基于元学习的环境微塑料分类方法、设备、介质及产品

本申请涉及环境微塑料分类领域，特别是涉及一种基于元学习的环境微塑料分类方法、设备、介质及产品。

背景技术：

1、环境微塑料来源广泛，主要包括：塑料制品的加工和使用，人工制品的磨损和风化，化妆品、个人护理品和清洁剂中的微塑料颗粒，塑料垃圾的分解和降解等。这些微塑料在环境中不断累积，微塑料中的添加剂以及吸附在塑料表面的有害物质可以释放出来，对环境和人类健康造成潜在危害。不同种类的微塑料可能具有不同的化学成分和物理特性，因此对其进行种类判别分析有助于进一步研究其毒性和生态影响，同时，可以帮助监测和评估环境中微塑料的污染程度和分布情况。通过了解不同种类的微塑料在环境中的存在情况，可以更准确地了解其来源、迁移和风险特征，从而制定相应的环境保护和污染治理策略。构建一种可同时识别环境中多种微塑料的准确的判别分析方法是解决微塑料污染问题的重要一步。

2、元学习(meta learning)是一种机器学习方法，它专注于使模型能够在面对新任务时快速适应和改进自身性能。其核心思想是学习如何学习，通过在多个相关任务上进行训练，使模型能够学习到任务之间的共同特征或策略，从而提高其泛化能力和适应性可以在各种应用场景中实现更高的性能和效果。

技术实现思路

1、本申请的目的是提供一种基于元学习的环境微塑料分类方法、设备、介质及产品，以提高微塑料分类的准确性。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种基于元学习的环境微塑料分类方法，包括：

4、获取待分类环境微塑料样品的红外光谱信息；

5、对所述红外光谱信息进行预处理，得到处理后的红外光谱信息；所述预处理包括异常光谱剔除、降噪、基线校正和归一化处理；

6、基于所述处理后的红外光谱信息，利用环境微塑料分类模型，确定所述待分类环境微塑料样品的类别和置信度；其中，所述环境微塑料分类模型是基于训练数据集利用元学习方法对深度神经网络模型进行训练得到的；所述训练数据集包括训练用环境微塑料样本的红外光谱信息和对应的类别。

7、可选地，基于训练数据集利用元学习方法对深度神经网络模型进行训练，具体包括：

8、获取训练数据集；

9、对所述训练用环境微塑料样本的红外光谱信息进行预处理，得到所述训练用环境微塑料样本的处理后的红外光谱信息；

10、以所述训练用环境微塑料样本的处理后的红外光谱信息为输入，以训练用环境微塑料样本对应的类别为输出，利用元学习方法对所述深度神经网络模型进行训练，得到环境微塑料分类模型。

11、可选地，对红外光谱信息进行预处理，得到处理后的红外光谱信息，具体包括：

12、利用3σ原则剔除红外光谱信息中的异常光谱，得到剔除异常光谱后的红外光谱信息；

13、采用savitzky-golay五点平滑法对剔除异常光谱后的红外光谱信息进行降噪处理，得到降噪后的红外光谱信息；

14、采用小波变换法对降噪后的红外光谱信息进行基线校正，得到校正后的红外光谱信息；

15、对校正后的红外光谱信息进行归一化处理，得到处理后的红外光谱信息。

16、可选地，所述深度神经网络模型包括输入层、多个隐藏层和softmax层；所述输入层分别与多个所述隐藏层连接；多个所述隐藏层均与所述softmax层连接。

17、可选地，获取待分类环境微塑料样品的红外光谱信息，具体包括：

18、利用傅里叶红外光谱仪测定所述待分类环境微塑料样品的红外光谱信息。

19、第二方面，本申请提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述中任一项所述的基于元学习的环境微塑料分类方法。

20、第三方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的基于元学习的环境微塑料分类方法。

21、第四方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述中任一项所述的基于元学习的环境微塑料分类方法。

22、根据本申请提供的具体实施例，本申请公开了以下技术效果：

23、本申请提供了一种基于元学习的环境微塑料分类方法、设备、介质及产品，获取待分类环境微塑料样品的红外光谱信息；对红外光谱信息进行预处理，得到处理后的红外光谱信息；基于处理后的红外光谱信息，利用环境微塑料分类模型，确定待分类环境微塑料样品的类别和置信度；其中，环境微塑料分类模型是基于训练数据集利用元学习方法对深度神经网络模型进行训练得到的；训练数据集包括训练用环境微塑料样本的红外光谱信息和对应的类别。本申请中，通过元学习方法对深度神经网络模型进行训练，得到的环境微塑料分类模型能够准确对环境微塑料进行分类。

技术特征：

1.一种基于元学习的环境微塑料分类方法，其特征在于，包括：

2.根据权利要求1所述的基于元学习的环境微塑料分类方法，其特征在于，基于训练数据集利用元学习方法对深度神经网络模型进行训练，具体包括：

3.根据权利要求1或者2所述的基于元学习的环境微塑料分类方法，其特征在于，对红外光谱信息进行预处理，得到处理后的红外光谱信息，具体包括：

4.根据权利要求1所述的基于元学习的环境微塑料分类方法，其特征在于，所述深度神经网络模型包括输入层、多个隐藏层和softmax层；所述输入层分别与多个所述隐藏层连接；多个所述隐藏层均与所述softmax层连接。

5.根据权利要求1所述的基于元学习的环境微塑料分类方法，其特征在于，获取待分类环境微塑料样品的红外光谱信息，具体包括：

6.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述的基于元学习的环境微塑料分类方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的基于元学习的环境微塑料分类方法。

8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的基于元学习的环境微塑料分类方法。

技术总结本申请公开了一种基于元学习的环境微塑料分类方法、设备、介质及产品，涉及环境微塑料分类领域。该方法包括：获取待分类环境微塑料样品的红外光谱信息；对红外光谱信息进行预处理，得到处理后的红外光谱信息；基于处理后的红外光谱信息，利用环境微塑料分类模型，确定待分类环境微塑料样品的类别和置信度；其中，环境微塑料分类模型是基于训练数据集利用元学习方法对深度神经网络模型进行训练得到的；训练数据集包括训练用环境微塑料样本的红外光谱信息和对应的类别。本申请中，通过元学习方法对深度神经网络模型进行训练，得到的环境微塑料分类模型能够准确对环境微塑料进行分类。技术研发人员：李芳,徐笠,刘东生,陆安祥,王彦锟,付海龙,刘珊珊受保护的技术使用者：北京市农林科学院技术研发日：技术公布日：2024/11/14