[发明专利]一种基于卷积神经网络的水源污染物检测系统及方法

权利要求书

1.一种基于卷积神经网络的水源污染物检测系统，其特征在于，包括容器，所述容器的底部连通有两个分别设置有第一阀门和第二阀门的分支管道，在两个所述分支管道中分别填充有第一吸附材料和第二吸附材料，可调速循环泵通过管道来同所述容器和两个所述分支管道连通。

2.根据权利要求1所述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一阀门和第二阀门的数量均为若干个。

3.根据权利要求1所述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述基于卷积神经网络的水源污染物检测系统，还包括光谱仪，所述光谱仪与上位机连接；所述光谱仪通过光纤来对第一吸附材料和第二吸附材料采集光谱信息。

4.根据权利要求1所述的基于卷积神经网络的水源污染物检测系统，其特征在于，所述第一吸附材料和第二吸附材料旁的分支管道上还设置有用于填充吸附材料的再生接口。

5.一种基于卷积神经网络的水源污染物检测方法，其特征在于，包括：

步骤1：富集材料与饮用水源中持久性有毒污染物间吸附行为的确定：

通过设定的富集装置，分别对富集材料、富集温度以及最佳富集条件进行优化和选择，确定适用于饮用水源中各类持久性有毒污染物富集的最佳富集材料和吸附条件；

步骤2：基于红外光谱的持久性有毒污染物定量分析模型的建立：

通过采用合理的数据预处理方法和变量筛选方法，建立强吸附材料背景下弱红外响应信号的信息提取方法；分析基于特征近红外信息的线性和非线性校正方法；分析多模型算法在增强红外光谱模型构建中的应用和改进，建立饮用水源的持久性有毒污染物定量分析方法。

6.根据权利要求5所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述富集材料与饮用水源中持久性有毒污染物间吸附行为的确定包括：

通过吸附实验，结合常规化学分析法，获得关于不同富集材料、不同颗粒度、不同流速、不同pH值、不同吸附时间的持久性有毒污染物的红外光谱数据；对获得的光谱信号进行分析，研究不同吸附条件下红外光谱间的差异，确定各类持久性有毒污染物的最佳富集材料和吸附条件。

7.根据权利要求5所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述基于红外光谱的持久性有毒污染物定量分析模型的建立包括：对所述系统采集的污染物的红外光谱采用不同的光谱预处理方法、光谱建模变量筛选方法以及建模算法，确定最佳模型参数，建立具有自学习功能的、具有稳健性的污染物的定量分析模型。

8.根据权利要求5所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述建立具有自学习功能的、具有稳健性的污染物的定量分析模型的方式，包括：

步骤2-1：构建卷积神经网络结构，所述卷积神经网络结构包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层；

步骤2-2：训练卷积神经网络；

步骤2-3：利用卷积神经网络对水源污染物成分含量进行识别。

9.根据权利要求8所述的一种基于卷积神经网络的水源污染物检测方法，其特征在于，所述训练卷积神经网络的具体过程包括：

步骤2-2-1：输入光谱信号；

步骤2-2-2：从光谱信号中分割出疑似污染物成分含量；

步骤2-2-3：将光谱信号与步骤2-2-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；

步骤2-2-4：对步骤2-2-3中得到的每个训练样本设定标签，记为“污染物”和“非污染物”；

步骤:2-2-5将步骤2-2-3得到训练样本与步骤2-2-4设定的标签一起输入到构建的卷积神经网络中进行训练，得到训练后的网络模型；

所述利用卷积神经网络对水源污染物成分含量进行识别，其具体过程包括：

步骤2-3-1：输入光谱信号；

步骤2-3-2：从光谱信号中分割出疑似污染物成分含量；

步骤2-3-3：将光谱信号与步骤2-3-2得到的污染物成分含量进行与操作，得到疑似污染物成分含量；

步骤2-3-4：将步骤2-3-5中得到的识别样本输入到步骤2-2-5中得到的训练后的网络模型中，进行水源污染物成分含量识别，获得水源污染物成分含量的识别结果。

所述步骤2-1中的输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层分别包括：

输入层用于将输入的光谱信号数据进行归一化；

卷积层C1用于对输入的光谱信号数据卷积，进行特征提取，卷积核取11*11，步长取4；

池化层S2用于对卷积层C1卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2；

卷积层C3用于对池化层S2降维后的光谱信号数据卷积，进行特征提取，卷积核取5*5，步长取2；

池化层S4用于对卷积层C3卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取2；

卷积层C5用于对池化层S4降维后的光谱信号数据卷积，进行特征提取，卷积核取3*3，步长取1；

池化层S6用于对卷积层C5卷积后的光谱信号进行降维处理，采用自适应的池化方法进行特征提取，矩形区域取3*3，步长取1；

全连接层F7用于设置1024个神经元，连接池化层S6输出的所有特征，设置ReLU函数为激活函数；

全连接层F8用于设置512个神经元，与全连接层F7的神经元全连接，设置ReLU函数为激活函数；

输出层用于设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类；

所述采用自适应的池化方法进行特征提取的具体步骤包括：

步骤A-1：根据公式计算均值池化的池化因子ω₁，F_ij为特征图谱在位置(i,j)处的像素值，sum为池化域中所有像素之和，e为自然对数的底，θ为校正误差；

步骤A-2：根据公式计算最大值池化的池化因子ω₂；其中，max为池化域中的最大值，mean为池化域中除去最大像素后剩余像素的均值；

步骤A-3：根据公式计算池化区域的大小；其中，i为横坐标；j为纵坐标；s为池化方式的步长；

步骤A-4：按照步骤一中池化层S2、池化层S4和池化层S6设计的池化步长，重复步骤A-3，直至计算完所有池化区域。