CN116894173A - 水质溯源方法、装置、设备和存储介质 - Google Patents
水质溯源方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116894173A CN116894173A CN202310724816.8A CN202310724816A CN116894173A CN 116894173 A CN116894173 A CN 116894173A CN 202310724816 A CN202310724816 A CN 202310724816A CN 116894173 A CN116894173 A CN 116894173A
- Authority
- CN
- China
- Prior art keywords
- water quality
- parameter
- sample
- graph
- map
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 412
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 19
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 16
- 239000001301 oxygen Substances 0.000 claims description 16
- 229910052760 oxygen Inorganic materials 0.000 claims description 16
- 239000010865 sewage Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003475 lamination Methods 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 239000004912 1,5-cyclooctadiene Substances 0.000 description 1
- QJZYHAIUNVAGQP-UHFFFAOYSA-N 3-nitrobicyclo[2.2.1]hept-5-ene-2,3-dicarboxylic acid Chemical compound C1C2C=CC1C(C(=O)O)C2(C(O)=O)[N+]([O-])=O QJZYHAIUNVAGQP-UHFFFAOYSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- -1 ammonia radical ions Chemical class 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004021 humic acid Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010842 industrial wastewater Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Food Science & Technology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
Abstract
本发明实施例提供水质溯源方法、装置、设备和存储介质,涉及人工智能技术领域。该方法包括:获取每个排放位置的至少一个水质参数形成水质参数样本,然后生成水质参数样本的参数图样本,利用参数图样本训练水质溯源模型得到对应于参数图样本的类型预测数据;进而得到训练后的水质溯源模型;获取待检测水质参数数据,并将待检测水质参数数据输入训练后的水质溯源模型进行水质溯源,得到目标排放位置。将采集到的水质参数数据绘制成图表形式,将多种水质参数利用图表特征进行表示,接着利用图神经网络对图表特征进行检测和分析,能够减少数据量,提高水质溯源分析的计算效率,满足水环境检测的时效性要求。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及水质溯源方法、装置、设备和存储介质。
背景技术
水利是生态环境改善不可分割的保障系统,对实现经济社会的高质量发展具有重要影响。在水环境保护中,污染物溯源是一个重要环节。目前,污染物溯源大多利用传感器对水质进行检测并传送数据到实验室进行分析,从而找到污染物源头。
相关技术中,由于传统的传感器方式进行水质溯源的效率较低,因此利用人工智能算法精确、快速地分析水质参数,进行水质溯源。但是现有的水质溯源算法在数据量过于庞大时,计算时间被拉长,计算较慢,不能满足水环境检测的时效性要求。
发明内容
本申请实施例的主要目的在于提出水质溯源方法、装置、设备和存储介质,提高水质溯源算法的计算效率。
为实现上述目的,本申请实施例的第一方面提出了一种水质溯源方法,包括:获取每个排放位置的至少一个水质参数,形成所述排放位置对应的水质参数样本;
生成所述水质参数样本的参数图样本,以及根据至少一个所述参数图样本和对应的类型标签构建图数据集,所述参数图样本的类型标签对应于所述排放位置;
将所述图数据集输入水质溯源模型得到对应于所述参数图样本的类型预测数据;
利用所述类型预测数据和所述类型标签调整模型权重,得到训练后的所述水质溯源模型;
获取待检测水质参数数据,并将所述待检测水质参数数据输入训练后的所述水质溯源模型进行水质溯源,得到目标排放位置。
在一些实施例,所述生成所述水质参数样本的参数图样本,包括:
获取所述水质参数样本中每个所述水质参数的参数值;
根据每个所述水质参数的所述参数值,生成水质参数柱状图,并以图片形式保存为所述参数图样本;所述水质参数柱状图中包括每个所述水质参数的图柱和所述图柱的高度信息,所述高度信息为所述水质参数的所述参数值。
在一些实施例,所述水质溯源模型包括:特征提取网络和图预测模型;所述将所述图数据集输入水质溯源模型得到对应于所述参数图样本的类型预测数据,包括:
将所述参数图样本输入所述特征提取网络进行参数特征提取,得到所述参数图样本的水质特征参数向量;
将所述水质特征参数向量输入所述图预测模型进行预测,得到所述参数图样本的类型预测数据。
在一些实施例,所述特征提取网络包括卷积层和第一全连接层;所述卷积层的卷积核长度与所述图柱的宽度的像素值相同;所述将所述参数图样本输入所述特征提取网络进行参数特征提取,得到所述参数图样本的水质特征参数向量,包括:
对所述水质参数柱状图进行分割,得到对应于所述图柱的数量的子图,所述子图中包含一个所述水质参数的所述图柱;
获取所述子图的像素信息,并根据所述像素信息生成像素矩阵;
利用所述卷积层对所述像素矩阵进行特征提取,得到图像特征;
利用所述第一全连接层对所述图像特征进行转换,得到所述图柱的高度值;
逐一获取所述子图对应的所述高度值,并根据所述高度值生成所述水质特征参数向量。
在一些实施例,所述将所述水质特征参数向量输入所述图预测模型进行水质溯源,得到所述参数图样本的类型预测数据之前,所述方法还包括:
根据所述排放位置生成至少一个第一水质节点,每个所述第一水质节点对应一个所述排放位置;所述排放位置包括:生活污水排放位置、工业污水排放位置、商业污水排放位置或地表径流排放位置中一种或一种以上;
根据所述水质参数生成至少一个第二水质节点,每个所述第二水质节点对应一个所述水质参数,所述水质参数包括:化学需氧量参数、氨氮含量参数、浊度参数或温度参数中一种或一种以上;
逐一生成所述第一水质节点与每个所述第二水质节点的参数边;所述参数边用于表征在所述第一水质节点下所述第二水质节点的取值;
根据所述第一水质节点、所述第二水质节点和所述参数边构成水质溯源图网络。
在一些实施例,所述将所述水质特征参数向量输入所述图预测模型进行水质溯源,得到所述参数图样本的类型预测数据,包括:
根据所述水质特征参数向量得到所述参数图样本的每个所述水质参数对应的高度值;
根据所述参数图样本的所述排放位置获取所述排放位置下所述水质参数的参数阈值范围;
将所述高度值与对应的所述参数阈值范围进行比较,在所述水质溯源图网络中将位于所述参数阈值范围内的所述高度值对应的所述参数边保留;
获取经过保留的所述参数边连接的所述第一水质节点和所述第二水质节点作为邻接节点,并根据所述邻接节点得到所述参数图样本对应的图邻接矩阵;
利用所述图邻接矩阵对所述图预测模型的权重矩阵进行训练,得到所述类型预测数据。
在一些实施例,所述图预测模型包括:至少一个图卷积层和第二全连接层;所述利用所述图邻接矩阵对所述图预测模型的权重矩阵进行训练,得到所述类型预测数据,包括:
获取所述参数图样本的特征矩阵,并将所述特征矩阵和所述图邻接矩阵作为输入向量输入所述图预测模型进行预测;
依次经过所述图卷积层得到预测向量,将所述预测向量输入所述第二全连接层得到所述类型预测数据,所述类型预测数据为所述第一水质节点中的一种。
在一些实施例,所述生成所述水质参数样本的参数图样本之前,所述方法还包括:
获取每个所述水质参数的序列值,所述序列值由每个所述水质参数样本中所述水质参数的参数值构成;
利用所述序列值对每个所述水质参数样本中所述水质参数进行标准归一化,得到更新后的所述参数值。
为实现上述目的,本申请实施例的第二方面提出了一种水质溯源装置,包括:
水质参数获取模块:用于获取每个排放位置的至少一个水质参数,形成所述排放位置对应的水质参数样本;
样本生成模块:用于生成所述水质参数样本的参数图样本,以及根据至少一个所述参数图样本和对应的类型标签构建图数据集,所述参数图样本的类型标签对应于所述排放位置;
模型训练模块:用于将所述图数据集输入水质溯源模型得到对应于所述参数图样本的类型预测数据;
权重调整模块:用于利用所述类型预测数据和所述类型标签调整模型权重,得到训练后的所述水质溯源模型;
水质溯源模块:用于获取待检测水质参数数据,并将所述待检测水质参数数据输入训练后的所述水质溯源模型进行水质溯源,得到目标排放位置。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
本申请实施例提出的水质溯源方法、装置、设备和存储介质,通过获取每个排放位置的至少一个水质参数,形成排放位置对应的水质参数样本,然后生成水质参数样本的参数图样本,以及根据至少一个参数图样本和对应的类型标签构建图数据集,利用图数据集训练水质溯源模型得到对应于参数图样本的类型预测数据;利用类型预测数据和类型标签调整模型权重,得到训练后的水质溯源模型;最后获取待检测水质参数数据,并将待检测水质参数数据输入训练后的水质溯源模型进行水质溯源,得到目标排放位置。本实施例将采集到的水质参数数据绘制成图表形式,将多种水质参数利用图表特征进行表示,接着利用图神经网络对图表特征进行检测和分析,能够减少数据量,提高水质溯源分析的计算效率,满足水环境检测的时效性要求。
附图说明
图1是本发明实施例提供的水质溯源方法的流程图。
图2是图1中的步骤S120的流程图。
图3是本发明又一实施例提供的水质溯源方法的预处理过程流程图。
图4是本发明又一实施例提供的水质溯源方法的水质参数柱状图示意图。
图5是本发明又一实施例提供的水质溯源方法的水质溯源模型示意图。
图6是图1中的步骤S130的流程图。
图7是图6中的步骤S131的流程图。
图8是本发明又一实施例提供的水质溯源方法的生成水质溯源图网络的流程图。
图9是本发明又一实施例提供的水质溯源方法的水质溯源图网络示意图。
图10是本发明又一实施例提供的水质溯源方法的水质溯源图网络中参数边的示意图。
图11是图6中的步骤S132的流程图。
图12是图11中的步骤S1325的流程图。
图13是本发明又一实施例提供的水质溯源装置结构框图。
图14是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
首先,对本发明中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
图神经网络(Graph Neural Network,GNN):是一种能够处理图数据结构的深度学习模型。主要思想是通过对节点和边进行信息传递,来对整个图进行特征学习和表示学习。具体来说,图神经网络通过对每个节点及其周围的邻居节点进行消息传递、聚合和更新,来生成每个节点的特征表示。这些节点特征向量可以用于执行各种任务,例如节点分类、图分类、节点聚类、社区发现等。
水利是生态环境改善不可分割的保障系统,对实现经济社会的高质量发展具有重要影响。在水环境保护中,污染物溯源是一个重要环节。目前,污染物溯源大多利用传感器对水质进行检测并传送数据到实验室进行分析,从而找到污染物源头。
相关技术中,由于传统的传感器方式进行水质溯源的效率较低,因此利用人工智能算法精确、快速地分析水质参数,进行水质溯源。但是现有的水质溯源算法在数据量过于庞大时,计算时间被拉长,计算较慢,不能满足水环境检测的时效性要求。同时越来越多的水环境场景采用便携式、实时检测的水质设备,这些设备不具备强大的算力,功能受限制,不适用相关技术中的水质溯源算法。
基于此,本发明实施例提供一种水质溯源方法、装置、设备和存储介质,通过将采集到的水质参数数据绘制成图表形式,将多种水质参数利用图表特征进行表示,接着利用图神经网络对图表特征进行检测和分析,能够减少数据量,提高水质溯源分析的计算效率,满足水环境检测的时效性要求。同时由于需要处理的参数量较少,能够适用于低算力的水质处理设备。
本发明实施例提供水质溯源方法、装置、设备和存储介质,具体通过如下实施例进行说明,首先描述本发明实施例中的水质溯源方法。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明实施例提供的水质溯源方法,涉及人工智能技术领域,尤其涉及数据挖掘技术领域。本发明实施例提供的水质溯源方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的计算机程序。举例来说,计算机程序可以是操作系统中的原生程序或软件模块;可以是本地(Native)应用程序(APP,Application),即需要在操作系统中安装才能运行的程序,如支持水质溯源的客户端,也可以是小程序,即只需要下载到浏览器环境中就可以运行的程序;还可以是能够嵌入至任意APP中的小程序。总而言之,上述计算机程序可以是任意形式的应用程序、模块或插件。其中,终端通过网络与服务器进行通信。该水质溯源方法可以由终端或服务器执行,或由终端和服务器协同执行。
在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等。服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器;也可以是区块链系统中的服务节点,该区块链系统中的各服务节点之间组成点对点(P2P,PeerTo Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission ControlProtocol)协议之上的应用层协议。服务器上可以安装水质溯源系统的服务端,通过该服务端可以与终端进行交互,例如服务端上安装对应的软件,软件可以是实现水质溯源方法的应用等,但并不局限于以上形式。终端与服务器之间可以通过蓝牙、USB(Universal SerialBus,通用串行总线)或者网络等通讯连接方式进行连接,本实施例在此不做限制。
本发明可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
下面描述本发明实施例中的水质溯源方法。
图1是本发明实施例提供的水质溯源方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S110至步骤S150。同时可以理解的是,本实施例对图1中步骤S110至步骤S150的顺序不做具体限定,可以根据实际需求调整步骤顺序或者减少、增加某些步骤。
步骤S110:获取每个排放位置的至少一个水质参数,形成排放位置对应的水质参数样本。
在一实施例中,排放位置可以是生活污水排放位置、工业污水排放位置、商业污水排放位置或地表径流排放位置中一种或一种以上。其中,工业废水还可以进一步细化成:化工厂、发电厂、造纸厂、炼钢厂等不同位置;同样地,生活污水可以按照街道、社区、网格等粒度进行划分;表面径流可以按照径流名称进行区分等,本实施例对排放位置不做具体限定,可以根据实际溯源的需求进行设定。
在一实施例中,水质参数包括:化学需氧量参数、氨氮含量参数、浊度参数或温度参数中一种或一种以上。其中化学需氧量参数(Chemical Oxygen Demand,COD)是衡量废水和自然水体中有机物浓度的指标,COD是一种用化学方法测定样品中氧化有机物所需的氧化剂的量的方法;氨氮含量参数表示水体或废水中存在的氨气和氨根离子(NH3和NH4+)的总浓度,氨氮是衡量水体腐败程度和污染程度的重要指标之一;浊度参数反映水体中可见杂质或颗粒物的浓度和大小的指标,以NTU(Nephelometric Turbidity Unit)为单位表示,浊度主要来自于水中的悬浮颗粒、胶体等杂质,也与水体中生物量、腐植酸等有机物、水温、流速等因素有关;温度参数是衡量水体热量状态的重要指标之一,通常用摄氏度或华氏度表示。水体温度的变化受地理位置、气候条件、季节变化、太阳辐射、降水形式等多种因素影响。
在一实施例中,针对不同排放位置,在不同时间采集不同测量点位的水质参数相关数据,形成对应于排放位置的多个水质参数样本。例如水质参数样本表示为:[化工厂测量点1,化学需氧量参数1、氨氮含量参数1、浊度参数1,温度参数1]、[化工厂测量点2,化学需氧量参数2、氨氮含量参数2、浊度参数2,温度参数2]、[街道A测量点5,化学需氧量参数3、氨氮含量参数3、浊度参数3,温度参数3]或[径流B测量点3,化学需氧量参数4、氨氮含量参数4、浊度参数4,温度参数4]等。
步骤S120:生成水质参数样本的参数图样本,以及根据至少一个参数图样本和对应的类型标签构建图数据集。
在一实施例中,将每个水质参数样本转化成参数图样本,并根据参数图样本和对应的类型标签构建图数据集,其中,参数图样本的类型标签对应于排放位置。
在一实施例中,参照图2,步骤S120中生成水质参数样本的参数图样本包括以下步骤S121至步骤S122:
步骤S121:获取水质参数样本中每个水质参数的参数值。
在一实施例中,对水质参数的参数值进行预处理,参照图3,预处理的过程包括以下步骤:
步骤S1211:获取每个水质参数的序列值。
该实施例中,序列值由每个水质参数样本中水质参数的参数值构成。例如有10个水质参数样本,都包含4种水质参数,分别是:化学需氧量参数、氨氮含量参数、浊度参数和温度参数,根据10个水质参数样本中水质参数的参数值得到对应于4种水质参数的4个序列值。例如序列值1=[化学需氧量参数1,化学需氧量参数2,…,化学需氧量参数10],序列值2=[氨氮含量参数1,氨氮含量参数2,…,氨氮含量参数10],序列值3=[浊度参数1,浊度参数2,…,浊度参数10],序列值4=[温度参数1,温度参数2,…,温度参数10]。
步骤S1212:利用序列值对每个水质参数样本中水质参数进行标准归一化,得到更新后的参数值。
根据上述实施例的序列值,利用序列值分别对10个水质参数样本的参数值进行标准归一化,通过标准归一化确保柱状图中的水质参数的高度不会过于悬殊。下面以序列值3为例描述标准归一化的过程:
首先对序列值3中个元素进行相加,得到浊度参数总值,浊度参数总值=浊度参数1+浊度参数2+…+浊度参数10。
然后利用浊度参数总值对每个浊度参数进行归一化,得到更新后的浊度参数,表示为:
浊度参数1的更新值:浊度参数1/浊度参数总值;
浊度参数2的更新值:浊度参数2/浊度参数总值;
…
浊度参数10的更新值:浊度参数10/浊度参数总值;
步骤S122:根据每个水质参数的参数值,生成水质参数柱状图,并以图片形式保存为参数图样本。
在一实施例中,这里的参数值为经过上述归一化后的参数值,参数图样本为水质参数柱状图,该水质参数柱状图中包括图柱和图柱的高度信息,其中图柱表示水质参数,高度信息为水质参数的参数值。可以理解的是,这里可以利用办公软件进行水质参数柱状图的绘制,也可以手动绘制,本实施例对绘制方式不做具体限定。
参照图4,假设一个水质参数样本表示为:[街道A测量点5,化学需氧量参数=0.5,氨氮含量参数=0.4,浊度参数=0.2,温度参数=0.6],可见图4中水质参数柱状图包含4个图柱,分别是化学需氧量参数、氨氮含量参数、浊度参数和温度参数,每个图柱的高度为不同水质参数对应的更新后的参数值。
上述实施例中,参数图样本包括水质参数柱状图和对应的类型标签,这里的类型标签为该水质参数样本的排放位置。例如图4中参数图样本的类型标签为街道A。可以理解的是,关于图柱的宽度可以按照需求设定,每个参数图样本中图柱的宽度相同。
由上述过程得到多个参数图样本用于训练水质溯源模型,下面描述水质溯源模型的训练过程。
步骤S130:将图数据集输入水质溯源模型得到对应于参数图样本的类型预测数据。
在一实施例中,参照图5,水质溯源模型10包括:特征提取网络110和图预测模型120,其中特征提取网络110的输出作为图预测模型120的输入,图预测模型120的输出即为水质溯源模型的输出。特征提取网络110包括至少一个依次连接的卷积层和第一全连接层,图预测模型120包括:至少一个图卷积层和第二全连接层。其中图卷积层和卷积层都是执行卷积操作,特征提取网络110的卷积层的个数以及图预测模型120中图卷积层的个数可以根据实际情况设定。
在一实施例中,参照图6,步骤S130包括步骤S131至步骤S132:
步骤S131:将参数图样本输入特征提取网络进行参数特征提取,得到参数图样本的水质特征参数向量。
在一实施例中,特征提取网络是卷积神经网络模型,卷积神经网络模型中卷积层的卷积核长度与参数图样本中图柱的宽度的像素值相同。参照图7,步骤S131包括步骤S1311至步骤S1315:
步骤S1311:对水质参数柱状图进行分割,得到对应于图柱的数量的子图,子图中包含一个水质参数的图柱。
在一实施例中,该步骤分割的目的是将水质参数柱状图中每个图柱都独立表示,参照图4,分割得到4个子图,其中子图1对应化学需氧量参数的图柱、子图2对应氨氮含量参数的图柱、子图3对应浊度参数的图柱和子图4对应温度参数的图柱。接着针对每个子图进行图柱的高度值识别。
步骤S1312:获取子图的像素信息,并根据像素信息生成像素矩阵。
步骤S1313:利用卷积层对像素矩阵进行特征提取,得到图像特征。
步骤S1314:利用第一全连接层对图像特征进行转换,得到图柱的高度值。
在一实施例中,获取每个子图的像素信息,然后根据像素信息生成像素矩阵,这里的像素矩阵为N*M的矩阵,其中N为子图的像素宽度,M为子图的像素高度。然后将像素矩阵输入卷积层,依次进行特征提取,得到图像特征。再将图像特征输入第一全连接层进行转换,得到图柱的高度值。
步骤S1315:逐一获取子图对应的高度值,并根据高度值生成水质特征参数向量。
在一实施例中,利用特征提取网络逐一对每个子图的高度值进行提取,得到每个参数图样本对应的每个水质参数的高度值,将对应样本的所有水质参数的高度值依次排列构建水质特征参数向量。
在利用水质参数特征向量输入图预测模型进行水质溯源之前,本申请实施例还包括生成水质溯源图网络。在一实施例中,参照图8,生成水质溯源图网络包括以下步骤S810至步骤S840:
步骤S810:根据排放位置生成至少一个第一水质节点,每个第一水质节点对应一个排放位置。
步骤S820:根据水质参数生成至少一个第二水质节点,每个第二水质节点对应一个水质参数。
步骤S830:逐一生成第一水质节点与每个第二水质节点的参数边。
步骤S840:根据第一水质节点、第二水质节点和参数边构成水质溯源图网络。
在一实施例中,参数边用于表征在第一水质节点下第二水质节点的取值。参照图9,为利用多个参数图样本生成水质溯源图网络示意图。其中第一水质节点表征排放位置,例如:生活污水1、生活污水2、商业污水1、造纸厂1、炼钢厂3、地表径流1等多种排放位置。第二水质节点表征水质参数,例如化学需氧量参数、氨氮含量参数、浊度参数和温度参数。对于每个参数图样本来说,都能提取到一个水质特征参数向量,根据水质参数特征参数向量逐一生成第一水质节点与每个第二水质节点的参数边,其中参数边的特征值为在第一水质节点下第二水质节点的取值。对于不同的参数图样本,其参数边的取值不同。图中用虚线表示了生活污水2下对应的一个参数图样本在水质溯源图网络中的示意。参照图10,参数边是由特征提取网络提取得到的水质特征参数向量得到。
步骤S132:将水质特征参数向量输入图预测模型进行预测,得到参数图样本的类型预测数据。
在一实施例中,参照图11,在利用图预测模型进行预测时,需要得到每个参数图样本对应的邻接矩阵,利用邻接矩阵得到类型预测数据,其中步骤S132包括以下步骤S1321至步骤S1325:
步骤S1321:根据水质特征参数向量得到参数图样本的每个水质参数对应的高度值。
步骤S1322:根据参数图样本的排放位置获取排放位置下水质参数的参数阈值范围。
在一实施例中,不同的排放位置下水质参数的参数阈值范围不同,因此每个参数图样本都能对应一组参数阈值范围。
步骤S1323:将高度值与对应的参数阈值范围进行比较,在水质溯源图网络中将位于参数阈值范围内的高度值对应的参数边保留。
在一实施例中,针对每个参数图样本,将每个水质参数的高度值和对应的参数阈值范围进行比较,如果某个水质参数的高度值位于对应的参数阈值范围,则将水质溯源图网络中该参数值对应的参数边保留,逐一进行水质参数比较,得到每个参数图样本保留的至少一个参数边。
步骤S1324:获取经过保留的参数边连接的第一水质节点和第二水质节点作为邻接节点,并根据邻接节点得到参数图样本对应的图邻接矩阵。
在一实施例中,每个参数边都连接第一水质节点和第二水质节点,将经过保留的参数边连接的第一水质节点和第二水质节点作为邻接节点,然后根据每个邻接节点的参数边的特征值得到该参数图样本对应的图邻接矩阵。例如图邻接矩阵C的大小为A*B,其中A为第一水质节点的数量,B为第二水质节点的数量,Cij表示第i个第一水质节点下第j个第二水质节点的参数边,如果该参数边保留,则Cij=1,否则Cij=0。通过邻接矩阵建立不同节点之间的关系,可以更好地利用水质溯源图网络中结构相关信息。
步骤S1325:利用图邻接矩阵对图预测模型的权重矩阵进行训练,得到类型预测数据。
在一实施例中,得到图邻接矩阵后,利用图邻接矩阵对图预测模型的权重矩阵进行训练,得到类型预测数据,参照图12,步骤S1325包括以下步骤:S1210至步骤S1220:
步骤S1210:获取参数图样本的特征矩阵,并将特征矩阵和图邻接矩阵作为输入向量输入图预测模型进行预测。
步骤S1220:依次经过图卷积层得到预测向量,将预测向量输入第二全连接层得到类型预测数据。
在一实施例中,参数图样本的特征矩阵由参数图样本在水质溯源图网络中所有节点的特征向量构成,特征向量由该参数图样本对应的参数边的值得到,可见特征矩阵能够表征参数图样本的水质参数信息。该实施例中,特征向量的维度可以是一维。接着将特征向量和对应该参数图样本的邻接矩阵作为输入向量,同时输入图预测模型进行预测,依次经过图卷积层进行卷积处理,卷积处理的目的是对一个图节点相邻的节点进行特征的加权聚合,最终得到预测向量,将预测向量输入第二全连接层得到类型预测数据,其中类型预测数据为第一水质节点中的一种,也就是说通过图预测模型之后输出的是预测的参数图样本的排放位置。
步骤S140:利用类型预测数据和类型标签调整模型权重,得到训练后的水质溯源模型。
在一实施例中,将预测得到的排放位置和对应的类型标签调整隐藏层的权重,通过梯度下降法进行训练,训练过程中,激活函数为ReLU函数,优化调整水质溯源模型的权重参数,直到损失函数值收敛,则训练完成经过上述过程的训练之后,得到训练完成的水质溯源模型。
步骤S150:获取待检测水质参数数据,并将待检测水质参数数据输入训练后的水质溯源模型进行水质溯源,得到目标排放位置。
在一实施例中,训练好水质溯源模型后,将水质溯源模型安装在水质设备上,传感器采集到水质参数后,水质设备、其他终端或服务器根据水质参数形成柱状图,将柱状图输入水质溯源模型中进行水质溯源,无需识别大量水质参数,只需要对图表化的数据进行识别,参数量小,因此可以适用于算力低的水质设备,满足水质溯源实时性要求。
本发明实施例提供的技术方案,通过获取每个排放位置的至少一个水质参数,形成排放位置对应的水质参数样本,然后生成水质参数样本的参数图样本,以及根据至少一个参数图样本和对应的类型标签构建图数据集,利用图数据集训练水质溯源模型得到对应于参数图样本的类型预测数据;利用类型预测数据和类型标签调整模型权重,得到训练后的水质溯源模型;最后获取待检测水质参数数据,并将待检测水质参数数据输入训练后的水质溯源模型进行水质溯源,得到目标排放位置。本实施例将采集到的水质参数数据绘制成图表形式,将多种水质参数利用图表特征进行表示,接着利用图神经网络对图表特征进行检测和分析,能够减少数据量,提高水质溯源分析的计算效率,满足水环境检测的时效性要求。
本发明实施例还提供一种水质溯源装置,可以实现上述水质溯源方法,参照图13,该装置包括:
水质参数获取模块1310:用于获取每个排放位置的至少一个水质参数,形成排放位置对应的水质参数样本。
样本生成模块1320:用于生成水质参数样本的参数图样本,以及根据至少一个参数图样本和对应的类型标签构建图数据集,参数图样本的类型标签对应于排放位置。
模型训练模块1330:用于利用图数据集训练水质溯源模型得到对应于参数图样本的类型预测数据。
权重调整模块1340:用于利用类型预测数据和类型标签调整模型权重,得到训练后的水质溯源模型。
水质溯源模块1350:用于获取待检测水质参数数据,并将待检测水质参数数据输入训练后的水质溯源模型进行水质溯源,得到目标排放位置。
本实施例的水质溯源装置的具体实施方式与上述水质溯源方法的具体实施方式基本一致,在此不再赘述。
本发明实施例还提供了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现本发明实施上述的水质溯源方法。该电子设备可以为包括手机、平板电脑、个人数字助理(PersonalDigital Assistant,简称PDA)、车载电脑等任意智能终端。
请参阅图14,图14示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1401,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本发明实施例所提供的技术方案;
存储器1402,可以采用ROM(ReadOnlyMemory,只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory,随机存取存储器)等形式实现。存储器1402可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1402中,并由处理器1401来调用执行本发明实施例的水质溯源方法;
输入/输出接口1403,用于实现信息输入及输出;
通信接口1404,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和
总线1405,在设备的各个组件(例如处理器1401、存储器1402、输入/输出接口1403和通信接口1404)之间传输信息;
其中处理器1401、存储器1402、输入/输出接口1403和通信接口1404通过总线1405实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述水质溯源方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例提出的水质溯源方法、水质溯源装置、电子设备、存储介质,通过获取每个排放位置的至少一个水质参数,形成排放位置对应的水质参数样本,然后生成水质参数样本的参数图样本,以及根据至少一个参数图样本和对应的类型标签构建图数据集,利用图数据集训练水质溯源模型得到对应于参数图样本的类型预测数据;利用类型预测数据和类型标签调整模型权重,得到训练后的水质溯源模型;最后获取待检测水质参数数据,并将待检测水质参数数据输入训练后的水质溯源模型进行水质溯源,得到目标排放位置。本实施例将采集到的水质参数数据绘制成图表形式,将多种水质参数利用图表特征进行表示,接着利用图神经网络对图表特征进行检测和分析,能够减少数据量,提高水质溯源分析的计算效率,满足水环境检测的时效性要求。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (11)
1.一种水质溯源方法,其特征在于,包括:
获取每个排放位置的至少一个水质参数,形成所述排放位置对应的水质参数样本;
生成所述水质参数样本的参数图样本,以及根据至少一个所述参数图样本和对应的类型标签构建图数据集,所述参数图样本的类型标签对应于所述排放位置;
将所述图数据集输入水质溯源模型得到对应于所述参数图样本的类型预测数据;
利用所述类型预测数据和所述类型标签调整模型权重,得到训练后的所述水质溯源模型;
获取待检测水质参数数据,并将所述待检测水质参数数据输入训练后的所述水质溯源模型进行水质溯源,得到目标排放位置。
2.根据权利要求1所述的水质溯源方法,其特征在于,所述生成所述水质参数样本的参数图样本,包括:
获取所述水质参数样本中每个所述水质参数的参数值;
根据每个所述水质参数的所述参数值,生成水质参数柱状图,并以图片形式保存为所述参数图样本;所述水质参数柱状图中包括每个所述水质参数的图柱和所述图柱的高度信息,所述高度信息为所述水质参数的所述参数值。
3.根据权利要求2所述的水质溯源方法,其特征在于,所述水质溯源模型包括:特征提取网络和图预测模型;所述将所述图数据集输入水质溯源模型得到对应于所述参数图样本的类型预测数据,包括:
将所述参数图样本输入所述特征提取网络进行参数特征提取,得到所述参数图样本的水质特征参数向量;
将所述水质特征参数向量输入所述图预测模型进行预测,得到所述参数图样本的类型预测数据。
4.根据权利要求3所述的水质溯源方法,其特征在于,所述特征提取网络包括卷积层和第一全连接层;所述卷积层的卷积核长度与所述图柱的宽度的像素值相同;所述将所述参数图样本输入所述特征提取网络进行参数特征提取,得到所述参数图样本的水质特征参数向量,包括:
对所述水质参数柱状图进行分割,得到对应于所述图柱的数量的子图,所述子图中包含一个所述水质参数的所述图柱;
获取所述子图的像素信息,并根据所述像素信息生成像素矩阵;
利用所述卷积层对所述像素矩阵进行特征提取,得到图像特征;
利用所述第一全连接层对所述图像特征进行转换,得到所述图柱的高度值;
逐一获取所述子图对应的所述高度值,并根据所述高度值生成所述水质特征参数向量。
5.根据权利要求4所述的水质溯源方法,其特征在于,所述将所述水质特征参数向量输入所述图预测模型进行水质溯源,得到所述参数图样本的类型预测数据之前,所述方法还包括:
根据所述排放位置生成至少一个第一水质节点,每个所述第一水质节点对应一个所述排放位置;所述排放位置包括:生活污水排放位置、工业污水排放位置、商业污水排放位置或地表径流排放位置中一种或一种以上;
根据所述水质参数生成至少一个第二水质节点,每个所述第二水质节点对应一个所述水质参数,所述水质参数包括:化学需氧量参数、氨氮含量参数、浊度参数或温度参数中一种或一种以上;
逐一生成所述第一水质节点与每个所述第二水质节点的参数边;所述参数边用于表征在所述第一水质节点下所述第二水质节点的取值;
根据所述第一水质节点、所述第二水质节点和所述参数边构成水质溯源图网络。
6.根据权利要求5所述的水质溯源方法,其特征在于,所述将所述水质特征参数向量输入所述图预测模型进行水质溯源,得到所述参数图样本的类型预测数据,包括:
根据所述水质特征参数向量得到所述参数图样本的每个所述水质参数对应的高度值;
根据所述参数图样本的所述排放位置获取所述排放位置下所述水质参数的参数阈值范围;
将所述高度值与对应的所述参数阈值范围进行比较,在所述水质溯源图网络中将位于所述参数阈值范围内的所述高度值对应的所述参数边保留;
获取经过保留的所述参数边连接的所述第一水质节点和所述第二水质节点作为邻接节点,并根据所述邻接节点得到所述参数图样本对应的图邻接矩阵;
利用所述图邻接矩阵对所述图预测模型的权重矩阵进行训练,得到所述类型预测数据。
7.根据权利要求5所述的水质溯源方法,其特征在于,所述图预测模型包括:至少一个图卷积层和第二全连接层;所述利用所述图邻接矩阵对所述图预测模型的权重矩阵进行训练,得到所述类型预测数据,包括:
获取所述参数图样本的特征矩阵,并将所述特征矩阵和所述图邻接矩阵作为输入向量输入所述图预测模型进行预测;
依次经过所述图卷积层得到预测向量,将所述预测向量输入所述第二全连接层得到所述类型预测数据,所述类型预测数据为所述第一水质节点中的一种。
8.根据权利要求1至7任一项所述的水质溯源方法,其特征在于,所述生成所述水质参数样本的参数图样本之前,所述方法还包括:
获取每个所述水质参数的序列值,所述序列值由每个所述水质参数样本中所述水质参数的参数值构成;
利用所述序列值对每个所述水质参数样本中所述水质参数进行标准归一化,得到更新后的所述参数值。
9.一种水质溯源装置,其特征在于,包括:
水质参数获取模块:用于获取每个排放位置的至少一个水质参数,形成所述排放位置对应的水质参数样本;
样本生成模块:用于生成所述水质参数样本的参数图样本,以及根据至少一个所述参数图样本和对应的类型标签构建图数据集,所述参数图样本的类型标签对应于所述排放位置;
模型训练模块:用于将所述图数据集输入水质溯源模型得到对应于所述参数图样本的类型预测数据;
权重调整模块:用于利用所述类型预测数据和所述类型标签调整模型权重,得到训练后的所述水质溯源模型;
水质溯源模块:用于获取待检测水质参数数据,并将所述待检测水质参数数据输入训练后的所述水质溯源模型进行水质溯源,得到目标排放位置。
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的水质溯源方法。
11.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的水质溯源方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724816.8A CN116894173A (zh) | 2023-06-16 | 2023-06-16 | 水质溯源方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724816.8A CN116894173A (zh) | 2023-06-16 | 2023-06-16 | 水质溯源方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894173A true CN116894173A (zh) | 2023-10-17 |
Family
ID=88310091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310724816.8A Pending CN116894173A (zh) | 2023-06-16 | 2023-06-16 | 水质溯源方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894173A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117309067A (zh) * | 2023-11-30 | 2023-12-29 | 长春职业技术学院 | 水资源实时监控方法、系统和电子设备 |
-
2023
- 2023-06-16 CN CN202310724816.8A patent/CN116894173A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117309067A (zh) * | 2023-11-30 | 2023-12-29 | 长春职业技术学院 | 水资源实时监控方法、系统和电子设备 |
CN117309067B (zh) * | 2023-11-30 | 2024-02-09 | 长春职业技术学院 | 水资源实时监控方法、系统和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A BP neural network model optimized by mind evolutionary algorithm for predicting the ocean wave heights | |
CN111680176A (zh) | 基于注意力与双向特征融合的遥感图像检索方法及系统 | |
CN109190950B (zh) | 一种电表和水表档案贯通的用能异常识别方法 | |
CN115830473B (zh) | 基于卫星遥感和自动监测的水质反演方法、系统 | |
CN110830489B (zh) | 基于内容抽象表示的对抗式欺诈网站检测方法及系统 | |
CN113422761B (zh) | 基于对抗学习的恶意社交用户检测方法 | |
CN116894173A (zh) | 水质溯源方法、装置、设备和存储介质 | |
Wan et al. | Industrial pollution areas detection and location via satellite-based IIoT | |
Steinhaeuser et al. | Comparing predictive power in climate data: Clustering matters | |
Yuan et al. | Research on Real‐Time Multiple Single Garbage Classification Based on Convolutional Neural Network | |
CN103309851B (zh) | 短文本的垃圾识别方法及系统 | |
CN112800111B (zh) | 一种基于训练数据挖掘的位置预测方法 | |
Basterretxea et al. | Global variability of high-nutrient low-chlorophyll regions using neural networks and wavelet coherence analysis | |
CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
Qiuying et al. | Quantitative measurement of urban expansion and its driving factors in Qingdao: An empirical analysis based on county unit data | |
Hu et al. | Urban landscape information atlas and model system based on remote sensing images | |
CN103389987A (zh) | 文本相似性比较方法及系统 | |
Fen et al. | Short‐term photovoltaic power probability forecasting based on OLPP‐GPR and modified clearness index | |
CN115205606A (zh) | 一种图像的多标签分类的方法、装置及相关产品 | |
CN108564585A (zh) | 一种基于自组织映射与深度神经网络的图像变化检测方法 | |
Gök et al. | Transient event classification using pmu data with deep learning techniques and synthetically supported training‐set | |
CN113673605B (zh) | 一种海水溶解氧评估方法 | |
Yuan et al. | Rumor Situation Recognition Based on Multifractals | |
CN114647733B (zh) | 一种问答语料评估方法、装置、计算机设备及存储介质 | |
CN117874498B (zh) | 基于数据湖的智慧林业大数据系统、方法、设备及介质 |
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 |