基于图像的利用余弦相似度方法的挥发性有机化合物（VOC）识别

《ACS Omega》：Image-Based Volatile Organic Compound Identification Using the Cosine Similarity Method

　　

对挥发性有机化合物（VOC）进行准确检测和识别对于环境监测、工业安全和人类健康至关重要。目前，基于微传感器的VOC检测技术主要依赖于电学或频率读out信号，无法用于化学品的识别。在此，研究人员提出了一种可视化且直观的VOC识别方法。该技术基于使用氦基介电屏障放电等离子体检测器（μHDBD-PID）通过样品光致电离产生的图像分析。样品注入时氦等离子体颜色的变化由标准手机摄像头记录。对应于VOC注入的特定等离子体图像从记录的视频中提取。测试了来自三个不同类别（烷烃、极性有机化合物、芳香烃）的VOC（正戊烷(C5)、苯、丙酮）及其混合物（C5-苯、C5-丙酮、苯-丙酮），并在四种不同的注入压力（17、20、24、27 Psi）下进行。所有获得的等离子体图像被分为测试集和训练集，然后使用余弦相似度方法识别测试集图像。用于余弦相似度计算的图像特征向量通过直接图像分割获得。此外，还研究了包括图像不同区域的影响对识别准确率的影响，揭示了其对图像区域的敏感性。结果表明，当使用基于直接图像分割的余弦相似度方法时，VOC识别准确率接近100%。这项工作展示了一种通过等离子体图像分析进行VOC识别的新方法，并有可能促进低成本VOC传感器的发展。

该论文发表于《ACS Omega》，介绍了一种基于图像和余弦相似度（Cosine Similarity）方法的挥发性有机化合物（VOC）识别新技术。目前，传统的VOC检测与识别主要依赖气相色谱（GC）或气相色谱-质谱联用（GC-MS）等技术，这些设备虽然可靠，但通常昂贵、体积庞大且功耗高，难以满足现场便携式和实时检测的需求。而现有的微传感器（如电化学传感器、金属氧化物传感器、光离子化检测器PID等）多依赖电信号或频率信号输出，缺乏直观性且通常难以直接用于未知样品的化学识别，往往需要已知校准标准。针对这一问题，研究人员利用微型氦介质阻挡放电光离子化检测器（μHDBD-PID）在VOC电离过程中产生的特征等离子体颜色变化，结合计算机视觉与图像分析技术，开发了一种无需复杂光谱分析或色谱分离的VOC识别新方法。

为开展研究，研究人员主要采用了以下关键技术方法：利用Agilent 7820A气相色谱系统以不同压力（17、20、24、27 Psi）注入液态VOC样品（正戊烷、苯、丙酮及特定等体积二元混合物）至μHDBD-PID的氦等离子体中；使用iPhone 13 Pro摄像头记录等离子体颜色变化视频，并利用MATLAB图像处理工具箱逐帧提取等离子体图像；将图像数据分为训练集（95张）和测试集（24张），并将图像裁剪为三个不同区域（Region 1去除上下黑边、Region 2等离子体中心区域、Region 3底部微光反射区域）；通过直接图像分割法（将图像划分为若干正方形块并计算每块平均RGB值）构建图像特征向量；最后使用Python编写的算法计算测试图像特征向量与各类别训练集平均特征向量之间的余弦相似度，以最大相似度对应的类别作为识别结果。

研究结果主要围绕等离子体成像特征、图像特征向量构建及分类性能评估展开：

3.1. VOC注入过程中的等离子体图像

研究人员发现VOC注入会引起等离子体颜色和形状的变化，且不同VOC及同一VOC在不同压力下的饱和等离子体图像具有明显差异（如苯系物还会改变分布形态，而C5和丙酮主要改变颜色）。等离子体图像对操作温度波动（±3°C）不敏感。图像中除中心等离子体区域外，底部的微光反射区域也包含有用的RGB信息。

3.2. 基于等离子体图像RGB特征向量的VOC识别

研究人员通过将图像分割为不同数量的方块（块），以每块的平均RGB值串联构成特征向量。余弦相似度用于衡量测试向量与训练集各类别平均向量的相似性（值越接近1越相似）。

结果显示，对于Region 1图像（1080×1350像素），当分割块数相对较少（如4×5至40×50）时，分类准确率可达100%，但块数过多（如108×135以上）准确率略降至95.8%；Region 2图像（仅等离子体中心，360×324像素）在较低分割块数时准确率为91.7%，随着块数增加提升至95.8%；Region 3图像（微光反射区，540×400像素）准确率最高为91.7%，且增加块数无助于提升。计算时间随块数增加而显著延长。错误分类主要发生在同种VOC不同压力之间或含相同VOC的混合物之间，无完全不同成分间的错分。Region 1（复合信息）效果最优，结合Region 2与Region 3特征向量也可达100%准确率。氦等离子体图像（无VOC）在不同压力下也能被100%准确分类，证明了稳定数据集的重要性。

讨论与结论部分指出，该研究提出的基于RGB图像和余弦相似度的VOC识别方法，在合适的图像区域和分割尺度下可实现接近100%的识别准确率。研究表明图像内容多样性、测试与训练图像的相似性有助于实现高分类精度，而过高分辨率（过多分割块）并不必要且增加计算负担。该方法无需数据密集型模型训练，仅需简单的向量比较，为低成本、可视化的VOC识别提供了一条新途径，有望推动便携式和现场VOC检测传感器的发展。