[go: up one dir, main page]

CN113049500A - 水质检测模型训练和水质检测方法、电子设备及存储介质 - Google Patents

水质检测模型训练和水质检测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113049500A
CN113049500A CN202110296084.8A CN202110296084A CN113049500A CN 113049500 A CN113049500 A CN 113049500A CN 202110296084 A CN202110296084 A CN 202110296084A CN 113049500 A CN113049500 A CN 113049500A
Authority
CN
China
Prior art keywords
water body
sample point
water quality
spectral data
water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110296084.8A
Other languages
English (en)
Other versions
CN113049500B (zh
Inventor
张昱升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Gaohang Intellectual Property Operation Co ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN202110296084.8A priority Critical patent/CN113049500B/zh
Publication of CN113049500A publication Critical patent/CN113049500A/zh
Application granted granted Critical
Publication of CN113049500B publication Critical patent/CN113049500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G01N21/274—Calibration, base line adjustment, drift correction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请实施例提供了一种水质检测模型训练和水质检测方法、电子设备及存储介质，在获取到多个样本点处水体的光谱数据之后，对各样本点处水体的光谱数据进行模拟温漂处理，基于模拟温漂处理后的各样本点处水体的光谱数据及获取到的各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。通过对获取到的各样本点处水体的光谱数据进行模拟温漂处理，模拟出各样本点处水体的光谱数据存在温漂的情况，得到的光谱数据更切合实际，因此，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数训练得到的水质检测模型精度更高，从而提高了利用该水质检测模型进行水质检测的准确性。

Description

水质检测模型训练和水质检测方法、电子设备及存储介质
技术领域
本申请涉及检测技术领域，特别是涉及一种水质检测模型训练和水质检测方法、、电子设备及存储介质。
背景技术
随着社会的不断发展、工业化和城市化进程的不断加快，环境污染越发严重，尤其是江河湖泊等水体水质状况持续恶化，出现了富营养化、水体面积萎缩等现象，因此，检测水体异常情况并做出正确的应对措施具有非常重要的意义。水质指标是指自然环境下影响水体光学性质的光学活性物质，包括叶绿素、藻蓝素、总磷、总氮等，能够衡量水域富营养化程度和透明度。水质指标所引起的水体光学性质变化反映在光波在水体表面反射的光谱数据上，通过处理和分析这些光谱数据，可以得到相应的水质指标参数，从而实现水质检测。
在当前的水质检测方法中，采用深度学习的方法对水质进行检测，该方法中采集大量的光谱样本数据及对应的水质指标参数，利用这些光谱样本数据和对应的水质指标参数，对初始的卷积神经网络进行训练，得到水质检测模型；在应用时，将实时采集到的光谱数据输入训练得到的水质检测模型，可直接得到相应的水质指标参数，从而实现水质检测。
然而，由于受环境、采集策略等因素的影响，采集的光谱样本数据往往容易出现与实际存在偏差的情况，这会影响到水质检测模型训练的精度，从而影响水质检测的准确性。
发明内容
本申请实施例的目的在于提供一种水质检测模型训练和水质检测方法、电子设备及存储介质，以提高水质检测模型训练的精度，进而提高水质检测的准确性。具体技术方案如下：
第一方面，本申请实施例提供了一种水质检测模型训练方法，该方法包括：
获取多个样本点处水体的光谱数据及各样本点处水体的实际水质指标参数；
对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据；
基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。
可选的，对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：
对各样本点处水体的光谱数据进行谱线漂移处理和/或基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据。
可选的，样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；
对各样本点处水体的光谱数据进行谱线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：
基于各样本点处水体的光波波长及光波波长对应的反射率，按照预设的漂移波长进行插值运算，得到插值后的各样本点处水体的光波波长及反射率。
可选的，样本点处水体的光谱数据包括样本点处水体的光波波长对应的反射率；
对各样本点处水体的光谱数据进行基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：
获取环境光强度；
根据各样本点处水体的光波波长对应的反射率、环境光强度及预设数值，以环境光强度为基线，计算基于基线的基线漂移处理后各样本点处水体的反射率。
可选的，神经网络模型包括多个串联的残差层、降维层及输出层；其中，残差层包括多个尺度的卷积核、针对各尺度的卷积核用于对该尺度的卷积核输出的特征图进行融合的1×1卷积核、用于对各1×1卷积核输出的特征图进行连接的concat层和激活函数层；降维层用于对最后一个残差层输出的特征图进行通道降维处理；输出层包括卷积层和dropout层。
可选的，样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；
残差层还包括加权层；加权层用于分别利用各预设波长权重对激活函数层输出的光波波长对应的反射率的特征向量进行点乘运算，得到加权后的特性图；其中，各预设波长权重为针对不同的光波波长分别设置。
可选的，各样本点处水体的实际水质指标参数包括：通过非化学法测量得到的大量的第一实际水质指标参数以及通过化学法测量得到的少量的第二实际水质指标参数；
基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型的步骤，包括：
初始化预设的神经网络模型中各网络层的参数；
将第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入神经网络模型，得到第一样本点处水体的预测水质指标参数；
比较第一样本点处水体的预测水质指标参数和第一样本点处水体的第一实际水质指标参数之间的差异；
若差异大于第一预设阈值，则基于该差异调整神经网络模型中各网络层的参数，并返回执行将第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入所述神经网络模型，得到第一样本点处水体的预测水质指标参数的步骤，直至该差异小于第一预设阈值或者循环执行的次数达到第一预设次数，则停止训练，得到训练后的神经网络模型；
将第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入训练后的神经网络模型，得到第二样本点处水体的预测水质指标参数；
根据第二样本点处水体的预测水质指标参数、第二样本点处水体的实际水质指标参数以及惩罚项，利用预设的损失函数计算梯度，其中，惩罚项与训练后的神经网络模型中卷积层的参数相关；
基于梯度，对训练后的神经网络模型中卷积层的参数进行调整，并返回执行将第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入训练后的神经网络模型，得到第二样本点处水体的预测水质指标参数的步骤，直至梯度小于第二预设阈值或者循环执行的次数达到第二预设次数，则停止训练，将当前已完成训练的神经网络模型作为水质检测模型。
第二方面，本申请实施例提供了一种水质检测方法，该方法包括：
获取待检测水域中各检测点处水体的光谱数据；
将各检测点处水体的光谱数据依次输入如本申请实施例第一方面提供的方法得到的水质检测模型，得到各检测点处水体的水质指标参数；
对各检测点处水体的水质指标参数进行分析，得到待检测水域的水质检测结果。
第三方面，本申请实施例提供了一种电子设备，包括处理器和存储器；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，实现本申请实施例第一方面提供的方法或者第二方面提供的方法。
第四方面，本申请实施例提供了一种存储介质，该存储介质内存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面提供的方法或者第二方面提供的方法。
第五方面，本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本申请实施例第一方面提供的方法或者第二方面提供的方法。
本申请实施例提供的水质检测模型训练和水质检测方法、电子设备及存储介质，在获取到多个样本点处水体的光谱数据之后，对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据，然后基于模拟温漂处理后的各样本点处水体的光谱数据及获取到的各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。通过对获取到的各样本点处水体的光谱数据进行模拟温漂处理，能够模拟出各样本点处水体的光谱数据存在温漂的情况，所得到的光谱数据更切合实际，因此，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数训练得到的水质检测模型精度更高，从而提高了利用该水质检测模型进行水质检测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本申请实施例的水质检测模型训练方法的流程示意图；
图2为本申请实施例的光谱曲线；
图3为本申请实施例的神经网络模型的模型结构示意图；
图4为本申请实施例的残差层的结构示意图；
图5为本申请实施例的水质检测方法的流程示意图；
图6为本申请实施例的水质检测模型训练装置的结构示意图；
图7为本申请实施例的水质检测装置的结构示意图；
图8为本申请实施例的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
为了提高水质检测模型训练的精度，进而提高水质检测的准确性，本申请实施例提供了一种水质检测模型训练和水质检测方法、电子设备及存储介质。
下面，首先对本申请实施例提供的水质检测模型训练方法进行介绍。本申请实施例所提供的水质检测模型训练方法的执行主体可以为具有模型训练功能的电子设备(例如训练机)。实现本申请实施例提供的水质检测模型训练方法的方式可以为设置于上述执行主体中的软件、硬件电路和逻辑电路中的至少一种。
如图1所示，本申请实施例提供了一种水质检测模型训练方法，可以包括如下步骤。
S101，获取多个样本点处水体的光谱数据及各样本点处水体的实际水质指标参数。
S102，对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据。
S103，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。
应用本申请实施例的方案，在获取到多个样本点处水体的光谱数据之后，对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据，然后基于模拟温漂处理后的各样本点处水体的光谱数据及获取到的各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。通过对获取到的各样本点处水体的光谱数据进行模拟温漂处理，能够模拟出各样本点处水体的光谱数据存在温漂的情况，所得到的光谱数据更切合实际，因此，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数训练得到的水质检测模型精度更高，从而提高了利用该水质检测模型进行水质检测的准确性。
水质检测模型是一种端到端的神经网络模型，能够实现输入检测点处水体的光谱数据，直接输出得到检测点处水体的水质指标参数。水质检测模型是经过大量的样本数据训练得到的，具体的，在训练时是以多个样本点处水体的光谱数据作为样本数据输入，以各样本点处水体的水质指标参数作为输出，对水质检测模型进行训练的。
样本点是指江河湖泊等水域中指定的若干个检测点，光谱数据是指光波在样本点处产生的数据，具体可以为光波波长对应的反射率、光波强度等，在实际应用时，光谱数据为光谱波段数据，也就是说，光谱数据包括了光波波长和光波强度/光波波长对应反射率等。光谱数据可以利用光谱仪测量得到，也可以通过图像采集方式获得。具体的，获取多个样本点处水体的光谱数据的方式可以是：采集多个样本点处水体的图像，然后对图像数据进行预处理，得到各样本点处水体的光谱数据，其中，预处理包括辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理等。
在对水质检测模型进行训练时，还需要获取各样本点处水体的实际水质指标参数作为训练时的标称信息，水质指标参数是水质指标的数值体现，可以为水质指标的浓度、密度、含量等。具体获取各样本点处水体的实际水质指标参数的方式可以是：预先对各样本点处的水体样本进行采集，对水体样本进行化学分析或其他水质分析，得到各样本点处水体的实际水质指标参数，然后将这些样本点处水体的实际水质指标参数存储下来，在进行训练时，再从库中读取各样本点处水体的实际水质指标参数。
如果用原始的各样本点处水体的光谱数据进行训练，在光谱数据产生温漂的情况下，会导致水质检测模型精度严重下降，影响水质检测模型进行水质检测的准确性。因此，本申请实施例提供了一种抗温漂训练的方式，也就是在获取到各样本点处水体的光谱数据后，会对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据。然后，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。
由于进行训练时输入的是模拟温漂处理后的各样本点处水体的光谱数据，能够模拟出各样本点处水体的光谱数据存在温漂的情况，所得到的光谱数据更切合实际，因此，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数训练得到的水质检测模型精度更高，从而提高了利用该水质检测模型进行水质检测的准确性。
在本申请实施例的一种实现方式中，S102具体可以为：对各样本点处水体的光谱数据进行谱线漂移处理和/或基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据。
在实际应用中，光谱数据产生温漂的情况主要包括谱线漂移和基线漂移。谱线漂移就是在采集的光谱数据的波长处左漂或者右漂多少；基线漂移就是基于环境光强度作为基线，在光波强度上增加或减少一个固定值。在具体的训练过程中，可以是两种漂移处理都执行，当然也可以设置两种漂移处理的执行概率都是50％，也可以随机地选择一种漂移处理，这里不做具体限定。
在本申请实施例的一种实现方式中，样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率。相应的，对各样本点处水体的光谱数据进行谱线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，具体可以为：基于各样本点处水体的光波波长及光波波长对应的反射率，按照预设的漂移波长进行插值运算，得到插值后的各样本点处水体的光波波长及反射率。
谱线漂移影响光谱数据的左右漂移，相当于对原来的光谱数据进行重采样，即基于各样本点处水体的光波波长及光波波长对应的反射率，按照预设的漂移波长进行插值运算，得到插值后的各样本点处水体的光波波长及反射率。其中，漂移波长是谱线漂移强度参数，指的是在采集的光谱数据的波长处具体左漂或者右漂多少，按照该漂移波长进行插值运算，即可实现重采样。在具体实施时，首先可以基于各样本点处水体的光波波长及光波波长对应的反射率构建一条光谱曲线，该光谱曲线的横轴为光波波长，纵轴为光波波长对应的反射率(如图2所示)。然后按照预设的漂移波长，对光谱曲线进行插值运算，以双线性插值运算为例，假设光波波长为700nm时反射率为1.0，光波波长为701nm时反射率为0.8，预设的漂移波长为0.4nm，则进行谱线漂移处理，漂移后光波波长为701nm时对应的反射率为0.8*(1-0.4)+1.0*0.4＝0.88，即谱线漂移处理之后，光波波长为701nm时对应的反射率为0.88。这里只是以双线性插值运算为例，具体还可以采用更为复杂的双三次插值运算或者其他通过领域计算的插值运算方式，这里不做具体限定。
在本申请实施例的另一种实现方式中，样本点处水体的光谱数据包括样本点处水体的光波波长对应的反射率。相应的，对各样本点处水体的光谱数据进行基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，具体可以为：获取环境光强度；根据各样本点处水体的光波波长对应的反射率、环境光强度及预设数值，以环境光强度为基线，计算基于该基线的基线漂移处理后各样本点处水体的反射率。
在采集各样本点处水体的光谱数据时，还可以采集环境光光谱数据(即环境光强度)，则基线漂移处理，就是以环境光强度为基线，根据各样本点处水体的光波波长对应的反射率、环境光强度及预设数值，在样本点处的水体强度光谱上加上或者减去一个预设数值，进而计算出基线漂移处理后各样本点处水体的反射率，其中，预设数值可以是依据均匀分布或者高斯分布产生的。将样本点处的水体强度光谱记为Ww，作为分子，环境光强度记为We，作为分母，计算得到反射率
Figure BDA0002984396600000091
进行基线漂移要这算到水体强度光谱，在水体强度光谱上全部加或减一个均匀分布产生的预设数值count，然后除以环境光强度，重新得到反射率，即
Figure BDA0002984396600000092
得到的Wr_new即为基于基线的基线漂移处理后样本点处水体的光波波长对应的反射率。
统计在测试集数据上的表现，我们使用RMSE(Root Mean Squared Error，均方根误差)和MSE(Mean Square Error，均方差)两个衡量误差的指标，以及预测值在真值±10％和真值±15％范围内的数据占测试集样本总数比例，光谱传感器测试20摄氏度谱线漂移在0.8nm左右。原始模型的测试结果如表1所示，引入模拟温漂之后的模型的测试结果如图2所示。
表1原始模型的测试结果
RMSE MSE 10％比例 15％比例
原始模型 1.47 2.17 76.5％ 87.8％
谱线漂移1.2nm 1.77 3.16 66.7％ 81.6％
谱线漂移-1.2nm 2.05 4.21 68.8％ 82.1％
基线漂移10count 1.49 2.23 75.3％ 86.5％
基线漂移-10count 1.74 3.05 71.2％ 83.8％
表2引入模拟温漂之后的模型的测试结果
RMSE MSE 10％比例 15％比例
温飘训练模型 1.61 2.60 75.2％ 87.3％
谱线漂移1.2nm 1.62 2.62 74.4％ 86.8％
谱线漂移-1.2nm 1.61 2.60 74.9％ 87.2％
基线漂移10count 1.68 2.82 73.9％ 86.6％
基线漂移-10count 1.75 3.06 71.3％ 84.1％
从上表可以看出用正常数据训练的模型两种漂移的抗性比较差，尤其是谱线漂移。而我们在训练中引入模拟温漂进行训练之后，原始测试集测试精度依旧相当，之后对测试集进行四种漂移变换输入模型测试，谱线漂移明显精度保持更好，基线漂移变化不大，略有提高。通过测试可以发现，对于±20度以内可能产生的漂移变化，训练得到的水质检测模型都能够保证输出结果在真值的小幅度误差内。
在本申请实施例的实现方式中，水质检测模型的具体训练过程为：初始化预设的神经网络模型的模型参数；将模拟温漂处理后的样本点处水体的光谱数据输入神经网络模型，得到该样本点处水体的预测水质指标参数；比较该样本点处水体的预测水质指标参数和该样本点处水体的实际水质指标参数之间的差异；若差异大于预设阈值，则基于该差异调整神经网络模型的模型参数，并返回执行将模拟温漂处理后的样本点处水体的光谱数据输入神经网络模型，得到该样本点处水体的预测水质指标参数的步骤，直至差异小于预设阈值或者循环执行的次数达到预设次数，则停止训练，将当前已完成训练的神经网络模型作为水质检测模型。
在本申请实施例的一种实现方式中，神经网络模型包括多个串联的残差层、降维层及输出层。其中，残差层包括多个尺度的卷积核、针对各尺度的卷积核用于对该尺度的卷积核输出的特征图进行融合的1×1卷积核、用于对各1×1卷积核输出的特征图进行连接的concat层和激活函数层。降维层用于对最后一个残差层输出的特征图进行通道降维处理；输出层包括卷积层和dropout层。
本申请实施例采用包括多个尺度的卷积核、针对各尺度的卷积核用于对该尺度的卷积核输出的特征图进行融合的1×1卷积核、用于对各1×1卷积核输出的特征图进行连接的concat层和激活函数层组成的残差层，替换常规的神经网络模型中的一维卷积层。采用多个尺度的卷积核，能够有效提取各种不同感受野的光谱数据，然后针对各尺度的卷积核利用1×1卷积核进行融合，在与常规的一维卷积层的效果接近情况下，可以达到近似通道数分之一的计算量和参数量，即大幅度的减少了计算量和参数量，并且引入残差结构，在模型训练过程中能够有效进行梯度传递。
不同于当前常用的水质检测模型中使用的池化层，本申请实施例在最后一个残差层之后连接了一个降维层，该降维层可以对最后一个残差层输出的特征图进行通道降维处理，从而减少参数量，在特征提取阶段尽可能保持空间信息不丢失，具体的，降维层可以为1×1的卷积。然后在降维层后连接输出层，输出层包括卷积层和dropout层，输出层中卷积层和dropout层的数目可以为一个也可以为多个，其中卷积层为多个水质指标共用，dropout层用于防止过拟合，具体的连接结构为每个卷积层之后连接一个dropout层，最后分成之路每个水质指标输出一个预测水质指标参数，方便水质检测模型后续增加指标或做其他修改，相比当前常用的水质检测模型中采用的全连接层，卷积层参数量更少，通道间并行计算效率更高。
以包括四个残差层，以及输出层中包括两个卷积层和两个dropout层为例，神经网络模型的模型结构如图3所示。
在本申请实施例的一种实现方式中，样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率。残差层还包括加权层，其中，加权层用于分别利用各预设波长权重对激活函数层输出的光波波长对应的反射率的特征向量进行点乘运算，得到加权后的特性图。各预设波长权重为针对不同的光波波长分别设置。
结合水质检测模型的特点，对于已知对水质指标参数估计有效的波段进行加强，这样一来模型能够更快提取到有用的信息，在训练过程中也会加速收敛，引入的计算量和参数量也会很少。
叶绿素的光谱特点为：光波波长443nm是叶绿素的最大吸收峰，以及波段520-560nm也是反映叶绿素和总磷特征的波段，相应的，其他水质指标也有类似的光谱特点，因此，可以预先针对不同的光波波长分别设置波长权重，在加权层中，分别利用各预设波长权重对激活函数层输出的光波波长对应的反射率的特征向量进行点乘运算，得到加权后的特性图。如图3所示，每个残差层输入的有一个波长权重，具体实施时，可以基于这些波长权重可以生成一个类似方波的信号，然后用该信号对激活函数层输出的相应光波波长的反射率的特征向量组成的曲线进行平滑处理，这样可以将有效位置的特征向量进行增强，不重要位置的特征向量进行削弱，能够进一步提高模型训练的精度，提高了水质检测模型的准确度。
如图4所示，为残差层的具体结构示意图。前一层输出的特征图(feature map)通过1×1的卷积层之后，分离到各尺度的卷积核(图中示出的四个1×1、1×3、1×5、1×7的卷积核仅为示例)，然后各自通过1×1卷积进行融合，再通过concat层进行特征连接，再经激活函数层输出特征图，经加权层分别利用各预设波长权重对所述激活函数层输出的相应光波波长的反射率的特征向量进行点乘运算，在经过全局平均池化、全连接、平滑函数和尺度函数，最终输出特征图，将输出的特征图与前一层输出的特征图进行累加，实现残差，最终由激活函数层输出本残差层的特征图。
在本申请实施例的一种实现方式中，各样本点处水体的实际水质指标参数包括：通过非化学法测量得到的大量的第一实际水质指标参数以及通过化学法测量得到的少量的第二实际水质指标参数。
相应的，S103具体可以通过如下步骤实现：
第一步，初始化预设的神经网络模型中各网络层的参数；
第二步，将第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入神经网络模型，得到第一样本点处水体的预测水质指标参数；
第三步，比较第一样本点处水体的预测水质指标参数和第一样本点处水体的第一实际水质指标参数之间的差异；
第四步，若差异大于第一预设阈值，则基于该差异调整神经网络模型中各网络层的参数，并返回执行第二步，直至差异小于第一预设阈值或者循环执行的次数达到第一预设次数，则停止训练，得到训练后的神经网络模型；
第五步，将第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入训练后的神经网络模型，得到第二样本点处水体的预测水质指标参数；
第六步，根据第二样本点处水体的预测水质指标参数、第二样本点处水体的实际水质指标参数以及惩罚项，利用预设的损失函数计算梯度，其中，惩罚项与训练后的神经网络模型中卷积层的参数相关；
第七步，基于梯度，对训练后的神经网络模型中卷积层的参数进行调整，并返回执行第五步，直至梯度小于第二预设阈值或者循环执行的次数达到第二预设次数，则停止训练，将当前已完成训练的神经网络模型作为水质检测模型。
很多水质指标比如总磷、总氮等需要通过化学法进行测量，样本标注成本高，无法获取大量带有真值标签的水质指标参数。而对于叶绿素、藻蓝素等水质指标，可以采用非化学法测量得到，利用通过图像识别等，这样，可以利用通过非化学法测量得到的大量的第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据对神经网络模型先进行训练，训练过程是对神经网络模型中各个网络层的参数都进行调整，在完成训练后，再利用通过化学法测量得到的少量的第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据对上述完成训练的神经网络模型再进行训练，此次训练中将残差层和降维层的参数固定，不进行反向传播，而只对输出层中的卷积层的参数进行调整，为了防止影响对叶绿素和藻蓝素等水质特征的检测效果，设置损失函数时使用
Figure BDA0002984396600000131
其中，L'(θ)为梯度，L(θ)为常用的损失函数如MSE，是预设水质指标参数与实际水质指标参数的差异结果，
Figure BDA0002984396600000132
为惩罚项，λ为预设值，bi为参数权重，
Figure BDA0002984396600000133
为基于叶绿素、藻蓝素等水质指标对应的数据训练好的卷积层的参数，θi为正在训练的卷积层的参数，bi与
Figure BDA0002984396600000134
中值的绝对值大小呈正比。在训练过程中原先比较重要的参数权重将很少发生变化，可以在之后训练中继续增加水质指标，同时有效保证叶绿素和藻蓝素等水质特征的检测效果不受影响。
如图5所示，本申请实施例提供了一种水质检测方法，可以包括如下步骤。
S501，获取待检测水域中各检测点处水体的光谱数据。
S502，将各检测点处水体的光谱数据依次输入水质检测模型，得到各检测点处水体的水质指标参数。
其中，水质检测模型为经图1所示实施例的方法训练得到。
S503，对各检测点处水体的水质指标参数进行分析，得到待检测水域的水质检测结果。
应用本申请实施例的方案，由于水质检测模型是利用图1所示的方法训练得到，该水质检测模型的精度高，则在利用该水质检测模型进行水质检测时，提高了水质检测的准确性。
在进行水质检测时，需要先获取待检测水域中各检测点处水体的光谱数据，检测点是指待检测水域中指定的若干个位置，光谱数据是指光波在检测点处产生的数据，具体可以为反射率、光波强度等，在实际应用时，光谱数据为光谱波段数据，也就是说，光谱数据包括了光波波长和光波强度/光波波长对应的反射率。光谱数据可以利用光谱仪测量得到，也可以通过图像采集方式获得。具体的，获取待检测水域中各检测点处水体的光谱数据的方式可以是：采集待检测水域的图像，然后对该图像中各检测点对应位置的图像数据进行预处理，得到各检测点处水体的光谱数据，其中，预处理包括辐射定标、几何校正、大气校正、水体区域裁剪和归一化处理等。
在获取到各检测点处水体的光谱数据后，将各检测点处水体的光谱数据依次输入水质检测模型，水质检测模型是一种端到端的神经网络模型，能够实现输入检测点处水体的光谱数据，直接输出得到检测点处水体的水质指标参数。水质检测模型是经过大量的样本数据训练得到的，具体的，在训练时是以多个样本点处水体的光谱数据作为样本数据输入，以各样本点处水体的水质指标参数作为输出，对水质检测模型进行训练的。具体的训练方式如图1所示实施例，这里不再赘述。
在得到各检测点处水体的水质指标参数后，可以对各检测点处水体的水质指标参数进行分析，具体的分析过程可以是进行浓度分析、水质指标分布分析等，基于分析结果可以得到待检测水域的水质检测结果，即得到待检测水域是否富营养化、透明度如何等结果，具体的，还可以根据各检测点处水体的水质指标参数绘制出整个待检测水域的水质指标参数分布图，以更直观地显示该水域的情况。
相应于上述水质检测模型训练方法，本申请实施例提供了一种水质检测模型训练装置，如图6所示，该装置可以包括：
第一获取模块610，用于获取多个样本点处水体的光谱数据及各样本点处水体的实际水质指标参数；
温漂处理模块620，用于对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据；
训练模块630，用于基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。
可选的，温漂处理模块620，具体可以用于：对各样本点处水体的光谱数据进行谱线漂移处理和/或基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据。
可选的，样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；
温漂处理模块620，具体可以用于：基于各样本点处水体的光波波长及光波波长对应的反射率，按照预设的漂移波长进行插值运算，得到插值后的各样本点处水体的光波波长及反射率。
可选的，样本点处水体的光谱数据包括样本点处水体的光波波长对应的反射率；
温漂处理模块620，具体可以用于：获取环境光强度；根据各样本点处水体的光波波长对应的反射率、环境光强度及预设数值，以环境光强度为基线，计算基于基线的基线漂移处理后各样本点处水体的反射率。
可选的，神经网络模型包括多个串联的残差层、降维层及输出层；其中，残差层包括多个尺度的卷积核、针对各尺度的卷积核用于对该尺度的卷积核输出的特征图进行融合的1×1卷积核、用于对各1×1卷积核输出的特征图进行连接的concat层和激活函数层；降维层用于对最后一个残差层输出的特征图进行通道降维处理；输出层包括卷积层和dropout层。
可选的，样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；
残差层还包括加权层；加权层用于分别利用各预设波长权重对激活函数层输出的光波波长对应的反射率的特征向量进行点乘运算，得到加权后的特性图；其中，各预设波长权重为针对不同的光波波长分别设置。
可选的，各样本点处水体的实际水质指标参数包括：通过非化学法测量得到的大量的第一实际水质指标参数以及通过化学法测量得到的少量的第二实际水质指标参数；
训练模块630，具体可以用于：
初始化预设的神经网络模型中各网络层的参数；
将第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入神经网络模型，得到第一样本点处水体的预测水质指标参数；
比较第一样本点处水体的预测水质指标参数和第一样本点处水体的第一实际水质指标参数之间的差异；
若差异大于第一预设阈值，则基于该差异调整神经网络模型中各网络层的参数，并返回执行将第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入所述神经网络模型，得到第一样本点处水体的预测水质指标参数的步骤，直至该差异小于第一预设阈值或者循环执行的次数达到第一预设次数，则停止训练，得到训练后的神经网络模型；
将第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入训练后的神经网络模型，得到第二样本点处水体的预测水质指标参数；
根据第二样本点处水体的预测水质指标参数、第二样本点处水体的实际水质指标参数以及惩罚项，利用预设的损失函数计算梯度，其中，惩罚项与训练后的神经网络模型中卷积层的参数相关；
基于梯度，对训练后的神经网络模型中卷积层的参数进行调整，并返回执行将第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入训练后的神经网络模型，得到第二样本点处水体的预测水质指标参数的步骤，直至梯度小于第二预设阈值或者循环执行的次数达到第二预设次数，则停止训练，将当前已完成训练的神经网络模型作为水质检测模型。
应用本申请实施例的方案，在获取到多个样本点处水体的光谱数据之后，对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据，然后基于模拟温漂处理后的各样本点处水体的光谱数据及获取到的各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。通过对获取到的各样本点处水体的光谱数据进行模拟温漂处理，能够模拟出各样本点处水体的光谱数据存在温漂的情况，所得到的光谱数据更切合实际，因此，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数训练得到的水质检测模型精度更高，从而提高了利用该水质检测模型进行水质检测的准确性。
相应于上述水质检测方法，本申请实施例提供了一种水质检测装置，如图7所示，该装置可以包括：
第二获取模块710，用于获取待检测水域中各检测点处水体的光谱数据；
检测模块720，用于将各检测点处水体的光谱数据依次输入如图1所示的方法得到的水质检测模型，得到各检测点处水体的水质指标参数；
分析模块730，用于对各检测点处水体的水质指标参数进行分析，得到待检测水域的水质检测结果。
应用本申请实施例的方案，由于水质检测模型是利用图1所示的方法训练得到，该水质检测模型的精度高，则在利用该水质检测模型进行水质检测时，提高了水质检测的准确性。
本申请实施例提供了一种电子设备，如图8所示，包括处理器801和存储器802。其中，存储器802，用于存放计算机程序；处理器801，用于执行存储器802上所存放的计算机程序时，实现本申请实施例提供的水质检测模型训练方法或者水质检测方法。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离上述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理单元)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应用本申请实施例的方案，在获取到多个样本点处水体的光谱数据之后，对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据，然后基于模拟温漂处理后的各样本点处水体的光谱数据及获取到的各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。通过对获取到的各样本点处水体的光谱数据进行模拟温漂处理，能够模拟出各样本点处水体的光谱数据存在温漂的情况，所得到的光谱数据更切合实际，因此，基于模拟温漂处理后的各样本点处水体的光谱数据及各样本点处水体的实际水质指标参数训练得到的水质检测模型精度更高，从而提高了利用该水质检测模型进行水质检测的准确性。
另外，本申请实施例提供了一种存储介质，该存储介质内存储有计算机程序，计算机程序被处理器执行时实现本申请实施例提供的水质检测模型训练方法或者水质检测方法。
本申请实施例的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本申请实施例提供的水质检测模型训练方法或者水质检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、DSL(Digital Subscriber Line，数字用户线))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD(DigitalVersatile Disc，数字多功能光盘))、或者半导体介质(例如SSD(Solid State Disk，固态硬盘))等。
对于水质检测模型训练装置、水质检测装置员身份识别装置、电子设备、存储介质及计算机程序产品实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于水质检测模型训练装置、水质检测装置员身份识别装置、电子设备、存储介质及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种水质检测模型训练方法，其特征在于，所述方法包括：
获取多个样本点处水体的光谱数据及各样本点处水体的实际水质指标参数；
对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据；
基于所述模拟温漂处理后的各样本点处水体的光谱数据及所述各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型。
2.根据权利要求1所述的方法，其特征在于，所述对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：
对各样本点处水体的光谱数据进行谱线漂移处理和/或基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据。
3.根据权利要求2所述的方法，其特征在于，所述样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；
所述对各样本点处水体的光谱数据进行谱线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：
基于各样本点处水体的光波波长及光波波长对应的反射率，按照预设的漂移波长进行插值运算，得到插值后的各样本点处水体的光波波长及反射率。
4.根据权利要求2所述的方法，其特征在于，所述样本点处水体的光谱数据包括样本点处水体的光波波长对应的反射率；
所述对各样本点处水体的光谱数据进行基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：
获取环境光强度；
根据各样本点处水体的光波波长对应的反射率、所述环境光强度及预设数值，以所述环境光强度为基线，计算基于所述基线的基线漂移处理后各样本点处水体的反射率。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括多个串联的残差层、降维层及输出层；其中，所述残差层包括多个尺度的卷积核、针对各尺度的卷积核用于对该尺度的卷积核输出的特征图进行融合的1×1卷积核、用于对各1×1卷积核输出的特征图进行连接的concat层和激活函数层；所述降维层用于对最后一个残差层输出的特征图进行通道降维处理；所述输出层包括卷积层和dropout层。
6.根据权利要求5所述的方法，其特征在于，所述样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；
所述残差层还包括加权层；所述加权层用于分别利用各预设波长权重对所述激活函数层输出的光波波长对应的反射率的特征向量进行点乘运算，得到加权后的特性图；其中，所述各预设波长权重为针对不同的光波波长分别设置。
7.根据权利要求5或6所述的方法，其特征在于，所述各样本点处水体的实际水质指标参数包括：通过非化学法测量得到的大量的第一实际水质指标参数以及通过化学法测量得到的少量的第二实际水质指标参数；
所述基于所述模拟温漂处理后的各样本点处水体的光谱数据及所述各样本点处水体的实际水质指标参数，对预设的神经网络模型进行训练，得到水质检测模型的步骤，包括：
初始化预设的神经网络模型中各网络层的参数；
将所述第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入所述神经网络模型，得到所述第一样本点处水体的预测水质指标参数；
比较所述第一样本点处水体的预测水质指标参数和所述第一样本点处水体的第一实际水质指标参数之间的差异；
若所述差异大于第一预设阈值，则基于所述差异调整所述神经网络模型中各网络层的参数，并返回执行所述将所述第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入所述神经网络模型，得到所述第一样本点处水体的预测水质指标参数的步骤，直至所述差异小于所述第一预设阈值或者循环执行的次数达到第一预设次数，则停止训练，得到训练后的神经网络模型；
将所述第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入所述训练后的神经网络模型，得到所述第二样本点处水体的预测水质指标参数；
根据所述第二样本点处水体的预测水质指标参数、所述第二样本点处水体的实际水质指标参数以及惩罚项，利用预设的损失函数计算梯度，其中，所述惩罚项与所述训练后的神经网络模型中卷积层的参数相关；
基于所述梯度，对所述训练后的神经网络模型中卷积层的参数进行调整，并返回执行所述将所述第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入所述训练后的神经网络模型，得到所述第二样本点处水体的预测水质指标参数的步骤，直至所述梯度小于第二预设阈值或者循环执行的次数达到第二预设次数，则停止训练，将当前已完成训练的神经网络模型作为水质检测模型。
8.一种水质检测方法，其特征在于，所述方法包括：
获取待检测水域中各检测点处水体的光谱数据；
将所述各检测点处水体的光谱数据依次输入如权利要求1-7任一项所述的方法得到的水质检测模型，得到所述各检测点处水体的水质指标参数；
对所述各检测点处水体的水质指标参数进行分析，得到所述待检测水域的水质检测结果。
9.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的计算机程序时，实现权利要求1-7任一项所述的方法或者权利要求8所述的方法。
10.一种存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法或者权利要求8所述的方法。
CN202110296084.8A 2021-03-19 2021-03-19 水质检测模型训练和水质检测方法、电子设备及存储介质 Active CN113049500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110296084.8A CN113049500B (zh) 2021-03-19 2021-03-19 水质检测模型训练和水质检测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110296084.8A CN113049500B (zh) 2021-03-19 2021-03-19 水质检测模型训练和水质检测方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113049500A true CN113049500A (zh) 2021-06-29
CN113049500B CN113049500B (zh) 2022-12-06

Family

ID=76514091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110296084.8A Active CN113049500B (zh) 2021-03-19 2021-03-19 水质检测模型训练和水质检测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113049500B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113567357A (zh) * 2021-07-26 2021-10-29 杭州海康威视数字技术股份有限公司 一种光谱数据的融合方法、以及装置
CN117557917A (zh) * 2024-01-11 2024-02-13 杭州海康威视数字技术股份有限公司 水质检测方法和装置
CN117571634A (zh) * 2024-01-12 2024-02-20 杭州海康威视数字技术股份有限公司 用于监控水质的摄像机

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040106213A1 (en) * 2000-11-30 2004-06-03 Mclaughlin James System and method for gas discharge spectroscopy
CN101968438A (zh) * 2010-09-25 2011-02-09 西北农林科技大学 一种原料肌肉注水快速判别方法
CN102636452A (zh) * 2012-05-03 2012-08-15 中国科学院长春光学精密机械与物理研究所 一种近红外光谱无损鉴别山参真伪的方法
CN106769939A (zh) * 2016-12-30 2017-05-31 无锡中科光电技术有限公司 一种多轴差分吸收光谱仪的实时校准系统及测量校准方法
CN108007916A (zh) * 2017-03-16 2018-05-08 黑龙江八农垦大学 希尔伯特黄法建立稻株氮含量的共聚焦显微拉曼测量模型
CN108007917A (zh) * 2017-03-16 2018-05-08 黑龙江八农垦大学 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法
CN109064553A (zh) * 2018-10-26 2018-12-21 东北林业大学 基于近红外光谱分析的实木板材节子形态反演方法
CN109811032A (zh) * 2019-01-04 2019-05-28 山东省科学院海洋仪器仪表研究所 一种海水微生物量光谱检测方法
CN110068544A (zh) * 2019-05-08 2019-07-30 广东工业大学 物质识别网络模型训练方法及太赫兹光谱物质识别方法
CN110389114A (zh) * 2019-07-23 2019-10-29 上海市水文总站 一种基于无人机成像光谱的中小水体水质类型识别方法
CN111693487A (zh) * 2020-05-28 2020-09-22 济南大学 基于遗传算法和极限学习机的水果糖度检测方法及系统
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040106213A1 (en) * 2000-11-30 2004-06-03 Mclaughlin James System and method for gas discharge spectroscopy
CN101968438A (zh) * 2010-09-25 2011-02-09 西北农林科技大学 一种原料肌肉注水快速判别方法
CN102636452A (zh) * 2012-05-03 2012-08-15 中国科学院长春光学精密机械与物理研究所 一种近红外光谱无损鉴别山参真伪的方法
CN106769939A (zh) * 2016-12-30 2017-05-31 无锡中科光电技术有限公司 一种多轴差分吸收光谱仪的实时校准系统及测量校准方法
CN108007916A (zh) * 2017-03-16 2018-05-08 黑龙江八农垦大学 希尔伯特黄法建立稻株氮含量的共聚焦显微拉曼测量模型
CN108007917A (zh) * 2017-03-16 2018-05-08 黑龙江八农垦大学 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法
CN109064553A (zh) * 2018-10-26 2018-12-21 东北林业大学 基于近红外光谱分析的实木板材节子形态反演方法
CN109811032A (zh) * 2019-01-04 2019-05-28 山东省科学院海洋仪器仪表研究所 一种海水微生物量光谱检测方法
CN110068544A (zh) * 2019-05-08 2019-07-30 广东工业大学 物质识别网络模型训练方法及太赫兹光谱物质识别方法
CN110389114A (zh) * 2019-07-23 2019-10-29 上海市水文总站 一种基于无人机成像光谱的中小水体水质类型识别方法
CN111693487A (zh) * 2020-05-28 2020-09-22 济南大学 基于遗传算法和极限学习机的水果糖度检测方法及系统
CN112014331A (zh) * 2020-08-21 2020-12-01 中国第一汽车股份有限公司 一种水体污染的检测方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余果等: "基于神经网络模型的湛江湾水体有色溶解有机物的遥感估算", 《海洋科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113567357A (zh) * 2021-07-26 2021-10-29 杭州海康威视数字技术股份有限公司 一种光谱数据的融合方法、以及装置
CN113567357B (zh) * 2021-07-26 2024-05-24 杭州海康威视数字技术股份有限公司 一种光谱数据的融合方法、以及装置
CN117557917A (zh) * 2024-01-11 2024-02-13 杭州海康威视数字技术股份有限公司 水质检测方法和装置
CN117557917B (zh) * 2024-01-11 2024-05-03 杭州海康威视数字技术股份有限公司 水质检测方法和装置
CN117571634A (zh) * 2024-01-12 2024-02-20 杭州海康威视数字技术股份有限公司 用于监控水质的摄像机
CN117571634B (zh) * 2024-01-12 2024-04-12 杭州海康威视数字技术股份有限公司 用于监控水质的摄像机

Also Published As

Publication number Publication date
CN113049500B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN116879297B (zh) 土壤水分协同反演的方法、装置、设备和介质
CN112418212B (zh) 一种基于EIoU改进的YOLOv3算法
Wang et al. A fault diagnosis method using improved prototypical network and weighting similarity-Manhattan distance with insufficient noisy data
CN106124449B (zh) 一种基于深度学习技术的土壤近红外光谱分析预测方法
CN113049500A (zh) 水质检测模型训练和水质检测方法、电子设备及存储介质
CN113030001B (zh) 一种水果糖度检测方法及系统
CN113283419B (zh) 基于注意力的卷积神经网络指针式仪表图像读数识别方法
CN112528559B (zh) 一种结合预分类与机器学习的叶绿素a浓度反演方法
Sharma et al. Stellar spectral interpolation using machine learning
CN119808010B (zh) 一种构建真假酒判别模型的方法
Wang et al. ECT Image Reconstruction Algorithm Based on Multiscale Dual‐Channel Convolutional Neural Network
CN117669394B (zh) 一种山区峡谷桥梁长期性能综合评估方法及系统
CN117437471A (zh) 基于多尺度卷积神经网络的油气管道漏磁检测方法和系统
Pipitsunthonsan et al. Palm bunch grading technique using a multi-input and multi-label convolutional neural network
Saranathan et al. Assessment of advanced neural networks for the dual estimation of water quality indicators and their uncertainties
CN120524151A (zh) 稀土元素含量定量估算方法、装置、设备及存储介质
CN115931727B (zh) 一种叶绿素a遥感反演方法、装置、系统以及存储介质
CN113989632A (zh) 一种遥感图像桥梁检测方法、装置、电子设备及存储介质
Bailer-Jones The ILIUM forward modelling algorithm for multivariate parameter estimation and its application to derive stellar parameters from Gaia spectrophotometry
Ju et al. TopoRoot+: computing whorl and soil line traits of field-excavated maize roots from CT imaging
CN112859034B (zh) 自然环境雷达回波幅度模型分类方法和装置
CN111222543A (zh) 物质识别方法和设备及计算机可读存储介质
CN116361731B (zh) 储油罐罐壁腐蚀检测方法、装置、设备及可读存储介质
CN119762761B (zh) 一种基于频域注意力的红外小目标检测方法、系统及存储介质
CN120147771A (zh) 基于空间插值和机器学习的遥感影像反演方法和相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20251231

Address after: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China

Patentee after: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd.

Country or region after: China

Address before: Hangzhou City, Zhejiang province 310051 Binjiang District Qianmo Road No. 555

Patentee before: Hangzhou Hikvision Digital Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right