基于人工智能模型的水质多参数检测方法、装置及产品与流程

本发明属于水质检测，具体涉及一种基于人工智能模型的水质多参数检测方法、装置及产品。

背景技术：

1、近年来，随着工业化进程的加快和人类活动的不断增加，水质污染问题日益突出，这就对水质监测和保护提出了更高的要求；其中，传统的水质监测主要依赖于化学分析技术，需要取样和实验室测试，存在周期长、成本高、操作复杂的问题，且需要使用化学试剂，容易引起二次污染；因此，急需一种快速、准确、实时和免试剂的水质检测方法，来完成水质的实时监测。

2、光谱技术作为一种无损、快速、实时的检测手段，已经被广泛应用于水质监测领域；其中，光谱法的水质检测原理为：通过测量水体中物质对光的吸收、发射或散射特性，来分析水质中的各种参数；而在实际使用过程中，紫外-可见光谱是一种常用的光谱检测方法，其在水质监测中具有较高的灵敏度和准确性，已得到了广泛的应用。

3、然而，传统的光谱法在水质检测中仍存在一些局限性，其存在以下不足：一种光谱传感器只能检测水质中的一种参数，而要实现水质中多参数的检测，则需要多种光谱传感器来分别检测，这不仅降低了检测效率，也增加了成本；同时，传统的光谱法的参数准确性还容易受到波长范围的限制；由此，基于前述不足，如何提供一种效率高且检测准确性高的水质多参数检测方法，已成为了一个亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种基于人工智能模型的水质多参数检测方法、装置及产品，用以解决现有技术所存在的效率低以及准确性低的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种基于人工智能模型的水质多参数检测方法，包括：

4、获取目标水样的全光谱图像中的m个光谱波段信息，其中，m为所述目标水样中的水质参数的种类数，且每个光谱波段信息分别对应一种水质参数；

5、获取多参数检测模型，其中，所述多参数检测模型包含有m个单参数反演模型，每个单参数反演模型分别用于检测一种水质参数，任一单参数反演模型是以若干样本水样的样本全光谱图像中的目标水质参数对应的样本光谱波段信息的特征数据为输入，各个样本水样的目标水质参数的检测值为输出而训练得到的，且所述目标水质参数为所述任一单参数反演模型用于检测的水质参数；

6、对所述全光谱图像中的各个光谱波段信息进行特征提取处理，以在特征提取处理后，得到各个光谱波段信息对应的特征数据；

7、将各个光谱波段信息对应的特征数据输入至所述多参数检测模型中进行水质参数检测处理，以在水质参数检测处理后，得到所述目标水样中各种水质参数的检测值，以便利用各种水质参数的检测值，得出所述目标水样的水质检测结果。

8、基于上述公开的内容，本发明预先构建有多参数检测模型，其中，该多参数检测模型中包含有要检测的各个水质参数对应的单参数反演模型，且任一单参数反演模型是利用若干样本水样的样本全光谱图像中，该任一单参数反演模型用于检测的水质参数所对应的样本光谱波段信息的特征数据来训练得到的，且模型输出为对应水质参数的检测值；如此，本发明则相当于构建出了包含有水样中各种水质参数对应的检测模型的模型集；基于此，在实际应用时，只需获取目标水样的全光谱图像中每个水质参数对应的光谱波段信息；然后，提取出每个光谱波段信息对应的特征数据；最后，将各个光谱波段信息对应的特征数据输入至前述多参数检测模型，即可利用多参数检测模型中不同的单参数反演模型，来实现目标水样中不同水质参数的浓度检测，从而得到目标水样的水质检测结果。

9、通过上述设计，本发明通过多参数检测模型，并结合水样的全光谱图像来进行水质参数检测；如此，使用一张全光谱图像就可实现水样中多种水质参数的同时检测，不仅实现了对水质综合状况的全面覆盖和多维度评估，还提高了检测效率，降低了检测成本；同时，本发明结合光谱技术的高灵敏度和广泛适用性，以及人工智能模型的强大学习和预测能力，来进行水质监测，相比于传统技术，能够提高对多种水质参数的检测的准确性；另外，本发明使用全光谱图像作为检测输入数据，其覆盖了所有波长范围，由此，避免了传统技术中容易受到波长范围限制的问题，从而进一步的提高了检测的准确性；基于此，本发明提高了一种高效、准确且实时的水质检测方法，非常适用于在水质检测领域的大规模应用于推广。

10、在一个可能的设计中，获取多参数检测模型，包括：

11、获取若干样本水样的样本全光谱图像；

12、对于任一样本全光谱图像，提取出所述任一样本全光谱图像中的m个样本光谱波段信息，其中，每个样本光谱波段信息分别对应一种水质参数；

13、对各个样本光谱波段信息进行特征提取处理，以得到各个样本光谱波段信息对应的特征数据，并在将所有样本全光谱图像轮询完毕后，得到所有样本全光谱图像中的各个样本光谱波段信息对应的特征数据；

14、基于m种水质参数，将所有样本全光谱图像中的各个样本光谱波段信息对应的特征数据进行划分处理，以在划分处理后，得到每种水质参数对应的特征集，其中，任一水质参数的特征集中包含有各个目标样本光谱波段信息对应的特征数据，且各个目标样本光谱波段信息为所述任一水质参数在各个样本全光谱图像中对应的样本光谱波段信息；

15、利用各个特征集，组成训练集；

16、为每种水质参数构建出对应的水质检测模型，并利用所述训练集训练各个水质检测模型，以在训练结束后，得到每种水质参数对应的单参数反演模型；

17、对各个单参数反演模型进行合并处理，以在合并处理后，得到所述多参数检测模型。

18、在一个可能的设计中，对各个样本光谱波段信息进行特征提取处理，以得到各个样本光谱波段信息对应的特征数据，包括：

19、对于任一样本光谱波段信息，提取出该任一样本光谱波段信息中的多个初始特征数据；

20、对多个初始特征数据进行特征筛选处理，以在特征筛选处理后，得到若干候选特征数据；

21、对若干候选特征数据进行特征构建处理，以在特征构建处理后，得到所述任一样本光谱波段信息对应的特征数据。

22、在一个可能的设计中，在提取出所述任一样本全光谱图像中的m个样本光谱波段信息前，所述方法还包括：

23、对所述任一样本全光谱图像进行滤波处理，得到滤波后的样本全光谱图像，以便对所述滤波后的样本全光谱图像进行光谱波段提取处理，得到所述任一样本全光谱图像中的m个样本光谱波段信息；

24、相应的，在对多个初始特征数据进行特征筛选处理前，所述方法还包括：

25、对多个初始特征数据进行特征扩展处理，得到扩展特征数据集，以便对所述扩展特征数据集进行特征筛选处理，以在特征筛选处理后，得到若干候选特征数据。

26、在一个可能的设计中，为每种水质参数构建出对应的水质检测模型，包括：

27、对于任一水质参数，构建出所述任一水质参数对应水质检测模型的模型搜索空间，其中，所述模型搜索空间中包括有所述任一水质参数对应水质检测模型的模型架构以及模型参数；

28、利用预设的搜索策略，在所述模型搜索空间内进行模型搜索处理，以在模型搜索处理后，得到所述任一水质参数对应水质检测模型的候选模型架构以及候选模型参数；

29、对所述候选模型架构和所述候选模型参数进行评估处理，并根据评估结果，反馈优化候选模型架构以及候选模型参数，以在反馈优化处理后，得到最优模型架构和最优模型参数；

30、利用所述最优模型架构和最优模型参数，构建出所述任一水质参数对应的水质检测模型。

31、在一个可能的设计中，利用所述训练集训练各个水质检测模型，以在训练结束后，得到每种水质参数对应的单参数反演模型，包括：

32、对于任一水质参数对应的水质检测模型，从所述训练集中筛选出所述任一水质参数对应的特征集；

33、将筛选出的特征集划分为训练子集和测试子集；

34、以所述训练子集中的各条训练数据为输入，各条训练数据对应样本水样的所述任一水质参数的检测值为输出，来训练所述任一水质参数对应的水质检测模型，以在训练完成后，得到训练后的水质检测模型；

35、将所述测试子集中的各条测试数据输入至所述训练后的水质检测模型，以得到所述测试子集中的每个测试数据对应的模型输出结果；

36、根据各个测试数据对应的标签数据和模型输出结果，计算出模型测试指标；

37、判断所述模型测试指标是否符合预设要求；

38、若否，则对所述训练后的水质检测模型进行优化训练，以在优化训练后，得到所述任一水质参数对应的单参数反演模型。

39、在一个可能的设计中，任一样本光谱波段信息对应的特征数据为多个，且所述多参数检测模型表示为：

40、

41、公式(1)中，表示所述多参数检测模型的输出矩阵，ym表示任一样本水样的第m种水质参数的检测值，表示所述多参数检测模型的输入矩阵，xn表示所述任一样本水样的各个样本光谱波段信息对应的第n个特征数据，modelmimo表示所述多参数检测模型；

42、其中，

43、公式(2)中，modelmiso-i表示第i个单参数反演模型，modelmiso-i.n表示第i个单参数反演模型中的第n个输入单元，i＝1,2,...,m。

44、第二方面，提供了一种基于人工智能模型的水质多参数检测装置，包括：

45、获取单元，用于获取目标水样的全光谱图像中的m个光谱波段信息，其中，m为所述目标水样中的水质参数的种类数，且每个光谱波段信息分别对应一种水质参数；

46、模型构建单元，用于获取多参数检测模型，其中，所述多参数检测模型包含有m个单参数反演模型，每个单参数反演模型分别用于检测一种水质参数，任一单参数反演模型是以若干样本水样的样本全光谱图像中的目标水质参数对应的样本光谱波段信息的特征数据为输入，各个样本水样的目标水质参数的检测值为输出而训练得到的，且所述目标水质参数为所述任一单参数反演模型用于检测的水质参数；

47、特征提取单元，用于对所述全光谱图像中的各个光谱波段信息进行特征提取处理，以在特征提取处理后，得到各个光谱波段信息对应的特征数据；

48、水质检测单元，用于将各个光谱波段信息对应的特征数据输入至所述多参数检测模型中进行水质参数检测处理，以在水质参数检测处理后，得到所述目标水样中各种水质参数的检测值，以便利用各种水质参数的检测值，得出所述目标水样的水质检测结果。

49、第三方面，提供了另一种基于人工智能模型的水质多参数检测装置，以装置为电子设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述基于人工智能模型的水质多参数检测方法。

50、第四方面，提供了一种存储介质，存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述基于人工智能模型的水质多参数检测方法。

51、第五方面，提供了一种包含指令的计算机程序产品，当指令在计算机上运行时，使计算机执行如第一方面或第一方面中任意一种可能设计的所述基于人工智能模型的水质多参数检测方法。

52、有益效果：

53、(1)本发明通过多参数检测模型，并结合水样的全光谱图像来进行水质参数检测；如此，使用一张全光谱图像就可实现水样中多种水质参数的同时检测，不仅实现了对水质综合状况的全面覆盖和多维度评估，还提高了检测效率，降低了检测成本；同时，本发明结合光谱技术的高灵敏度和广泛适用性，以及人工智能模型的强大学习和预测能力，来进行水质监测，相比于传统技术，能够提高对多种水质参数的检测的准确性；另外，本发明使用全光谱图像作为检测输入数据，其覆盖了所有波长范围，由此，避免了传统技术中容易受到波长范围限制的问题，从而进一步的提高了检测的准确性；基于此，本发明提高了一种高效、准确且实时的水质检测方法，非常适用于在水质检测领域的大规模应用于推广。

54、(2)实时性强；本发明结合了光谱技术的快速响应特性和人工智能模型的实时学习能力，实现了对水质参数的实时监测和及时预警，有助于快速发现和处理水质异常事件。

55、(3)成本低；与传统的化验方法相比，紫外-可见光谱结合人工智能模型的水质检测方法无需耗费大量的人力物力，具有较低的成本，适用于大规模水质监测和长期连续监测。

56、(4)智能优化能力强；人工智能模型具有自适应学习和优化能力，能够根据实时监测数据不断调整模型参数，如此，可在使用过程中，不断提高水质监测的准确性和稳定性，从而可降低误报率和漏报率。

57、(5)普适性强；由于紫外-可见光谱技术和人工智能模型具有较强的通用性和适用性，因此，本发明可以广泛应用于不同水体环境和水质监测需求，具有较高的普适性和可扩展性。

58、(6)免试剂；本发明无需化学试剂，不带来二次污染，能够做到真正环保。