、电容液滴分析仪总体设计原理示意Fig.1 Overall design schematic diagram of FCDA

精密微量供液泵提供流速稳定、流量微小的液流[10]，经过毛细管由滴头形成形状唯一的液滴．二极管光源发出的光线由输入光纤导入液滴，经液滴的折射、反射、吸收等作用，部分进入输出光纤作为信号传出．这部分传出光的光强度发生变化，包含了液滴的物理、化学等综合特性信息．传出光信号经过光电转换元件变成电压模拟量，做相应的放大滤波处理后进入嵌入式系统进行A/D转换实现数据的处理，识别算法的编写以及结果的液晶显示．同时，随着液滴生长过程中液滴体积和形状的变化，由滴头和环形极板构成的电容传感器的电容量也随之发生变化，通过主放大电路、带通滤波及放大电路、真值有效值转换电路等，得到带有液滴体积信息的电压模拟量，进入嵌入式系统进行A/D转换实现数据的处理，识别算法的编写以及结果的液晶显示．

2 基于时间轴的液滴指纹图特征提取

基于液滴分析技术[1-5]和液滴指纹图[5-9]来进行液体识别，具有适用范围广、综合能力强、操作简单、使用方便等优势．由于液滴指纹图是表征液体特性的综合数据库，如果液体在物理、化学性质上有所改变，无论是单一或者多项特性参数的改变，那么都将在其液滴指纹图上有所反映．因此，可以仅仅通过不同液体的液滴指纹图之间的差异来对彼此加以区分，而不需要对众多特性参数一一进行测量检验．

由液滴指纹图得到的图像信息包含的数据量相当大，为了有效地实现识别，有必要对原始数据进行变换，以得到能反应液体本质的特征，这就是特征的提取与选择过程．根据一定的原则，通过变换和选择，可以把大量的数据信息空间转换为维数较低的特征空间，特征空间中的一个特征值即为一个特征向量．

现有的液滴指纹图特征提取方法是以时间为坐标轴，将光纤、电容信号分别处理，采用单位时间内电容信号变化量的绝对值划分液滴生长时间和滴落时间，并以此确定液滴指纹图的特征值，主要包括：①液体液滴总周期T；②生长时间内光纤信号平均值Fμ；③生长时间内电容信号平均值Cμ；④生长时间内光纤信号波谷值Fmin；⑤生长时间内光纤信号波峰值Fmax；⑥生长时间内光纤信号波谷波峰差值FΔV；⑦生长时间内电容信号波谷值Cmin；⑧生长时间内电容信号波峰值Cmax；⑨生长时间内电容信号波谷波峰差值CΔV．

基于时间轴的液滴指纹图特征提取方法，利用单个或多个液体指纹图特征值识别液体，虽然达到了仪器的便携式要求，但其识别精度不高，而且需要建立庞大的特征值库和阈值库，识别程序复杂，尤其不适合于同类相似液体的识别，有待进一步改进．

3 BP神经网络技术原理

人工神经网络[11-14](artificial neural networks，ANN)通过结点间的连接来储存信息并完成分类计算．ANN通过学习，根据训练样本集来调节连接的权值，找出相应的分类曲面．ANN所具有的学习能力使其能在复杂的数据分布中提取人脑还不能直观理解的规律．而且人工神经网络具有与人脑的高度并行性、良好的容错性和联想记忆功能、自适应和自学习能力等特点，特别是以改进型BP网络为代表的神经网络具有良好的自学习能力、强大的分类能力、容错能力和鲁棒性，可以实现输入到输出的非线性映射，图2为具有1个隐含层的3层BP神经网络．

BP神经网络的工作方式，由2个阶段组成：①学习期，神经元之间的连接权值可由学习规则进行修改，以使目标函数达到最小；②工作期，连接权值不变，由网络的输入得到相应的输出．BP学习算法也称误差反向传播算法[13]，是一类基于梯度下降法的有指导的学习算法．算法由正向信号传播和反向信号传播组成．正向传播是指，输入信号由输入层经隐含层再到输出层由前向后计算各隐含层和输出层的输出，把网络输出与期望输出进行相减，然后得到相应的误差，再进行反向传播．反向传播是利用梯度下降法不断的调整网络的权值，直至误差减小到预期的要求．其数学描述可表示为

式中：jO表示所考虑层中第j个神经元的输出；iO表示前一层第i个神经元的输出；ijW表示前一层第i个神经元到所考虑层第j个神经元相应的权值；jb表示所考虑层中第j个神经元的输出误差．神经网络期望输出jO可以通过调节网络权值ijW来得到．

对于网络实际输出而言，误差函数可表示为

式中：jt表示学习样本期望输出；jy表示网络实际输出．当满足Eε＜时，结束学习，固定已完成学习任务的神经网络权值，该网络便构成了一个模式分类器．当学习样本组以外的输入模式输入网络时，根据实际进行模式识别．

图2 具有1个隐含层的3层BP神经网络Fig.2 Three-layer BP neural network with only one hidden layer

4 基于BP神经网络技术的液体识别方案

识别是所有智能系统面对纷繁复杂的传感器数据时，从中提取出有意义的信息所采取的第一关键的处理步骤．模式识别是一门以应用为基础的科学，目的是将对象进行分类．基于BP神经网络的液体识别问题的本质就是一个模式识别问题，一个典型的模式识别任务包括：预处理、特征提取和选择、分类器及相关处理，其基本构成如图3所示．

在液滴分析系统中，待识别物体即为要识别的液体，数据获取指从液滴指纹图中获取特征信息，预处理为从这些特征值中选取有用的特征信息以提高识别精度．而液滴识别算法的核心任务就是对液滴指纹图的特征提取和选择，并设计分类器．实验表明，要取得好的识别率，关键就在于特征值和分类器的匹配．因此，选择并设计适当的分类器，对于提高识别率也是相当重要的．

图3 液体识别系统基本构成Fig.3 Basic composition of liquid drop recognition system

神经网络结构的选择包括3方面内容：输入和输出层节点数的选择，网络隐含层数的选择，以及每个隐含层节点数的选择．经过实验的反复验证，最终选定了830X××的3层BP神经网络法来进行液体的识别，即8个输入节点、30个隐含层节点和X个输出节点．

输入节点数的选择由应用要求决定，一般等于要训练的样本矢量维数，可以是原始数据的维数或提取的特征的维数．本文输入节点数选为液体的8个特征值数目，即：①液体液滴总周期T；②液体液滴生长时间1T；③生长时间内光纤信号平均值µF；④生长时间内电容信号平均值µC；⑤生长时间内光纤信号波谷值minF；⑥生长时间内光纤信号波峰值maxF；⑦生长时间内电容信号波谷值minC；⑧生长时间内电容信号波峰值maxC．

输出节点数的选择也由应用要求决定，在分类网络中取类别数，在逼近网络中取要逼近的函数的输出空间维数．本文输出节点数X即为所要识别的液体种类数(如酒类、茶饮类、果汁类等)或每类液体的样品数．

网络的隐含层数及隐含层的节点数决定了网络的规模，而网络的规模与其性能密切相关，需要根据实验和实际经验做出合适的选择．已经证明[14]仅含一个隐含层的前馈网络能以任意精度逼近定义在Rn中的一个集上的任意非线性函数，实现任意分类问题，因此本文中采用一个3层网络．隐层节点数是根据实际经验和参考实验确定的30为最佳值．

网络参数选择如下：网络精度取为0.01；惯性系数取为0.25；对应的隐含层和输出层修正权值学习率取为0.1；隐含层和输出层的激活函数都为Sigmoid函数，机数产生权值矩阵．

5 样品测试实验及结果分析

图4 光纤电容液滴分析仪实验装置Fig.4 Experimental equipment of liquid drop recognition Fig.4 system

采用如图4所示的实验装置对5类不同液体进行实验，包括：酒精类、矿泉水类、茶饮类、果汁饮料类及新型饮料类，并以不同体积分数的酒精识别为例来表述数据的处理过程，最后给出其他实例的识别结果及分析．

对不同体积分数的酒精特征值做了统计，表1所示为学习样本(60组480个)各个特征值的均值．采用BP神经网络作为分类器，把样本分成2部分，即训练集和测试集，分别用于设计分类器和检验分类器．其中用60组(480个)特征值作为分类器，用剩余的437组(3 496个特征值)来检验分类器，得出正确识别率，进而检验分类器的好坏．本文规定输出向量Y={y0,y1,y2,…,yn}，当网络达到终止规则——正确识别率大于0.99或达到最大迭代次数时，停止训练．如果网络满足要求，则利用其权值到嵌入式系统中进行识别使用．在嵌入式系统中编写前向神经网络程序，直接使用在系统中训练好的权值，实现神经网络的使用．这时，输出向量定义为{1,0,0,…,0}，其中，1表示目前正在检测的液体是其对应位置上的液体，0表示的意思与1正好相反，达到神经网络液体识别的目的．

表1 学习样本特征值均值Tab.1 Average eigenvalue of samples for training

本实验另选取了5种酒精体积分数相近的饮用酒作为识别样品，以显示算法的性能，其识别结果如表2所示．

表2 饮用酒样品识别结果Tab.2 Recongnition results of different kinds of wine %

由表2可以看出，在饮用酒样品有差别的情况下，BP算法有很高的识别率，但由于道光高粱酒和杜康酒的酒精体积分数相同(45%)，成分也极为相似(纯净水、高粱及小麦等)，在这里识别率比较低，83.78%的杜康酒就被识别成为道光高粱酒．针对饮用酒样品，选取更为合适的指纹图特征值和增加神经网络训练次数，可以识别成分极为相似的样品，并获得比表2更高的识别率．

表3 各种液体样品识别结果Tab.3 Recongnition results of different types of liquid

其他样品识别结果如表3所示，可以看出：各类液体样品的识别率较高，成分差异大的不同样品识别率可达100%，即可以进行完全识别；由于不同液体的指纹图特征值本身的差异性，这里矿泉水类的识别率相对偏低，这一问题可以通过另选更合适的特征值的方法予以解决；可见BP神经网络很适合于液体的分类识别．

6 结 语

基于BP神经网络的液体识别算法的嵌入式系统实现，较前期的识别技术有更强的液滴识别潜力．测试实验表明：经过上万次训练后，对大部分液体可以进行完全识别，部分液体的识别率能达96%以上；在液体十分相似的情况下，可采用另选更合适的特征值的方法训练网络，以达到识别的目的，且识别精度可达95%．

［1］ Song Qing，Qiu Zurong，Zhang Guoxiong. Review of drop analysis technology for liquid property study[J]. Opto-Electronics Review，2005，13(1)：21-28.

［2］ McMillan N D，Finlayson O，Fortune F，et al. The fiber drop analyser：A new mutilanalyser analytical instrument with sugar processing and for the analysis of pure liquids[J]. Measurement Science and Technology，1992，3(8)：746-764.

［3］ McMillan N D，Fortune F J M，Finlayson O E，et al. A fiber drop analyzer：A new analytical instrument for individual，sequential，or collective measurement of the physical and chemical properties of liquids[J]. Review of Scientific Instruments，1992，63(6)：3431-3454.

［4］ Wang C H，Augousti A T，Mason J，et al. The capacitive drop tensiometer：A novel multianalysing technique for measuring the properties of liquids[J]. Measurement Science and Technology，1999，10(1)：19-24．

［5］ 裘祖荣，张国雄，王春海，等. 液滴分析技术的研究[J].天津大学学报，2001，34(5)：587-590.

Qiu Zurong，Zhang Guoxiong，Wang Chunhai，et al. Study on the technology of drop analyses[J]. Journal of Tianjin University，2001，34(5)：587-590(in Chinese).

［6］ Song Qing，Zhang Guoxiong，Qiu Zurong. Spectral drop analysis and 3D liquid drop fingerprint[J]. Instrumentation Science and Technology，2004，32(2)：153-165.

［7］ Song Qing，Qiu Zurong，Zhang Guoxiong. Volume-based fiber drop fingerprint based on optoelectronic liquid signature analyzer[J]. Journal of Optoelectronics and Advanced Material，2004，6(2)：393-398.

［8］ Song Qing，Zhang Guoxiong，Qiu Zurong. Drop growth monitoring and drop volume measurement based on image drop analysis with CCD[J]. Instrumentation Science and Technology，2003，31(1)：1-13.

［9］ McMillan N D，Davern P，Lawlor V N，et al. The instrumental engineering of a polymer fiber drop analyzer for both quantitative and qualitative analysis with special reference to fingerprinting liquids[J]. Colloids and Surfaces A，1996，114(23)：75-97.

［10］ 宋 晴，张国雄，裘祖荣，等. 用于液滴分析的程控微量供液系统的设计[J]. 仪器仪表学报，2004，25(6)：725-728.

Song Qing，Zhang Guoxiong，Qiu Zurong，et al. Design of program-controlled micro-flow feeding system for applications in drop analysis[J]. Chinese Journal of Scientific Instrument，2004，25(6)：725-728(in Chinese).

［11］ Goloka B S，Chittaranjan R. Predicting flux decline in crossflow membranes using artificial neural networks and genetic algorithms[J]. Journal of Membrane Science，2006，283(1/2)：147-157.

［12］ Liu Qifeng，Kim S H，Lee S. Prediction of microfiltration membrane fouling using artificial neural network models[J]. Separation and Purification Technology，2009，70(1)：96-102.

［13］ Rumelhart D E，Hinton G E，Williams R J. Learning internal representations by error propagation[J]. Parallel Distributed Processing，1986，1：318-362.

［14］ Homik K. Approximation capabilities of multilayer feed forward network[J]. Neural Networks，1997，4(2)：251-257.

Fiber Capacitance Drop Analyzer and Its Recognition Algorithm

QIU Zu-rong，CHEN Xin-hua，LI Xing-hua，REN Ni-na
(State Key Laboratory of Precision Measuring Technology and Instruments，Tianjin University，Tianjin 300072，China)

The fiber capacitance drop analyzer，using drop analysis technology，can analyze the liquid synthetically by the affections of their physical and chemical parameters obtained by monitoring the drop formation process. Based on the function and principle of fiber capacitance drop analyzer and with its present recognition algorithm considered，this paper proposes an overall implementing project by means of BP neural network technology. According to the principle of BP neural network，a three-layer BP neural network recognition method is designed，and embedded system and its analysis program are also developed. The experiments of typical samples are carried out and the results show that the majority of the samples is recognized correctly，the recognition ratio of some samples is above 96% and precision achieves 95%.

liquid drop analysis；liquid drop fingerprint；BP neural network；embedded system；recognition algorithm

TH744.4

A

0493-2137(2011)05-0445-05

2010-03-25；

2010-08-09.

裘祖荣（1958— ），男，博士，教授，qzr@tju.edu.cn．

陈新华，chxh@tju.edu.cn.