一种立体化水质监测方法及系统技术方案

本发明专利技术公开了一种立体化水质监测方法及系统，属于水质监测技术领域

【技术实现步骤摘要】
一种立体化水质监测方法及系统


[0001]本专利技术涉及水质监测
，更具体地说，涉及一种立体化水质监测方法及系统
。

技术介绍

[0002]随着全球人口增长和经济发展，水资源面临着巨大的挑战
。
在这个背景下，对于农业种植和水产养殖行业，水的质量直接影响动植物的生长和产量，并可能会导致养殖生物的疾病
、
死亡率增加和生长速度减慢
。
在保证质量
、
产量提高和资源可持续利用的多重压力下，高通量监测水质并实时调节水质资源尤为必要
。
[0003]传统的水质监测方法往往依赖于人工采样，然后在实验室中进行分析
。
这种方法虽然具有较高的准确性，但存在耗时
、
昂贵，且无法实现大面积的实时或连续监测，只能获得局部点位数据信息，缺乏水体水质空间分布状况信息，难以及时发现并应对突发的水质问题
。
尽管有许多技术用于水质监测，但它们往往只能覆盖水体的某一部分
。
例如，只监测水面或只关注某一特定污染物
。
因此，急需一个高效
、
实时和全方位的水质监测与调节系统
。
[0004]经检索，中国专利申请，申请号
202210801133.3
，公开日
2022
年
10
月
14
日，公开了一种基于
BP
神经网络的水质监测方法
。
该方法包括：
S1.
采集水质样本数据；
S2.
对水质样本数据进行特征标记，得到标记后的样本数据；
S3.
将标记后的样本数据输入到
BP
神经网络模型进行网络模型训练，得到训练好的神经网络模型；
S4.
采集水质实时数据，并将水质实时数据输入到训练好的神经网络模型，输出水质质量评估结果
。
该方法能够实现水质的智能化实时监测，但是该方法无法实现大面积的实时或连续的水质监测，难以反映水质空间分布状况
。

技术实现思路

[0005]1.
要解决的技术问题针对现有技术中存在的传统人工水质采样监测耗时
、
昂贵且无法实现大面积的实时或连续监测，进而难以反映水质空间分布状况等问题，本专利技术提供了一种立体化水质监测方法及系统，通过语义分割模型对水质图像进行区域分割，获得不同区域的光谱植被指数，利用光谱植被指数和水质目标要素构建水质目标要素反演模型，进而通过水质目标要素反演模型对水质进行大面积实时连续监测，有效反映水质空间分布状况
。
[0006]2.
技术方案本专利技术的目的通过以下技术方案实现
。
[0007]一种立体化水质监测方法，包括以下步骤：采集水质样本数据，对水质样本数据处理得到水质目标要素数据，将水质目标要素数据划分为训练集数据和验证集数据；获取水质图像数据集，输入水质图像；
通过语义分割模型对水质图像进行区域分割，得到不同的区域信息，计算每个区域信息的光谱植被指数，利用光谱植被指数和水质目标要素数据得到光谱植被指数的反演组合，通过光谱植被指数的反演组合构建水质目标要素反演模型；通过训练集数据训练水质目标要素反演模型，得到训练好后的水质目标要素反演模型，将验证集数据输入到训练好后的水质目标要素反演模型进行验证，输出水质监测结果
。
[0008]进一步地，所述语义分割模型包括水体离散特征提取模块
、
水体空间分布感知模块和水体特征聚合模块；水体离散特征提取模块和水体空间分布感知模块分别获取水质图像的语义信息，水体特征聚合模块对水体离散特征提取模块和水体空间分布感知模块获取的语义信息进行处理，得到水质图像中不同的区域信息
。
[0009]进一步地，通过水体离散特征提取模块获取水质图像的关键语义信息的计算公式为：
[0010]其中，表示水体离散语义信息，
MSA
表示多头自注意力运算，
α1、
α2、
α3均表示不同的高维映射矩阵，表示水体离散特征提取模块的输入，
x
表示离散特征定位点横坐标，
y
表示离散特征定位点纵坐标，
K
表示离散特征定位点数量，
L
K
表示优化后的离散特征定位点，表示对优化后的离散特征定位点进行采样操作，
θ
表示自适应偏移子网，
Q
表示高维空间，
F
Q
表示经高维映射矩阵
α1映射得到的水体初阶离散特征
。
[0011]进一步地，通过水体空间分布感知模块获取水质图像的语义信息的计算公式为：
[0012]其中，表示水体空间分布语义信息，
Y
R
表示水体空间分布感知模块在横轴分量上的提取结果，
Y
C
表示水体空间分布感知模块在纵轴分量上的提取结果，
⊕
表示逐元素相加，
MSA
表示多头自注意力运算，
C1、C2、C3均表示不同的卷积运算，表示水体空间分布感知模块的输出根据输入三元组划分出的水体初始行向量，表示水体分布感知模块的输出根据输入三元组划分出的水体初始列向量，表示叠加在初始行向量上的可学习偏移量，表示叠加在初始列向量上的可学习偏移变量
。
[0013]进一步地，水体特征聚合模块对水体离散特征提取模块和水体空间分布感知模块获取的语义信息进行耦合
、
解耦，得到水质图像中不同的区域信息的计算公式为：
[0014]其中，表示水体特征聚合模块对水体离散特征提取模块的输出，表示水体特征聚合模块对水体空间分布感知模块的输出，
i
表示自然数，
O
MLP
表示多层感知机，
softmax
表示归一化操作，表示第
i
个水体离散特征提取模块的输出，表示第
i
个水体空间分布感知模块的输出，
、、、、、
分别表示六个不同的映射矩阵，
H
表示转置操作，
Q1、Q2、K1、K2、V1、V2
分别表示六个不同的映射矩阵对应的六个不同的高维空间，
C
表示输入的通道数
。
[0015]进一步地，计算光谱植被指数和水质目标要素数据的斯皮尔曼相关系数，设定阈值
λ
，选择斯皮尔曼相关系数大于阈值
λ
的光谱植被指数；光谱植被指数和水质目标要素数据的斯皮尔曼相关系数的计算公式为：
[0016]其中，
SRC
表示斯皮尔曼相关系数，
N
表示光谱植被指数和水质目标要素数据的样本量，
i
表示当前样本编号，
R...

【技术保护点】

【技术特征摘要】
1.
一种立体化水质监测方法，包括以下步骤：采集水质样本数据，对水质样本数据处理得到水质目标要素数据，将水质目标要素数据划分为训练集数据和验证集数据；获取水质图像数据集，输入水质图像；通过语义分割模型对水质图像进行区域分割，得到不同的区域信息，计算每个区域信息的光谱植被指数，利用光谱植被指数和水质目标要素数据得到光谱植被指数的反演组合，通过光谱植被指数的反演组合构建水质目标要素反演模型；通过训练集数据训练水质目标要素反演模型，得到训练好后的水质目标要素反演模型，将验证集数据输入到训练好后的水质目标要素反演模型进行验证，输出水质监测结果
。2.
根据权利要求1所述的一种立体化水质监测方法，其特征在于，所述语义分割模型包括水体离散特征提取模块
、
水体空间分布感知模块和水体特征聚合模块；水体离散特征提取模块和水体空间分布感知模块分别获取水质图像的语义信息，水体特征聚合模块对水体离散特征提取模块和水体空间分布感知模块获取的语义信息进行处理，得到水质图像中不同的区域信息
。3.
根据权利要求2所述的一种立体化水质监测方法，其特征在于，通过水体离散特征提取模块获取水质图像的关键语义信息的计算公式为：其中，表示水体离散语义信息，
MSA
表示多头自注意力运算，
α1、
α2、
α3均表示不同的高维映射矩阵，表示水体离散特征提取模块的输入，
x
表示离散特征定位点横坐标，
y
表示离散特征定位点纵坐标，
K
表示离散特征定位点数量，
L
K
表示优化后的离散特征定位点，表示对优化后的离散特征定位点进行采样操作，
θ
表示自适应偏移子网，
Q
表示高维空间，
F
Q
表示经高维映射矩阵
α1映射得到的水体初阶离散特征
。4.
根据权利要求3所述的一种立体化水质监测方法，其特征在于，通过水体空间分布感知模块获取水质图像的语义信息的计算公式为：其中，表示水体空间分布语义信息，
Y
R
表示水体空间分布感知模块在横轴分量上的提取结果，
Y
C
表示水体空间分布感知模块在纵轴分量上的提取结果，
⊕
表示逐元素相加，
MSA
表示多头自注意力运算，
C1、C2、C3均表示不同的卷积运算，表示水体空间分布感知模块的输出根据输入三元组划分出的水体初始行向量，表示水体分布感知模块的输出根据输入三元组划分出的水体初始列向量，表示叠加在初始行向量上的可学习偏移量，
表示叠加在初始列向量上的可学习偏移变量
。5.
根据权利要求4所述的一种立体化水质监测方法，其特征在于，水体特征聚合模块对水体离散特征提取模块和水体空间分布感知模块获取的语义信息进行耦合
、
解耦，得到水质图像中不同的区域信息的计算公式为：其中，表示水体特征聚合模块对水体离散特征提取模块的输出，表示水体特征聚合模块对水体...

【专利技术属性】
技术研发人员：饶元，张通，王坦，万天与，朱军，江朝晖，杨辉煌，汪秀梅，张武，李绍稳，李科，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：