CN113360846A - 获取空气菌落群数的在线式检测方法、介质及其电子设备 - Google Patents
获取空气菌落群数的在线式检测方法、介质及其电子设备 Download PDFInfo
- Publication number
- CN113360846A CN113360846A CN202110609374.3A CN202110609374A CN113360846A CN 113360846 A CN113360846 A CN 113360846A CN 202110609374 A CN202110609374 A CN 202110609374A CN 113360846 A CN113360846 A CN 113360846A
- Authority
- CN
- China
- Prior art keywords
- colony
- group number
- environment
- environmental
- colony group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
Abstract
本申请涉及环境检测技术领域,特别涉及一种获取空气菌落群数的在线式检测方法、介质及其电子设备。本申请的获取空气菌落群数的在线式检测方法包括:电子设备在线获取除菌落群数外的环境参数;基于获取的环境参数以及对应的标准测试方法获取的菌落群数数值,对环境参数以及对应的菌落群数进行回归分析,创建环境参数‑菌落群数回归模型;根据实时获取的环境参数,可以实时输出基于该模型的菌落群数。根据本申请的方法可以实现实时检测各种环境类型下的空气中的菌落群数,极大地缩短检测菌落群数的时间,降低检测菌落群数的复杂度,并通过机器学习方法进一步优化环境参数‑菌落群数回归模型,从而实现电子设备对菌落群数检测的高效率和精准度。
Description
技术领域
本申请涉及环境检测技术领域,特别涉及一种获取空气菌落群数的在线式检测方法、介质及其电子设备。
背景技术
近年来,中国环境空气质量在逐步改善,人们越来越注重空气尤其是室内空气的质量。目前现有的传感技术中无法直接测量得到空气中的菌落群数(colony formingunits,CFU)。 cfu/mL指的是每毫升样品中含有的细菌群落总数。为达到防疫需要,满足人们对空气质量的测量需求,亟需一种方法能够实时的检测空气中菌落群数。
现有技术中,可以通过荧光试剂法、蛋白质跌落法、气相色谱法等方法检测空气中的菌落的数量,但是这些方法对测试环境要求过高,并且测试时间较长,无法实现对空气中菌落群数的实时检测。
发明内容
本申请实施例提供了一种获取空气菌落群数的在线式检测方法、介质及其电子设备。
第一方面,本申请实施例提供了一种获取空气菌落群数的在线式检测方法,包括:电子设备在线获取除菌落群数外的环境空气参数;基于获取的环境参数以及对应的菌落群数菌落群数标准测试,对环境参数以及对应的菌落群数进行回归分析,创建环境参数-菌落群数回归模型;其中,环境参数-菌落群数回归模型用于根据实时获取的环境参数,实时输出与环境参数对应的菌落群数。
可以理解,根据本申请的方法可以实现实时检测各种环境类型下的空气中的菌落群数,极大地缩短检测菌落群数的时间,降低检测菌落群数的复杂度。另一方面,通过机器学习方法优化菌落群数模型,通过网络平台实现更新菌落群数的算优化法,从而实现提高菌落检测效率和精准性。
可以理解,通过采用机器学习算法对环境参数-菌落群数回归模型进行优化,使得优化后的环境参数-菌落群数回归模型可以应用的测试环境更广泛,检测出的菌落群数更准确。例如,在一些实施例中,将环境参数-菌落群数回归模型的输入数据(即:获得的多个环境下的多组环境参数)以及环境参数-菌落群数回归模型的输出数据(即:与环境参数对应的菌落群数)输入机器学习算法,对机器学习算法进行训练。当机器学习算法训练完成之后,使得用户在不同环境类型下有测量菌落群数的需求时,通过测量不同环境类型下的环境参数,即可通过前述环境参数-菌落群数回归模型得到与相应环境参数对应的菌落群数,进一步地,再通过前述机器学习算法对前述环境参数-菌落群数回归模型进行优化,可以更加准确地评测相应环境下的菌落群数。
在上述第一方面的一种可能的实现中,上述获取空气菌落群数的在线式检测方法还包括:机器学习算法包括以下算法的至少一种:决策树算法、朴素贝叶斯分类算法、最小二乘法算法、逻辑回归算法、支持向量机算法、聚类算法、奇异值分解算法。
在上述第一方面的一种可能的实现中,上述获取空气菌落群数的在线式检测方法还包括:更新扩展电子设备获取的环境参数以及对应的菌落群数,并将环境参数以及对应的菌落群数保存在数据库中;电子设备基于数据库中保存的环境参数以及对应的菌落群数,对环境参数以及对应的菌落群数进行回归分析,创建优化的环境参数-菌落群数回归模型。
在上述第一方面的一种可能的实现中,上述获取空气菌落群数的在线式检测方法还包括:环境参数包括以下参数的至少一种:温度,湿度,颗粒物,CO2,气压,光照,TVOC,HCHO,O3,负离子,CO,NH3。
在上述第一方面的一种可能的实现中,上述获取空气菌落群数的在线式检测方法还包括:环境参数-菌落群数回归模型为多变量线性回归模型,其中,菌落群数量y(τ)与环境参数xi(τ)的回归模型通过公式1表示:
y(τ)=α1*x1(τ)+α2*x2(τ)+α3*x3(τ)+…+αi*xi(τ)+β (1)
其中,y(τ)为菌落群数量;i为环境参数的数量;i的取值为大于零的正整数;β为干扰系数;x1(τ)、x2(τ)、x3(τ)、…、xi(τ)为环境参数;α1、α2、…、αi分别为环境参数x1(τ)、x2(τ)、 x3(τ)、…、xi(τ)的系数。
在上述第一方面的一种可能的实现中,上述获取空气菌落群数的在线式检测方法还包括:电子设备获取环境参数以及对应的菌落群数包括:使用菌落测试仪器采集环境中的菌落样本,通过获取空气菌落群数的在线式检测方法测得菌落样本的菌落群数,电子设备获取菌落样本的菌落群数。其中,菌落检测方法包括以下方法的至少一种:荧光试剂法、蛋白质跌落法、气相色谱法、电位分析法、高效液相色谱法。
在上述第一方面的一种可能的实现中,上述菌落检测方法还包括:多种环境类型包括室内环境类型、密闭环境类型、半密闭环境类型,其中,室内环境包括:医院病房的室内环境、学校教室的室内环境、超市室内环境、公交车内环境、隧道环境中的至少一种。
第二方面,本申请实施例提供了一种机器可读介质,机器可读介质上存储有指令,该指令在机器上执行时使机器执行用于执行第一方面可能的各实现中的获取空气菌落群数的在线式检测方法。
第三方面,本申请实施例提供了一种电子设备,包括:
存储器,用于存储由电子设备的一个或多个处理器执行的指令,以及
处理器,是电子设备的处理器之一,用于执行第一方面可能的各实现中的获取空气菌落群数的在线式检测方法。
附图说明
图1根据本申请的一些实施例,示出了一种电子设备的结构示意图;
图2根据本申请的一些实施例,示出了一种电子设备的架构示意图;
图3根据本申请的一些实施例,示出了一种获取空气菌落群数的在线式检测方法的流程图;
图4根据本申请一些实施例,示出了一种片上系统(System on Chip,SoC)的框图。
具体实施方式
本申请的说明性实施例包括但不限于获取空气菌落群数的在线式检测方法、介质及其电子设备。
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
目前的传感技术不能直接测得空气中的菌落群数,要想获得菌落群数,需要使用特定的菌落测试仪器,而菌落测试仪器的操作过程较为复杂,且需要操作人员具有相关的操作技能,不能满足广大普通用户在各种场景下对于快速、便捷地获取到环境中的菌落群数的需求。为了解决上述技术问题,本申请提供了一种获取空气菌落群数的在线式检测方法,电子设备通过获取在多个环境下的多组环境参数和菌落群数,电子设备基于获得的环境参数和菌落群数创建环境参数-菌落群数回归模型,使得用户在不同环境下有测量菌落群数的需求时,只需要测量不同环境下的环境参数,即可通过创建的环境参数-菌落群数回归模型得到与相应环境参数对应的菌落群数。
进一步地,本申请的技术方案还可以采用机器学习算法对环境参数-菌落群数回归模型进行优化,使得优化后的环境参数-菌落群数回归模型可以应用的测试环境更广泛,检测出的菌落群数更准确。例如,在一些实例中,将环境参数-菌落群数回归模型的输入数据(即:获得的多个环境下的多组环境参数)以及环境参数-菌落群数回归模型的输出数据(即:与环境参数对应的菌落群数)输入机器学习算法,对机器学习算法进行训练。当机器学习算法训练完成之后,使得用户在不同环境类型下有测量菌落群数的需求时,通过测量不同环境类型下的环境参数,即可通过环境参数-菌落群数回归模型得到与相应环境参数对应的菌落群数,进一步地,再通过前述机器学习算法对前述环境参数-菌落群数回归模型进行优化,可以更加准确地评测相应环境下的菌落群数。
可以理解,本申请的菌落检测的方法,可以实现实时检测各种环境类型下的空气中的菌落群数。特别地,对于各种环境中的菌落群数,可以极大地缩短检测菌落群数的时间,降低检测菌落群数的复杂度,提高菌落检测效率。在一些实施例中,可以根据本申请的方法实时检测出的室内环境中的菌落群数可以及时判断室内环境是否需要消毒,控制室内环境的菌落群数,进而实现及时辅助室内环境预警、应急等防疫处理。下面将结合附图对本申请的实施例作进一步地详细描述。
图1根据本申请的一些实施例示出了一种电子设备的结构示意图。如图2所示,该电子设备100包括处理模块300、n个检测模块。其中,n个检测模块包括检测模块200-1、检测模块200-2,……检测模块200-n。
图1中的检测模块200-1至检测模块200-n用于检测环境参数,其中,环境参数包括但不限于温度、湿度、颗粒物、CO2、气压、光照、TVOC、HCHO、O3、负离子、等离子、CO、 NH3等。下面以检测模块200-1检测环境参数为例进行说明。
在本申请的实施例中,检测模块200-1包括温度传感器、湿度传感器、颗粒物传感器、 CO2传感器、气压传感器、光传感器、TVOC传感器、HCHO传感器、O3传感器、负离子传感器、CO传感器、NH3传感器等多个传感器,检测模块200-1通过多个传感器分别检测多个环境参数,并将检测到的多个环境参数发送给处理模块300。可以理解,检测模块200-1 包含的传感器的类别和数量可以根据待检测的菌落的类型进行规划,本申请对此不做限制。
例如,检测模块200-1通过温度传感器、湿度传感器、颗粒物传感器、CO2传感器、气压传感器、光传感器、TVOC传感器、HCHO传感器、O3传感器、负离子传感器、CO传感器、 NH3传感器等分别检测到温度,湿度,颗粒物,CO2,气压,光照,TVOC,HCHO,O3,负离子, CO,NH3等环境参数,并将该环境参数发送给处理模块300。
在本申请的实施例中,处理模块300包括存储器,处理器等。其中,处理模块300用于保存多个时刻时环境参数的测试数据以及对应的菌落的数量(即菌落群数),处理模块300还用于创建并优化环境参数-菌落群数回归模型,然后再将实时测得的环境参数输入到环境参数-菌落群数回归模型,输出菌落的数量,实现实时监测环境中的菌落群数。
图1中n个检测模块与处理模块300可以通过一种或多种网络进行通信连接。其中,该网络可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(Wireless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本申请实施例对此不做限制。
可以理解,图1所示的电子设备的结构示意图只是实现本申请实施例的结构示意图的示例,本申请实施例并不限于图1所示的结构示意图。在另一些实施例中,图1所示的结构示意图可以包括比图示实施例更多或更少的设备或部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。
图2根据本申请的实施例示出了一种电子设备100的装置示意图。如图2所示,该装置20包括模型建立单元21、模型优化单元22、菌落检测单元23。
下面具体描述电子设备100的装置20的各部分。
模型建立单元21:用于根据获取的环境参数以及对应的菌落群数的测量数据,对环境参数以及菌落群数进行回归分析,获得回归数据曲线,根据回归数据曲线,创建环境参数 -菌落群数回归模型。其中,环境参数-菌落群数回归模型可以是多变量线性回归模型,菌落群数y(τ)与环境参数xi(τ)的回归模型可以通过下文的公式1表示。可以理解,用于创建环境参数-菌落群数回归模型的环境参数以及对应的菌落群数的测量数据可以是实时获取的数据,也可以是保存在数据库中的数据,本申请对此不作限定。
模型优化单元22:用于根据获取的多种环境类型下的环境参数的以及对应的菌落的测量数据,利用机器学习算法对环境参数-菌落群数回归模型进行优化。使得优化后的环境参数-菌落群数回归模型可以应用的测试环境更广泛,检测出的菌落群数更准确。其中,机器学习算法可以是以下算法的至少一种:决策树算法、朴素贝叶斯分类算法、最小二乘法算法、逻辑回归算法、支持向量机算法、聚类算法、奇异值分解算法等。可以理解,用于优化环境参数-菌落群数回归模型的多种环境类型下的环境参数以及对应的菌落群数的测量数据可以是实时获取的数据,也可以是保存在数据库中的数据,本申请对此不作限定。
菌落检测单元23:用于根据实时获取的环境参数的测量数据,通过被移植到电子设备 100的处理模块300中的优化后的环境参数-菌落群数回归模型,确定出对应环境参数的菌落。因此,可以实现实时检测室内环境中的菌落群数,极大地缩短了检测菌落群数的时间,提高菌落检测效率。
图3根据本申请的一些实例,示出了一种获取空气菌落群数的在线式检测方法的流程图。下面结合图1至3,对本申请提供的获取空气菌落群数的在线式检测方法进行详细介绍。如图3所示,具体地,包括:
步骤301:电子设备100获取环境参数的测量数据,并将测量数据保存在数据库中。
在本申请的一些实施例中,环境参数具体包括温度,湿度,颗粒物,CO2,气压,光照, TVOC,HCHO,O3,负离子,CO,NH3等。其中,检测模块200-1至检测模块200-n用于检测多个环境参数。例如,在实验室的室内环境下设置至少一个检测模块,该检测模块用于测量多个时刻的环境参数。下面以检测模块200-1测量实验室的室内环境下多个时刻的环境参数为例进行说明。
例如,表1为每隔两个小时检测模块200-1测量的实验室室内环境下的环境参数的测量数据。其中,环境参数包括温度,湿度,颗粒物,CO2,气压,光照,TVOC,HCHO,O3,负离子,CO,NH3等,表1中的环境参数在此不做一一列举。检测模块200-1可以测量多个时刻的环境参数的数值,表1中对多个时刻的测量数据在此不做一一列举。
如表1所示,检测模块200-1在2021年3月9日8:00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是26、50、30等;检测模块200-1在2021年3月9日10: 00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是26、70、35等;检测模块 200-1在2021年3月9日12:00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是23、55、20等;检测模块200-1在2021年3月9日14:00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是25、63、40等。
表1
时间 | 温度(℃) | 湿度(%) | 颗粒物(μg/m<sup>3</sup>) | …… |
2021年3月9日8:00 | 26 | 50 | 30 | / |
2021年3月9日10:00 | 26 | 70 | 35 | / |
2021年3月9日12:00 | 23 | 55 | 20 | / |
2021年3月9日14:00 | 25 | 63 | 40 | / |
…… | / | / | / | / |
可以理解,表1中在实验室的室内环境下不同时刻的环境参数的测量数据可以是检测模块200-1测得的数据;也可以是检测模块200-1,检测模块200-2测得数据的平均值。本申请对任一环境下检测模块的数量不做限定。
在本申请的一些实施例中,在实验室的室内环境下,检测模块200-1测得的多个时刻的环境参数的测量数据发送给处理模块300,处理模块300将环境参数测量数据保存在数据库中。可以理解的是,用于下文建立模型的环境参数的测量数据可以是实时获取的数据,也可以是保存在数据库中数据,本申请对此不作限定。
步骤302:电子设备100获取菌落群数的标准化测量数据,将该测量数据保存在数据库中,其中,菌落的标准化测量数据通过菌落测试仪器测得。
在本申请的一些实施例中,使用菌落测试仪器采集环境中的菌落样本,通过菌落检测方法测得菌落样本的菌落的数量(即菌落群数),将测得的菌落群数保存在数据库中。其中,该菌落检测方法可以是以下方法的至少一种:荧光试剂法、蛋白质跌落法、气相色谱法、电位分析法、高效液相色谱法等。
例如,表2为每隔两个小时检测的实验室室内环境下的菌落群数,其中,表2的测量数据与表1的测量数据的环境为同一个实验环境。如表2所示,在2021年3月9日8:00 测得的环境参数“温度”、“湿度”、“颗粒物”等分别是26、50、30等,对应的菌落群数为A;在2021年3月9日10:00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是26、70、35等,对应的菌落群数为B;在2021年3月9日12:00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是23、55、20等,对应的菌落群数为C;在 2021年3月9日14:00测得的环境参数“温度”、“湿度”、“颗粒物”等分别是25、63、40等,对应的菌落群数为D。
表2
在本申请的一些实施例中,可以在实验室的室内环境下,使用菌落测试仪器采集环境的菌落样本,通过菌落检测方法测得菌落样本的菌落群数,将测得的菌落群数保存在数据库中。可以理解的是,用于下文的建立模型的菌落群数的测量数据可以是实时获取的数据,也可以是保存在数据库中的数据,本申请对此不作限定。
可以理解,图2的获取空气菌落群数的在线式检测方法的流程图是按照步骤301和步骤302的顺序执行,在本申请的其他实施例中步骤301和步骤302的执行顺序还可以是其他顺序,例如先执行步骤302再执行步骤301,具体执行顺序本申请不做限定。
步骤303:电子设备100基于数据库中的环境参数以及对应菌落群数的测量数据,创建环境参数-菌落群数回归模型。
在本申请的一些实施例中,空气中环境参数及其浓度,可以影响菌落生长的适宜性。例如环境参数温度、湿度、颗粒物CO2、气压、光照、TVOC、HCHO、O3、负离子、CO、NH3等的含量或者数值对菌落的数量有直接影响。因此,建立环境参数-菌落群数回归模型有利于实时检测环境中的菌落群数量。
在本申请的一些实施例中,由步骤301和步骤302可知,数据库中保存了大量的在实验室的室内环境下的环境参数以及对应菌落群数的测量数据。根据数据库中保存的环境参数以及对应菌落群数的测量数据,对环境参数以及对应菌落群数的测量数据进行回归分析,获得回归数据曲线,根据回归数据曲线,创建环境参数-菌落群数回归模型。
在本申请的一些实施例中,环境参数-菌落群数回归模型可以为多变量线性回归模型,菌落群数y(τ)与环境参数xi(τ)的回归模型可以通过公式1表示:
y(τ)=α1*x1(τ)+α2*x2(τ)+α3*x3(τ)+…+αi*xi(τ)+β (1)
其中,y(τ)为菌落的数量;i为环境参数的数量;i的取值为大于0的正整数;α1、α2、…、αi分别为环境参数x1(τ)、x2(τ)、*x3(τ)、…、xi(τ)的系数;β为干扰系数;x1(τ)、x2(τ)、*x3(τ)、…、xi(τ)为环境参数,具体地,例如,x1(τ)可以是环境参数“温度”,x2(τ)可以是环境参数“湿度”,x3(τ)可以是环境参数“颗粒物”,…,xi(τ)可以是环境参数“等离子”。
可以理解,用于创建环境参数-菌落群数回归模型的环境参数以及对应的菌落群数的测量数据不仅限于保存在数据库中数据;也可以是实时获取的数据,具体的创建环境参数 -菌落群数回归模型与基于数据库中测量数据创建环境参数-菌落群数回归模型的方法相同,在此不做赘述。
步骤304:电子设备100植入环境参数-菌落群数回归模型算法,实现菌落群数实时检测功能。
在本申请的实施例中,电子设备100植入环境参数-菌落群数回归模型算法,实现菌落群数实时检测功能。具体地,电子设备100基于获取的环境参数的测量数据,通过被移植到电子设备100的处理模块300中的环境参数-菌落群数回归模型,确定出对应环境参数的菌落群数。具体地,检测模块可以实时获取室内环境下的环境参数的测量数据,将实时测得室内环境下的环境参数的测量数据输入到优化后的环境参数-菌落群数回归模型,输出室内环境下对应环境参数的的菌落群数。
步骤305:电子设备100基于多种环境类型下的环境参数以及菌落群数的新增测量数据,实现数据库扩展更新,采用机器学习算法对环境参数-菌落群数回归模型进行优化。
在本申请的一些实施例中,电子设备100可以实时获取多种环境类型下的环境参数以及对应菌落群数的测量数据,将环境参数以及对应菌落群数的测量数据保存在数据库中,使得数据库中的测量数据更丰富。基于数据库中保存的多种环境类型下的环境参数以及对应的菌落群数的测量数据,采用机器学习算法优化步骤303中创建的环境参数-菌落群数回归模型。各种环境类型下的环境参数以及菌落群数的测量数据可以是室内环境下的环境参数以及菌落群数的测量数据,也可以是室外环境下的环境参数以及菌落群数的测量数据。其中,室内环境类型包括但不限于:医院病房的室内环境,学校教室的室内环境,超市室内环境,公交车内环境、隧道环境中等。例如,在一些实施例中,电子设备100可以获取医院病房的环境下的环境参数的测量数据以及对应的菌落的数量。在一些实施例中,电子设备100还可以获取学校教室的环境下的环境参数的测量数据以及对应的菌落的数量。在一些实施例中,电子设备100还可以获取超市室内环境下的环境参数以及对应菌落的数的测量数据,等等。其中,每种环境下可以设置至少一个检测模块用于测量环境参数。可以理解,环境类型的数量越多,电子设备100获得的不同环境类型下的测试数据越多,进而使得优化后的环境参数-菌落群数回归模型中的系数可以适用于多种环境类型。在实际的应用中,环境参数-菌落群数回归模型可以应用的测试环境更广泛,检测出的菌落群数也更准确。
本申请用于优化环境参数-菌落群数回归模型的机器学习算法遵循样本到新场景中实例确定,具有因果关联。根据已知中间模型的类型和步骤不同,划分为多种。“可扩展性”、“泛化性能”在数学系统的同态映射为函数的值域可拓延性范围。
在本申请的一些实施例中,用于优化环境参数-菌落群数回归模型的机器学习算法可以是以下算法的至少一种:决策树算法、朴素贝叶斯分类算法、最小二乘法算法、逻辑回归算法、支持向量机算法、聚类算法、奇异值分解算法等。
在本申请的其他一些实施例中,用于优化环境参数-菌落群数回归模型的机器学习算法还可以是人工网络神经(Artificial neural network,ANN)方法族、概率描述方法族、决策树方法族、一般映射方法族、近邻查询方法族、组合模型方法族等。通过以上述及的方法模型,得到扩展的环境参数与菌落群数映射关系的优化算法。
可以理解,用于优化环境参数-菌落群数回归模型的多种环境类型下的环境参数以及对应的菌落群数的测量数据可以是保存在数据库中测量数据;也可以是实时获取的测量数据,其中,采用实时获取的测量数据优化参数-菌落群数回归模型与采用数据库中测量数据优化参数-菌落群数回归模型的方法相同,在此不做赘述。
步骤306:电子设备100通过云端通讯方式植入环境参数-菌落群数优化的模型算法,实现更新优化模型算法下的菌落群数实时检测功能。
在现有的技术方案中,环境中菌落群数需要基于样本采集仪器,并通过标准的测试方法才能测得,同时在测试过程中对实验测试环境要求过高,测试时间较长。在本申请的技术方案中,电子设备100通过云端通讯方式植入环境参数-菌落群数优化的模型算法,实现更新优化模型算法下的菌落群数实时检测功能。电子设备100基于获取的环境参数的测量数据,通过被移植到电子设备100的处理模块300中的优化后的环境参数-菌落群数回归模型,确定出对应环境参数的菌落群数。具体地,检测模块可以实时获取室内环境下的环境参数的测量数据,将实时测得室内环境下的环境参数的测量数据输入到优化后的环境参数-菌落群数回归模型,输出室内环境下对应环境参数的的菌落群数,因此,可以实现实时检测室内环境中的菌落群数,极大地缩短了检测菌落群数的时间,提高菌落检测效率。可以理解,根据实时检测出的室内环境中的菌落群数判断室内环境是否需要消毒,控制室内环境的菌落群数,进而实现及时辅助室内环境应急等防疫处理。
根据本申请的实施例,图4示出了一种SoC(System on Chip,片上系统)400的框图,其中,该SoC 400用在电子设备100上。在图4中,相似的部件具有同样的附图标记。另外,虚线框是更先进的SoC的可选特征。在图4中,SoC 400包括:互连单元450,其被耦合至应用处理器410;系统代理单元470;总线控制器单元480;集成存储器控制器单元440;一组或一个或多个协处理器420,其可包括集成图形逻辑、图像处理器、音频处理器和视频处理器;静态随机存取存储器(SRAM)单元430;直接存储器存取(DMA)单元 460。在一个实施例中,协处理器420包括专用处理器,诸如例如网络或通信处理器、压缩引擎、GPU、高吞吐量MIC处理器、或嵌入式处理器等等。
本申请公开的机制的各实施例可以被实现在硬件、软件、固件或这些实现方法的组合中。本申请的实施例可实现为在可编程系统上执行的计算机程序或程序代码,该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。
可将程序代码应用于输入指令,以执行本申请描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本申请的目的,处理系统包括具有诸如例如数字信号处理器(DSP)、微控制器、专用集成电路(ASIC)或微处理器之类的处理器的任何系统。
程序代码可以用高级程序化语言或面向对象的编程语言来实现,以便与处理系统通信。在需要时,也可用汇编语言或机器语言来实现程序代码。事实上,本申请中描述的机制不限于任何特定编程语言的范围。在任一情形下,该语言可以是编译语言或解释语言。
在一些情况下,所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如,计算机可读)存储介质承载或存储在其上的指令,其可以由一个或多个处理器读取和执行。例如,指令可以通过网络或通过其他计算机可读介质分发。因此,机器可读介质可以包括用于以机器(例如,计算机)可读的形式存储或传输信息的任何机制,包括但不限于,软盘、光盘、光碟、只读存储器(CD-ROMs)、磁光盘、只读存储器(ROM)、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息,例如,载波、红外信号数字信号等)的有形的机器可读存储器。因此,机器可读介质包括适合于以机器(例如,计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
在附图中,可以以特定布置和/或顺序示出一些结构或方法特征。然而,应该理解,可能不需要这样的特定布置和/或排序。而是,在一些实施例中,这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外,在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征,并且在一些实施例中,可以不包括这些特征或者可以与其他特征组合。
需要说明的是,本申请各设备实施例中提到的各单元/模块都是逻辑单元/模块,在物理上,一个逻辑单元/模块可以是一个物理单元/模块,也可以是一个物理单元/模块的一部分,还可以以多个物理单元/模块的组合实现,这些逻辑单元/模块本身的物理实现方式并不是最重要的,这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外,为了突出本申请的创新部分,本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入,这并不表明上述设备实施例并不存在其它的单元/模块。
需要说明的是,在本专利的示例和说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然通过参照本申请的某些优选实施例,已经对本申请进行了图示和描述,但本领域的普通技术人员应该明白,可以在形式上和细节上对其作各种改变,而不偏离本申请的精神和范围。
Claims (10)
1.一种获取空气菌落群数的在线式检测方法,其特征在于:
电子设备在线获取除菌落群数外的环境参数,同时使用标准测试方法获取菌落群数;
基于获取的所述环境参数以及对应的所述菌落群数,对所述环境参数以及对应的所述菌落群数进行回归分析,创建环境参数-菌落群数回归模型;其中,所述环境参数-菌落群数回归模型用于根据实时获取的所述环境参数,实时输出与环境参数对应的菌落群数。
2.根据权利要求1所述的方法,其特征在于,还包括:
所述电子设备基于多种环境类型下的所述环境参数以及对应的标准方法获得菌落群数,采用机器学习算法对所述环境参数-菌落群数回归模型进行优化。
3.根据权利要求2所述的方法,其特征在于,所述机器学习算法包括以下算法的至少一种:决策树算法、朴素贝叶斯分类算法、最小二乘法算法、逻辑回归算法、支持向量机算法、聚类算法、奇异值分解算法。
4.根据权利要求1至3中任一项所述的方法,更新扩展所述电子设备获取的所述环境参数以及对应的所述菌落群数,并将所述环境参数以及对应的所述菌落群数保存在数据库中;
所述电子设备基于数据库中保存的所述环境参数以及对应的所述菌落群数,对所述环境参数以及对应的所述菌落群数进行回归分析,创建所述优化的环境参数-菌落群数回归模型。
5.根据权利要求4所述的方法,其特征在于,所述环境参数包括以下参数的至少一种:温度,湿度,颗粒物,CO2,气压,光照,TVOC,HCHO,O3,负离子,CO,NH3。
6.根据权利要求5所述的方法,其特征在于,所述环境参数-菌落群数回归模型为多变量线性回归模型,其中,所述菌落群数量y(τ)与所述环境参数xi(τ)的回归模型通过公式1表示:
y(τ)=α1*x1(τ)+α2*x2(τ)+α3*x3(τ)+…+αi*xi(τ)+β (1)
其中,y(τ)为所述菌落群数量;i为所述环境参数的数量;i的取值为大于零的正整数;β为干扰系数;x1(τ)、x2(τ)、x3(τ)、…、xi(τ)为环境参数;α1、α2、…、αi分别为所述环境参数x1(τ)、x2(τ)、x3(τ)、…、xi(τ)的系数。
7.根据权利要求1所述的方法,其特征在于,所述标准测试方法获取菌落群数包括:
使用标准菌落测试仪器采集环境中的菌落样本,通过菌落检测方法测得菌落样本的所述菌落群数,所述电子设备获取菌落样本的所述菌落群数;
其中,所述菌落检测方法包括以下方法的至少一种:荧光试剂法、蛋白质跌落法、气相色谱法、电位分析法、高效液相色谱法。
8.根据权利要求2所述的方法,其特征在于,所述多种环境类型包括室内环境类型、密闭环境类型、半密闭环境类型,
其中,所述室内环境包括医院病房的室内环境、学校教室的室内环境、超市室内环境以及公交车内、隧道环境中的至少一种。
9.一种机器可读介质,其特征在于,所述机器可读介质上存储有指令,该指令在机器上执行时使机器执行权利要求1至8中任一项所述的获取空气菌落群数的在线式检测方法。
10.一种电子设备,包括:
存储器,用于存储由电子设备的一个或多个处理器执行的指令,以及
处理器,是电子设备的处理器之一,用于执行权利要求1至8中任一项所述获取空气菌落群数的在线式检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609374.3A CN113360846A (zh) | 2021-06-01 | 2021-06-01 | 获取空气菌落群数的在线式检测方法、介质及其电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110609374.3A CN113360846A (zh) | 2021-06-01 | 2021-06-01 | 获取空气菌落群数的在线式检测方法、介质及其电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360846A true CN113360846A (zh) | 2021-09-07 |
Family
ID=77530884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110609374.3A Pending CN113360846A (zh) | 2021-06-01 | 2021-06-01 | 获取空气菌落群数的在线式检测方法、介质及其电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360846A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033989A (zh) * | 2006-03-10 | 2007-09-12 | 罗瑞真 | 环境监测装置及方法 |
JP2007298469A (ja) * | 2006-05-02 | 2007-11-15 | Yusei Kenkyu Kikinkai | 空気中のガス状汚染物の監視方法 |
CN110444254A (zh) * | 2019-07-08 | 2019-11-12 | 深圳先进技术研究院 | 一种菌群标记物的检测方法、检测系统及终端 |
CN112734186A (zh) * | 2020-12-30 | 2021-04-30 | 中南大学 | 列车车厢空气微生物污染实时评估方法、系统及存储介质 |
-
2021
- 2021-06-01 CN CN202110609374.3A patent/CN113360846A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033989A (zh) * | 2006-03-10 | 2007-09-12 | 罗瑞真 | 环境监测装置及方法 |
JP2007298469A (ja) * | 2006-05-02 | 2007-11-15 | Yusei Kenkyu Kikinkai | 空気中のガス状汚染物の監視方法 |
CN110444254A (zh) * | 2019-07-08 | 2019-11-12 | 深圳先进技术研究院 | 一种菌群标记物的检测方法、检测系统及终端 |
CN112734186A (zh) * | 2020-12-30 | 2021-04-30 | 中南大学 | 列车车厢空气微生物污染实时评估方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
申李琰;萨仁娜;牛晋国;刘文革;李惠龙;杨文超;: "层叠式立体笼养肉鸡舍秋冬季节环境参数研究", 中国畜牧兽医, no. 05 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Indoor occupancy estimation from carbon dioxide concentration | |
CN111443165B (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
Liang et al. | Study on interference suppression algorithms for electronic noses: A review | |
CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
Calderon | Motion blur filtering: A statistical approach for extracting confinement forces and diffusivity from a single blurred trajectory | |
US20210003461A1 (en) | Sensor calibration | |
CN111912937B (zh) | 一种室内突发污染物智能实时溯源方法及系统 | |
CN115809427B (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
CN111948273B (zh) | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 | |
CN112702408A (zh) | 基于多感知功能的物联网系统及方法 | |
CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
CN115712981A (zh) | 基于受体和化学传输模型解析细颗粒物来源的方法及系统 | |
Maag et al. | Enhancing multi-hop sensor calibration with uncertainty estimates | |
CN112326882B (zh) | 空气质量传感器处理方法和装置 | |
CN113360846A (zh) | 获取空气菌落群数的在线式检测方法、介质及其电子设备 | |
CN110277139B (zh) | 一种基于互联网的微生物限度检查系统及方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN112580741B (zh) | 一种基于多传感器快速学习的气体种类识别方法及系统 | |
CN115618190A (zh) | 基于传感器数据的环境颗粒物浓度估计方法、系统及终端 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN112816000A (zh) | 绿色建筑群室内外风环境质量的综合指数评价方法及系统 | |
CN116759014B (zh) | 基于随机森林的气体种类及浓度预测方法、系统及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |