【技术实现步骤摘要】
本专利技术涉及元素检测领域，特别涉及一种基于eadc-net模型的重金属元素超标判别方法。
技术介绍
1、随着工业化和城市化的快速发展，土壤中重金属污染问题日益严峻，土壤中适当的重金属元素浓度水平对植物和生态系统发育至关重要。当土壤中重金属元素浓度超过其风险筛选值时，预示着生态风险的加剧及对人类健康的潜在风险，亟需细致的监测与科学的评估。尤其是铅、镉等有害元素的超标会对生态环境和人体健康产生严重危害。x射线荧光(xrf)光谱分析技术作为一种非破坏性、多元素分析的检测手段，广泛应用于土壤中重金属元素的检测。然而，由于土壤成分的复杂性以及不同重金属元素的信号强度差异，传统的xrf检测方法在面对复杂光谱背景及重叠峰时，容易出现判别准确率低下的问题。
2、因此，为了提高检测精度，迫切需要引入一种更为智能的方法对重金属元素浓度超标情况进行判别，解决传统方法计算不准确、准确率低下问题，旨在为重金属元素的定性分析提供一种可供选择的检验方法。
技术实现思路
1、针对上述现有技术中存在的问题，本专利技术提供了一种基于编码注意力机制的可变形卷积网络(eadc-net)模型判别待测物所含重金属元素浓度的超标情况，该方法将xrf无损检测技术与深度学习相结合，通过建立谱图的峰值信息(峰强度)与元素超标情况之间的关系来搭建eadc-net重金属元素超标判别模型，最终实现定性判别物质所含重金属元素的超标情况，提升定性分析结果的准确性，减少过拟合，防止梯度消失。
2、为实现上述目的，本专利
3、获取土壤样本集，并基于所述土壤样本集确定元素集和样本信息，利用xrf光谱仪识别所述土壤样本集中待测样本的谱图峰强度和元素浓度。
4、搭建基于eadc-net的重金属元素超标判别模型，并确定所述eadc-net的重金属元素超标判别模型的输入与输出。
5、对基于eadc-net的重金属元素超标判别模型进行训练。
6、重金属元素浓度的超标判别，完成对测试样本中重金属元素超标的定性分析。
7、所述获取土壤样本集，并基于所述土壤样本集确定元素集和样本信息包括以下步骤：
8、确定样本集，样本集中有n份待测样本，取经过能量色散型x射线荧光光谱仪，即xrf光谱仪能够识别的全部元素的并集，构成n份待测样本所含有的元素集a。
9、读入谱图峰强度和元素浓度，使用xrf光谱仪对n份待测样本进行测试，将需要定性分析的某个元素称为目标元素，获得n份待测样本的峰强度矩阵x和元素集a中的目标元素浓度向量y。
10、划分训练集和测试集，将获取的n份土壤样本按照7:3的比例划分训练样本和测试样本，r份训练样本对应的数据作为训练集，其余n-r份样本作为测试集。
11、所述搭建基于eadc-net的重金属元素超标判别模型包括以下步骤：
12、确定eadc-net模型的输入，将n份待测样本的峰强度矩阵x作为模型的输入。
13、确定eadc-net模型的输出，将n份待测样本的目标元素浓度与元素风险筛选值进行比较，对目标元素浓度向量y进行打标。当土壤样品中的元素超过风险筛选值，则意味着土壤中有该元素重金属污染风险，即将污染风险判断为“有”，目标值设置为“0”。当土壤样品中的元素未超过风险筛选值，则意味着土壤中该元素没有重金属污染风险，即将污染风险判断为“无”，目标值设置为“1”，从而得到目标元素浓度超标情况向量z作为模型的输出；
14、搭建eadc-net，该网络主要包括1个编码(encoder)层、1个自注意力(self-attentio n)层、2个可变形卷积(deformable convolution)层、2个全连接层。
15、编码层用于提取输入的空间特征，所述编码层主要由第一全连接层、dropout层、第二全连接层、批归一化层以及第三全连接层组成，并通过残差连接，用于捕获光谱序列中的有效特征信息以及非线性特性。
16、首先，通过第一全连接层对输入特征进行线性变换，并引入激活函数以增加非线性表达能力。第一全连接层的计算公式如下：
17、a1＝f(w1·x+b1) (1)
18、式中，a1表示第一全连接层的输出，w1表示第一全连接层的权重，b1表示第一全连接层的偏置，f表示激活函数，x表示峰强度矩阵。
19、接着，将全连接层的输出通过dropout层，以防止过拟合。通过随机“丢弃”一部分神经元以增强模型的泛化能力，其计算公式为：
20、a2＝dropout(a1,pdrop) (2)
21、式中，dropout表示正则化操作，pdrop表示丢弃率，a1表示第一全连接层的输出，a2表示经过正则化后的输出。
22、dropout后的输出再经过第二全连接层，进一步提取特征信息，计算公式如下：
23、a3＝f(w2·a2+b2) (3)
24、式中，a3表示第二全连接层的输出，w2表示第二全连接层的权重，b2表示第二全连接层的偏置，f表示激活函数，a2表示经过正则化后的输出。
25、然后，通过批归一化层对第二全连接层的输出进行批归一化，批归一化的计算公式如下：
26、a4＝bn(a3) (4)
27、式中，a3表示第二全连接层的输出，bn表示批归一化操作，a4表示批归一化后的输出。
28、接着，批归一化后的输出再传入第三全连接层，以进一步处理特征，计算公式为：
29、a5＝f(w3·a4+b3) (5)
30、式中，a4表示批归一化后的输出，w3表示第三全连接层的权重，b3表示第三全连接层的偏置，f表示激活函数，a5表示经过第三全连接层后的输出。
31、为了提高深层网络的训练效果，编码层采用残差连接机制，将输入矩阵x与第三全连接层的输出a5进行加法操作：
32、ares＝a5+x (6)
33、式中，ares表示编码层经过残差连接后的输出特征，a5表示第三全连接层的输出。
34、将所述编码层中提取出的特征信息输入到self-attention层，self-attention层根据输入与输出各元素的注意力分值来优化权值分配，给提取的特征分配概率权重；self-attention层通过查询(query)、键(key)和值(value)三部分计算每个特征的注意力分值，将编码层提取的特征信息ares通过三个不同的线性变换得到查询q、本文档来自技高网...
【技术保护点】
1.一种基于EADC-Net模型的重金属元素超标判别方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，所述获取土壤样本集，并基于所述土壤样本集确定元素集和样本信息包括以下步骤：
3.根据权利要求1所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，所述搭建EADC-Net模型包括以下步骤：
4.根据权利要求2所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，
5.根据权利要求3所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，
6.根据权利要求4所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，
7.根据权利要求6所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，
8.根据权利要求1所述的基于EADC-Net模型的重金属元素超标判别方法，其特征在于，所述对基于EADC-Net模型进行训练包括以下步骤：
9.根据权利要求1所述
...【技术特征摘要】
1.一种基于eadc-net模型的重金属元素超标判别方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的基于eadc-net模型的重金属元素超标判别方法，其特征在于，所述获取土壤样本集，并基于所述土壤样本集确定元素集和样本信息包括以下步骤：
3.根据权利要求1所述的基于eadc-net模型的重金属元素超标判别方法，其特征在于，所述搭建eadc-net模型包括以下步骤：
4.根据权利要求2所述的基于eadc-net模型的重金属元素超标判别方法，其特征在于，
5.根据权利要求3所述的基于e...
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。