CN117288696A - 一种水质检测方法、装置、电子设备和存储介质 - Google Patents
一种水质检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117288696A CN117288696A CN202210698198.XA CN202210698198A CN117288696A CN 117288696 A CN117288696 A CN 117288696A CN 202210698198 A CN202210698198 A CN 202210698198A CN 117288696 A CN117288696 A CN 117288696A
- Authority
- CN
- China
- Prior art keywords
- water quality
- weight
- water
- concentration data
- preset
- 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 290
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000013076 target substance Substances 0.000 claims abstract description 34
- 239000002352 surface water Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 239000010865 sewage Substances 0.000 claims description 11
- 238000012372 quality testing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000002835 absorbance Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000010561 standard procedure Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 239000000126 substance Substances 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供了一种水质检测方法和装置，其中，所述方法包括：获取待检测水样中目标物质的实际浓度数据；根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测待检测水样中目标物质的预测浓度数据；根据每个预测浓度数据和实际浓度数据确定每个水质关系模型的权重；根据每个水质关系模型和各自对应的权重对待检测水样进行水质检测。本发明实施例预先针对不同类型的水体建立多个水质关系模型，利用现场获取的实际浓度数据和多个水质关系模型输出的预测浓度数据对多个水质关系模型分配权重，使得多个水质关系模型组成的模型组合更加适合待检测水样，解决了单一水质模型无法适用于所有水质检测场合的问题。
Description
技术领域
本发明涉及光谱分析技术领域，特别是涉及一种水质检测方法、装置、电子设备和计算机可读存储介质。
背景技术
光谱分析法是指通过测量物质产生的发射光、吸收光或散射光的波长和强度来进行分析的方法。光谱分析技术应用于地表水、河流、湖泊、污水厂出水等水质的测量与分析中，是水质检测的新技术、新趋势。
在使用光谱分析技术进行水质检测时，通常采用固定标准溶液或固定场合的水质进行建模，再利用建立的模型与采集到的光谱数据进行水质参数的计算。但是用单一水质建立的模型无法适用于所有水质检测场合场合，鲁棒性较差。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种水质检测方法、装置、电子设备和计算机可读存储介质。
为了解决上述问题，根据本发明实施例的第一方面，公开了一种水质检测方法，所述方法包括：获取待检测水样中目标物质的实际浓度数据；根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测所述待检测水样中所述目标物质的预测浓度数据；根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
可选地，所述根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重，包括：计算每个所述预测浓度数据与所述实际浓度数据的绝对误差的绝对值；根据各所述绝对值确定每个所述水质关系模型的权重。
可选地，所述根据各所述绝对值确定每个所述水质关系模型的权重，包括：计算每个所述绝对值与各所述绝对值总和的比值的倒数；将每个所述倒数与各所述倒数总和的比值作为对应的所述水质关系模型的权重。
可选地，所述方法还包括：当各所述权重中存在一个大于或等于预设第一权重阈值的极大权重时，将所述极大权重设置为所述预设第一权重阈值；将各所述权重中除所述极大权重之外的剩余权重，按照各剩余权重与各剩余权重总和的比值分配预设第二权重阈值；其中，所述预设第一权重阈值与所述预设第二权重阈值之和为100％，所述预设第一权重阈值大于所述预设第二权重阈值。
可选地，所述方法还包括：获取所述待检测水样的采样数据；根据所述采样数据建立所述待检测水样的水质关系模型。
可选地，所述方法还包括：根据所述待检测水样的水质关系模型预测所述待检测水样中所述目标物质的现场浓度数据；根据每个所述预测浓度数据、所述现场浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
可选地，多种不同类型包含：地表水类型、污水厂出水类型、生活污水类型、河流水类型、湖泊水类型；所述方法还包括：将所述地表水类型对应的所述水质关系模型的权重设置为预设第三权重阈值，将除所述地表水类型之外的其他类型对应的所述水质关系模型的权重均匀分配预设第四权重阈值；其中，所述预设第三权重阈值与所述预设第四权重阈值之和为100％，所述预设第三权重阈值大于或等于所述预设第四权重阈值。
根据本发明实施例的第二方面，还公开了一种水质检测装置，所述装置包括：获取模块，用于获取待检测水样中目标物质的实际浓度数据；预测模块，用于根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测所述待检测水样中所述目标物质的预测浓度数据；权重模块，用于根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；检测模块，用于根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
可选地，所述权重模块，包括：绝对值计算模块，用于计算每个所述预测浓度数据与所述实际浓度数据的绝对误差的绝对值；权重确定模块，用于根据各所述绝对值确定每个所述水质关系模型的权重。
可选地，所述权重确定模块，用于计算每个所述绝对值与各所述绝对值总和的比值的倒数；将每个所述倒数与各所述倒数总和的比值作为对应的所述水质关系模型的权重。
可选地，当各所述权重中存在一个大于或等于预设第一权重阈值的极大权重时，将所述极大权重设置为所述预设第一权重阈值；将各所述权重中除所述极大权重之外的剩余权重，按照各剩余权重与各剩余权重总和的比值分配预设第二权重阈值；其中，所述预设第一权重阈值与所述预设第二权重阈值之和为100％，所述预设第一权重阈值大于所述预设第二权重阈值。
可选地，所述装置还包括：采样模块，用于获取所述待检测水样的采样数据；建模模块，用于根据所述采样数据建立所述待检测水样的水质关系模型。
可选地，所述预测模块，还用于根据所述待检测水样的水质关系模型预测所述待检测水样中所述目标物质的现场浓度数据；所述权重模块，还用于根据每个所述预测浓度数据、所述现场浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；所述检测模块，还用于根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
可选地，多种不同类型包含：地表水类型、污水厂出水类型、生活污水类型、河流水类型、湖泊水类型；所述权重模块，还用于将所述地表水类型对应的所述水质关系模型的权重设置为预设第三权重阈值，将除所述地表水类型之外的其他类型对应的所述水质关系模型的权重均匀分配预设第四权重阈值；其中，所述预设第三权重阈值与所述预设第四权重阈值之和为100％，所述预设第三权重阈值大于或等于所述预设第四权重阈值。
根据本发明实施例的第三方面，还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的一种水质检测方法。
根据本发明实施例的第四方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的一种水质检测方法。
与现有技术相比，本发明实施例提供的技术方案具有如下优点：
本发明实施例提供的一种水质检测方案，预先针对不同类型的水体建立多个水质关系模型。分别利用多个水质关系模型，预测待检测水样中目标物质的预测浓度数据，进而根据每个预测浓度数据和待检测水样中目标物质的实际浓度数据确定每个水质关系模型的权重，最终根据每个水质关系模型和各自对应的权重对待检测水样进行水质检测。
本发明实施例预先针对不同类型的水体建立多个水质关系模型，当对待检测水样进行水质检测时，现场获取待检测水样中目标物质的实际浓度数据，利用实际浓度数据和多个水质关系模型输出的预测浓度数据对多个水质关系模型分配权重，使得多个水质关系模型组成的模型组合更加适合待检测水样，解决了单一水质模型无法适用于所有水质检测场合的问题。
附图说明
图1是本发明实施例的一种水质检测方法的步骤流程图；
图2是本发明实施例的一种水质检测装置的结构框图；
图3是本发明实施例的一种电子设备的结构示意图。
具体实施方式
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。
参照图1，示出了本发明实施例的一种水质检测方法的步骤流程图。该水质检测方法可以应用于水质检测终端。该水质检测方法具体可以包括如下步骤：
步骤101，获取待检测水样中目标物质的实际浓度数据。
水质检测的目的有考察环境质量、研究水质是否合宜或合用、考察水的污染性或受污染的程度、检查水处理过程的效率等。在本发明的实施例中，对待检测水样进行水质检测之前，可以预先建立多种不同类型的水体对应的多个水质关系模型。在实际应用中，若水质关系模型表示吸光度与目标物质浓度之间的关系，则可以针对待检测水样，获取目标物质的实际浓度数据。例如，可以利用国标法对待检测水样化验得到目标物质的实际浓度数据。
步骤102，根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测待检测水样中目标物质的预测浓度数据。
在本发明的实施例中，可以针对多种不同类型的水体进行采样，采样点数不小于100。对采样数据进行相关分析处理。例如，采用光谱分析技术从采样数据中测量得到吸光度，利用国标法获取目标物质的浓度。采用无信息变量消除方式对吸光度进行波长筛选之后，再基于支持向量机(Support Vector Machine，简称SVM)算法分别对不同类型的水体建立吸光度与目标物质浓度之间的水质关系模型。
利用每种不同类型的水体对应的每个水质关系模型，分别预测待检测水样中目标物质的浓度得到多个预测浓度数据。例如，若预先建立5个不同类型的水体对应的5个水质关系模型，则分别利用该5个水质关系模型预测待检测水样中目标物质的浓度得到5个预测浓度数据。在实际应用中，可以采用光谱分析技术从待检测水样中测量得到吸光度，再结合吸光度与水质关系模型预测得到预测浓度数据。
需要说明的是，可以先执行步骤101后执行步骤102，也可以先执行步骤102后执行步骤101，还可以并列执行步骤101和步骤102，本发明实施例对上述步骤101和上述步骤102的执行顺序不做具体限制。
步骤103，根据每个预测浓度数据和实际浓度数据确定每个水质关系模型的权重。
在本发明的实施例中，预先建立的多个水质关系模型可以作为基础模型组。在利用基础模型组进行水质检测之前，需要确定基础模型组中各水质关系模型的权重。在实际应用中，一种权重分配方案为基于现场对待检测水样化验得到的目标物质的实际浓度数据，根据基础模型组中各水质关系模型的贡献度进行权重分配。
步骤104，根据每个水质关系模型和各自对应的权重对待检测水样进行水质检测。
在本发明的实施例中，可以根据每个水质关系模型分别对待检测水样进行水质检测得到多个水质检测结果，再将多个水质检测结果乘以对应的水质关系模型各自对应的权重之后求和得到待检测水样的检测结果。例如，预先建立的水质关系模型分别为M1、M2、M3，水质关系模型M1、M2、M3各自对应的权重分别为Q1、Q2、Q3。利用水质关系模型M1、M2、M3对待检测水样进行水质检测得到的水质检测结果分别为J1、J2、J3。则待检测水样的检测结果为J1×Q1+J2×Q2+J3×Q3。
本发明实施例提供的一种水质检测方案，预先针对不同类型的水体建立多个水质关系模型。分别利用多个水质关系模型，预测待检测水样中目标物质的预测浓度数据，进而根据每个预测浓度数据和待检测水样中目标物质的实际浓度数据确定每个水质关系模型的权重，最终根据每个水质关系模型和各自对应的权重对待检测水样进行水质检测。
本发明实施例预先针对不同类型的水体建立多个水质关系模型，当对待检测水样进行水质检测时，现场获取待检测水样中目标物质的实际浓度数据，利用实际浓度数据和多个水质关系模型输出的预测浓度数据对多个水质关系模型分配权重，使得多个水质关系模型组成的模型组合更加适合待检测水样，解决了单一水质模型无法适用于所有水质检测场合的问题。
在本发明的一种优选实施例中，上述根据每个预测浓度数据和实际浓度数据确定每个水质关系模型的权重的一种实施方式为，计算每个预测浓度数据与实际浓度数据的绝对误差的绝对值；根据各绝对值确定每个水质关系模型的权重。例如，现场对待检测水样利用国标法化验得到的目标物质的实际浓度数据为C，利用水质关系模型M1、M2、……、Mn(n为正整数，n≥2)对待检测水样预测得到的预测浓度数据分别为D1、D2、……、Dn。计算预测浓度数据D1、D2、……、Dn与实际浓度数据C的绝对误差的绝对值分别为e1、e2、……、en。进而，根据绝对值e1、e2、……、en确定水质关系模型M1、M2、……、Mn各自的权重。
在实际应用中，根据各绝对值确定每个水质关系模型的权重的一种实施方式为，计算每个绝对值与各绝对值总和的比值的倒数；将每个倒数与各倒数总和的比值作为对应的水质关系模型的权重。例如，各绝对值总和为Se＝e1+e2+……+en。每个绝对值与各绝对值总和的比值的倒数分别为q1＝1/(e1/Se)、q2＝1/(e2/Se)、……、qn＝1/(en/Se)。各倒数总和为SQ＝q1+q2+……+qn。水质关系模型M1、M2、……、Mn各自的权重分别为Q1＝q1/SQ×100％、Q2＝q2/SQ×100％、……、Qn＝qn/SQ×100％。
在本发明的一种优选实施例中，当各权重中存在一个大于或等于预设第一权重阈值的极大权重时，将极大权重设置为预设第一权重阈值；将各权重中除极大权重之外的其他权重，按照各绝对值与各绝对值总和的比值分配预设第二权重阈值；其中，预设第一权重阈值与预设第二权重阈值之和为100％，预设第一权重阈值大于预设第二权重阈值。例如，预设第一权重阈值为80％，预设第二权重阈值为20％。若各水质关系模型的权重中存在某一权重Q1为85％，该权重Q1大于80％，则该权重Q1由85％设置为80％，并将除该权重Q1之外的剩余权重Q2、Q3、……、Qn，按照Q2/S’、Q3/S’、……、Qn/S’分配20％。其中，S’＝Q2+Q3+……+Qn。
在本发明的一种优选实施例中，除了预先建立多个不同类型的水体的水质关系模型之外，还可以现场创建新的水质关系模型。即获取待检测水样的采样数据；根据采样数据建立待检测水样的水质关系模型。在实际应用中，可以对待检测水样均匀获取30个以上的采样数据。其中，采样数据的取样点和取样时间需要能覆盖待检测水样的水质变化范围。然后基于SVM算法建立待检测水样的水质关系模型Mn+1。
在本发明的一种优选实施例中，将水质关系模型Mn+1与上述基础模型组结合，重新分配n+1个水质关系模型的权重。在实际应用中，根据待检测水样的水质关系模型预测待检测水样中目标物质的现场浓度数据；根据每个预测浓度数据、现场浓度数据和实际浓度数据确定每个水质关系模型的权重。具体的权重分配方案可以参照上述权重分配的相关介绍，在此不再赘述。然后，根据每个水质关系模型和各自对应的权重对待检测水样进行水质检测。
在本发明的一种优选实施例中，多种不同类型包含：地表水类型、污水厂出水类型、生活污水类型、河流水类型、湖泊水类型等等。除了上述水质关系模型的权重分配方案之外，还可以按照水体类型进行权重分配。在实际应用中，将地表水类型对应的水质关系模型的权重设置为预设第三权重阈值，将除地表水类型之外的其他类型对应的水质关系模型的权重均匀分配预设第四权重阈值；其中，预设第三权重阈值与预设第四权重阈值之和为100％，预设第三权重阈值大于或等于预设第四权重阈值。例如，预设第三权重阈值与预设第四权重阈值均为50％。将地表水类型对应的水质关系模型的权重设置为50％，将除了地表水类型之外的其他类型对应的水质关系模型的权重均匀分配50％。若除了地表水类型之外的其他类型对应的水质关系模型为5个，则除了地表水类型之外的其他类型对应的水质关系模型的权重均为50％/5＝10％。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图2，示出了本发明实施例的一种水质检测装置的结构框图，该水质检测装置可以应用于水质检测终端。该水质检测装置具体可以包括如下模块：
获取模块21，用于获取待检测水样中目标物质的实际浓度数据；
预测模块22，用于根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测所述待检测水样中所述目标物质的预测浓度数据；
权重模块23，用于根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；
检测模块24，用于根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
在本发明的一种优选实施例中，所述权重模块23，包括：
绝对值计算模块，用于计算每个所述预测浓度数据与所述实际浓度数据的绝对误差的绝对值；
权重确定模块，用于根据各所述绝对值确定每个所述水质关系模型的权重。
在本发明的一种优选实施例中，所述权重确定模块，用于计算每个所述绝对值与各所述绝对值总和的比值的倒数；将每个所述倒数与各所述倒数总和的比值作为对应的所述水质关系模型的权重。
在本发明的一种优选实施例中，当各所述权重中存在一个大于或等于预设第一权重阈值的极大权重时，将所述极大权重设置为所述预设第一权重阈值；将各所述权重中除所述极大权重之外的剩余权重，按照各剩余权重与各剩余权重总和的比值分配预设第二权重阈值；
其中，所述预设第一权重阈值与所述预设第二权重阈值之和为100％，所述预设第一权重阈值大于所述预设第二权重阈值。
在本发明的一种优选实施例中，所述装置还包括：
采样模块，用于获取所述待检测水样的采样数据；
建模模块，用于根据所述采样数据建立所述待检测水样的水质关系模型。
在本发明的一种优选实施例中，所述预测模块22，还用于根据所述待检测水样的水质关系模型预测所述待检测水样中所述目标物质的现场浓度数据；
所述权重模块23，还用于根据每个所述预测浓度数据、所述现场浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；
所述检测模块24，还用于根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
在本发明的一种优选实施例中，多种不同类型包含：地表水类型、污水厂出水类型、生活污水类型、河流水类型、湖泊水类型；
所述权重模块23，还用于将所述地表水类型对应的所述水质关系模型的权重设置为预设第三权重阈值，将除所述地表水类型之外的其他类型对应的所述水质关系模型的权重均匀分配预设第四权重阈值；
其中，所述预设第三权重阈值与所述预设第四权重阈值之和为100％，所述预设第三权重阈值大于或等于所述预设第四权重阈值。
本发明实施例还提供了一种电子设备，参见图3，包括：处理器301、存储器302以及存储在所述存储器302上并可在所述处理器301上运行的计算机程序3021，所述处理器301执行所述程序3021时实现前述实施例的水质检测方法。
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述实施例的水质检测方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种水质检测方法和装置，进行了详细介绍，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 (10)
1.一种水质检测方法，其特征在于，所述方法包括：
获取待检测水样中目标物质的实际浓度数据；
根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测所述待检测水样中所述目标物质的预测浓度数据；
根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；
根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
2.根据权利要求1所述的方法，其特征在于，所述根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重，包括：
计算每个所述预测浓度数据与所述实际浓度数据的绝对误差的绝对值；
根据各所述绝对值确定每个所述水质关系模型的权重。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述绝对值确定每个所述水质关系模型的权重，包括：
计算每个所述绝对值与各所述绝对值总和的比值的倒数；
将每个所述倒数与各所述倒数总和的比值作为对应的所述水质关系模型的权重。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当各所述权重中存在一个大于或等于预设第一权重阈值的极大权重时，将所述极大权重设置为所述预设第一权重阈值；将各所述权重中除所述极大权重之外的剩余权重，按照各剩余权重与各剩余权重总和的比值分配预设第二权重阈值；
其中，所述预设第一权重阈值与所述预设第二权重阈值之和为100％，所述预设第一权重阈值大于所述预设第二权重阈值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述待检测水样的采样数据；
根据所述采样数据建立所述待检测水样的水质关系模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
根据所述待检测水样的水质关系模型预测所述待检测水样中所述目标物质的现场浓度数据；
根据每个所述预测浓度数据、所述现场浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；
根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
7.根据权利要求1所述的方法，其特征在于，多种不同类型包含：地表水类型、污水厂出水类型、生活污水类型、河流水类型、湖泊水类型；
所述方法还包括：
将所述地表水类型对应的所述水质关系模型的权重设置为预设第三权重阈值，将除所述地表水类型之外的其他类型对应的所述水质关系模型的权重均匀分配预设第四权重阈值；
其中，所述预设第三权重阈值与所述预设第四权重阈值之和为100％，所述预设第三权重阈值大于或等于所述预设第四权重阈值。
8.一种水质检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测水样中目标物质的实际浓度数据；
预测模块，用于根据预先建立的多种不同类型的水体对应的多个水质关系模型，分别预测所述待检测水样中所述目标物质的预测浓度数据；
权重模块，用于根据每个所述预测浓度数据和所述实际浓度数据确定每个所述水质关系模型的权重；
检测模块，用于根据每个所述水质关系模型和各自对应的权重对所述待检测水样进行水质检测。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任意一项所述的水质检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任意一项所述的水质检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210698198.XA CN117288696A (zh) | 2022-06-20 | 2022-06-20 | 一种水质检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210698198.XA CN117288696A (zh) | 2022-06-20 | 2022-06-20 | 一种水质检测方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117288696A true CN117288696A (zh) | 2023-12-26 |
Family
ID=89243208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210698198.XA Pending CN117288696A (zh) | 2022-06-20 | 2022-06-20 | 一种水质检测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117288696A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118039021A (zh) * | 2024-04-11 | 2024-05-14 | 四川省铁路建设有限公司 | 一种污水污染物检测及报警方法及系统 |
-
2022
- 2022-06-20 CN CN202210698198.XA patent/CN117288696A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118039021A (zh) * | 2024-04-11 | 2024-05-14 | 四川省铁路建设有限公司 | 一种污水污染物检测及报警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418426B (zh) | 排污口污染物排放溯源方法、装置、计算设备及存储介质 | |
| Vrugt et al. | Application of stochastic parameter optimization to the Sacramento Soil Moisture Accounting model | |
| McCuen et al. | Evaluation of the Nash–Sutcliffe efficiency index | |
| Vezzaro et al. | Application of global sensitivity analysis and uncertainty quantification in dynamic modelling of micropollutants in stormwater runoff | |
| Ojha et al. | Assessing severe drought and wet events over India in a future climate using a nested bias-correction approach | |
| CN113111478B (zh) | 排水系统管网混接与入流、入渗程度的评估方法及设备 | |
| CN109060760B (zh) | 分析模型建立方法、气体分析装置及方法 | |
| Alias et al. | Sectional analysis of the pollutant wash-off process based on runoff hydrograph | |
| Jackson-Blake et al. | Do higher data frequency and Bayesian auto-calibration lead to better model calibration? Insights from an application of INCA-P, a process-based river phosphorus model | |
| CN114236645B (zh) | 一种大规模降雨监测异常站点筛查方法 | |
| CN117288696A (zh) | 一种水质检测方法、装置、电子设备和存储介质 | |
| Jha et al. | Linked simulation-optimization based dedicated monitoring network design for unknown pollutant source identification using dynamic time warping distance | |
| CN110070220A (zh) | 一种基于神经网络算法的氨氮指标软测量方法 | |
| CN116485263A (zh) | 河流湿地碳汇监测评估方法 | |
| Zadeh et al. | Impact of measurement error and limited data frequency on parameter estimation and uncertainty quantification | |
| CN113358582B (zh) | 一种混凝土结构缺陷的检测方法、设备及介质 | |
| Yin et al. | Identification of pollution sources in rivers using a hydrodynamic diffusion wave model and improved Bayesian-Markov chain Monte Carlo algorithm | |
| CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
| CN105092434A (zh) | 海底沉积物粒度分析数据的自动处理方法 | |
| Fidal et al. | Operational comparison of rainfall-runoff models through hypothesis testing | |
| Wang et al. | Uncertainty analysis of a pollutant-hydrograph model in assessing inflow and infiltration of sanitary sewer systems | |
| Scaini et al. | Following tracer through the unsaturated zone using a multiple interacting pathways model: Implications from laboratory experiments | |
| Persson et al. | Estimating soil solution electrical conductivity from time domain reflectometry measurements using neural networks | |
| Li et al. | System response curve correction method of runoff error for real-time flood forecast | |
| Meng et al. | Using an ensemble Kalman filter method to calibrate parameters of a prediction model for chemical transport from soil to surface runoff |
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 |