一种多模态融合注意力机制的重铬酸钾滴定测定方法技术

本发明专利技术提出一种多模态融合注意力机制的重铬酸钾滴定测定方法，该方法获取标准溶液的初始体积和浓度并进行多级速度模式的滴定分析；采集待测溶液状态图像并进行预处理操作；将预处理操作后的状态图像输入融合GoogLeNet的多注意力机制网络进行处理，输出状态图像特征矩阵；采集光谱图并获取待测溶液光谱数据矩阵；将状态图像特征矩阵和光谱数据矩阵进行多模态融合，输出颜色特征值；根据颜色特征值判断滴定分析是否到达滴定终点；若未到达滴定终点，继续滴定分析；若到达滴定终点，停止滴定分析；计算并输出待测溶液的含量；所提方法能提高自动滴定的速度和效率，能够识别颜色微小变化，准确提取确颜色特征值，提高重铬酸钾滴定的精度。的精度。的精度。

【技术实现步骤摘要】
一种多模态融合注意力机制的重铬酸钾滴定测定方法


[0001]本专利技术属于机器视觉、化学检测
，涉及多模态融合注意力机制测定方法，适用于化学需氧量的测定中。

技术介绍

[0002]在废水处理中，化学需氧量是描述废水中有机物污染的重要参数，而重铬酸盐法，是国际标准化组织规定的测定化学需氧量的标准方法，是国内外普遍采用的分析测试方法。其中，重铬酸钾法以重铬酸钾为氧化剂测定水的化学需氧量的方法，应用广泛,适用于地表水、工业废水、生活污水等方面，是污水处理厂、印染、造纸、石化等行业工业废水重要的测定方法。
[0003]铬元素在溶液中呈现出多种价态和多种颜色，六价铬溶液为黄色，三价铬溶液为蓝绿色，铬酸根溶液为橙色。在重铬酸钾测定化学需氧量的滴定分析中，以铁灵试剂为指示剂，重铬酸钾氧化废水中的有机物。此过程中待测溶液颜色会由黄色变为蓝绿色，再用硫酸亚铁铵滴定过量的重铬酸钾，当重铬酸钾逐渐被硫酸亚铁铵还原时，硫酸亚铁铵稍微过量，就能被铁灵试剂检验出，显示出红色为达到滴定终点。
[0004]在滴定分析过程中，判定滴定终点是关键的操作步骤，目前一般实验室采用是人工判断滴定终点的方法，即操作人员通过肉眼识别溶液的颜色变化来判定是否到达滴定终点，其主观因素和“手”与“眼”的配合熟练度都会影响滴定的准确度。有些实验室采用颜色传感器替代人眼识别，通过三基色的反射比率实现颜色检测，但该方法对溶液所处的环境要求较高，容易受到烧杯的反射光、环境亮度等的影响，并且水中浊度较高时无法准确地判断颜色的变化。有些实验室则采用电极方法，通过电极检测电位的突变来判断滴定终点，但该方法在不同实验项目的滴定中需要使用不同的电极，更换电极过程复杂，且电极与溶液直接接触，电极易受污水中有机物的腐蚀，会降低使用寿命，同时仪器成本较高，保存的要求苛刻。
[0005]因此，提出一种多模态融合注意力机制的重铬酸钾滴定测定方法，使用较低成本和较方便的摄像头，通过机器视觉识别颜色的微小变化来判断滴定终点，通过改进颜色识别的算法网络以避免非溶液颜色的影响，准确识别铬元素在溶液中的颜色，以提高重铬酸钾滴定测定的精确度。

技术实现思路

[0006]本专利技术提出一种多模态融合注意力机制的重铬酸钾滴定测定方法，将多条注意力机制和GoogLeNet网络进行融合，用于避免因为网络的计算长度过长而导致重要信息的丢失的问题，提高对待测溶液颜色信息的关注度；将图像和光谱两个不同的模态信息通过深度神经网络融合，用于丰富颜色的特征信息，识别颜色微小变化，准确提取确颜色特征值，提高重铬酸钾滴定测定的精度；在测定过程中包括如下步骤：步骤（1）获取标准溶液的初始体积和浓度并进行多级速度模式的滴定分析；
将磁性搅拌棒子放入待测溶液中；预先设置好电磁阀的开关大小和通断时间使流量由大变小，从而实现滴定速度自动由大变小的功能，形成多级速度滴定模式；标准溶液通过电磁阀自动地对待测溶液进行多级速度模式的滴定分析；待测溶液的底部产生磁场推动磁性搅拌棒子做匀速圆周运动，并对待测溶液进行加热，控制滴定分析过程的温度，使标准溶液和待测溶液充分混合；步骤（2）采集待测溶液状态图像并进行预处理操作；在滴定分析的过程中，采用OpenMV摄像头实时采集待测溶液的状态图像；状态图像的分辨率为640
×
480，每个像素点的向量采用红色、绿色和蓝色三个颜色分量描述；将状态图像进行预处理操作，提取图像特征，得到预处理操作后的状态图像；预处理操作包括灰度化、几何变换和图像增强；步骤（3）将预处理操作后的状态图像输入融合GoogLeNet的多注意力机制网络进行处理，输出状态图像特征矩阵；步骤（3.1）构建融合GoogLeNet的多注意力机制网络的Inception结构；Inception结构分为4条分支，分支一是1
×
1的卷积层，分支二是3
×
3的卷积层和1
×
1的卷积层，分支三是5
×
5的卷积层和1
×
1的卷积层，分支四是3
×
3的最大池化层和1
×
1的卷积层，4条分支输入到深入卷积层连结并输出；步骤（3.2）构建融合GoogLeNet的多注意力机制网络的主支路；融合GoogLeNet的多注意力机制网络的主支路包括五个模块B、一个模块O和四个最大池化层；五个模块B分别记为B1、B2、B3、B4、B5，每个模块B之间使用一个步幅为2的3
×
3的最大池化层连接；五个模块B、一个模块O和四个最大池化层的串联通路共同构成融合GoogLeNet的多注意力机制网络的主支路；模块B1为一个7
×
7的卷积层；模块B2由一个1
×
1的卷积层、一个3
×
3的卷积层和两个局部归一化层组合，1
×
1的卷积层和3
×
3的卷积层串联于两个局部归一化层之间；模块B3为两个Inception结构的串联；模块B4为五个Inception结构的串联，第一个Inception结构和第四个Inception结构的输出分别连接一个辅助分类器C，用于向前传导梯度时避免梯度消失；辅助分类器C由一个5
×
5的平均池化层、两个1
×
1的卷积层和两个全连接层组合；模块B5为两个Inception结构的串联；模块O为由一个7
×
7的平均池化层、一个全连接层和一个回归输出层组合而成；步骤（3.3）在GoogLeNet的多注意力机制网络的主支路引入注意力机制分支，得到融合GoogLeNet的多注意力机制网络；在融合GoogLeNet的多注意力机制网络的主支路的输入端中，引入注意力机制分支一和分支二，分支一的输出端连接到模块O的输出端；分支二的输出端连接到模块B3的输出端；在模块B4的输入端中，引入注意力机制分支三和分支四；分支三的输出端连接到模块B4的输出端；分支四的输出端连接到模块B5的输出端；当在融合GoogLeNet的多注意力机制网络的主支路中遇到注意力机制分支的输入
端时，获得权重参数作为注意力机制分支的输入，权重参数的尺寸大小与预处理操作后的状态图像的尺寸大小一致；权重参数通过注意力机制分支，直接向后传输，相应地与融合GoogLeNet的多注意力机制网络的主支路相乘；融合GoogLeNet的多注意力机制网络的主支路和注意力机制分支共同构成融合GoogLeNet的多注意力机制网络；步骤（3.3）将预处理操作后的状态图像输入融合GoogLeNet的多注意力机制网络，输出处理后的状态图像特征矩阵；步骤（4）光谱仪采集光谱图并获取待测溶液光谱数据矩阵；光谱仪的波长范围为320nm
ꢀ‑
1100nm，精度为5nm，分辨率为1nm；通过光谱仪实时采集待测溶液的光谱图，并对光谱图进行处理，获取待测溶液的光谱数据矩阵，光谱数据矩阵的大小和状态图像特征矩阵大小一致；步骤（5）将状态图像特征矩阵和光谱数据矩阵进行多模态融合，输出颜色特征值；状态图像特征矩阵是由融合Goog本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态融合注意力机制的重铬酸钾滴定测定方法，其特征在于，将多条注意力机制和GoogLeNet网络进行融合，用于避免因为网络的计算长度过长而导致重要信息的丢失的问题，提高对待测溶液颜色信息的关注度；将图像和光谱两个不同的模态信息通过深度神经网络融合，用于丰富颜色的特征信息，识别颜色微小变化，准确提取确颜色特征值，提高重铬酸钾滴定测定的精度；在测定过程中包括如下步骤：步骤（1）获取标准溶液的初始体积和浓度并进行多级速度模式的滴定分析；将磁性搅拌棒子放入待测溶液中；预先设置好电磁阀的开关大小和通断时间使流量由大变小，从而实现滴定速度自动由大变小的功能，形成多级速度滴定模式；标准溶液通过电磁阀自动地对待测溶液进行多级速度模式的滴定分析；待测溶液的底部产生磁场推动磁性搅拌棒子做匀速圆周运动，并对待测溶液进行加热，控制滴定分析过程的温度，使标准溶液和待测溶液充分混合；步骤（2）采集待测溶液状态图像并进行预处理操作；在滴定分析的过程中，采用OpenMV摄像头实时采集待测溶液的状态图像；状态图像的分辨率为640
×
480，每个像素点的向量采用红色、绿色和蓝色三个颜色分量描述；将状态图像进行预处理操作，提取图像特征，得到预处理操作后的状态图像；预处理操作包括灰度化、几何变换和图像增强；步骤（3）将预处理操作后的状态图像输入融合GoogLeNet的多注意力机制网络进行处理，输出状态图像特征矩阵；步骤（3.1）构建融合GoogLeNet的多注意力机制网络的Inception结构；Inception结构分为4条分支，分支一是1
×
1的卷积层，分支二是3
×
3的卷积层和1
×
1的卷积层，分支三是5
×
5的卷积层和1
×
1的卷积层，分支四是3
×
3的最大池化层和1
×
1的卷积层，4条分支输入到深入卷积层连结并输出；步骤（3.2）构建融合GoogLeNet的多注意力机制网络的主支路；融合GoogLeNet的多注意力机制网络的主支路包括五个模块B、一个模块O和四个最大池化层；五个模块B分别记为B1、B2、B3、B4、B5，每个模块B之间使用一个步幅为2的3
×
3的最大池化层连接；五个模块B、一个模块O和四个最大池化层的串联通路共同构成融合GoogLeNet的多注意力机制网络的主支路；模块B1为一个7
×
7的卷积层；模块B2由一个1
×
1的卷积层、一个3
×
3的卷积层和两个局部归一化层组合，1
×
1的卷积层和3
×
3的卷...

【专利技术属性】
技术研发人员：殷林飞，梁锶文，韦春丽，
申请(专利权)人：广西大学，
类型：发明
国别省市：