用于石油污染土壤修复的智能控制方法技术

本申请涉及智慧环保领域下的智能控制决策，其具体地公开了一种用于石油污染土壤修复的智能控制方法，其通过滑动窗口搜索土壤图像在高维空间中的局部区域内的特征极值，通过极值点所对应的训练位置与真实的位置之间的差异损失函数来训练卷积神经网络，使得训练后的卷积神经网络能提取到出液管道插入土壤中的位置特征，并通过局部区域内的特征值与所述特征极值点之间的差值的绝对值相加通过编码器进行编码，以获得编码结果，编码结果的每位的值对应于所述特征极值点插入微生物修复液的管道的深度值。这样，使得本方案能够智能控制出液管道插入位置和插入深度，以提高受污染土壤的修复效果。

【技术实现步骤摘要】
用于石油污染土壤修复的智能控制方法
本申请涉及智慧环保领域下的智能控制决策，且更为具体地，涉及一种用于石油污染土壤修复的智能控制方法、用于石油污染土壤修复的智能控制系统和电子设备。
技术介绍
随着社会与科技的不断发展，对自然资源的保护也逐渐重视起来，其中土壤资源的保护就是重要的一部分。为了保证被污染的土壤可以正常使用，会通过各种方式对污染土壤进行修复，对于受到石油污染的土壤，比如已完成开采的油井附近的土壤，现在大多数使用微生物修复的方式进行修复。在微生物修复过程中，一般会将出液的管道插入到污染土壤中，使微生物修复液渗入到污染土壤中，对污染土壤进行修复。然而，由于土壤的受污染情况的不同，目前都是出液管道插入土壤中的位置和插入的深度都是凭经验确定，甚至大多数情况下都是随意确定，这在一定程度上影响了污染土壤的修复效果。因此，期望提供一种智能控制石油污染土壤修复的技术方案。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为石油污染土壤修复的智能控制提供了新的解决思路和方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于石油污染土壤修复的智能控制方法、用于石油污染土壤修复的智能控制系统和电子设备，其通过滑动窗口搜索土壤图像在高维空间中的局部区域内的特征极值，通过极值点所对应的训练位置与真实的位置之间的差异损失函数来训练卷积神经网络，使得训练后的卷积神经网络能提取到出液管道插入土壤中的位置特征，并通过局部区域内的特征值与所述特征极值点之间的差值的绝对值相加通过编码器进行编码，以获得编码结果，编码结果的每位的值对应于所述特征极值点插入微生物修复液的管道的深度值。这样，使得本方案能够智能控制出液管道插入位置和插入深度，以提高受污染土壤的修复效果。根据本申请的一个方面，提供了一种用于石油污染土壤修复的智能控制方法，其包括：训练阶段，包括：获取训练图像，所述训练图像为石油污染的土壤的地表图像；将所述训练图像通过深度卷积神经网络，以获得训练特征图；以滑动窗口搜索所述训练特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；计算所述特征极值点在所述训练图像中的对应位置与真实的插入位置之间的第一差异损失函数值，其中，真实的插入位置表示用于石油污染土壤修复的微生物修复液的管道插入所述石油污染的土壤的地表的位置；对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；将所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值；计算所述编码结果与真实值之间的第二差异损失函数值；以及基于所述第一差异损失函数值和所述第二差异损失值，更新所述深度卷积神经网络的参数；以及检测阶段，包括：获取待检测图像，所述待检测图像为待插入微生物修复液的管道的石油污染的土壤的地表图像；将所述待检测图像输入经训练阶段训练的所述深度卷积神经网络，以获得检测特征图；以滑动窗口搜索所述检测特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；以及将所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值。在上述用于石油污染土壤修复的智能控制方法中，计算所述特征极值点在所述训练图像中的对应位置与真实的插入位置之间的第一差异损失函数值，包括：设定所述特征极值点在所述训练图像中的对应位置与真实的插入位置相一致时，差异值为0；设定所述特征极值点在所述训练图像中的对应位置与真实的插入位置不一致时，差异值为1；以及，计算所有所述特征极值点的差异值的加权和，以获得所述第一差异损失函数值。在上述用于石油污染土壤修复的智能控制方法中，将所述特征向量通过编码器进行编码，以获得编码结果，包括：将所述特征向量通过一个或多个全连接层，以获得所述编码结果，其中，所述一个或多个全连接层中最后一个所述全连接层的输出位数为所述特征向量的位数相同。在上述用于石油污染土壤修复的智能控制方法中，计算所述编码结果与真实值之间的第二差异损失函数值，包括：计算所述编码结果的每位的值与真实值之间的差值并对所述差值进行归一化处理；以及，将归一化处理后的所述差值相加以获得所述第二差异损失函数值。在上述用于石油污染土壤修复的智能控制方法中，所述滑动窗口的尺寸参数和移动步长作为超参数参与到训练过程中。在上述用于石油污染土壤修复的智能控制方法中，所述深度卷积神经网络为深度残差网络。根据本申请的另一方面，提供了一种用于石油污染土壤修复的智能控制系统，其包括：训练模块，包括：训练图像获取单元，用于获取训练图像，所述训练图像为石油污染的土壤的地表图像；训练特征图生成单元，用于将所述训练图像获取单元获得的所述训练图像通过深度卷积神经网络，以获得训练特征图；训练局部区域搜索单元，用于以滑动窗口搜索所述训练特征图生成单元获得的所述训练特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；第一差异损失函数值计算单元，用于计算所述训练局部区域搜索单元获得的所述特征极值点在所述训练图像中的对应位置与真实的插入位置之间的第一差异损失函数值，其中，真实的插入位置表示用于石油污染土壤修复的微生物修复液的管道插入所述石油污染的土壤的地表的位置；训练特征向量生成单元，用于对所述训练局部区域搜索单元获得的所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；训练编码结果生成单元，用于将所述训练特征向量生成单元获得的所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值；第二差异损失函数值计算单元，用于计算所述训练编码结果生成单元获得的所述编码结果与真实值之间的第二差异损失函数值；以及参数更新单元，用于基于所述第一差异损失函数值计算单元获得的所述第一差异损失函数值和所述第二差异损失函数值计算单元获得的所本文档来自技高网...

【技术保护点】
1.一种用于石油污染土壤修复的智能控制方法，其特征在于，包括：/n训练阶段，包括：/n获取训练图像，所述训练图像为石油污染的土壤的地表图像；/n将所述训练图像通过深度卷积神经网络，以获得训练特征图；/n以滑动窗口搜索所述训练特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；/n计算所述特征极值点在所述训练图像中的对应位置与真实的插入位置之间的第一差异损失函数值，其中，真实的插入位置表示用于石油污染土壤修复的微生物修复液的管道插入所述石油污染的土壤的地表的位置；/n对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；/n将所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值；/n计算所述编码结果与真实值之间的第二差异损失函数值；以及/n基于所述第一差异损失函数值和所述第二差异损失值，更新所述深度卷积神经网络的参数；以及/n检测阶段，包括：/n获取待检测图像，所述待检测图像为待插入微生物修复液的管道的石油污染的土壤的地表图像；/n将所述待检测图像输入经训练阶段训练的所述深度卷积神经网络，以获得检测特征图；/n以滑动窗口搜索所述检测特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；/n对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；以及/n将所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值。/n...

【技术特征摘要】
1.一种用于石油污染土壤修复的智能控制方法，其特征在于，包括：
训练阶段，包括：
获取训练图像，所述训练图像为石油污染的土壤的地表图像；
将所述训练图像通过深度卷积神经网络，以获得训练特征图；
以滑动窗口搜索所述训练特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；
计算所述特征极值点在所述训练图像中的对应位置与真实的插入位置之间的第一差异损失函数值，其中，真实的插入位置表示用于石油污染土壤修复的微生物修复液的管道插入所述石油污染的土壤的地表的位置；
对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；
将所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值；
计算所述编码结果与真实值之间的第二差异损失函数值；以及
基于所述第一差异损失函数值和所述第二差异损失值，更新所述深度卷积神经网络的参数；以及
检测阶段，包括：
获取待检测图像，所述待检测图像为待插入微生物修复液的管道的石油污染的土壤的地表图像；
将所述待检测图像输入经训练阶段训练的所述深度卷积神经网络，以获得检测特征图；
以滑动窗口搜索所述检测特征图，以获得多个预定大小的局部区域和所述多个局部区域中每个所述局部区域内的特征极值点；
对所述多个局部区域，计算每个所述局部区域内的特征值与所述特征极值点之间的差值的绝对值并相加以获得每个所述局部区域对应的特征值，以获得由多个特征值构成的特征向量；以及
将所述特征向量通过编码器进行编码，以获得编码结果，其中，所述编码结果与所述特征向量的位数相同且所述编码结果的每位的值对应于所述特征极值点插入所述微生物修复液的管道的深度值。


2.根据权利要求1所述的用于石油污染土壤修复的智能控制方法，其中，计算所述特征极值点在所述训练图像中的对应位置与真实的插入位置之间的第一差异损失函数值，包括：
设定所述特征极值点在所述训练图像中的对应位置与真实的插入位置相一致时，差异值为0；
设定所述特征极值点在所述训练图像中的对应位置与真实的插入位置不一致时，差异值为1；
计算所有所述特征极值点的差异值的加权和，以获得所述第一差异损失函数值。


3.根据权利要求1所述的用于石油污染土壤修复的智能控制方法，其中，将所述特征向量通过编码器进行编码，以获得编码结果，包括：
将所述特征向量通过一个或多个全连接层，以获得所述编码结果，其中，所述一个或多个全连接层中最后一个所述全连接层的输出位数为所述特征向量的位数相同。


4.根据权利要求1所述的用于石油污染土壤修复的智能控制方法，其中，计算所述编码结果与真实值之间的第二差异损失函数值，包括：
计算所述编码结果的每位的值与真实值之间的差值并对所述差值进行归一化处理；以及
将归一化处理后的所述差值相加以获得所述第二差异损失函数值。


5.根据权利要求1所述的用于石油污染土壤修复的智能控制方法，其中，所述滑动窗口的尺寸参数和移动步长作为超参数参与到训练过程中。


6.根据权利要求1所述的用于石油污染土壤修复的智能控制方法，其中，所述深度卷积神经网络为深度残差网络。


7.一种用于石油污染土壤修复的智能控制系统，其特征在于，包括：
训练模块，包括：
训练图像获取单元，用于获取训练图像，所述训练图像为石油污染的土壤的地表图像；
训练特征图生成单元，用于将所...

【专利技术属性】
技术研发人员：张春旺，
申请(专利权)人：成都市春昂耒网络科技有限公司，
类型：发明
国别省市：四川;51