全光谱水质数据分析方法技术

本发明专利技术公开了全光谱水质数据分析方法，涉及水质分析技术领域，解决了现有技术没有结合基础数据在对光谱数据进行处理时，且没有考虑到数据采集场合，导致水质监测结果不准确的技术问题；本发明专利技术通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，并结合光谱反演方法对人工智能模型进行验证，再通过待测数据对应场景下的水质分析模型以完成水质的精确监测；本发明专利技术既考虑了基础数据，又考虑到了水源类型，从整个流程提高了水质监测结果的准确性；本发明专利技术考虑到标准实验数据的获取难度，根据数据量需求或标准范围对数据进行了合理扩展，保证了水质分析模型对数据量的要求，提高了水质分析模型的精度。提高了水质分析模型的精度。提高了水质分析模型的精度。

【技术实现步骤摘要】
全光谱水质数据分析方法


[0001]本专利技术属于水质分析领域，涉及全光谱水质数据分析技术，具体是全光谱水质数据分析方法。

技术介绍

[0002]水质监测的实时性和监测频率要求越来越高，也使得在线监测技术得到了广泛关注和快速发展，越来越多的水质在线监测设备被广泛应用；因为紫外
‑
可见全光谱含有大量的水质信息，已被广泛应用于水质在线监测中。
[0003]现有技术中利用紫外
‑
可见全光谱技术进行水质监测时，多注重对全光谱水质检测装置进行改进，仅采用理论上的光谱处理算法对光谱数据进行处理，没有考虑数据采集的场合，对光谱数据处理时也没有结合基础数据，导致水质监测不准确；因此，亟需一种全光谱水质数据分析方法。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了全光谱水质数据分析方法，用于解决现有技术没有结合基础数据在对光谱数据进行处理时，且没有考虑到数据采集场合，导致水质监测结果不准确的技术问题，本专利技术通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，获取适用于不同场景下的水质分析模型以完成水质的精确监测，同时将监测结果可视化展示。
[0005]为实现上述目的，根据本专利技术的第一方面的实施例提出全光谱水质数据分析方法，包括：
[0006]通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心；其中，数据处理中心与若干个全光谱水质监测装置通信连接；
[0007]数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；其中，水质分析模型基于人工智能模型建立，并定期更新分发；以及
[0008]将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。
[0009]优选的，基于人工智能模型获取水质分析模型，包括：
[0010]获取标准实验参数，通过全光谱水质监测装置获取标准光谱数据；其中，标准实验数据包括水质参数、水源标签和环境数据，且环境数据包括温度；
[0011]将标准光谱数据、水源标签和环境数据整合成输入数据，水质参数作为输出数据；
[0012]通过输入数据和输出数据对人工智能模型进行训练和验证，将完成训练和验证的人工智能模型标记为水质分析模型。
[0013]优选的，在所述人工智能模型训练和验证之前，通过标准实验数据整合生成N组输入数据，以及对应的输出数据；其中，N≥10，且N为整数；
[0014]根据数据量需求或标准范围对N组输入数据以及对应的输出数据进行扩展；其中，
标准范围指输入数据中对应数据的预设范围。
[0015]优选的，根据所述数据量需求对输入数据和输出数据进行扩展，包括：
[0016]获取数据需求量M；其中，数据需求量M是人工智能模型训练所需数据量的下限，且数据需求量M通过人工设定获取；
[0017]通过公式BS＝N/M计算步长上限BS，根据步长上限选定目标步长；其中，目标步长的取值范围为(0,BS]；
[0018]通过目标步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
[0019]优选的，通过所述标准范围对输入数据和输出数据进行扩展，包括：
[0020]获取标准范围；其中，标准范围通过人工设定获取；
[0021]根据标准范围确定水质参数和环境数据的差值步长；
[0022]根据确定的差值步长对N组输入数据以及对应的输出数据进行差值处理，完成扩展。
[0023]优选的，对所述人工智能模型的验证通过标准实验数据实现，或者通过直接反演标准光谱数据实现。
[0024]优选的，通过反演所述标准光谱数据对人工智能模型验证，包括：
[0025]从输入数据中抽取验证数据；其中，验证数据包括标准光谱数据、水源标签和环境数据，且验证数据至少为一组；
[0026]将验证数据输入至训练后的人工智能模型，获取输出数据，并标记为目标数据；
[0027]通过光谱反演方法对验证数据中的光谱数据进行反演，获取对比数据；其中，对比数据的内容和目标数据一致；
[0028]将目标数据和对比数据进行分析比较，完成验证。
[0029]优选的，所述水源标签根据监测区域对应的水源类型确定；其中，水源类型包括地表水源、生活水源和工业水源。
[0030]优选的，所述水源标签包括0、1或者2；其中，水源标签为0时，表示地表水源，水源标签为1时，表示生活水源，水源标签为2时，表示工业水源。
[0031]与现有技术相比，本专利技术的有益效果是：
[0032]1、本专利技术通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，并结合光谱反演方法对人工智能模型进行验证，再通过待测数据对应场景下的水质分析模型以完成水质的精确监测；本专利技术既考虑了基础数据，又考虑到了水源类型，从整个流程提高了水质监测结果的准确性。
[0033]2、本专利技术考虑到标准实验数据的获取难度，根据数据量需求或标准范围对数据进行了合理扩展，保证了水质分析模型对数据量的要求，提高了水质分析模型的精度。
附图说明
[0034]图1为本专利技术的工作步骤示意图。
具体实施方式
[0035]下面将结合实施例对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普
通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0036]水质监测的实时性和监测频率要求越来越高，也使得在线监测技术得到了广泛关注和快速发展，越来越多的水质在线监测设备被广泛应用；因为紫外
‑
可见全光谱含有大量的水质信息，已被广泛应用于水质在线监测中。
[0037]现有技术中利用紫外
‑
可见全光谱技术进行水质监测时，多注重对全光谱水质检测装置进行改进，仅采用理论上的光谱处理算法对光谱数据进行处理，没有考虑数据采集的场合，对光谱数据处理时也没有结合基础数据，导致水质监测不准确；本专利技术通过模拟各种场景获取标准实验参数，通过标准实验参数对人工智能模型进行训练，获取适用于不同场景下的水质分析模型以完成水质的精确监测，同时将监测结果可视化展示。
[0038]请参阅图1，本申请提供了全光谱水质数据分析方法，包括：
[0039]通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心；
[0040]数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；以及将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。
[0041]本申请中的全光谱水质监测装置可参考专利号为CN111220559A和专利号为CN110530801A中的全光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.全光谱水质数据分析方法，其特征在于，包括：通过全光谱水质监测装置获取监测区域水质的光谱数据，将光谱数据、水源标签和环境数据整合生成待测数据，将待测数据发送至数据处理中心；其中，数据处理中心与若干个全光谱水质监测装置通信连接；数据处理中心调用水质分析模型对待测数据进行分析，获取水质参数；其中，水质分析模型基于人工智能模型建立，并定期更新分发；以及将水质参数与水质指标进行分析获取水质等级，并进行可视化展示。2.根据权利要求1所述的全光谱水质数据分析方法，其特征在于，基于人工智能模型获取水质分析模型，包括：获取标准实验参数，通过全光谱水质监测装置获取标准光谱数据；其中，标准实验数据包括水质参数、水源标签和环境数据；将标准光谱数据、水源标签和环境数据整合成输入数据，水质参数作为输出数据；通过输入数据和输出数据对人工智能模型进行训练和验证，将完成训练和验证的人工智能模型标记为水质分析模型。3.根据权利要求2所述的全光谱水质数据分析方法，其特征在于，在所述人工智能模型训练和验证之前，通过标准实验数据整合生成N组输入数据，以及对应的输出数据；其中，N≥10，且N为整数；根据数据量需求或标准范围对N组输入数据以及对应的输出数据进行扩展；其中，标准范围指输入数据中对应数据的预设范围。4.根据权利要求3所述的全光谱水质数据分析方法，其特征在于，根据数据量需求对输入数据和输出数据进行扩展，包括：获取数...

【专利技术属性】
技术研发人员：张友德，钱益武，何建军，戴曹培，王清泉，
申请(专利权)人：安徽新宇环保科技股份有限公司，
类型：发明
国别省市：