CN116842326B - 一种基于光学手段的畜牧养殖水质监测系统 - Google Patents
一种基于光学手段的畜牧养殖水质监测系统 Download PDFInfo
- Publication number
- CN116842326B CN116842326B CN202311098942.3A CN202311098942A CN116842326B CN 116842326 B CN116842326 B CN 116842326B CN 202311098942 A CN202311098942 A CN 202311098942A CN 116842326 B CN116842326 B CN 116842326B
- Authority
- CN
- China
- Prior art keywords
- point
- data
- trend
- point data
- modal
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000003287 optical effect Effects 0.000 title claims abstract description 9
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 244000144972 livestock Species 0.000 claims abstract description 20
- 238000009395 breeding Methods 0.000 claims abstract description 18
- 230000001488 breeding effect Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000012880 independent component analysis Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 9
- 230000003595 spectral effect Effects 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本申请涉及光谱数据处理领域,提供一种基于光学手段的畜牧养殖水质监测系统,包括:数据采集模块,采集畜牧养殖厂的水的红外光谱数据;数据分析模块,利用经验模态分解算法对红外光谱数据进行分解,得到多个模态分量,并确定每一模态分量对应的特征区间;利用独立成分分析方法对红外光谱数据进行分析,得到红外光谱数据对应的参考信号;计算每一模态分量与其特征区间对应的参考信号之间的差异性,从而确定每一模态分量的信息程度;滤波参数计算模块,用于每一模态分量的信息程度确定每一模态分量的小波阈值参数,利用小波阈值参数对每一模态分量进行滤波处理,得到待检测数据;监测模块,基于待检测数据进行水质监测。
Description
技术领域
本申请涉及光谱数据处理领域,特别是涉及一种基于光学手段的畜牧养殖水质监测系统。
背景技术
在畜牧养殖行业中,水质是决定畜禽健康的关键因素之一。不良的水质可能导致畜牧病情的发生和蔓延,影响畜牧养殖的效率和质量。近年来,随着技术的进步,光谱监测被广泛应用于水质监测中,以其非接触性、快速反应和高精度的特点,为畜牧养殖水质管理提供了新的解决方案。
然而在光谱监测过程中,由于红外光谱数据往往受到各种噪声的影响,如设备误差、环境变化、光源不稳定等。这些噪声会对数据质量产生影响,可能导致分析结果的偏差,因此需要在监测过程中进行光谱去噪预处理,提高数据的可靠性,并增强监测结果的准确性。经验模态分解(EMD分解)算法是一种用于处理非线性、非稳定数据的自适应信号处理方法,常用于光谱数据的处理过程中,将光谱数据分解为多个模态分量,通过对各个模态分量进行小波阈值去噪处理可以有效分离噪声信息,保留有用信息。但由于每个模态分量中包含的噪声程度以及信息程度不同,无法有效判断小波阈值去噪的程度,进而影响到去噪效果。
发明内容
本发明提供一种基于光学手段的畜牧养殖水质监测系统,其能够提高去噪效果,并且提高水质监测结果的准确性。
第一方面,本申请提供一种基于光学手段的畜牧养殖水质监测系统,包括:数据采集模块,用于采集进入畜牧养殖厂的水的红外光谱数据;数据分析模块,用于利用经验模态分解算法对红外光谱数据进行分解,得到多个模态分量,并确定每一模态分量对应的特征区间;利用独立成分分析方法对红外光谱数据进行分析,得到红外光谱数据对应的参考信号;计算每一模态分量与模态分量的特征区间对应的参考信号之间的差异性,从而确定每一模态分量的信息程度;滤波参数计算模块,用于基于每一模态分量的信息程度确定每一模态分量的小波阈值参数,利用每一模态分量的小波阈值参数对每一模态分量进行滤波处理,得到待检测数据;监测模块,用于基于所述待检测数据进行水质监测。
在一可选实施例中,数据分析模块包括:
区间计算模块,用于确定每一模态分量对应的目标极大值点和目标极小值点;
将位置相邻的目标极大值和目标极小值作为极值组合,从而得到多个极值组合;
对每一极值组合中的目标极大值和目标极小值进行加权平均,将计算的均值所对应的横坐标作为趋势点的横坐标,从而确定趋势点,在红外光谱数据中确定趋势点对应的趋势点数据,基于所述趋势点数据确定所述特征区间。
在一可选实施例中,所述区间计算模块用于:
确定每一模态分量中的极大值点和极小值点,并计算每一极大值点为极大值点的程度,以及每一极小值点为极小值点的程度;
如果极大值点为极大值点的程度大于第一阈值,则将所述极大值点作为所述目标极大值点,如果极小值点为极小值点的程度大于第一阈值,则将所述极小值点作为所述目标极小值点。
在一可选实施例中,所述区间计算模块用于:
基于模态分量的极大值点的局部范围内相邻的极大值点对之间的平均欧式距离和极大值点的局部范围大小的比值,和极大值点的局部范围内相邻的极大值点对的数量,和极大值点的局部范围内相邻的极大值点对的幅值差值之和确定极大值点的程度;
基于模态分量的极小值点的局部范围内相邻的极小值点对之间的平均欧式距离和极小值点的局部范围小小的比值,和极小值点的局部范围内相邻的极小值点对的数量,和极小值点的局部范围内相邻的极小值点对的幅值差值之和确定极小值点的程度。
在一可选实施例中,区间计算模块还用于:
确定所述趋势点数据对应的拟合曲线,所述拟合曲线表征模态分量在红外光谱数据中趋势分布信息;
基于拟合曲线中趋势点数据的斜率确定趋势点数据为区间范围点的程度;
如果所述趋势点数据为区间范围点的程度大于第二阈值,则将所述趋势点数据作为区间范围点,将区间范围点内所有趋势点数据相连,得到模态分量的特征区间。
在一可选实施例中,所述区间计算模块用于:
基于所述拟合曲线中当前趋势点数据与位于当前趋势点数据前且相邻的趋势点数据之间连线的斜率值,和当前趋势点数据与位于当前趋势点数据后且相邻的趋势点数据之间连线的斜率值的差值的绝对值、拟合曲线中每个趋势点数据与前后相邻的趋势点数据之间连线的斜率差值的最大值、当前趋势点数据与位于当前趋势点数据前且相邻的趋势点数据之间的横坐标长度、当前趋势点数据与位于当前趋势点数据后且相邻的趋势点数据之间的横坐标长度计算得到当前趋势点数据为区间范围点的程度。
在一可选实施例中,数据分析模块包括:
信息程度计算模块,用于计算每一模态分量与模态分量的特征区间对应的参考信号之间的相似程度,从而确定每一模态分量与模态分量的特征区间对应的参考信号之间的差异性;
如果所述相似程度大于第三阈值,则将所述分量信号与模态分量的特征区间对应的参考信号作为相似性组合;
基于所述相似性组合确定每一模态分量的信息程度。
在一可选实施例中,所述信息程度计算模块用于:
利用如下公式计算每一模态分量的信息程度:
式中,表示第/>个模态分量的信息程度,/>表示第/>个模态分量的特征区间的数量,表示第/>个模态分量的第/>个特征区间的数据点个数,/>表示第/>个模态分量的第/>个特征区间的第/>个数据点的模态分量的值,/>表示第/>个模态分量的第/>个特征区间的相似性组合中参考信号的个数,/>表示第/>个模态分量的第/>个特征区间的相似性组合中第个参考信号的相似程度,/>表示第/>个模态分量的第/>个特征区间的相似性组合中第个参考信号的值,/>表示以自然常数e为底数的指数函数。
在一可选实施例中,滤波参数计算模块用于利用如下公式每一模态分量的小波阈值参数:
式中,表示第/>个模态分量的小波阈值参数,/>表示第/>个模态分量的信息程度,/>表示小波阈值超参数。
在一可选实施例中,所述区间计算模块用于利用如下公式计算当前趋势点数据为区间范围点的程度:
式中,表示第/>个模态分量中第/>个趋势点数据为区间范围点的程度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的位于第/>个趋势点数据前且相邻的趋势点数据的横坐标长度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的位于第/>个趋势点数据后且相邻的趋势点数据的横坐标长度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的与位于第/>个趋势点数据前且相邻的趋势点数据之间连线的斜率值,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的与位于第/>个趋势点数据后且相邻的趋势点数据之间连线的斜率值,/>表示第/>个模态分量的拟合曲线中每个趋势点数据与前后相邻的趋势点数据的之间连线的斜率差值的最大值,/>表示线性归一化函数。
本申请的有益效果,区别于现有技术,本申请的基于光学手段的畜牧养殖水质监测系统,包括:数据采集模块,用于采集进入畜牧养殖厂的水的红外光谱数据;数据分析模块,用于利用经验模态分解算法对红外光谱数据进行分解,得到多个模态分量,并确定每一模态分量对应的特征区间;利用独立成分分析方法对红外光谱数据进行分析,得到红外光谱数据对应的参考信号;计算每一模态分量与模态分量的特征区间对应的参考信号之间的差异性,从而确定每一模态分量的信息程度;滤波参数计算模块,用于基于每一模态分量的信息程度确定每一模态分量的小波阈值参数,利用每一模态分量的小波阈值参数对每一模态分量进行滤波处理,得到待检测数据;监测模块,用于基于所述待检测数据进行水质监测。本申请方案使得去噪结果更加准确,并且使得水质监测结果的准确性得到提高。
附图说明
图1为本申请基于光学手段的畜牧养殖水质监测系统的第一实施例的结构示意图;
图2为本申请基于光学手段的畜牧养殖水质监测系统的第二实施例的结构示意图。
具体实施方式
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,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本申请基于光学手段的畜牧养殖水质监测系统的一实施例的结构示意图,具体包括:数据采集模块11、数据分析模块12、滤波参数计算模块13以及监测模块14。
其中,数据采集模块11用于采集进入畜牧养殖厂的水的红外光谱数据。具体的,数据采集模块11通过畜牧养殖厂进水口处管口上方安装的红外光谱仪,采集进入畜牧养殖厂的水的红外光谱数据,用于后续的处理分析,进而识别水质。
数据分析模块12用于利用经验模态分解算法对红外光谱数据进行分解,得到多个模态分量,并确定每一模态分量对应的特征区间;利用独立成分分析方法对红外光谱数据进行分析,得到红外光谱数据对应的参考信号;计算每一模态分量与模态分量的特征区间对应的参考信号之间的差异性,从而确定每一模态分量的信息程度。
具体的,由于采集的红外光谱数据中畜牧养殖的水中存在多种物质,会使得采集的红外光谱数据中存在多种物质的光谱重叠峰,进而可以看作为混叠信号。本案中需要分析EMD分解过程中的每个模态分量的信息程度,但是在判断过程中,由于各个模态分量表示的为不同频率的分布信息,并且每个模态分量中的噪声程度和信息程度并不清楚,因此对应的小波阈值去噪方法得不到准确的结果。而ICA独立成分分析方法中可以将光谱信号进行混叠信号分离,并且每个分离的信号中含有红外光谱数据的主要信息。因此本案中,为了获取每个模态分量中的信息程度,本案数据分析模块12利用独立成分分析方法对红外光谱数据进行分析,得到红外光谱数据对应的参考信号,根据ICA获取的多个参考信号,分析每个模态分量与参考信号之间的差异性来表征信息程度。
由于水中的不同物质在红外光谱数据的吸收峰在不同的波段内,因此对得到的每个模态分量中的信息在不同波段中的表现也不同,结合ICA分离后的的参考信号,在分析信息程度的时候,需要分析红外光谱数据的不同特征区间,该特征区间是通过模态分量和ICA分离后的参考信号的分布特征来获取。EMD分解过程得到的模态分量中,上下包络线是呈现对称特征的,并且由于噪声的影响,若分析极值点的变化是无法得到模态分量的特征区间,因此本案根据EMD分解过程中的每个模态分量的均值点变化来获取准确的模态分量趋势变化。
基于上述分析,在一具体实施例中,请结合图2,数据分析模块12包括区间计算模块121。区间计算模块121用于确定每一模态分量对应的目标极大值点和目标极小值点。
具体的,区间计算模块121确定每一模态分量中的极大值点和极小值点,并计算每一极大值点为极大值点的程度,以及每一极小值点为极小值点的程度。
本申请中,对采集的畜牧养殖的水的红外光谱数据进行EMD分解,得到多个模态分量。对每个模态分量进行分析,其中对于第个模态分量进行特征区间的分析,获取该模态分量的均值信息,在获取均值信息时,需要考虑的为哪些上下极值点来进行获取。根据红外光谱数据的特征可以得知,最有可能的极值点的分布在其自身的局部范围内与其他极值点的间隔存在的间隔分布较大,并且上下极值点的幅值差异也较大。则基于模态分量的极大值点的局部范围内相邻的极大值点之间的平均欧式距离和极大值点的局部范围大小的比值,和极大值点的局部范围内相邻的极大值点的数量,和极大值点的局部范围内相邻的极大值点的幅值差值之和确定极大值点的程度。基于模态分量的极小值点的局部范围内相邻的极小值点之间的平均欧式距离和极小值点的局部范围小小的比值,和极小值点的局部范围内相邻的极小值点的数量,和极小值点的局部范围内相邻的极小值点的幅值差值之和确定极小值点的程度。
以第个模态分量的第/>个极大值点为例进行说明,第/>个模态分量的第/>个极大值点为极大值点的程度的计算方式为:
式中,表示第/>个模态分量的第/>个极大值点为极大值点的程度,/>表示第/>个模态分量的第/>个极大值点的局部范围大小,/>表示第/>个模态分量的第/>个极大值点的局部范围内相邻的极大值点对之间的平均欧式距离,/>表示第/>个模态分量的第/>个极大值点的局部范围内相邻的极大值点对的数量,/>表示第/>个模态分量的第/>个极大值点的局部范围内相邻的极大值点对的幅值差值之和,/>表示第/>个模态分量的第/>个极大值点的局部范围内第/>个相邻极大值点对的幅值差值的绝对值。
通过上述公式可以计算得到第个模态分量中所有极大值点为极大值点的程度。进一步计算得到第/>个模态分量中所有极小值点为极小值点的程度,具体计算方式与上述公式相同,在此不再赘述。
计算得到所有极大值点为极大值点的程度,和所有极小值点为极小值点的程度后,如果极大值点为极大值点的程度大于第一阈值,则将所述极大值点作为所述目标极大值点,如果极小值点为极小值点的程度大于第一阈值,则将所述极小值点作为所述目标极小值点。
具体的,对所有极大值点为极大值点的程度和所有极小值点为极小值点的程度,进行线性归一化处理,其中设置第一阈值,若极大值点为极大值点的程度,或者极小值点为极小值点的程度大于该第一阈值,则以该极大值作为目标极大值点,极小值作为目标极小值点进行后续分析。
区间计算模块121将位置相邻的目标极大值和目标极小值作为极值组合,从而得到多个极值组合。具体的,对目标极大值点和目标极小值点进行匹配,其中匹配规则为:由于EMD分解过程中,上下包络线是呈现对称分布的,因此目标极大值点和目标极小值点之间的匹配应为连续的,即一个目标极大值点和一个为目标极小值点连续,并且匹配过程为不存在交叉。因此本案根据目标极大值点和目标极小值点的位置序号进行排列,将位置序号最接近的目标极大值点和目标极小值点进行匹配,得到一个极值组合。需要说明的时,匹配后的目标极值点不再进行匹配,将没有匹配对象的目标极值点去掉。
区间计算模块121对每一极值组合中的目标极大值和目标极小值进行加权平均,将计算的均值所对应的横坐标作为趋势点的横坐标,从而确定趋势点,在红外光谱数据中确定趋势点对应的趋势点数据,基于所述趋势点数据确定所述特征区间。具体的,对于匹配后的目标极大值点和目标极小值点的极值组合,进行均值点的计算,其中均值点的计算过程为:对于匹配后的目标极大值点和目标极小值点,进行加权平均,加权平均中的权值为目标极大值点和目标极小值点计算得到的为极值点的程度。具体的,目标极大值点的权值为目标极大值点为极大值点的程度,目标极小值点的权值为目标极小值点为极小值点的程度。获取加权平均后的均值所对应点的横坐标,将此横坐标作为趋势点的横坐标;类似操作,可以得到所有的趋势点的横坐标。将所有的趋势点的横坐标对应的到红外光谱数据进行分析,进而获取得到趋势点对应的趋势点数据,从而基于趋势点数据确定特征区间。
进一步的,区间计算模块121还用于:确定所述趋势点数据对应的拟合曲线,所述拟合曲线表征模态分量在红外光谱数据中趋势分布信息。具体的,区间计算模块121对得到的趋势点数据进行偏最小二乘拟合,进而得到拟合曲线。
区间计算模块121基于拟合曲线中趋势点数据的斜率确定趋势点数据为区间范围点的程度。
具体的,分析第个模态分量的拟合曲线/>进行特征区间的确定。其中本案所期望的特征区间,是对应当趋势点数据中拟合得到的曲线变化的,若某两个趋势点数据之间的前后曲线发生较大的变化,则对应的两个趋势点数据之间的间隔范围即为本案所述的特征区间范围。分析第/>个模态分量的拟合曲线/>的第/>个趋势点,计算斜率差异变化,从而确定特征区间。具体的,特征区间范围中区间范围横跨相对较大的同时,区间范围点的前后曲线有较大的斜率差异变化。
基于上述分析,本申请中区间计算模块121基于所述拟合曲线中当前趋势点数据与位于当前趋势点数据前且相邻的趋势点数据之间连线的斜率值,和当前趋势点数据与位于当前趋势点数据后且相邻的趋势点数据之间连线的斜率值的差值的绝对值、拟合曲线中每个趋势点数据与前后相邻的趋势点数据之间连线的斜率差值的最大值、当前趋势点数据与位于当前趋势点数据前且相邻的趋势点数据之间的横坐标长度、当前趋势点数据与位于当前趋势点数据后且相邻的趋势点数据之间的横坐标长度计算得到当前趋势点数据为区间范围点的程度。
在一具体实施例中,所述区间计算模块121用于利用如下公式计算当前趋势点数据为区间范围点的程度:
式中,表示第/>个模态分量中第/>个趋势点数据为区间范围点的程度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的位于第/>个趋势点数据前且相邻的趋势点数据的横坐标长度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的位于第/>个趋势点数据后且相邻的趋势点数据的横坐标长度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的与位于第/>个趋势点数据前且相邻的趋势点数据之间连线的斜率值,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的与位于第/>个趋势点数据后且相邻的趋势点数据之间连线的斜率值,/>表示第/>个模态分量的拟合曲线中每个趋势点数据与前后相邻的趋势点数据的之间连线的斜率差值的最大值,/>表示线性归一化函数。
如果所述趋势点数据为区间范围点的程度大于第二阈值,则将所述趋势点数据作为区间范围点,将区间范围点内所有趋势点数据相连,得到模态分量的特征区间。具体的,设置第二阈值可以为0.58。
在本申请一实施例中,数据分析模块12还包括信息程度计算模块122。
具体的,本案中获取每个模态分量的特征区间,在特征区间中,模态分量的数据分布与本案根据获取的多个分离后的参考信号之间的信息变化的差异性能够表征信息程度。因此信息程度计算模块122计算每一模态分量与模态分量的特征区间对应的参考信号之间的相似程度,从而确定每一模态分量与模态分量的特征区间对应的参考信号之间的差异性。
根据上述步骤得到的每个模态分量对应的特征区间,则对应分析特征区间内,每个模态分量的数据分布与各个参考信号的数据分布的相似性。在分析相似性时,需要将每个参考信号按照此特征区间范围分析,其中第个模态分量的第/>个特征区间/>与第/>个参考信号相同的区间/>的相似程度计算方式为:/>,式中,/>表示/>与/>之间进行/>匹配后,匹配点对之间的欧式距离的方差值,/>表示以自然常数e为底数的指数函数。类似此操作,可以得到第/>个模态分量的第/>个特征区间/>与参考信号在相对应的区间的相似程度。
如果所述相似程度大于第三阈值,则信息程度计算模块122将所述分量信号与模态分量的特征区间对应的参考信号作为相似性组合。具体的,对计算得到的相似程度进行归一化,设置第三阈值为0.85,将归一化后的相似程度与第三阈值进行比较。
信息程度计算模块122基于所述相似性组合确定每一模态分量的信息程度。在一实施例中,信息程度计算模块122利用如下公式计算每一模态分量的信息程度:
式中,表示第/>个模态分量的信息程度,/>表示第/>个模态分量的特征区间的数量,表示第/>个模态分量的第/>个特征区间的数据点个数,/>表示第/>个模态分量的第/>个特征区间的第/>个数据点的模态分量的值,/>表示第/>个模态分量的第/>个特征区间的相似性组合中参考信号的个数,/>表示第/>个模态分量的第/>个特征区间的相似性组合中第个参考信号的相似程度(归一化后的相似程度),/>表示第/>个模态分量的第/>个特征区间的相似性组合中第/>个参考信号的值,/>表示以自然常数e为底数的指数函数。
其中通过计算模态分量和对应的参考信号叠加后的数据之间的差值,来表征信息程度,若差值越大,则对应的信息程度越小。
滤波参数计算模块13用于基于每一模态分量的信息程度确定每一模态分量的小波阈值参数,利用每一模态分量的小波阈值参数对每一模态分量进行滤波处理,得到待检测数据。
在一实施例中,滤波参数计算模块13用于利用如下公式每一模态分量的小波阈值参数:
式中,表示第/>个模态分量的小波阈值参数,/>表示第/>个模态分量的信息程度,/>表示小波阈值超参数。
利用每一模态分量的小波阈值参数对每一模态分量进行滤波处理,得到待检测数据。
监测模块14用于基于所述待检测数据进行水质监测。申请中根据得到的去噪后的畜牧养殖的水的待检测数据,通过神经网络的方式构建监测模型。其中水监测模型的训练过程为:每个水样品的处理后的畜牧养殖的水的光谱信号,以及对应的每个水样品的不同水质指标的值(水质指标包括溶解氧、pH、氮、磷等,采用的为化学分析方法获取),通过光谱信号和水质指标的值训练出光谱与水质参数之间的关系模型,使用的神经网络为CNN,损失函数为均方根误差函数。利用水监测模型基于待检测数据进行水质监测,得到水质指标的结果,从而实现水质监测。
本本申请的方案中,采用EMD分解以及自适应的小波阈值去噪方法对采集的畜牧养殖水的红外光谱数据进行去噪处理,进而提高畜牧养殖水质监测的准确性。具体的,对红外光谱数据进行EMD分解,得到模态分量,根据每个模态分量进行分析得到对应的最有可能的极值点,并将这些极值点进行匹配,对匹配后的极值点来确定每个模态分量均值点在光谱数据中的分布,获取得到每个模态分量的特征区间,并根据特征区间中的每个模态分量与ICA分离后的参考信号之间相似程度来计算每个模态分量的信息程度,进而根据信息程度来获取自适应小波阈值,最终得到处理后的光谱数据。避免了传统的对每个模态分量进行小波阈值去噪处理过程中,由于每个模态分量中的噪声程度和信息程度并不清楚,因此对应的小波阈值去噪方法得不到准确的结果,使得计算得到的去噪结果更加准确,进而为后续进行准确构建畜牧养殖水质监测模型进行畜牧养殖水质监测。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (1)
1.一种基于光学手段的畜牧养殖水质监测系统,其特征在于,包括:
数据采集模块,用于采集进入畜牧养殖厂的水的红外光谱数据;
数据分析模块,用于利用经验模态分解算法对红外光谱数据进行分解,得到多个模态分量,并确定每一模态分量对应的特征区间;利用独立成分分析方法对红外光谱数据进行分析,得到红外光谱数据对应的参考信号;计算每一模态分量与模态分量的特征区间对应的参考信号之间的差异性,从而确定每一模态分量的信息程度;
滤波参数计算模块,用于基于每一模态分量的信息程度确定每一模态分量的小波阈值参数,利用每一模态分量的小波阈值参数对每一模态分量进行滤波处理,得到待检测数据;
监测模块,用于基于所述待检测数据进行水质监测;
数据分析模块包括:
区间计算模块,用于确定每一模态分量对应的目标极大值点和目标极小值点;
将位置相邻的目标极大值和目标极小值作为极值组合,从而得到多个极值组合;
对每一极值组合中的目标极大值和目标极小值进行加权平均,将计算的均值所对应的横坐标作为趋势点的横坐标,从而确定趋势点,在红外光谱数据中确定趋势点对应的趋势点数据,基于所述趋势点数据确定所述特征区间;
所述区间计算模块用于:
确定每一模态分量中的极大值点和极小值点,并计算每一极大值点为极大值点的程度,以及每一极小值点为极小值点的程度;
如果极大值点为极大值点的程度大于第一阈值,则将所述极大值点作为所述目标极大值点,如果极小值点为极小值点的程度大于第一阈值,则将所述极小值点作为所述目标极小值点;
所述区间计算模块用于:
基于模态分量的极大值点的局部范围内相邻的极大值点对之间的平均欧式距离和极大值点的局部范围大小的比值,和极大值点的局部范围内相邻的极大值点对的数量,和极大值点的局部范围内相邻的极大值点对的幅值差值之和确定极大值点的程度;
基于模态分量的极小值点的局部范围内相邻的极小值点对之间的平均欧式距离和极小值点的局部范围小小的比值,和极小值点的局部范围内相邻的极小值点对的数量,和极小值点的局部范围内相邻的极小值点对的幅值差值之和确定极小值点的程度;
区间计算模块还用于:
确定所述趋势点数据对应的拟合曲线,所述拟合曲线表征模态分量在红外光谱数据中趋势分布信息;
基于拟合曲线中趋势点数据的斜率确定趋势点数据为区间范围点的程度;
如果所述趋势点数据为区间范围点的程度大于第二阈值,则将所述趋势点数据作为区间范围点,将区间范围点内所有趋势点数据相连,得到模态分量的特征区间;
所述区间计算模块用于:
基于所述拟合曲线中当前趋势点数据与位于当前趋势点数据前且相邻的趋势点数据之间连线的斜率值,和当前趋势点数据与位于当前趋势点数据后且相邻的趋势点数据之间连线的斜率值的差值的绝对值、拟合曲线中每个趋势点数据与前后相邻的趋势点数据之间连线的斜率差值的最大值、当前趋势点数据与位于当前趋势点数据前且相邻的趋势点数据之间的横坐标长度、当前趋势点数据与位于当前趋势点数据后且相邻的趋势点数据之间的横坐标长度计算得到当前趋势点数据为区间范围点的程度;
数据分析模块包括:
信息程度计算模块,用于计算每一模态分量与模态分量的特征区间对应的参考信号之间的相似程度,从而确定每一模态分量与模态分量的特征区间对应的参考信号之间的差异性;
如果所述相似程度大于第三阈值,则将所述分量信号与模态分量的特征区间对应的参考信号作为相似性组合;
基于所述相似性组合确定每一模态分量的信息程度;
所述信息程度计算模块用于:
利用如下公式计算每一模态分量的信息程度:
式中,表示第/>个模态分量的信息程度,/>表示第/>个模态分量的特征区间的数量,/>表示第/>个模态分量的第/>个特征区间的数据点个数,/>表示第/>个模态分量的第/>个特征区间的第/>个数据点的模态分量的值,/>表示第/>个模态分量的第/>个特征区间的相似性组合中参考信号的个数,/>表示第/>个模态分量的第/>个特征区间的相似性组合中第/>个参考信号的相似程度,/>表示第/>个模态分量的第/>个特征区间的相似性组合中第/>个参考信号的值,/>表示以自然常数e为底数的指数函数;
滤波参数计算模块用于利用如下公式每一模态分量的小波阈值参数:
式中,表示第/>个模态分量的小波阈值参数,/>表示第/>个模态分量的信息程度,/>表示小波阈值超参数;
所述区间计算模块用于利用如下公式计算当前趋势点数据为区间范围点的程度:
式中,表示第/>个模态分量中第/>个趋势点数据为区间范围点的程度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的位于第/>个趋势点数据前且相邻的趋势点数据的横坐标长度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的位于第/>个趋势点数据后且相邻的趋势点数据的横坐标长度,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的与位于第/>个趋势点数据前且相邻的趋势点数据之间连线的斜率值,/>表示第/>个模态分量的拟合曲线的第/>个趋势点数据的与位于第/>个趋势点数据后且相邻的趋势点数据之间连线的斜率值,/>表示第/>个模态分量的拟合曲线中每个趋势点数据与前后相邻的趋势点数据的之间连线的斜率差值的最大值,/>表示线性归一化函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098942.3A CN116842326B (zh) | 2023-08-30 | 2023-08-30 | 一种基于光学手段的畜牧养殖水质监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311098942.3A CN116842326B (zh) | 2023-08-30 | 2023-08-30 | 一种基于光学手段的畜牧养殖水质监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116842326A CN116842326A (zh) | 2023-10-03 |
CN116842326B true CN116842326B (zh) | 2023-11-07 |
Family
ID=88174612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311098942.3A Active CN116842326B (zh) | 2023-08-30 | 2023-08-30 | 一种基于光学手段的畜牧养殖水质监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842326B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150226B (zh) * | 2023-11-01 | 2024-01-09 | 深圳龙电华鑫控股集团股份有限公司 | 一种载波通信传输信息采集管理系统 |
CN117373471B (zh) * | 2023-12-05 | 2024-02-27 | 鸿福泰电子科技(深圳)有限公司 | 一种音频数据优化降噪方法及系统 |
CN117420095B (zh) * | 2023-12-15 | 2024-03-01 | 乐比(广州)健康产业有限公司 | 一种鼻腔喷雾剂成分检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436586A (zh) * | 2011-10-28 | 2012-05-02 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
CN108108889A (zh) * | 2017-12-18 | 2018-06-01 | 杭州电子科技大学 | 一种水质监测数据在线处理方法及装置 |
CN115950846A (zh) * | 2023-03-10 | 2023-04-11 | 灌南县北陈集动物防疫检疫所 | 基于光学手段的猪饮用水检测方法及系统 |
-
2023
- 2023-08-30 CN CN202311098942.3A patent/CN116842326B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436586A (zh) * | 2011-10-28 | 2012-05-02 | 哈尔滨工业大学 | 一种基于小波阈值降噪和经验模态分解的高光谱图像分类方法 |
CN108108889A (zh) * | 2017-12-18 | 2018-06-01 | 杭州电子科技大学 | 一种水质监测数据在线处理方法及装置 |
CN115950846A (zh) * | 2023-03-10 | 2023-04-11 | 灌南县北陈集动物防疫检疫所 | 基于光学手段的猪饮用水检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116842326A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842326B (zh) | 一种基于光学手段的畜牧养殖水质监测系统 | |
CN102998296B (zh) | 一种去除背景噪声影响的拉曼光谱预处理方法 | |
CN116738153B (zh) | 基于光谱分析的有机肥利用效果评价方法 | |
CN108108889A (zh) | 一种水质监测数据在线处理方法及装置 | |
CN107179310B (zh) | 基于鲁棒噪声方差估计的拉曼光谱特征峰识别方法 | |
US20220390374A1 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
CN102072767A (zh) | 基于波长相似性共识回归红外光谱定量分析方法和装置 | |
CN113109317B (zh) | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 | |
CN115950846B (zh) | 基于光学手段的猪饮用水检测方法及系统 | |
CN105181644A (zh) | 一种卷烟纸的在线监控系统及方法 | |
US20230243744A1 (en) | Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea | |
CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
CN115326783B (zh) | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 | |
CN113758890A (zh) | 一种气体浓度计算方法、装置、设备及存储介质 | |
CN116432051A (zh) | 一种近红外光谱数据微弱差异信号的评价方法 | |
CN112747921A (zh) | 一种基于na-memd的多传感器机械故障诊断的方法 | |
CN114595728A (zh) | 一种基于自监督学习的信号去噪方法 | |
CN115112699A (zh) | 一种xrf土壤重金属元素定量分析方法 | |
CN117194902B (zh) | 一种光谱测量过程中噪声数据滤除方法 | |
CN108007917B (zh) | 希尔伯特法建立稻株中氮素含量拉曼光谱测量模型方法 | |
CN102880861A (zh) | 基于线性预测倒谱系数的高光谱图像分类方法 | |
CN105160070B (zh) | 一种半导体激光器光谱自适应峰值搜索方法 | |
CN115266583A (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
CN115420726A (zh) | 一种利用重构sers光谱快速识别目标物的方法 | |
CN112466322A (zh) | 一种机电设备噪声信号特征提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |