【技术实现步骤摘要】
本专利技术涉及检测，尤其涉及一种微塑料丰度检测方法、系统、装置及存储介质。
技术介绍
1、在对塑料制品进行处理的时候，会产生微塑料污染，塑料制品会分解呈微米级别的塑料颗粒，对水域生态系统和人类健康构成潜在威胁，微塑料颗粒在环境中的广泛分布和长期积累，导致对水体和食物链污染，因此出现了许多检测方法检测水体中的微塑料颗粒含量；传统的微塑料检测方法需要将样本进行过滤、提取等复杂的样本处理，或者需要专业的实验室条件进行检测，或者是针对某一类型的微塑料颗粒识别能力强，对其它类型的微塑料颗粒识别能力不足，导致对检测样本总的识别准确性不高。
技术实现思路
1、有鉴于此，本专利技术实施例的目的是提供一种微塑料丰度的检测方法、系统、装置及存储介质，简化样本处理流程，准确性高。
2、第一方面，本专利技术实施例提供了一种微塑料丰度检测方法，包括以下步骤：
3、获取检测水样，根据预设流速将所述检测水样流入检测容器内；
4、对所述检测容器内的所述检测水样进行检测，得到若干个综合数据集；其中，所述综合数据集包括红外光谱特征数据和图像特征数据；
5、将若干个所述综合数据集输入训练好的识别模型，得到所述检测水样的若干个识别结果；
6、将若干个所述识别结果进行叠加，得到所述检测水样的丰度。
7、可选地，所述对所述检测容器内的所述检测水样进行检测，得到若干个综合数据集，具体包括：
8、根据预设频率对所述检测容器内的所述检测水样进行红外
9、根据所述预设评论对所述检测容器内的所述检测水样进行图像采集，得到若干个图像数据；
10、依次获取若干个所述红外光谱数据与若干个所述图像数据，将若干个所述红外光谱数据与若干个所述图像数据进行特征融合，得到所述检测水样若干个的综合数据集。
11、可选地，所述将若干个所述红外光谱数据与若干个所述图像数据进行特征融合，得到所述检测水样若干个的综合数据集，具体包括：
12、对若干个所述红外光谱数据和若干个所述图像数据进行预处理；
13、对预处理后的若干个所述红外光谱数据进行特征提取，得到红外光谱特征；对预处理后的若干个所述图像数据进行特征提取，得到图像特征；其中，所述红外光谱特征包括吸收峰的位置和强度，所述图像特征包括颗粒密度、形状和分布；
14、将所述红外光谱特征和所述图像特征进行拼接，得到综合数据集。
15、可选地，所述对若干个所述红外光谱数据和若干个所述图像数据进行预处理，还包括：
16、对所述红外光谱数据进行基线校正，得到第一红外数据，对所述第一红外数据进行去噪声操作，得到第二红外数据，对所述第二红外数据进行归一化，得到预处理后的红外光谱数据；
17、对所述图像数据进行背景去除，得到第一图像数据，对所述第一图像数据进行杂质去除，得到第二图像数据，对所述第二图像数据进行图像分割，得到预处理后的图像数据。
18、可选地，所述方法还包括：
19、将所述检测水样的丰度实时发送到云服务器，以使所述云服务器将所述检测水样的丰度存储至数据库中。
20、可选地，所述识别模型的训练过程如下：
21、获取若干个测试水样，采集若干个所述测试水样的红外光谱数据和图像数据，对所述图像数据进行标注，得到第一数据；其中，所述第一数据包括所述图像数据中微塑料颗粒数量；
22、根据预处理后的若干个所述红外光谱数据和预处理后的若干个所述图像数据确定综合特征数据集；其中，所述综合特征数据集包括红外光谱数据特征和图像数据特征；
23、根据预设比例对所述综合特征数据集进行划分，得到训练集、验证集和测试集；
24、将所述训练集输入机器学习模型进行训练，输入验证集确定训练后的机器学习模型的性能数据，将所述性能数据与预设指标比较，若所述性能数据小于所述预设指标，对所述机器学习模型继续进行参数调整、训练和测试，直至所述性能数据大于或等于所述预设指标，将训练后的所述机器学习模型作为第一模型；
25、将所述测试集输入所述第一模型，得到输出结果，根据所述输出结果与所述第一数据确定第一准确率，将所述第一准确率与预设准确率进行比较，若所述第一准确率大于或等于所述预设准确率，将所述第一模型作为识别模型。
26、可选地，所述模型的训练过程还包括：
27、从云服务器获取第一文件，根据所述第一文件获取模型参数，根据所述模型参数调用所述识别模型。
28、第二方面，本专利技术实施例提供了一种微塑料丰度的检测系统，包括：
29、水样采集模块，用于采集检测水样，并输送至样本处理单元；
30、样本处理单元，包括红外光谱检测模块和图像采集模块，分别用于采集检测水样的红外光谱数据和图像数据，并将所述红外光谱数据和所述图像数据发送至数据处理模块；
31、数据处理模块，用于接收所述红外光谱数据和所述图像数据，并输入识别模型进行识别分析，得到微塑料丰度；
32、数据传输模块，用于接收所述微塑料丰度，并将所述微塑料丰度发送至云服务器；
33、废液处理模块，用于将检测后的所述检测水样抽离和排出。
34、第三方面，本专利技术实施例提供了一种微塑料丰度的检测装置，包括：
35、至少一个处理器；
36、至少一个存储器，用于存储至少一个程序；
37、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如前面方法实施例所述的方法。
38、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如前面方法实施例所述的方法。
39、实施本专利技术实施例包括以下有益效果：本实施例提供了一种微塑料丰度检测方法，包括获取检测水样，根据预设流速将所述检测水样流入检测容器内，启动检测装置对所述检测容器内的所述检测水样进行红外光谱检测和图像采集，根据得到的红外光谱检测的数据和图像采集的数据得到若干个综合数据集，将得到的综合数据集输入训练好的识别模型中，得到检测水样的若干个识别结果，将检测水样的若干个识别结果进行叠加，得到待检测水样的微塑料丰度；采集检测水样的红外光谱数据和图像数据，并进行数据融合，结合不同的信息源，提高检测分析的准确性；检测前只需要将待检测水样划分为若干个检测样本进行检测，简化检测前的样本处理流程，提高检测效率。
本文档来自技高网...【技术保护点】
1.一种微塑料丰度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述检测容器内的所述检测水样进行检测，得到若干个综合数据集，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述将若干个所述红外光谱数据与若干个所述图像数据进行特征融合，得到所述检测水样若干个的综合数据集，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述对若干个所述红外光谱数据和若干个所述图像数据进行预处理，还包括：
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述识别模型的训练过程如下：
7.根据权利要求6所述的方法，其特征在于，所述模型的训练过程还包括：
8.一种微塑料丰度的检测系统，其特征在于，包括：
9.一种微塑料丰度的检测装置，其特征在于，包括：
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述
...【技术特征摘要】
1.一种微塑料丰度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对所述检测容器内的所述检测水样进行检测，得到若干个综合数据集，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述将若干个所述红外光谱数据与若干个所述图像数据进行特征融合，得到所述检测水样若干个的综合数据集，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述对若干个所述红外光谱数据和若干个所述图像数据进行预处理，还包括：
5.根据权利要...
【专利技术属性】
技术研发人员：黄本胜，黄广灵，刘达，邱静，郭磊，谭超，洪昌红，陈晖，
申请(专利权)人：广东省水利水电科学研究院，
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。