CN115656239B - 一种基于机器学习的重金属快速检测方法及系统 - Google Patents
一种基于机器学习的重金属快速检测方法及系统 Download PDFInfo
- Publication number
- CN115656239B CN115656239B CN202211611934.XA CN202211611934A CN115656239B CN 115656239 B CN115656239 B CN 115656239B CN 202211611934 A CN202211611934 A CN 202211611934A CN 115656239 B CN115656239 B CN 115656239B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- data
- magnetic susceptibility
- susceptibility
- test
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于机器学习的重金属快速检测方法及系统,涉及数据处理领域,其中,所述方法包括:获得初测数据;通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;获得待测重金属类型;将初测数据、高低频磁化率、待测重金属类型输入SVM机器学习模型,基于待测重金属类型,对初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;获得输出结果,输出结果包括SVM‑磁测矫正数据、补充后重金属检测数据。解决了现有技术中针对土壤重金属含量的检测准确性不高、检测效率低的技术问题。达到了提高土壤重金属含量检测的准确性,提高土壤重金属含量检测的质量及效率等技术效果。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于机器学习的重金属快速检测方法及系统。
背景技术
重金属是影响生态环境质量的重要污染物,因其持久性、毒性和生物累积放大作用给生态系统和人类健康带来巨大威胁。多年以来,土壤重金属污染问题一直较为突出,重金属在环境中不能被土壤微生物所分解,而易于积累,并有可能转化为毒性更强的金属有机化合物,甚至有的通过食物链在人体内蓄积,严重危害人体健康。因此,如何快速、准确地对土壤重金属含量进行检测,受到人们的广泛关注。
现有技术中,存在针对土壤重金属含量的检测准确性不高、检测效率低的技术问题。
发明内容
本申请提供了一种基于机器学习的重金属快速检测方法及系统。解决了现有技术中针对土壤重金属含量的检测准确性不高、检测效率低的技术问题。
鉴于上述问题,本申请提供了一种基于机器学习的重金属快速检测方法及系统。
第一方面,本申请提供了一种基于机器学习的重金属快速检测方法,其中,所述方法应用于一种基于机器学习的重金属快速检测系统,所述方法包括:通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;获得待测重金属类型;将所述初测数据、所述高低频磁化率、所述待测重金属类型输入SVM机器学习模型,基于所述待测重金属类型,对所述初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;获得输出结果,所述输出结果包括SVM-磁测矫正数据、补充后重金属检测数据。
第二方面,本申请还提供了一种基于机器学习的重金属快速检测系统,其中,所述系统包括:重金属含量初测模块,所述重金属含量初测模块用于通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;磁化率测试模块,所述磁化率测试模块用于通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;待测类型获得模块,所述待测类型获得模块用于获得待测重金属类型;数据补充模块,所述数据补充模块用于将所述初测数据、所述高低频磁化率、所述待测重金属类型输入SVM机器学习模型,基于所述待测重金属类型,对所述初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;输出结果获得模块,所述输出结果获得模块用于获得输出结果,所述输出结果包括SVM-磁测矫正数据、补充后重金属检测数据。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;获得待测重金属类型;将初测数据、高低频磁化率、待测重金属类型输入SVM机器学习模型,基于待测重金属类型对初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据,从而获得输出结果。达到了实现对土壤重金属含量的高精度、低检测限的快速检测,提高土壤重金属含量检测的准确性、智能性,提高土壤重金属含量检测的质量及效率;同时,降低土壤重金属含量检测的成本,避免土壤重金属含量检测的资源浪费的技术效果。
附图说明
图1为本申请一种基于机器学习的重金属快速检测方法的流程示意图;
图2为本申请一种基于机器学习的重金属快速检测方法中获得高低频磁化率的流程示意图;
图3为本申请一种基于机器学习的重金属快速检测系统的结构示意图。
附图标记说明:重金属含量初测模块11,磁化率测试模块12,待测类型获得模块13,数据补充模块14,输出结果获得模块15。
具体实施方式
本申请通过提供一种基于机器学习的重金属快速检测方法及系统。解决了现有技术中针对土壤重金属含量的检测准确性不高、检测效率低的技术问题。达到了实现对土壤重金属含量的高精度、低检测限的快速检测,提高土壤重金属含量检测的准确性、智能性,提高土壤重金属含量检测的质量及效率;同时,降低土壤重金属含量检测的成本,避免土壤重金属含量检测的资源浪费的技术效果。
实施例一
请参阅附图1,本申请提供一种基于机器学习的重金属快速检测方法,其中,所述方法应用于一集XRF分析机和磁化率仪于一体化设备,且,所述方法应用于一种基于机器学习的重金属快速检测系统,所述方法具体包括如下步骤:
步骤S100:通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;
具体而言,基于土壤环境质量标准、森林土壤矿质全量分析方法等资料,利用XRF分析机对测试场地表层土壤中重金属含量进行检测,获得初测数据。其中,所述XRF分析机可以为现有技术中的便携式XRF分析仪。所述测试场地可以为采矿区、工业区、交通区、农业区、生活区等使用所述一种基于机器学习的重金属快速检测系统进行智能化重金属含量检测的任意区域。所述初测数据包括测试场地表层土壤中镉、汞、砷、铜、铅、铬、锌、镍、铁、钛、锰等金属元素的含量。达到了通过XRF分析机对测试场地表层土壤中重金属含量进行检测,获得可靠的初测数据,为后续对初测数据进行矫正提供数据支持的技术效果。
步骤S200:通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;
进一步的,如附图2所示,本申请步骤S200还包括:
步骤S210:获得测试场地环境参数信息;
步骤S220:获得历史磁化率仪误差记录数据,对所述历史磁化率仪误差记录数据进行干扰参数分析,确定干扰因子记录信息;
步骤S230:基于所述干扰因子记录信息对所述测试场地环境参数信息进行遍历,确定环境影响参数及其影响概率;
步骤S240:基于所述环境影响参数及其影响概率,确定解耦关系,利用所述解耦关系对高频、低频磁化率值进行抽离解耦,获得所述高低频磁化率。
具体而言,当前XRF分析机的精准性低、检出限不稳定,且普遍较高,XRF分析机对低污染环境中重金属检出率低,甚至无法对低污染环境中重金属进行检测。以往的研究和调查证实,磁化率是与重金属含量具有极强相关性的磁学参数,磁化率仪具有检测限极低、精密度高、灵敏度高、受外界干扰小等特点。优选地,本申请采用磁化率仪对测试现场表层土壤进行检测,获得高频、低频磁化率值。
进一步,对测试场地进行环境参数的采集,获得测试场地环境参数信息。进而,对磁化率仪进行历史误差信息查询,获得历史磁化率仪误差记录数据,并对历史磁化率仪误差记录数据进行干扰参数分析,确定干扰因子记录信息。继而,基于干扰因子记录信息,对测试场地环境参数信息进行匹配,获得环境影响参数、环境影响参数的影响概率,并将其设置为解耦关系,利用解耦关系对已获得的高频、低频磁化率值进行修正,获得高低频磁化率。其中,所述磁化率仪可以为现有技术中的便携式磁化率仪。所述高频、低频磁化率值包括测试现场表层土壤对应的磁化率参数。所述测试场地环境参数信息包括测试场地的温度、湿度、地磁场变化、降雨量等环境参数。所述历史磁化率仪误差记录数据包括一定历史时间内,磁化率仪的多个历史误差信息。所述干扰因子记录信息包括历史磁化率仪误差记录数据对应的环境温度、环境湿度、气流、电磁干扰等多个干扰因子,以及这多个干扰因子对磁化率仪造成的多个磁化率误差。所述环境影响参数包括测试场地环境参数信息中,与干扰因子记录信息对应的环境参数。所述环境影响参数的影响概率包括干扰因子记录信息中,与环境影响参数对应的多个干扰因子的多个磁化率误差。所述解耦关系包括环境影响参数及其影响概率。所述高低频磁化率包括按照解耦关系进行修正之后的高频、低频磁化率。达到了通过磁化率仪对测试现场表层土壤进行检测,获得高频、低频磁化率值,并根据解耦关系对高频、低频磁化率值进行抽离解耦,获得准确性、可靠的高低频磁化率,提高对土壤重金属含量检测的全面性、精确度的技术效果。
进一步的,本申请步骤S240之后,还包括:
步骤S250:获得磁化率仪的响应范围;
步骤S260:通过图像采集设备对测试场地进行图像采集,获得测试场地图像信息,对所述测试场地图像信息进行特征提取,确定场地土壤特征;
步骤S270:当所述场地土壤特征存在尺寸识别特征时,确定测试场地尺寸范围;
步骤S280:基于所述磁化率仪的响应范围对所述测试场地尺寸范围进行匹配,确定采集响应位置;
具体而言,对磁化率仪进行参数查询,获得磁化率仪的响应范围。进一步,利用图像采集设备对测试场地进行图像采集,获得测试场地图像信息,并对其进行特征提取,确定场地土壤特征。进而,对场地土壤特征是否存在尺寸识别特征进行判断,当场地土壤特征存在尺寸识别特征时,基于测试场地图像信息确定测试场地尺寸范围,并根据磁化率仪的响应范围对测试场地尺寸范围进行匹配,确定采集响应位置。其中,所述磁化率仪的响应范围包括磁化率仪的物质尺寸测量范围。所述测试场地图像信息包括测试场地对应的尺寸、形状等图像数据信息。所述场地土壤特征包括测试场地的土壤颗粒直径、土壤颗粒颜色、土壤颗粒形状等土壤特征数据信息。所述尺寸识别特征包括预先设置确定的土壤颗粒直径阈值等土壤尺寸特征数据信息。当场地土壤特征存在尺寸识别特征时,表明测试场地的土壤颗粒为大尺寸的颗粒,超出了磁化率仪的物质尺寸测量范围,获得的高频、低频磁化率值的准确性不足。所述测试场地尺寸范围包括测试场地的长度尺寸、宽度尺寸等尺寸参数信息。所述采集响应位置包括根据磁化率仪的响应范围对测试场地尺寸范围进行分割、匹配后,获得的磁化率仪的工作位置信息。达到了按照磁化率仪的响应范围对测试场地尺寸范围进行匹配,确定采集响应位置,为后续根据采集响应位置对测试场地进行检测奠定基础的技术效果。
步骤S290:根据所述采集响应位置对测试场地进行检测,并基于所述采集响应位置生成位置标签对检测高低频磁化率进行标记。
进一步的,本申请步骤S290还包括:
步骤S291:当所述采集响应位置位于测试场地尺寸范围中间时,基于标记确定范围分割点;
步骤S292:基于所述采集响应位置、范围分割点,获得位置关联检测数据;
步骤S293:对所述位置关联检测数据进行融合,获得高低频磁化率。
具体而言,按照采集响应位置对测试场地进行磁化率检测,获得检测高低频磁化率,并按照采集响应位置生成位置标签,基于位置标签对检测高低频磁化率进行标记,获得标记。进一步,对采集响应位置是否位于测试场地尺寸范围的中间进行判断,如果采集响应位置位于测试场地尺寸范围的中间,按照标记获得范围分割点,并根据采集响应位置、范围分割点对检测高低频磁化率进行匹配,获得位置关联检测数据。进而,按照位置关联检测数据对已获得的高频、低频磁化率值进行修正,并按照修正之后的高频、低频磁化率值进行抽离解耦,获得高低频磁化率。其中,所述检测高低频磁化率包括按照采集响应位置对测试场地进行磁化率检测,获得的测试场地的磁化率参数信息。所述位置标签包括采集响应位置对应的位置数据信息。所述标记包括位置标签与检测高低频磁化率之间的对应关系。所述范围分割点包括标记对应的测试场地的实际位置信息。所述位置关联检测数据包括检测高低频磁化率中,与采集响应位置、范围分割点对应的磁化率参数信息。达到了提高获得的高低频磁化率的准确性,从而提高土壤重金属含量检测的精确度的技术效果。
步骤S300:获得待测重金属类型;
具体而言,对待检测的重金属种类信息进行设置,获得待测重金属类型。其中,所述待测重金属类型包括铝、砷、镉、钴、铬、铜、铁、锰、镍、铅、钛、钒、锌等重金属种类信息。待测重金属类型可根据实际重金属含量检测的需要自适应设置确定。达到了明确待测重金属类型,从而提高土壤重金属含量检测的精准性的技术效果。
步骤S400:将所述初测数据、所述高低频磁化率、所述待测重金属类型输入SVM机器学习模型,基于所述待测重金属类型,对所述初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;
进一步的,本申请步骤S400还包括:
步骤S410:获得功能区表层土壤样本集,其中,包括重金属检测结果;
步骤S420:通过一体化设备对样本区进行检测,获得XRF测试数据、磁化率测试数据;
步骤S430:将所述重金属检测结果作为输出目标,将所述XRF测试数据、磁化率测试数据作为输入参数,通过支持向量机模型,构建所述SVM机器学习模型;
具体而言,对功能区表层土壤进行收集,获得功能区表层土壤样本集。进而,对功能区表层土壤样本集进行随机选择,获得样本区,并利用一体化设备对样本区进行检测,获得XRF测试数据、磁化率测试数据。进一步,基于支持向量机模型,将重金属检测结果作为输出目标,将XRF测试数据、磁化率测试数据作为输入参数,构建SVM机器学习模型。其中,所述功能区可以为采矿区、工业区、交通区、农业区、生活区。所述一体化设备为便携式XRF分析仪、便携式磁化率仪的一体化装置。所述功能区表层土壤样本集包括功能区的多个土壤样本,以及多个土壤样本对应的重金属检测结果。所述样本区包括功能区表层土壤样本集中随机的100份土壤样本。所述XRF测试数据包括样本区对应的镉、汞、砷、铜等金属元素的含量。所述磁化率测试数据包括样本区对应的磁化率参数信息。所述支持向量机模型为按照监督学习方式对数据进行二元分类的神经网络模型。所述SVM机器学习模型为将重金属检测结果作为输出目标,将XRF测试数据、磁化率测试数据作为输入参数的支持向量机模型。达到了通过支持向量机模型,构建SVM机器学习模型,为后续对SVM机器学习模型进行训练、验证夯实基础的技术效果。
步骤S440:基于所述功能区表层土壤样本集、XRF测试数据、磁化率测试数据,确定模型训练数据集、模型验证数据集,利用所述模型训练数据集、模型验证数据集对所述SVM机器学习模型进行训练、验证,获得最终的所述SVM机器学习模型。
进一步的,本申请步骤S440还包括:
步骤S441:通过预设支持向量机函数,构建模型结构;
步骤S442:将XRF测试数据及磁化率测试数据作为所述SVM机器学习模型的输入变量,通过交叉试验方法选取模型最佳核函数g值及惩罚因子c值。
进一步的,本申请步骤S442还包括:
步骤S4421:基于模型训练数据集,构建线性回归方程: ,其中,为非线性映射函数,ω为法向量,b为偏置量;
步骤S4422:基于所述线性回归方程,确定训练目标: ,其中,C (≥0)是惩罚系数, 为松弛变量;
步骤S4423:获得约束条件:; ;≥0, i=1, ..., l,其中,ε为不敏感损失函数(≥0),训练样本为 (xi,yi ),(i=1,…,l);
步骤S4424:对训练目标表达式最优化求解,引入拉格朗日乘子法,得到对偶优化表达: ,满足约束条件:,其中, 和 为拉格朗日乘子;
步骤S4425:输入样本为Xi,得到预测值为: 。
具体而言,基于预设支持向量机函数,构建模型结构。所述预设支持向量机函数为支持向量机中常用的径向核函数,即RBF核函数。所述模型结构为epsilon-SVR模型。进一步,基于功能区表层土壤样本集、XRF测试数据、磁化率测试数据,获得模型数据集。所述模型数据集包括功能区表层土壤样本集、XRF测试数据、磁化率测试数据。对模型数据集进行随机划分,获得模型训练数据集、模型验证数据集。进一步,基于模型训练数据集对SVM机器学习模型进行训练,基于模型验证数据集对SVM机器学习模型进行验证,获得最终的SVM机器学习模型。在对SVM机器学习模型进行训练、验证时,假定训练样本为 (xi,yi ),(i=1,…,l)。构建线性回归方程: ,其中,为非线性映射函数,ω为法向量,b为偏置量。训练目标为 ,其中,C (≥0)是惩罚系数,为松弛变量。满足约束条件: ; ;≥ 0, i=1, ..., l,其中,ε为不敏感损失函数(≥0)。为对训练目标进行最优化求解,引入拉格朗日乘子法,得到对偶优化表达: ,满足约束条件:,其中, 和 为拉格朗日乘子。在对偶优化表达中,输入样本为Xi,得到预测值为: 。
步骤S500:获得输出结果,所述输出结果包括SAM-磁测矫正数据、补充后重金属检测数据。
具体而言,将初测数据、高低频磁化率、待测重金属类型作为输入信息,输入SVM机器学习模型,基于待测重金属类型对初测数据进行矫正,获得SAM-磁测矫正数据,并通过高低频磁化率和SVM机器学习模型补充XRF分析机未检测到的重金属数据,获得补充后重金属检测数据,从而获得输出结果。其中,所述输出结果包括SAM-磁测矫正数据、补充后重金属检测数据。达到了通过SVM机器学习模型对初测数据进行准确而高效地矫正、补充,获得精确的输出结果,从而提高土壤重金属含量的检测质量的技术效果。
综上所述,本申请所提供的一种基于机器学习的重金属快速检测方法具有如下技术效果:
1.通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;获得待测重金属类型;将初测数据、高低频磁化率、待测重金属类型输入SVM机器学习模型,基于待测重金属类型对初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据,从而获得输出结果。达到了实现对土壤重金属含量的高精度、低检测限的快速检测,提高土壤重金属含量检测的准确性、智能性,提高土壤重金属含量检测的质量及效率;同时,降低土壤重金属含量检测的成本,避免土壤重金属含量检测的资源浪费的技术效果。
2.磁化率与重金属含量之间具有重要关联,磁化率可用于对重金属含量进行定性评价、定量评价,通过磁化率的介入,完善XRF的检测精度,同时,由于磁化率仪的高灵敏度,可通过磁化率的介入解决XRF的高检测限及低污染场地重金属无检出的问题。
3.支持向量机在非线性、小样本以及高维模式识别等问题上表现出较强的优势。通过支持向量机,构建SVM机器学习模型,进一步提高土壤重金属含量检测的精确度。
实施例二
基于与前述实施例中一种基于机器学习的重金属快速检测方法,同样发明构思,本发明还提供了一种基于机器学习的重金属快速检测系统,请参阅附图3,所述系统包括:
重金属含量初测模块11,所述重金属含量初测模块11用于通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;
磁化率测试模块12,所述磁化率测试模块12用于通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;
待测类型获得模块13,所述待测类型获得模块13用于获得待测重金属类型;
数据补充模块14,所述数据补充模块14用于将所述初测数据、所述高低频磁化率、所述待测重金属类型输入SVM机器学习模型,基于所述待测重金属类型,对所述初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;
输出结果获得模块15,所述输出结果获得模块15用于获得输出结果,所述输出结果包括SVM-磁测矫正数据、补充后重金属检测数据。
进一步的,所述系统还包括:
样本集获得模块,所述样本集获得模块用于获得功能区表层土壤样本集,其中,包括重金属检测结果;
样本区检测模块,所述样本区检测模块用于通过一体化设备对样本区进行检测,获得XRF测试数据、磁化率测试数据;
第一执行模块,所述第一执行模块用于将所述重金属检测结果作为输出目标,将所述XRF测试数据、磁化率测试数据作为输入参数,通过支持向量机模型,构建所述SVM机器学习模型;
训练验证模块,所述训练验证模块用于基于所述功能区表层土壤样本集、XRF测试数据、磁化率测试数据,确定模型训练数据集、模型验证数据集,利用所述模型训练数据集、模型验证数据集对所述SVM机器学习模型进行训练、验证,获得最终的所述SVM机器学习模型。
进一步的,所述系统还包括:
第二执行模块,所述第二执行模块用于通过预设支持向量机函数,构建模型结构;
第三执行模块,所述第三执行模块用于将XRF测试数据及磁化率测试数据作为所述SVM机器学习模型的输入变量,通过交叉试验方法选取模型最佳核函数g值及惩罚因子c值。
进一步的,所述系统还包括:
方程构建模块,所述方程构建模块用于基于模型训练数据集,构建线性回归方程:,其中,为非线性映射函数,ω为法向量,b为偏置量;
训练目标确定模块,所述训练目标确定模块用于基于所述线性回归方程,确定训练目标:,其中,C (≥0)是惩罚系数,为松弛变量;
约束条件获得模块,所述约束条件获得模块用于获得约束条件:;;≥ 0, i=1, ..., l,其中,ε为不敏感损失函数(≥0),训练样本为 (xi,yi ),(i=1,…,l);
对偶优化表达模块,所述对偶优化表达模块用于对训练目标表达式最优化求解,引入拉格朗日乘子法,得到对偶优化表达: ,满足约束条件:,其中, 和 为拉格朗日乘子;
第四执行模块,所述第四执行模块用于输入样本为Xi,得到预测值为:。
进一步的,所述系统还包括:
环境参数信息获得模块,所述环境参数信息获得模块用于获得测试场地环境参数信息;
干扰参数分析模块,所述干扰参数分析模块用于获得历史磁化率仪误差记录数据,对所述历史磁化率仪误差记录数据进行干扰参数分析,确定干扰因子记录信息;
影响参数确定模块,所述影响参数确定模块用于基于所述干扰因子记录信息对所述测试场地环境参数信息进行遍历,确定环境影响参数及其影响概率;
抽离解耦模块,所述抽离解耦模块用于基于所述环境影响参数及其影响概率,确定解耦关系,利用所述解耦关系对高频、低频磁化率值进行抽离解耦,获得所述高低频磁化率。
进一步的,所述系统还包括:
响应范围获得模块,所述响应范围获得模块用于获得磁化率仪的响应范围;
场地土壤特征确定模块,所述场地土壤特征确定模块用于通过图像采集设备对测试场地进行图像采集,获得测试场地图像信息,对所述测试场地图像信息进行特征提取,确定场地土壤特征;
测试场地尺寸范围确定模块,所述测试场地尺寸范围确定模块用于当所述场地土壤特征存在尺寸识别特征时,确定测试场地尺寸范围;
采集响应位置确定模块,所述采集响应位置确定模块用于基于所述磁化率仪的响应范围对所述测试场地尺寸范围进行匹配,确定采集响应位置;
标记模块,所述标记模块用于根据所述采集响应位置对测试场地进行检测,并基于所述采集响应位置生成位置标签对检测高低频磁化率进行标记。
进一步的,所述系统还包括:
范围分割点确定模块,所述范围分割点确定模块用于当所述采集响应位置位于测试场地尺寸范围中间时,基于标记确定范围分割点;
关联检测数据获得模块,所述关联检测数据获得模块用于基于所述采集响应位置、范围分割点,获得位置关联检测数据;
融合模块,所述融合模块用于对所述位置关联检测数据进行融合,获得高低频磁化率。
本申请提供了一种基于机器学习的重金属快速检测方法,其中,所述方法应用于一种基于机器学习的重金属快速检测系统,所述方法包括:通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;获得待测重金属类型;将初测数据、高低频磁化率、待测重金属类型输入SVM机器学习模型,基于待测重金属类型对初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据,从而获得输出结果。解决了现有技术中针对土壤重金属含量的检测准确性不高、检测效率低的技术问题。达到了实现对土壤重金属含量的高精度、低检测限的快速检测,提高土壤重金属含量检测的准确性、智能性,提高土壤重金属含量检测的质量及效率;同时,降低土壤重金属含量检测的成本,避免土壤重金属含量检测的资源浪费的技术效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本说明书和附图仅仅是本申请的示例性说明,如果本发明的修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于机器学习的重金属快速检测方法,其特征在于,所述方法应用于一集XRF分析机和磁化率仪于一体化设备,所述方法包括:
通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;
通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;
获得待测重金属类型;
将所述初测数据、所述高低频磁化率、所述待测重金属类型输入SVM机器学习模型,基于所述待测重金属类型,对所述初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;
获得输出结果,所述输出结果包括SVM-磁测矫正数据、补充后重金属检测数据;
其中,所述通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率,包括:
获得测试场地环境参数信息;
获得历史磁化率仪误差记录数据,对所述历史磁化率仪误差记录数据进行干扰参数分析,确定干扰因子记录信息;
基于所述干扰因子记录信息对所述测试场地环境参数信息进行遍历,确定环境影响参数及其影响概率;
基于所述环境影响参数及其影响概率,确定解耦关系,利用所述解耦关系对高频、低频磁化率值进行抽离解耦,获得所述高低频磁化率。
2.如权利要求1所述的方法,其特征在于,将所述初测数据、所述高低频磁化率输入SVM机器学习模型之前,包括:
获得功能区表层土壤样本集,其中,包括重金属检测结果;
通过一体化设备对样本区进行检测,获得XRF测试数据、磁化率测试数据;
将所述重金属检测结果作为输出目标,将所述XRF测试数据、磁化率测试数据作为输入参数,通过支持向量机模型,构建所述SVM机器学习模型;
基于所述功能区表层土壤样本集、XRF测试数据、磁化率测试数据,确定模型训练数据集、模型验证数据集,利用所述模型训练数据集、模型验证数据集对所述SVM机器学习模型进行训练、验证,获得最终的所述SVM机器学习模型。
3.如权利要求2所述的方法,其特征在于,获得最终的所述SVM机器学习模型,包括:
通过预设支持向量机函数,构建模型结构;
将XRF测试数据及磁化率测试数据作为所述SVM机器学习模型的输入变量,通过交叉试验方法选取模型最佳核函数g值及惩罚因子c值。
4.如权利要求3所述的方法,其特征在于,将XRF测试数据及磁化率测试数据作为所述SVM机器学习模型的输入变量,通过交叉试验方法选取模型最佳核函数g值及惩罚因子c值,包括:
基于模型训练数据集,构建线性回归方程:其中,(x)为非线性映射函数,ω为法向量,b为偏置量;
基于所述线性回归方程,确定训练目标:,其中,C (≥0)是惩罚系数, , 为松弛变量;
获得约束条件:;;, 0, i=1,..., l,其中,ε为不敏感损失函数(≥0),训练样本为 (xi,yi ),(i=1,…,l);
对训练目标表达式最优化求解,引入拉格朗日乘子法,得到对偶优化表达:,满足约束条件:,其中,和为拉格朗日乘子;
输入样本为Xi,得到预测值为:。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得磁化率仪的响应范围;
通过图像采集设备对测试场地进行图像采集,获得测试场地图像信息,对所述测试场地图像信息进行特征提取,确定场地土壤特征;
当所述场地土壤特征存在尺寸识别特征时,确定测试场地尺寸范围;
基于所述磁化率仪的响应范围对所述测试场地尺寸范围进行匹配,确定采集响应位置;
根据所述采集响应位置对测试场地进行检测,并基于所述采集响应位置生成位置标签对检测高低频磁化率进行标记。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
当所述采集响应位置位于测试场地尺寸范围中间时,基于标记确定范围分割点;
基于所述采集响应位置、范围分割点,获得位置关联检测数据;
对所述位置关联检测数据进行融合,获得高低频磁化率。
7.一种基于机器学习的重金属快速检测系统,其特征在于,用于实施权利要求1-6任意一项所述的方法,所述系统包括:
重金属含量初测模块,所述重金属含量初测模块用于通过XRF分析机测试场地表层土壤中重金属含量,获得初测数据;
磁化率测试模块,所述磁化率测试模块用于通过磁化率仪测试现场表层土壤的高频、低频磁化率值,获得高低频磁化率;
待测类型获得模块,所述待测类型获得模块用于获得待测重金属类型;
数据补充模块,所述数据补充模块用于将所述初测数据、所述高低频磁化率、所述待测重金属类型输入SVM机器学习模型,基于所述待测重金属类型,对所述初测数据进行矫正,并通过高低频磁化率和SVM机器学习模型补充XRF未检测到的重金属数据;
输出结果获得模块,所述输出结果获得模块用于获得输出结果,所述输出结果包括SVM-磁测矫正数据、补充后重金属检测数据;
其中,所述磁化率测试模块,包括:
环境参数信息获得模块,所述环境参数信息获得模块用于获得测试场地环境参数信息;
干扰参数分析模块,所述干扰参数分析模块用于获得历史磁化率仪误差记录数据,对所述历史磁化率仪误差记录数据进行干扰参数分析,确定干扰因子记录信息;
影响参数确定模块,所述影响参数确定模块用于基于所述干扰因子记录信息对所述测试场地环境参数信息进行遍历,确定环境影响参数及其影响概率;
抽离解耦模块,所述抽离解耦模块用于基于所述环境影响参数及其影响概率,确定解耦关系,利用所述解耦关系对高频、低频磁化率值进行抽离解耦,获得所述高低频磁化率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211611934.XA CN115656239B (zh) | 2022-12-15 | 2022-12-15 | 一种基于机器学习的重金属快速检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211611934.XA CN115656239B (zh) | 2022-12-15 | 2022-12-15 | 一种基于机器学习的重金属快速检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115656239A CN115656239A (zh) | 2023-01-31 |
CN115656239B true CN115656239B (zh) | 2023-04-07 |
Family
ID=85022335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211611934.XA Active CN115656239B (zh) | 2022-12-15 | 2022-12-15 | 一种基于机器学习的重金属快速检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656239B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117169191A (zh) * | 2023-08-31 | 2023-12-05 | 中国自然资源航空物探遥感中心 | 一种基于光谱磁学的土壤铅污染程度监测系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
CN108872531A (zh) * | 2018-05-09 | 2018-11-23 | 河北工业大学 | 一种用于土壤中重金属污染物的实时原位监测系统和方法 |
CN110018294B (zh) * | 2019-05-14 | 2020-03-31 | 北京农业信息技术研究中心 | 土壤重金属检测值校正方法、装置和计算机存储介质 |
-
2022
- 2022-12-15 CN CN202211611934.XA patent/CN115656239B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115656239A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biondi et al. | Validation of hydrological models: Conceptual basis, methodological approaches and a proposal for a code of practice | |
Canter et al. | Handbook of variables for environmental impact assessment | |
CN115656239B (zh) | 一种基于机器学习的重金属快速检测方法及系统 | |
CN104820873A (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
Fan et al. | A cluster analysis approach based on exploiting density peaks for gas discrimination with electronic noses in open environments | |
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 | |
CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
Ariza-Avidad et al. | Feasibility of the use of disposable optical tongue based on neural networks for heavy metal identification and determination | |
Xu et al. | Integrated sensor array optimization with statistical evaluation | |
CN113705570A (zh) | 一种基于深度学习的少样本目标检测方法 | |
CN104915563B (zh) | 基于金属定量构效关系的淡水慢性基准预测方法 | |
Choi et al. | Identification of odor emission sources in urban areas using machine learning-based classification models | |
Cuadros-Rodríguez et al. | Validation requirements of screening analytical methods based on scenario-specified applicability indicators | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN117171660B (zh) | 基于支持向量机的微生物修复状态监测方法及系统 | |
CN109784390A (zh) | 一种人工智能嗅觉动态响应图谱气体检测识别方法 | |
Yang et al. | A matched-profile method for simple and robust vapor recognition in electronic nose (E-nose) system | |
Kundu et al. | The e‐tongue‐based classification and authentication of mineral water samples using cross‐correlation‐based PCA and Sammon's nonlinear mapping | |
CN104458896A (zh) | 一种基于多重漏磁检测信号特征值的缺陷评价方法 | |
Cetin et al. | Key factors affecting the accuracy of reidentification of trucks over long distances based on axle measurement data | |
CN116912672A (zh) | 一种基于无人测量船的大型底栖无脊椎动物生物完整性评价方法 | |
CN104990874A (zh) | 金属材料的牌号鉴定方法及系统 | |
Al-Sammarraie et al. | Determine, predict and map soil ph level by fiber optic sensor | |
S Subramani et al. | Classification learning assisted biosensor data analysis for preemptive plant disease detection | |
CN114255458A (zh) | 一种巡检场景下指针仪表读数的识别方法与系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |