一种基于卷积神经网络的水源污染物检测系统及方法技术方案

一种基于卷积神经网络的水源污染物检测系统及方法，包括富集材料与饮用水源中持久性有毒污染物间吸附行为的确定，其包括：通过设定的富集装置，分别对富集材料、富集温度以及最佳富集条件进行优化和选择，确定适用于饮用水源中各类持久性有毒污染物富集的最佳富集材料和吸附条件；基于红外光谱的持久性有毒污染物定量分析模型的建立。结合其它结构或方法有效避免了现有技术中对饮水源中的持久性有毒污染物红外谱区的摩尔吸收率较低、红外光谱分析方法的分析灵敏度较差、无法进行微量或痕量分析的缺陷。量分析的缺陷。量分析的缺陷。

【技术实现步骤摘要】
一种基于卷积神经网络的水源污染物检测系统及方法


[0001]本专利技术属于水源污染物监测
，具体涉及一种基于卷积神经网络的水源污染物检测系统及方法。

技术介绍

[0002]随着经济的发展，人口的增加，不少地区水资源短缺，有的城市饮用水水源污染严重，居民生活饮用水安全受到威胁。
[0003]以作为京津地区饮用水源的丹江为例，丹江发源于秦岭腹地的商洛市，伴随着引丹入京工程的竣工，商洛赢得了“一江清水供京津”的美誉，同时为了保证京津地区的饮用水安全，商洛市也面临着新的考验与挑战。近年来，随着丹江流域工业与农业快的速发展，加速了沿线城市的发展。然而，工农业有机化合物废水的排放污染了丹江的河水，带来了生态环境组成与结构的改变以及日益突出的环境问题，最终将影响京津地区的饮用水安全。为了更好的保障京津地区供水安全，研究一整套对丹江水源污染物的快速、准确检测方法势在必行。
[0004]而饮用水源中的持久性有毒污染物是一类具有很强毒性、在环境中难以降解、并可通过食物链在动物和人体中富集和放大的污染物。大量证据表明，持久性有毒污染物大多具有“致癌、致畸、致突变”的三致效应和遗传毒性，对人体健康和生态系统危害极大。因此，开展持久性有毒污染物的实时检测和控制的研究迫在眉睫。
[0005]具体而言，持久性有机污染物(Persistent Organic Pollutants，POPs)和重金属是两类典型的持久性有毒污染物，它们在环境中分布广泛，而且这些有毒污染物在环境中往往以微量甚至痕量级存在，因此增加了分析检测的难度。目前，持久性有机污染物的检测方法主要有气相色谱-质谱(GC-MS)、液相色谱-质谱(LC-MS)以及免疫分析(IA)等；重金属检测方面主要采用原子吸收光谱(AAS)、电感耦合等离子体原子发射光谱(ICP-AES)、流动注射(FI)分析法以及激光诱导击穿光谱(LIBS)等。然而上述这些分析方法使用的仪器昂贵，而且样品分析前必须进行复杂的前处理，如加标、萃取、净化、浓缩、洗脱等，导致分析一组试样要花费较长的时间，且分析费用较大。已不能满足目前对环境痕量组分的检测要求。
[0006]红外光谱检测技术由于高效、简单和绿色的分析特点已被广泛应用于工农业生产当中。对于不同形态特点的分析对象，可采用不同的检测模式；整个分析过程不会对环境造成任何污染；测试重现性好、操作方便；可实现多目标组分的快速平行分析。然而，红外光谱的应用也存在它的不足之处，由于红外谱区的摩尔吸收率较低，使得红外光谱分析方法的分析灵敏度较差，无法进行微量或痕量分析。

技术实现思路

[0007]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络的水源污染物检测系统及方法，有效避免了现有技术中对饮水源中的持久性有毒污染物红外谱区的摩尔吸收率较低、红外光谱分析方法的分析灵敏度较差、无法进行微量
或痕量分析的缺陷。
[0008]为解决上述技术问题，本专利技术采用的技术方案是：一种基于卷积神经网络的水源污染物检测系统，其特征在于，包括容器，所述容器的底部连通有两个分别设置有第一阀门和第二阀门的分支管道，在两个所述分支管道中分别填充有第一吸附材料和第二吸附材料，可调速循环泵通过管道来同所述容器和两个所述分支管道连通。
[0009]上述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一阀门和第二阀门的数量均为若干个。
[0010]上述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述基于卷积神经网络的水源污染物检测系统，还包括光谱仪，所述光谱仪与上位机连接；所述光谱仪通过光纤来对第一吸附材料和第二吸附材料采集光谱信息。
[0011]上述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一吸附材料和第二吸附材料旁的分支管道上还设置有用于填充吸附材料的再生接口。
[0012]另外，本专利技术还提供了一种基于卷积神经网络的水源污染物检测方法，其特征在于，包括：
[0013]步骤1：富集材料与饮用水源中持久性有毒污染物间吸附行为的确定：
[0014]通过设定的富集装置，分别对富集材料、富集温度以及最佳富集条件进行优化和选择，确定适用于饮用水源中各类持久性有毒污染物富集的最佳富集材料和吸附条件；
[0015]步骤2：基于红外光谱的持久性有毒污染物定量分析模型的建立：
[0016]通过采用合理的数据预处理方法和变量筛选方法，建立强吸附材料背景下弱红外响应信号的信息提取方法；分析基于特征近红外信息的线性和非线性校正方法；分析多模型算法在增强红外光谱模型构建中的应用和改进，建立饮用水源的持久性有毒污染物定量分析方法。
[0017]上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述富集材料与饮用水源中持久性有毒污染物间吸附行为的确定包括：
[0018]通过吸附实验，结合常规化学分析法，获得关于不同富集材料、不同颗粒度、不同流速、不同pH值、不同吸附时间的持久性有毒污染物的红外光谱数据；对获得的光谱信号进行分析，研究不同吸附条件下红外光谱间的差异，确定各类持久性有毒污染物的最佳富集材料和吸附条件。
[0019]上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述基于红外光谱的持久性有毒污染物定量分析模型的建立包括：对所述系统采集的污染物的红外光谱采用不同的光谱预处理方法、光谱建模变量筛选方法以及建模算法，确定最佳模型参数，建立具有自学习功能的、具有稳健性的污染物的定量分析模型。
[0020]上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述建立具有自学习功能的、具有稳健性的污染物的定量分析模型的方式，包括：
[0021]步骤2-1：构建卷积神经网络结构，所述卷积神经网络结构包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层；
[0022]步骤2-2：训练卷积神经网络；
[0023]步骤2-3：利用卷积神经网络对水源污染物成分含量进行识别。
[0024]上述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述训练卷
积神经网络的具体过程包括：
[0025]步骤2-2-1：输入光谱信号；
[0026]步骤2-2-2：从光谱信号中分割出疑似污染物成分含量；
[0027]步骤2-2-3：将光谱信号与步骤2-2-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；
[0028]步骤2-2-4：对步骤2-2-3中得到的每个训练样本设定标签，记为“污染物”和“非污染物”；
[0029]步骤:2-2-5将步骤2-2-3得到训练样本与步骤2-2-4设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的网络模型；
[0030]所述利用卷积神经网络对水源污染物成分含量进行识别，其具体过程包括：
[0031]步骤2-3-1：输入光谱信号本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的水源污染物检测系统，其特征在于，包括容器，所述容器的底部连通有两个分别设置有第一阀门和第二阀门的分支管道，在两个所述分支管道中分别填充有第一吸附材料和第二吸附材料，可调速循环泵通过管道来同所述容器和两个所述分支管道连通。2.根据权利要求1所述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一阀门和第二阀门的数量均为若干个。3.根据权利要求1所述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述基于卷积神经网络的水源污染物检测系统，还包括光谱仪，所述光谱仪与上位机连接；所述光谱仪通过光纤来对第一吸附材料和第二吸附材料采集光谱信息。4.根据权利要求1所述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一吸附材料和第二吸附材料旁的分支管道上还设置有用于填充吸附材料的再生接口。5.一种基于卷积神经网络的水源污染物检测方法，其特征在于，包括：步骤1：富集材料与饮用水源中持久性有毒污染物间吸附行为的确定：通过设定的富集装置，分别对富集材料、富集温度以及最佳富集条件进行优化和选择，确定适用于饮用水源中各类持久性有毒污染物富集的最佳富集材料和吸附条件；步骤2：基于红外光谱的持久性有毒污染物定量分析模型的建立：通过采用合理的数据预处理方法和变量筛选方法，建立强吸附材料背景下弱红外响应信号的信息提取方法；分析基于特征近红外信息的线性和非线性校正方法；分析多模型算法在增强红外光谱模型构建中的应用和改进，建立饮用水源的持久性有毒污染物定量分析方法。6.根据权利要求5所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述富集材料与饮用水源中持久性有毒污染物间吸附行为的确定包括：通过吸附实验，结合常规化学分析法，获得关于不同富集材料、不同颗粒度、不同流速、不同pH值、不同吸附时间的持久性有毒污染物的红外光谱数据；对获得的光谱信号进行分析，研究不同吸附条件下红外光谱间的差异，确定各类持久性有毒污染物的最佳富集材料和吸附条件。7.根据权利要求5所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述基于红外光谱的持久性有毒污染物定量分析模型的建立包括：对所述系统采集的污染物的红外光谱采用不同的光谱预处理方法、光谱建模变量筛选方法以及建模算法，确定最佳模型参数，建立具有自学习功能的、具有稳健性的污染物的定量分析模型。8.根据权利要求5所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述建立具有自学习功能的、具有稳健性的污染物的定量分析模型的方式，包括：步骤2-1：构建卷积神经网络结构，所述卷积神经网络结构包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层；步骤2-2：训练卷积神经网络；步骤2-3：利用卷积神经网络对水源污染物成分含量进行识别。9.根据权利要求8所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述训练卷积神经网络的具体过...

【专利技术属性】
技术研发人员：张林，
申请(专利权)人：商洛学院，
类型：发明
国别省市：