CN115728290A - 一种土壤中铬元素的检测方法、系统、设备及存储介质 - Google Patents
一种土壤中铬元素的检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115728290A CN115728290A CN202211429386.9A CN202211429386A CN115728290A CN 115728290 A CN115728290 A CN 115728290A CN 202211429386 A CN202211429386 A CN 202211429386A CN 115728290 A CN115728290 A CN 115728290A
- Authority
- CN
- China
- Prior art keywords
- chromium
- training
- soil
- spectrum
- target
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种土壤中铬元素的检测方法、系统、设备及存储介质,涉及土壤元素检测技术领域,所述方法包括:将第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;根据第一目标权重变换光谱,确定第一待检测土壤的第一目标铬位置谱线强度;将第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;根据第二目标权重变换光谱,确定第二待检测土壤的第二目标铬位置谱线强度。将第一目标铬位置谱线强度和第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到铬含量最终预测值,实现了两种土壤铬含量的同时检测,提高了铬含量检测的准确性。
Description
技术领域
本发明涉及土壤元素检测技术领域,特别是涉及一种土壤中铬元素的检测方法、系统、设备及存储介质。
背景技术
铬(Chromium,Cr)元素是人类必须的微量元素,但是当摄入过量时,Cr容易进入人体细胞,对肝、肾等内脏器官和DNA造成损伤,同时会在人体内积累,增加相关细胞基因突变的几率和癌变风险。目前对土壤中Cr含量的检测方法主要有:原子吸收光谱法、电感耦合等离子体原子发射光谱法、电感耦合等离子体质谱法等。虽然这些方法精度较高,但是繁琐的前处理过程和较长的检测周期不能满足市场的快速检测需求,且往往具有滞后性。因此,探索开发一种能够快速检测土壤Cr的方法有着十分重要的意义。
激光诱导击穿光谱(LaserInduced Breakdown Spectroscopy,LIBS)技术是一种原子光谱技术,具有前处理简单,快速微损,远程检测等特点。重金属CrLIBS测量原理是激光烧蚀样本产生等离子体,通过光谱仪采集等离子体中的光谱信号,Cr相关谱线强度随样本中Cr浓度的升高而增大,因此可建立Cr的LIBS谱线强度与土壤样本中Cr浓度的关系模型,实现土壤Cr的快速定量检测。但是利用LIBS光谱预测土壤Cr时,传统机器学习方法检测土壤Cr含量的准确性低,且无法实现对两种不同类型的土壤中的Cr含量的检测。
发明内容
本发明的目的是提供一种土壤中铬元素的检测方法、系统、设备及存储介质,提高了土壤Cr含量的准确性,且可以同时检测两种不同类型的土壤中的Cr含量。
为实现上述目的,本发明提供了如下方案:
一种土壤中铬元素的检测方法,所述方法包括:
获取第一目标LIBS光谱和第二目标LIBS光谱;所述第一目标LIBS光谱为第一待检测土壤的LIBS光谱,所述第二目标LIBS光谱为第二待检测土壤的LIBS光谱;所述第一待检测土壤与所述第二待检测土壤的类型不同;
将所述第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;所述第一铬参数检测模型通过利用第一训练数据对第一线性加权网络进行训练得到,所述第一线性加权网络包括:依次连接的输入光谱层、权重变换光谱层、五次全连接层和加权输出层;所述第一训练数据为第一训练土壤的第一训练LIBS光谱和第一训练铬含量真实值;
根据所述第一目标权重变换光谱,确定所述第一待检测土壤的第一目标铬位置谱线强度;
将所述第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;所述第二铬参数检测模型通过利用第二训练数据对第一线性加权网络进行训练得到;所述第二训练数据为第二训练土壤的第二训练LIBS光谱和第二训练铬含量真实值;
根据所述第二目标权重变换光谱,确定所述第二待检测土壤的第二目标铬位置谱线强度;
将所述第一目标铬位置谱线强度和所述第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到第一铬含量最终预测值和第二铬含量最终预测值;所述混合土壤铬元素检测模型通过利用第三训练数据对第二线性加权网络进行训练得到,所述第二线性加权网络包括:依次连接的输入光谱层、五次全连接层和加权输出层;所述第三训练数据包括:第一训练铬位置谱线强度、第二训练铬位置谱线强度、所述第一训练铬含量真实值和所述第二训练铬含量真实值。
可选地,所述第一铬参数检测模型的训练过程包括:
获取所述第一训练数据;
以所述第一训练LIBS光谱为输入,以所述第一训练铬含量预测值为输出,以所述第一训练铬含量预测值与所述第一训练铬含量真实值的差小于第一预设值为目标,对所述第一线性加权网络进行训练,得到所述第一铬参数检测模型。
可选地,所述第二铬参数检测模型的训练过程包括:
获取所述第二训练数据;
以所述第二训练LIBS光谱为输入,以所述第二训练铬含量预测值为输出,以所述第二训练铬含量预测值与所述第二训练铬含量真实值的差小于第二预设值为目标,对所述第一线性加权网络进行训练,得到所述第二铬参数检测模型。
可选地,所述混合土壤铬元素检测模型的训练过程包括;
将所述第一训练LIBS光谱输入至所述第一铬参数检测模型中,得到第一训练权重变换光谱,并根据所述第一训练权重变换光谱,确定所述第一训练土壤的第一训练铬位置谱线强度;
将所述第二训练LIBS光谱输入至所述第二铬参数检测模型中,得到第二训练权重变换光谱,并根据所述第二训练权重变换光谱,确定所述第二训练土壤的第二训练铬位置谱线强度;
以所述第一训练铬位置谱线强度和所述第二训练铬位置谱线强度为输入,以所述第一训练铬含量真实值和所述第二训练铬含量真实值为输出,对所述第二线性加权网络进行训练,得到所述混合土壤铬元素检测模型。
一种土壤中铬元素的检测系统,所述系统包括:
目标LIBS光谱获取模块,用于获取第一目标LIBS光谱和第二目标LIBS光谱;所述第一目标LIBS光谱为第一待检测土壤的LIBS光谱,所述第二目标LIBS光谱为第二待检测土壤的LIBS光谱;所述第一待检测土壤与所述第二待检测土壤的类型不同;
第一参数确定模块,用于将所述第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;所述第一铬参数检测模型通过利用第一训练数据对第一线性加权网络进行训练得到,所述第一线性加权网络包括:依次连接的输入光谱层、权重变换光谱层、五次全连接层和加权输出层;所述第一训练数据为第一训练土壤的第一训练LIBS光谱和第一训练铬含量真实值;
第一目标铬位置谱线强度确定模块,用于根据所述第一目标权重变换光谱,确定所述第一待检测土壤的第一目标铬位置谱线强度;
第二参数确定模块,用于将所述第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;所述第二铬参数检测模型通过利用第二训练数据对第一线性加权网络进行训练得到;所述第二训练数据为第二训练土壤的第二训练LIBS光谱和第二训练铬含量真实值;
第二目标铬位置谱线强度确定模块,用于根据所述第二目标权重变换光谱,确定所述第二待检测土壤的第二目标铬位置谱线强度;
最终预测值确定模块,用于将所述第一目标铬位置谱线强度和所述第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到第一铬含量最终预测值和第二铬含量最终预测值;所述混合土壤铬元素检测模型通过利用第三训练数据对第二线性加权网络进行训练得到,所述第二线性加权网络包括:依次连接的输入光谱层、五次全连接层和加权输出层;所述第三训练数据包括:第一训练铬位置谱线强度、第二训练铬位置谱线强度、所述第一训练铬含量真实值和所述第二训练铬含量真实值。
一种设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述所述的方法。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述所述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种土壤中铬元素的检测方法、系统、设备及存储介质,首先利用线性加权网络分别构建两种土壤的铬参数检测模型,得到相应的铬含量初始预测值和目标权重变换光谱,然后根据目标权重变换光谱确定铬位置谱线强度,最后将铬位置谱线强度输入至基于去掉权重变换光谱层后的线性加权网络构建的混合土壤铬元素检测模型中,得到两种土壤的铬含量预测值。与传统机器学习方法检测土壤Cr含量的方式相比,不仅实现了两种不同类型的土壤中的Cr含量的同时检测,将两种土壤的铬参数检测模型输出的铬位置谱线强度作为混合土壤铬元素检测模型的输入,还提高了土壤中的Cr含量检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的土壤中铬元素的检测方法流程示意图;
图2为线性加权网络(LWNet)的结构示意图;
图3为黄棕壤的权重变换光谱层输出的权重变换光谱图;
图4为赤红壤的权重变换光谱层输出的权重变换光谱图;
图5为AMER-LWNet的构建流程图;
图6为本发明实施例3提供的土壤中铬元素的检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种土壤中铬元素的检测方法、系统、设备及存储介质,旨在提高土壤Cr含量的准确性,且可以同时检测两种不同类型的土壤中的Cr含量,可应用于土壤元素检测技术领域。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的土壤中铬元素的检测方法流程示意图。如图1所示,本实施例中的土壤中铬元素的检测方法,包括:
步骤101:获取第一目标LIBS光谱和第二目标LIBS光谱;第一目标LIBS光谱为第一待检测土壤的LIBS光谱,第二目标LIBS光谱为第二待检测土壤的LIBS光谱;第一待检测土壤与第二待检测土壤的类型不同。
步骤102:将第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;第一铬参数检测模型通过利用第一训练数据对第一线性加权网络进行训练得到。第一线性加权网络包括:依次连接的输入光谱层、权重变换光谱层、五次全连接层和加权输出层;第一训练数据为第一训练土壤的第一训练LIBS光谱和第一训练铬含量真实值。
步骤103:根据第一目标权重变换光谱,确定第一待检测土壤的第一目标铬位置谱线强度。
步骤104:将第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;第二铬参数检测模型通过利用第二训练数据对第一线性加权网络进行训练得到。第二训练数据为第二训练土壤的第二训练LIBS光谱和第二训练铬含量真实值。
步骤105:根据第二目标权重变换光谱,确定第二待检测土壤的第二目标铬位置谱线强度。
步骤106:将第一目标铬位置谱线强度和第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到第一铬含量最终预测值和第二铬含量最终预测值;混合土壤铬元素检测模型通过利用第三训练数据对第二线性加权网络进行训练得到。第二线性加权网络包括:依次连接的输入光谱层、五次全连接层和加权输出层;第三训练数据包括:第一训练铬位置谱线强度、第二训练铬位置谱线强度、第一训练铬含量真实值和第二训练铬含量真实值。
作为一种可选的实施方式,第一铬参数检测模型的训练过程包括:
获取第一训练数据;
以第一训练LIBS光谱为输入,以第一训练铬含量预测值为输出,以第一训练铬含量预测值与第一训练铬含量真实值的差小于第一预设值为目标,对第一线性加权网络进行训练,得到第一铬参数检测模型。
作为一种可选的实施方式,第二铬参数检测模型的训练过程包括:
获取第二训练数据。
以第二训练LIBS光谱为输入,以第二训练铬含量预测值为输出,以第二训练铬含量预测值与第二训练铬含量真实值的差小于第二预设值为目标,对第一线性加权网络进行训练,得到第二铬参数检测模型。
作为一种可选的实施方式,混合土壤铬元素检测模型的训练过程包括;
将第一训练LIBS光谱输入至第一铬参数检测模型中,得到第一训练权重变换光谱,并根据第一训练权重变换光谱,确定第一训练土壤的第一训练铬位置谱线强度。
将第二训练LIBS光谱输入至第二铬参数检测模型中,得到第二训练权重变换光谱,并根据第二训练权重变换光谱,确定第二训练土壤的第二训练铬位置谱线强度。
以第一训练铬位置谱线强度和第二训练铬位置谱线强度为输入,以第一训练铬含量真实值和第二训练铬含量真实值为输出,对第二线性加权网络进行训练,得到混合土壤铬元素检测模型。
实施例2
具体的,当本发明实施例1中的方法应用于黄棕壤和赤红壤时,方法流程如下:
步骤1:土壤样本制备。黄棕壤采自江苏省宿迁市泗洪县四河乡。赤红壤采自广西壮族自治区崇左市大新县那岭乡那敏屯。分别称取9g土壤于玻璃培养皿中,分别加入0.9、1.8、2.7、3.6、4.5、5.4、6.3、7.2、8.1、9g的硝酸铬溶液(溶液中Cr含量是100ppm),加上空白土壤,共得到11种不同Cr浓度的土壤浑浊液,混匀,烘干,研磨。取一部分研磨后的土壤样品用于真实值测量,土壤样品经消解后采用电感耦合等离子体质谱仪(Inductively CoupledPlasma Mass Spectrometry,ICP-MS)测定重金属Cr真实值。另一部分研磨后的土壤样品加压成片,每种浓度下制备5个压片,用于激光诱导击穿光谱(Laser-Induced BreakdownSpectroscopy,LIBS)检测,两种土壤的重金属Cr真实值含量如表1所示。
表1两种土壤的重金属Cr真实值含量
步骤2:采集土壤压片LIBS光谱。在LIBS检测系统中,延时时间和门宽是两个重要的参数,延时时间和门宽分别设置为3.5μs-4.5μs和15μs-17μs。一个压片正反两面分别采集16(可根据土壤压片大小调整,15-20都行)个不同位置的光谱,同一位置连续击打五次(4次-6次都行)取平均,共采集32条光谱。
步骤3:按照如图2所示的结构构建单一土壤类型重金属定量检测模型(分别建立黄棕壤和赤红壤的重金属定量检测模型)。模型共有四层。第一层是输入光谱层,用于输入LIBS光谱;第二层是权重变换光谱层,输入的是第一层输出的LIBS光谱,将LIBS光谱的光谱变量与权重变量(wc1,wc2...wcn)对应相乘,输出一条权重变换光谱,权重变量参数可通过神经网络训练过程自学习,权重变换光谱可突出与重金属Cr高度相关光谱信息;第三层是五次全连接输出层,输入的是第二层输出的权重变换光谱,对权重变换光谱做五次平行线性变换,实现重金属Cr真实值的五次平行预测,输出是五个Cr预测值;第四层是加权输出层,输入的是第三层输出的五个Cr预测值,对这五个值做加权求和,权重参数(w1、w2、w3、w4、w5)通过神经网络训练过程自学习,得到最终输出,即一个重金属Cr预测值。
模型训练过程如下:模型训练过程是指通过更新模型参数使损失函数值越来越小,直至趋于稳定的过程。LWNet模型的损失函数为均方误差(Mean Squared Loss,MSE)损失函数,该函数能有效反应预测值和真实值的接近程度。模型参数的更新学习采用随机梯度下降法(Stochastic Gradient Descent,SGD),学习率为0.001。
一个土壤压片可采集32条LIBS光谱,每条光谱经过LWNet可输出一个Cr预测值,32个预测值取平均代表这个土壤压片的Cr最终预测值。每种浓度下的5个土壤压片里随机取3个作为建模集,1个作为验证集,1个作为预测集。两种土壤预测集的Cr真实值和LWNet预测值如表2所示:对于黄棕壤和赤红壤,重金属CrLWNet平均预测偏差分别为3.03%和2.82%,说明自设计的LWNet网络能实现土壤重金属Cr含量的精准检测。表3展示了基于传统机器学习方法和LWNet的土壤Cr预测结果对比。均方根误差(Root Mean Square Error,RMSE)用来评价预测效果,RMSE越小,模型预测效果越好。传统机器学习方法包括线性机器学习偏最小二乘回归(Partial Least Squares Regression,PLSR)和非线性机器学习最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)、极限学习机(Extreme learningmachine,ELM)。从表三可以看出,在这四种定量检测模型中,LWNet预测两种土壤类型Cr的RMSE均最小,分别为2.74和4.61。说明与传统的机器学习相比,本实施例中的提出的LWNet更适合土壤CrLIBS光谱定量检测。
表2两种土壤预测集的Cr真实值和LWNet预测值
表3基于传统机器学习方法和LWNet的土壤Cr预测结果对比
定量检测模型 | 黄棕壤预测集RMSE(ppm) | 赤红壤预测集RMSE(ppm) |
LS-SVM | 5.23 | 10.15 |
ELM | 4.79 | 5.91 |
PLSR | 3.25 | 5.34 |
LWNet | 2.74 | 4.61 |
图3-图4展示了基于LWNet的黄棕壤和赤红壤的权重变换光谱层输出的权重变换光谱(建模集的所有权重变换光谱取平均),可以看出有9条谱线被赋予了较高的关注。通过查阅美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)原子数据库,发现有效代表Cr的LIBS激发谱线分别为357.8nm、359.3nm、360.5nm、425.4nm、427.5nm、429.0nm、520.5nm、520.6nm、520.8nm,与权重变换光谱的9条谱线一一对应,说明LWNet的权重变换光谱层能有效解析Cr高相关性LIBS谱线,是一种土壤CrLIBS定量检测强解释性模型。
步骤4:构建两种土壤类型重金属统一定量检测模型。
图5展示了自适应基质效应去除统一定量检测网络(AMER-LWNet)流程图。如图5所示,自适应基质效应去除统一定量检测网络(AMER-LWNet)流程包括:
(1)根据步骤2获取两种土壤的LIBS光谱。
(2)根据步骤3分别建立两种土壤的重金属CrLWNet定量检测模型。
(3)分别获取黄棕壤的重金属定量检测模型和赤红壤的重金属定量检测模型的模型第二层(权重变换光谱层),即权重变换光谱层输出的权重变换光谱(Weighted_spectra1和Weighted_spectra2),因为每条光谱输入LWNet都有对应的权重变换光谱,这里将每类土壤建模集的所有权重变换光谱取平均代表该类土壤的权重变换光谱。
(4)按图5中的公式对两种土壤的Weighted_spectra1和Weighted_spectra2做变换得到归一化权重W(W1和W2)。S1adapted和S2adapted是自适应系数,可通过神经网络自学习,可进一步改善基体效应;取绝对值的目的是不论正负相关,保证光谱变量重要性不变;取负号的目的是弱化与Cr高度相关的波长重要性,突显土壤基体信息;softmax的目的是将数值归一化到0-1之间。
(5)模仿面积归一化,结合(4)输出的归一化权重W1和W2对权重变换光谱Weighted_spectra1和Weighted_spectra2做加权归一化,输出是Spectra1i’和Spectra2i’,其中,i为权重变换光谱的编号。目的是充分利用突显后的土壤基体信息,改善因土壤基体信息导致的Cr峰强度差异。
(6)从(5)的输出Spectra1i’和Spectra2i’中抽取Cr峰位置处的谱线强度,目的是减少输入变量,减少定量检测模型复杂度,使模型更加轻便。Cr峰位置是参考美国国家标准与技术研究院(National Institute of Standards and Technology,NIST)原子数据库,有效代表Cr的LIBS激发谱线位置分别为357.8nm、359.3nm、360.5nm、425.4nm、427.5nm、429.0nm、520.5nm、520.6nm、520.8nm。抽取谱线强度的时候是以每个位置为中心抽取一段范围,对应抽取范围是357.69nm-357.93nm、359.19nm-359.4nm、360.43nm-360.6nm、425.32nm-425.55nm、427.33nm-427.57nm、520.58nm-520.89nm,共72个光谱变量。
(7)建立自适应基质效应去除统一定量检测网络(AMER-LWNet),实现一种定量模型同时有效预测两种土壤Cr含量。AMER-LWNet的输入是(6)提取出的两种土壤的Cr位置谱线强度,输出是两种土壤的Cr预测值,损失函数、训练方式和初始模型同LWNet。
实施例3
图6为本发明实施例3提供的土壤中铬元素的检测系统结构示意图。如图6所示,本实施例中的土壤中铬元素的检测系统,包括:
目标LIBS光谱获取模块201,用于获取第一目标LIBS光谱和第二目标LIBS光谱;第一目标LIBS光谱为第一待检测土壤的LIBS光谱,第二目标LIBS光谱为第二待检测土壤的LIBS光谱;第一待检测土壤与第二待检测土壤的类型不同。
第一参数确定模块202,用于将第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;第一铬参数检测模型通过利用第一训练数据对第一线性加权网络进行训练得到,第一线性加权网络包括:依次连接的输入光谱层、权重变换光谱层、五次全连接层和加权输出层;第一训练数据为第一训练土壤的第一训练LIBS光谱和第一训练铬含量真实值。
第一目标铬位置谱线强度确定模块203,用于根据第一目标权重变换光谱,确定第一待检测土壤的第一目标铬位置谱线强度。
第二参数确定模块204,用于将第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;第二铬参数检测模型通过利用第二训练数据对第一线性加权网络进行训练得到;第二训练数据为第二训练土壤的第二训练LIBS光谱和第二训练铬含量真实值。
第二目标铬位置谱线强度确定模块205,用于根据第二目标权重变换光谱,确定第二待检测土壤的第二目标铬位置谱线强度。
最终预测值确定模块206,用于将第一目标铬位置谱线强度和第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到第一铬含量最终预测值和第二铬含量最终预测值;混合土壤铬元素检测模型通过利用第三训练数据对第二线性加权网络进行训练得到,第二线性加权网络包括:依次连接的输入光谱层、五次全连接层和加权输出层;第三训练数据包括:第一训练铬位置谱线强度、第二训练铬位置谱线强度、第一训练铬含量真实值和第二训练铬含量真实值。
实施例4
一种设备,包括:
一个或多个处理器。
存储装置,其上存储有一个或多个程序。
当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如实施例1中的方法。
实施例5
一种存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现如实施例1中的方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种土壤中铬元素的检测方法,其特征在于,所述方法包括:
获取第一目标LIBS光谱和第二目标LIBS光谱;所述第一目标LIBS光谱为第一待检测土壤的LIBS光谱,所述第二目标LIBS光谱为第二待检测土壤的LIBS光谱;所述第一待检测土壤与所述第二待检测土壤的类型不同;
将所述第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;所述第一铬参数检测模型通过利用第一训练数据对第一线性加权网络进行训练得到,所述第一线性加权网络包括:依次连接的输入光谱层、权重变换光谱层、五次全连接层和加权输出层;所述第一训练数据为第一训练土壤的第一训练LIBS光谱和第一训练铬含量真实值;
根据所述第一目标权重变换光谱,确定所述第一待检测土壤的第一目标铬位置谱线强度;
将所述第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;所述第二铬参数检测模型通过利用第二训练数据对第一线性加权网络进行训练得到;所述第二训练数据为第二训练土壤的第二训练LIBS光谱和第二训练铬含量真实值;
根据所述第二目标权重变换光谱,确定所述第二待检测土壤的第二目标铬位置谱线强度;
将所述第一目标铬位置谱线强度和所述第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到第一铬含量最终预测值和第二铬含量最终预测值;所述混合土壤铬元素检测模型通过利用第三训练数据对第二线性加权网络进行训练得到,所述第二线性加权网络包括:依次连接的输入光谱层、五次全连接层和加权输出层;所述第三训练数据包括:第一训练铬位置谱线强度、第二训练铬位置谱线强度、所述第一训练铬含量真实值和所述第二训练铬含量真实值。
2.根据权利要求1所述的土壤中铬元素的检测方法,其特征在于,所述第一铬参数检测模型的训练过程包括:
获取所述第一训练数据;
以所述第一训练LIBS光谱为输入,以所述第一训练铬含量预测值为输出,以所述第一训练铬含量预测值与所述第一训练铬含量真实值的差小于第一预设值为目标,对所述第一线性加权网络进行训练,得到所述第一铬参数检测模型。
3.根据权利要求2所述的土壤中铬元素的检测方法,其特征在于,所述第二铬参数检测模型的训练过程包括:
获取所述第二训练数据;
以所述第二训练LIBS光谱为输入,以所述第二训练铬含量预测值为输出,以所述第二训练铬含量预测值与所述第二训练铬含量真实值的差小于第二预设值为目标,对所述第一线性加权网络进行训练,得到所述第二铬参数检测模型。
4.根据权利要求3所述的土壤中铬元素的检测方法,其特征在于,所述混合土壤铬元素检测模型的训练过程包括;
将所述第一训练LIBS光谱输入至所述第一铬参数检测模型中,得到第一训练权重变换光谱,并根据所述第一训练权重变换光谱,确定所述第一训练土壤的第一训练铬位置谱线强度;
将所述第二训练LIBS光谱输入至所述第二铬参数检测模型中,得到第二训练权重变换光谱,并根据所述第二训练权重变换光谱,确定所述第二训练土壤的第二训练铬位置谱线强度;
以所述第一训练铬位置谱线强度和所述第二训练铬位置谱线强度为输入,以所述第一训练铬含量真实值和所述第二训练铬含量真实值为输出,对所述第二线性加权网络进行训练,得到所述混合土壤铬元素检测模型。
5.一种土壤中铬元素的检测系统,其特征在于,所述系统包括:
目标LIBS光谱获取模块,用于获取第一目标LIBS光谱和第二目标LIBS光谱;所述第一目标LIBS光谱为第一待检测土壤的LIBS光谱,所述第二目标LIBS光谱为第二待检测土壤的LIBS光谱;所述第一待检测土壤与所述第二待检测土壤的类型不同;
第一参数确定模块,用于将所述第一目标LIBS光谱输入至第一铬参数检测模型中,得到第一铬含量初始预测值和第一目标权重变换光谱;所述第一铬参数检测模型通过利用第一训练数据对第一线性加权网络进行训练得到,所述第一线性加权网络包括:依次连接的输入光谱层、权重变换光谱层、五次全连接层和加权输出层;所述第一训练数据为第一训练土壤的第一训练LIBS光谱和第一训练铬含量真实值;
第一目标铬位置谱线强度确定模块,用于根据所述第一目标权重变换光谱,确定所述第一待检测土壤的第一目标铬位置谱线强度;
第二参数确定模块,用于将所述第二目标LIBS光谱输入至第二铬参数检测模型中,得到第二铬含量初始预测值和第二目标权重变换光谱;所述第二铬参数检测模型通过利用第二训练数据对第一线性加权网络进行训练得到;所述第二训练数据为第二训练土壤的第二训练LIBS光谱和第二训练铬含量真实值;
第二目标铬位置谱线强度确定模块,用于根据所述第二目标权重变换光谱,确定所述第二待检测土壤的第二目标铬位置谱线强度;
最终预测值确定模块,用于将所述第一目标铬位置谱线强度和所述第二目标铬位置谱线强度输入至混合土壤铬元素检测模型中,得到第一铬含量最终预测值和第二铬含量最终预测值;所述混合土壤铬元素检测模型通过利用第三训练数据对第二线性加权网络进行训练得到,所述第二线性加权网络包括:依次连接的输入光谱层、五次全连接层和加权输出层;所述第三训练数据包括:第一训练铬位置谱线强度、第二训练铬位置谱线强度、所述第一训练铬含量真实值和所述第二训练铬含量真实值。
6.一种设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。
7.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211429386.9A CN115728290A (zh) | 2022-11-15 | 2022-11-15 | 一种土壤中铬元素的检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211429386.9A CN115728290A (zh) | 2022-11-15 | 2022-11-15 | 一种土壤中铬元素的检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115728290A true CN115728290A (zh) | 2023-03-03 |
Family
ID=85295846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211429386.9A Pending CN115728290A (zh) | 2022-11-15 | 2022-11-15 | 一种土壤中铬元素的检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115728290A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022114580A1 (de) | 2022-06-09 | 2023-12-14 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Verfahren und Vorrichtung zum quantitativen Nachweis von Salzablagerungen auf einer Metalloberfläche mittels laserinduzierter Plasmaspektroskopie |
-
2022
- 2022-11-15 CN CN202211429386.9A patent/CN115728290A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022114580A1 (de) | 2022-06-09 | 2023-12-14 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Verfahren und Vorrichtung zum quantitativen Nachweis von Salzablagerungen auf einer Metalloberfläche mittels laserinduzierter Plasmaspektroskopie |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106124449B (zh) | 一种基于深度学习技术的土壤近红外光谱分析预测方法 | |
CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
CN107632010B (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN102830087A (zh) | 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法 | |
CN107219188A (zh) | 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法 | |
CN105424641A (zh) | 一种原油种类的近红外光谱识别方法 | |
CN109060771B (zh) | 一种基于光谱不同特征集的共识模型构建方法 | |
Yu et al. | Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy | |
CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN112926625A (zh) | 一种卫星辐射数据的偏差影响因子分析方法 | |
Zhu et al. | A prediction method for intervals of trace ions concentration in zinc sulfate solution based on UV-vis spectroscopy | |
Gonzalo et al. | Spurious relationships in high-dimensional systems with strong or mild persistence | |
Ye et al. | Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy | |
He et al. | Local wavelet packet decomposition of soil hyperspectral for SOM estimation | |
CN105954206B (zh) | 紫玉米叶片花色苷含量的测量方法及系统 | |
CN113358584B (zh) | 一种利用光谱估算土壤有机质含量的方法 | |
CN113324937B (zh) | 一种基于太赫兹光谱的生物质燃料质检方法及系统 | |
CN114813631B (zh) | 小麦品种纯度检测方法、装置和电子设备 | |
CN117074333A (zh) | 基于紫外-可见光吸收光谱的cod软测量模型构建方法 | |
CN113686823B (zh) | 基于透射光谱和PLS-Elman神经网络的水体亚硝酸盐含量估算方法 |
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 |