一种石油类污染物分类方法技术

本发明专利技术公开了一种石油类污染物分类方法

【技术实现步骤摘要】
一种石油类污染物分类方法、系统及电子设备


[0001]本专利技术涉及污染识别
，特别是涉及一种石油类污染物分类方法
、
系统及电子设备
。

技术介绍

[0002]红外光谱具有简单
、
快速
、
无损的优点，广泛应用于石油
、
医药
、
烟草
、
化工和环境监测等领域
。
随着红外光谱数据量的增加，传统化学计量学方法已经出现明显的不足，例如偏最小二乘法无法对非线性关系进行有效拟合，
BP
神经网络运算速度慢且容易出现过拟合
、
大数据情况下支持向量回归预测精度低等
。
[0003]近年来，随着人工智能理论的不断发展，卷积神经网络通过卷积层和池化层相互交替学习，可以有效地提取红外光谱数据特征，已在红外光谱分析研究中取得显著成果
。Blazhko
等人分析比较了红外光谱深度学习与化学计量学分类的性能；夏静静等人利用红外光谱结合卷积神经网络实现了纸张年代的分类
。
然而，不同石油类污染物的红外光谱特征吸收峰位置大致相同，卷积神经网络通常每层只进行一次卷积或池化操作，使用单一尺度的一维常规卷积很难提取具有判别力的特征信息
。
因此，如何搭建卷积神经网络，提取更加丰富且有判别力的红外光谱特征信息是当前急需解决的一个重要问题
。

技术实现思路

[0004]本专利技术的目的是提供一种石油类污染物分类方法
、
系统及电子设备，能够提高不同石油类污染物的红外光谱特征提取精度，进而提高石油类污染物的分类精度
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种石油类污染物分类方法，包括：
[0007]获取待测石油类污染物的红外光谱数据；
[0008]将待测石油类污染物的红外光谱数据输入到石油类污染物分类模型中，确定待测石油类污染物的种类；所述石油类污染物分类模型是利用石油类污染物的红外光谱标注数据对改进一维卷积神经网络进行训练后得到的；所述改进一维卷积神经网络是基于
Inception
卷积模块对一维卷积神经网络进行改进后得到的
。
[0009]可选的，所述改进一维卷积神经网络包括依次连接的卷积层
、
批归一化层
、
第一池化层
、Inception
卷积模块
、
第二池化层
、
第一全连接层
、Dropout
层和第二全连接层
。
[0010]可选的，所述
Inception
卷积模块包括：并联设置的第一分支
、
第二分支
、
第三分支和第四分支；
[0011]所述第一分支包括第一卷积核；
[0012]所述第二分支包括依次连接的第二卷积核和第三卷积核；
[0013]所述第三分支包括依次连接的第四卷积核和第五卷积核；
[0014]所述第四分支包括依次连接的最大池化核和第六卷积核
。
[0015]可选的，所述第一卷积核
、
所述第二卷积核和所述第四卷积核的尺寸均为1×1；
[0016]所述第三卷积核和所述第六卷积核的尺寸均为3×1；
[0017]所述第五卷积核的尺寸为5×
1。
[0018]可选的，在所述获取待测区域的红外光谱数据之前，还包括：
[0019]基于
Inception
卷积模块搭建改进一维卷积神经网络；
[0020]获取不同石油类污染物的红外光谱数据；
[0021]对不同石油类污染物的红外光谱数据对应的石油类污染物种类进行标注，得到石油类污染物的红外光谱标注数据；
[0022]以不同石油类污染物的红外光谱数据为输入，以不同石油类污染物的红外光谱标注数据为输出，对改进一维卷积神经网络进行训练，得到石油类污染物分类模型
。
[0023]一种石油类污染物分类系统，包括：
[0024]红外光谱数据获取模块，用于获取待测石油类污染物的红外光谱数据；
[0025]石油类污染物分类模块，用于将待测石油类污染物的红外光谱数据输入到石油类污染物分类模型中，确定待测石油类污染物的种类；所述石油类污染物分类模型是利用石油类污染物的红外光谱标注数据对改进一维卷积神经网络进行训练后得到的；所述改进一维卷积神经网络是基于
Inception
卷积模块对一维卷积神经网络进行改进后得到的
。
[0026]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的一种石油类污染物分类方法
。
[0027]可选的，所述存储器为可读存储介质
。
[0028]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0029]本专利技术提供的一种石油类污染物分类方法
、
系统及电子设备，获取待测石油类污染物的红外光谱数据；将待测石油类污染物的红外光谱数据输入到石油类污染物分类模型中，确定待测石油类污染物的种类；石油类污染物分类模型是利用石油类污染物的红外光谱标注数据对改进一维卷积神经网络进行训练后得到的；改进一维卷积神经网络是基于
Inception
卷积模块对一维卷积神经网络进行改进后得到的
。
本专利技术通过基于
Inception
卷积模块搭建并训练改进一维卷积神经网络，能够提高不同石油类污染物的红外光谱特征提取精度，进而提高石油类污染物的分类精度
。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0031]图1为本专利技术实施例提供的石油类污染物分类方法流程图；
[0032]图2为本专利技术实施例提供的石油类污染物分类方法原理图；
[0033]图3为本专利技术实施例提供的第一种石油类污染物原始红外光谱图；
[0034]图4为本专利技术实施例提供的第二种石油类污染物原始红外光谱图；
[0035]图5为本专利技术实施例提供的第三种石油类污染物原始红外光谱图；
[0036]图6为本专利技术实施例提供的第四种石油类污染物原始红外光谱图；
[0037]图7为本专利技术实施例提供的
Inception
卷积模块结构图；
[0038]图8为本专利技术实施例提供的改进一维卷积神经网络结构图
。
具体实施方式
[0039]下面将结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种石油类污染物分类方法，其特征在于，包括：获取待测石油类污染物的红外光谱数据；将待测石油类污染物的红外光谱数据输入到石油类污染物分类模型中，确定待测石油类污染物的种类；所述石油类污染物分类模型是利用石油类污染物的红外光谱标注数据对改进一维卷积神经网络进行训练后得到的；所述改进一维卷积神经网络是基于
Inception
卷积模块对一维卷积神经网络进行改进后得到的
。2.
根据权利要求1所述的一种石油类污染物分类方法，其特征在于，所述改进一维卷积神经网络包括依次连接的卷积层
、
批归一化层
、
第一池化层
、Inception
卷积模块
、
第二池化层
、
第一全连接层
、Dropout
层和第二全连接层
。3.
根据权利要求1所述的一种石油类污染物分类方法，其特征在于，所述
Inception
卷积模块包括：并联设置的第一分支
、
第二分支
、
第三分支和第四分支；所述第一分支包括第一卷积核；所述第二分支包括依次连接的第二卷积核和第三卷积核；所述第三分支包括依次连接的第四卷积核和第五卷积核；所述第四分支包括依次连接的最大池化核和第六卷积核
。4.
根据权利要求3所述的一种石油类污染物分类方法，其特征在于，所述第一卷积核
、
所述第二卷积核和所述第...

【专利技术属性】
技术研发人员：孔德明，何绍炜，沈阅，高剑慧，崔艳飞，
申请(专利权)人：河北燕大燕软信息系统有限公司，
类型：发明
国别省市：