【技术实现步骤摘要】
本专利技术涉及智能检测，更具体地说，它涉及一种水体污染物浓度智能检测系统及其检测方法。
技术介绍
1、在水产养殖池塘水质监测中，养殖生物需要更加优质的养殖环境来加快养殖速度，因此水体污染物浓度的智能检测至关重要，然而水体污染物的传播速度会比较快，难以掌控，因此亟须一种可以预测水体污染物扩散趋势并且可以精准实时检测水体污染物浓度并结合水生生物行为数据判断对养殖生物的即时影响，优化养殖环境。
2、传统水体污染物检测技术主要依赖实验室化学分析或单一传感器现场检测，存在响应速度慢、多参数协同分析能力弱、无法进行实时动态预测等缺陷。
技术实现思路
1、本专利技术提供一种水体污染物浓度智能检测系统及其检测方法，解决相关技术中的数据处理响应速度慢，在水产养殖过程中对水体的污染物扩散迅速以及水生物行为异常导致水产养殖效率低下的技术问题。
2、本专利技术提供了一种水体污染物浓度智能检测方法，包括：
3、步骤100，获取光学数据、化学数据、电学数据、环境数据和生物数据；
4、步骤200，对获取的数据进行归一化和标准化处理；
5、步骤300，对光学数据、化学数据、电学数据和生物数据分别提取对应的光学特征、化学特征、电学特征和生物特征；
6、步骤400，将光学特征、化学特征、电学特征、生物特征进行拼接得到融合特征；
7、步骤500，将融合特征输入到多层感知机中进行水体污染物浓度预测；
8、步骤600，利用融合特
9、步骤700，将融合特征输入到决策树模型中，决策树通过对特征进行划分，构建决策规则，判断水体污染物对养殖生物的即时影响；
10、步骤800，通过判断出的水体污染物对养殖生物的即时影响调整养殖环境参数，对养殖环境参数进行优化。
11、在一个优选的实施方式中，使用边缘节点完成光学数据、化学数据、电学数据、环境数据和生物数据的数据预处理。
12、在一个优选的实施方式中，从光学传感器获取水体的透光率、颜色的光学数据，从化学传感器获取水体的溶解氧含量、氨氮浓度、总磷含量的化学数据，从电学传感器获取水体的电导率、氧化还原电位的电学数据，从环境传感器获取水体的水流速度和水流方向的环境数据，从生物监测器获取鱼类的游动速度的生物数据。
13、在一个优选的实施方式中，通过卷积神经网络对光学数据进行光学特征提取的公式如下：
14、；
15、其中，表示第一卷积函数，表示归一化后的透光率测量值，为归一化后的rgb颜色通道值，表示光学特征。
16、通过循环神经网络对化学数据进行化学特征提取的公式如下：
17、；
18、；
19、；
20、；
21、；
22、其中，lstm表示长短期记忆网络，表示t时刻隐藏状态，、、分别表示输入门、遗忘门、输出门，、、分别表示标准化后的溶解氧含量、氨氮浓度、总磷含量，表示sigmoid激活函数，、、分别表示输入门、遗忘门、输出门化学数据权重矩阵，、、分别表示输入门、遗忘门、输出门隐藏状态权重矩阵，、、分别表示输入门、遗忘门、输出门偏置项，为第t时刻注意力权重系数，表示时间序列总步长，表示化学特征。
23、通过自编码器对电学数据进行电学特征提取的公式如下：
24、；
25、；
26、；
27、其中，表示双曲正切激活函数，表示修正线性单元激活函数，、分别表示标准化后的电导率、氧化还原电位，表示电学数据重构值，、分别为编码器第一、二层权重矩阵，、分别为解码器第一、二层权重矩阵，和为编码器第一、二偏置项，、分别为解码器第一、二偏置项，表示自编码器的均方误差重构损失。
28、通过卷积神经网络对生物数据进行生物特征提取的公式如下：
29、；
30、其中，表示第二卷积函数，表示标准化后的鱼类的游动速度，表示生物特征。
31、特征融合的计算公式如下：
32、；
33、其中表示融合特征，、、、分别表示光学特征、化学特征、电学特征、生物特征，表示拼接函数。
34、水体污染物浓度预测的计算公式如下：
35、；
36、其中，为输出第一权重矩阵，为输出第二权重矩阵，和为输出第一、二偏置项，表示s型函数，为预测的污染物浓度值。
37、在一个优选的实施方式中，扩散趋势预测的计算公式如下：
38、；
39、其中，表示污染物浓度场，表示流速矢量场，为扩散系数张量，为污染源项；
40、通过rnn学习参数：
41、；
42、；
43、其中，表示时空变化的扩散系数矩阵，表示污染源强度分布，为预测区域网格分辨率，、分别表示第一、二循环神经网络函数。
44、在一个优选的实施方式中，预测的水体污染物浓度值为氨氮浓度的值，单位为mg/l。
45、在一个优选的实施方式中，决策规则如下：
46、；
47、其中，为污染物安全浓度阈值，为归一化后的鱼类游动速度，impactlevel=0表示安全状态，1表示警告状态，2表示危险状态。
48、在一个优选的实施方式中，所述的水体污染物对养殖生物的即时影响具体包括：无影响、轻微影响、严重影响三个等级，分别对应决策规则中的安全状态、警告状态和危险状态。
49、在一个优选的实施方式中，对养殖环境参数进行优化包括：换水频率、增氧设备功率、饲料投放量的调整。
50、一种水体污染物浓度智能检测系统，其用于执行上述任一所述的一种水体污染物浓度智能检测方法。
51、本专利技术的有益效果在于：本专利技术通过边缘计算对数据的快速处理，并对水体污染物的扩散趋势进行预测，还结合了水生物的行为判断水体污染物扩散对水生物的影响从而调整养殖环境参数，实现水产养殖过程中精准的水质监测，优化养殖环境。
本文档来自技高网...【技术保护点】
1.一种水体污染物浓度智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水体污染物浓度智能检测方法，其特征在于，使用边缘节点完成光学数据、化学数据、电学数据、环境数据和生物数据的数据预处理。
3.根据权利要求2所述的一种水体污染物浓度智能检测方法，其特征在于，从光学传感器获取水体的透光率、颜色的光学数据，从化学传感器获取水体的溶解氧含量、氨氮浓度、总磷含量的化学数据，从电学传感器获取水体的电导率、氧化还原电位的电学数据，从环境传感器获取水体的水流速度和水流方向的环境数据，从生物监测器获取鱼类的游动速度的生物数据。
4.根据权利要求3所述的一种水体污染物浓度智能检测方法，其特征在于，通过卷积神经网络对光学数据进行光学特征提取的公式如下：
5.根据权利要求4所述的一种水体污染物浓度智能检测方法，其特征在于，扩散趋势预测的计算公式如下：
6.根据权利要求5所述的一种水体污染物浓度智能检测方法，其特征在于，预测的水体污染物浓度值为氨氮浓度的值，单位为mg/L。
7.根据权利要求6所述的一种水体污染
8.根据权利要求7所述的一种水体污染物浓度智能检测方法，其特征在于，所述的水体污染物对养殖生物的即时影响具体包括：无影响、轻微影响、严重影响三个等级，分别对应决策规则中的安全状态、警告状态和危险状态。
9.根据权利要求8所述的一种水体污染物浓度智能检测方法，其特征在于，对养殖环境参数进行优化包括：换水频率、增氧设备功率、饲料投放量的调整。
10.一种水体污染物浓度智能检测系统，其特征在于，其用于执行权利要求1-9任一所述的一种水体污染物浓度智能检测方法。
...【技术特征摘要】
1.一种水体污染物浓度智能检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种水体污染物浓度智能检测方法，其特征在于，使用边缘节点完成光学数据、化学数据、电学数据、环境数据和生物数据的数据预处理。
3.根据权利要求2所述的一种水体污染物浓度智能检测方法，其特征在于，从光学传感器获取水体的透光率、颜色的光学数据，从化学传感器获取水体的溶解氧含量、氨氮浓度、总磷含量的化学数据，从电学传感器获取水体的电导率、氧化还原电位的电学数据，从环境传感器获取水体的水流速度和水流方向的环境数据，从生物监测器获取鱼类的游动速度的生物数据。
4.根据权利要求3所述的一种水体污染物浓度智能检测方法，其特征在于，通过卷积神经网络对光学数据进行光学特征提取的公式如下：
5.根据权利要求4所述的一种水体污染物浓度智能检测方法，...
【专利技术属性】
技术研发人员：范自强，胡海平，范国涛，
申请(专利权)人：深圳市鸿海水族设备有限公司，
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。