System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及智能检测,且更为具体地,涉及一种用于有机肥料的检测分析方法及其系统。
技术介绍
1、有机肥料是一种天然的肥料,主要来源于动植物有机体及畜禽粪便等废弃物。经过发酵腐熟的含碳有机物料,可以提高土壤的肥力,促进植物的生长和发育。
2、然而,有机肥料中含有一定量的重金属,这些重金属对人体健康和环境都有一定的危害。有机肥料中的重金属主要包括铅、镉、汞、铬、铜、锌、镍等。这些重金属在土壤中积累,会对植物的生长和发育产生不良影响,同时也会通过食物链进入人体,对人体健康产生危害。所以,对有机肥料中重金属的检测和控制非常重要。
3、因此,期待一种用于有机肥料的检测分析方法及其系统。
技术实现思路
1、为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于有机肥料的检测分析方法及其系统,其采用机器学习技术,从原子吸收光谱图中提取多尺度光谱图像特征和多个预定波长下的计数值特征,并对二者进行特征融合,从而进行有机肥料中的重金属含量是否超标的判断。这样,可以帮助相关监管机构快速了解有机肥料的质量情况,判断其是否符合标准要求,对于农业生产和环境保护具有重要意义。
2、相应地,根据本申请的一个方面,提供了一种用于有机肥料的检测分析方法,其包括:
3、获取待检测有机肥料的原子吸收光谱图;
4、将所述原子吸收光谱图通过基于自动编解码器的图像降噪器以得到降噪后原子吸收光谱图;
5、将所述降噪后原子吸收光谱图通过包含第一卷积层和
6、从所述降噪后原子吸收光谱图中提取多个预定波长下的计数值;
7、将所述多个预定波长下的计数值排列为一维输入向量后通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量;
8、基于统计特征向量和光谱特征向量之间的特征流形的维度视角相关来融合所述统计特征向量和所述光谱特征向量以得到分类特征向量;以及
9、将所述分类特征向量通过分类器以得到分类结果,所述分类结果为有机肥料中的重金属含量是否超标。
10、在上述用于有机肥料的检测分析方法中,将所述原子吸收光谱图通过基于自动编解码器的图像降噪器以得到降噪后原子吸收光谱图,包括:将所述原子吸收光谱图输入所述图像降噪器的编码器,其中,所述编码器使用卷积层对所述原子吸收光谱图进行显式空间编码以得到原子吸收光谱图像特征;以及,将所述原子吸收光谱图像特征输入所述图像降噪器的解码器,其中,所述解码器使用反卷积层对所述原子吸收光谱图像特征进行反卷积处理以得到所述降噪后原子吸收光谱图。
11、在上述用于有机肥料的检测分析方法中,将所述降噪后原子吸收光谱图通过包含第一卷积层和第二卷积层的卷积神经网络模型以得到多尺度光谱特征向量,包括:使用所述卷积神经网络模型的第一卷积层的各层在层的正向传递中分别对输入数据进行:基于所述具有第一尺度的三维卷积核对所述输入数据进行卷积处理、均值池化处理和非线性激活处理以得到第一尺度光谱特征向量;使用所述卷积神经网络模型的第二卷积层的各层在层的正向传递中分别对输入数据进行:基于所述具有第二尺度的三维卷积核对所述输入数据进行卷积处理、均值池化处理和非线性激活处理以得到第二尺度光谱特征向量;以及,融合所述第一尺度光谱特征向量和所述第二尺度光谱特征向量以得到所述多尺度光谱特征向量。
12、在上述用于有机肥料的检测分析方法中,将所述多个预定波长下的计数值排列为一维输入向量后通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量,包括:使用所述时序编码器的全连接层以如下全连接公式对所述一维输入向量进行全连接编码以提取出所述一维输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:其中x是所述一维输入向量,y是输出向量,w是权重矩阵,b是偏置向量,表示矩阵相乘;以及,使用所述时序编码器的一维卷积层以如下卷积公式对所述一维输入向量进行一维卷积编码以提取出所述一维输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述卷积公式为:
13、
14、其中,a为卷积核在x方向上的宽度、f(a)为卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,x表示所述一维输入向量,cov(x)表示对所述一维输入向量进行一维卷积编码。
15、在上述用于有机肥料的检测分析方法中,基于统计特征向量和光谱特征向量之间的特征流形的维度视角相关来融合所述统计特征向量和所述光谱特征向量以得到分类特征向量,包括:构建所述统计特征向量和所述光谱特征向量之间的全域相似度矩阵,其中,所述全域相似度矩阵中非对角线位置上各个位置的特征值为所述统计特征向量和所述光谱特征向量中相应两个位置的特征值之间的方差;构建所述统计特征向量和所述光谱特征向量之间的协方差矩阵;将所述全域相似度矩阵和所述协方差矩阵沿着通道维度进行聚合后通过基于卷积层的流形间多粒度关联特征提取器以得到流形间全域关联多粒度特征矩阵;对所述流形间全域关联多粒度特征矩阵进行基于特征值的矩阵分解以得到多个流形相关特征值;以及,从所述多个流形相关特征值提取预定数量的流形相关特征值,并将所述预定数量的流形相关特征值进行排列以得到所述分类特征向量。
16、在上述用于有机肥料的检测分析方法中,将所述分类特征向量通过分类器以得到分类结果,所述分类结果为有机肥料中的重金属含量是否超标,包括:使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
17、根据本申请的另一个方面,提供了一种用于有机肥料的检测分析系统,其包括:
18、光谱图像获取模块,用于获取待检测有机肥料的原子吸收光谱图;
19、图像降噪模块,用于将所述原子吸收光谱图通过基于自动编解码器的图像降噪器以得到降噪后原子吸收光谱图;
20、图像特征提取模块,用于将所述降噪后原子吸收光谱图通过包含第一卷积层和第二卷积层的卷积神经网络模型以得到多尺度光谱特征向量,其中,所述第一卷积层具有第一尺度的三维卷积核,所述第二卷积层具有第二尺度的三维卷积核,所述第一尺度不同于所述第二尺度;
21、计数值提取模块,用于从所述降噪后原子吸收光谱图中提取多个预定波长下的计数值;
22、序列编码模块,用于将所述多个预定波长下的计数值排列为一维输入向量后通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量;
23、融合模块,用于基于统计特征向量和光谱特征向量之间的特征流形的维度视角相关来融合所述统计特征向量和所述光谱特征向量以得到分类特征向量;以及
24、检测结果生成模块,用于将所述分类特征向本文档来自技高网...
【技术保护点】
1.一种用于有机肥料的检测分析方法,其特征在于,包括:
2.根据权利要求1所述的用于有机肥料的检测分析方法,其特征在于,将所述原子吸收光谱图通过基于自动编解码器的图像降噪器以得到降噪后原子吸收光谱图,包括:
3.根据权利要求2所述的用于有机肥料的检测分析方法,其特征在于,将所述降噪后原子吸收光谱图通过包含第一卷积层和第二卷积层的卷积神经网络模型以得到多尺度光谱特征向量,包括:
4.根据权利要求3所述的用于有机肥料的检测分析方法,其特征在于,将所述多个预定波长下的计数值排列为一维输入向量后通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量,包括:
5.根据权利要求4所述的用于有机肥料的检测分析方法,其特征在于,基于统计特征向量和光谱特征向量之间的特征流形的维度视角相关来融合所述统计特征向量和所述光谱特征向量以得到分类特征向量,包括:
6.根据权利要求5所述的用于有机肥料的检测分析方法,其特征在于,将所述分类特征向量通过分类器以得到分类结果,所述分类结果为有机肥料中的重金属含量是否超标,包括:
7.一
8.根据权利要求7所述的用于有机肥料的检测分析系统,其特征在于,所述图像降噪模块,包括:
9.根据权利要求8所述的用于有机肥料的检测分析系统,其特征在于,所述图像特征提取模块,包括:
10.根据权利要求9所述的用于有机肥料的检测分析系统,其特征在于,所述序列编码模块,包括:
...【技术特征摘要】
1.一种用于有机肥料的检测分析方法,其特征在于,包括:
2.根据权利要求1所述的用于有机肥料的检测分析方法,其特征在于,将所述原子吸收光谱图通过基于自动编解码器的图像降噪器以得到降噪后原子吸收光谱图,包括:
3.根据权利要求2所述的用于有机肥料的检测分析方法,其特征在于,将所述降噪后原子吸收光谱图通过包含第一卷积层和第二卷积层的卷积神经网络模型以得到多尺度光谱特征向量,包括:
4.根据权利要求3所述的用于有机肥料的检测分析方法,其特征在于,将所述多个预定波长下的计数值排列为一维输入向量后通过包含一维卷积层和全连接层的序列关联编码器以得到统计特征向量,包括:
5.根据权利要求4所述的用于有机肥料的检测分析方法,其特征在于,基...
【专利技术属性】
技术研发人员:肖自力,栾明宝,王刚,肖紫熙,龙孺夫,詹雨龙,陈鹏辉,
申请(专利权)人:湖南省吉祥天生物科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。