【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于水環(huán)境監(jiān)測與管理，具體涉及一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法、系統(tǒng)及設(shè)備。
技術(shù)介紹
1、水資源是人類生存和發(fā)展的基礎(chǔ)，而水質(zhì)則直接關(guān)系到人類的健康和環(huán)境的可持續(xù)發(fā)展。因此，各地政府在積極治理水環(huán)境的同時，更加注重對水環(huán)境健康指標項的監(jiān)測。傳統(tǒng)的水質(zhì)監(jiān)測方法通常依賴于采集水樣進行化驗分析，這種方法存在一些明顯的缺點。這種方法浪費時間和人力，難以滿足對水質(zhì)實時監(jiān)測的需求。樣品的采集過程可能導致樣品污染或受到外界因素的干擾，影響監(jiān)測結(jié)果的準確性。相比之下，基于深度學習技術(shù)的水質(zhì)類別檢測方案具有顯著的優(yōu)勢。本研究通過構(gòu)建混合神經(jīng)網(wǎng)絡(luò)模型，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)進行特征提取和圖像分類，可以實時、自動地鑒別水質(zhì)的類型，無需人工干預，減少了人力資源的消耗，提高了監(jiān)測的自動化程度。相比傳統(tǒng)方法，可以更快速地獲取監(jiān)測結(jié)果，提高監(jiān)測效率。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)提供一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法、系統(tǒng)及設(shè)備，本專利技術(shù)具有更好的特征提取能力、更高的準確性和更強的泛化能力，從而能夠應對各種復雜的水質(zhì)類別檢測任務(wù)。
2、為實現(xiàn)上述目的，針對現(xiàn)有技術(shù)的不足，所采用的技術(shù)方案如下：
3、一方面，本專利技術(shù)提供了一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，包括如下步驟：
4、1）采集水質(zhì)圖像數(shù)據(jù)集，對采集到的水質(zhì)圖像進行預處理；
5、2）建立水質(zhì)圖像檢測網(wǎng)絡(luò)，水質(zhì)圖像檢測網(wǎng)絡(luò)由并行的卷積塊i和卷積塊ⅱ、并行的殘差連接塊i和殘差連接塊ⅱ、并行
6、3）預處理后的水質(zhì)圖像樣本同時輸入到并行的卷積塊i和卷積塊ⅱ得到卷積特征；
7、4）將3）得到卷積特征輸入并行的殘差連接塊i和殘差連接塊ⅱ得到殘差處理特征；
8、5）將4）得到殘差處理特征經(jīng)過并行的殘差連接i和殘差連接ⅱ輸入至并行的自注意力模塊i和自注意力模塊ⅱ得到注意力特征并將進行特征融合得到融合特征；
9、6）將5）融合特征輸入水質(zhì)圖像檢測網(wǎng)絡(luò)的dropout層、全連接層中，得到水質(zhì)圖像檢測的概率，根據(jù)水質(zhì)圖像檢測的概率對水質(zhì)類別進行分類來實現(xiàn)對水質(zhì)的類別檢測。
10、1）包含如下步驟：
11、采集水質(zhì)圖像數(shù)據(jù)集，對采集到的水質(zhì)圖像進行預處理，預處理操作包括圖像去噪、數(shù)據(jù)增強、尺寸調(diào)整，將水質(zhì)圖像進行預處理，得到預處理后的水質(zhì)圖像數(shù)據(jù)集，，其中為第個預處理后的水質(zhì)圖像樣本，，每個水質(zhì)圖像樣本的尺寸大小為h×w×c，h代表圖像的高度，w代表圖像的寬度，c代表圖像的通道數(shù)。
12、3）包含如下步驟：
13、3-1）卷積塊i和卷積塊ⅱ分別由標準卷積層和最大池化層、空洞卷積層和最大池化層構(gòu)成；
14、3-2）將第個預處理后的水質(zhì)圖像樣本同時輸入到卷積塊i的標準卷積層和卷積塊ⅱ的空洞卷積層分別得到特征和，標準卷積的計算過程如下：
15、，
16、其中，o是輸出尺寸，w為輸入尺寸，l為積核大小，p是填充值的大小，s是步幅的大小；
17、空洞卷積的計算過程如下：
18、，
19、其中，w’表示輸入尺寸，l是卷積核大小，p是填充值的大小，s是步幅的大小，r代表膨脹率，o’表示空洞卷積的計算結(jié)果，對卷積核大小為l的標準卷積，經(jīng)過膨脹率r進行膨脹運算后，卷積核的大小變?yōu)閘+（l-1）(r-1）；
20、3-3）將特征和分別輸入到卷積塊i和卷積塊ⅱ的最大池化層中，分別得到卷積特征和卷積特征。
21、4）包含如下步驟：
22、4-1）殘差連接塊i和殘差連接塊ⅱ均由殘差連接和最大池化層構(gòu)成；殘差連接均由并行的第一卷積層、第二卷積層、并行的第三卷積層和第四卷積層組成；
23、4-2）將卷積特征分別輸入到殘差連接塊i的殘差連接的第一卷積層和第二卷積層中，分別得到特征和，將特征和進行拼接得到,將特征分別輸入到殘差連接的第三卷積層和第四卷積層中，分別得到特征和,將特征和進行拼接得到特征；
24、4-3）將特征輸入到殘差連接塊i的最大池化層中，得到殘差處理特征；
25、4-4）將卷積特征分別輸入到殘差連接塊ⅱ的殘差連接的第一卷積層和第二卷積層中，分別得到特征和，將特征和進行拼接得到特征，將特征分別輸入到殘差連接的第三卷積層和第四卷積層中，分別得到特征和，將特征和進行拼接得到；
26、4-5）將特征輸入到殘差連接塊ⅱ的最大池化層中，得到殘差處理特征。
27、5）包含如下步驟：
28、將得到的殘差處理特征和殘差處理特征分別經(jīng)過并行的殘差連接i和殘差連接ⅱ輸入至并行的自注意力模塊i和自注意力模塊ⅱ得到特征和特征，然后將特征和特征融合后輸入至全連接層得到特征；
29、自注意力模塊的計算過程如下：
30、，
31、其中q代表查詢向量，?k代表鍵向量，v代表值向量，x代指輸入至自注意力模塊的特征，代表鍵向量的維度，t代轉(zhuǎn)置，表示查詢向量權(quán)重，表示鍵向量權(quán)重，表示值向量權(quán)重，表示自注意力模塊的計算得到的結(jié)果，即經(jīng)過自注意力模塊得到的特征，表示激活函數(shù)；
32、特征融合的計算過程如下：
33、，
34、其中，表示第路輸入特征圖的第i個通道，代表第路輸入特征圖的第i個通道，k代表權(quán)重，c代表通道數(shù)，表示第i個通道的權(quán)重，表示第i+c個通道的權(quán)重。
35、6）包含如下步驟：
36、6-1）將特征輸入到水質(zhì)圖像檢測網(wǎng)絡(luò)d_net的dropout層中，輸出得到特征；
37、6-2）將特征輸入到水質(zhì)圖像檢測網(wǎng)絡(luò)d_net的全連接層中，映射成一個長度為的特征向量，，為第個向量，，為轉(zhuǎn)置；
38、6-3）將特征向量輸入到softmax激活函數(shù)中得到檢測概率，計算過程如下：
39、，
40、其中，是預測的第個對象屬于u類的概率。
41、第二方面，提供了一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測系統(tǒng)，執(zhí)行基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，具體包括以下單元：
42、數(shù)據(jù)處理單元，用于采集水質(zhì)圖像數(shù)據(jù)集并對采集到的水質(zhì)圖像進行預處理；
43、水質(zhì)圖像檢測網(wǎng)絡(luò)單元，由并行的卷積塊和卷積塊ⅱ、并行的殘差連接塊和殘差連接塊ⅱ、并行的殘差連接和殘差連接ⅱ、的自注意力模塊和自注意力模塊ⅱ以及全連接層組成，
44、預處理后的水質(zhì)圖像樣本同時輸入到并行的卷積塊和卷積塊ⅱ得到卷積特征，得到卷積特征輸入并行的殘差連接塊和殘差連接塊ⅱ得到殘差處理特征；將殘差處理特征通過并行的殘差連接和殘差連接ⅱ輸入至并行的自注意力模塊和自注意力模塊ⅱ得到注意力特征并將進行特征融合；
45、水質(zhì)圖像檢測網(wǎng)絡(luò)，還具有dropout層和全連接層，用于得到水質(zhì)圖像檢測的概率。
46、第三方面，本專利技術(shù)本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，
3.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，
4.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，
5.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，5）包含如下步驟：
6.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，6）包含如下步驟：
7.一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測系統(tǒng)，其特征在于，執(zhí)行權(quán)利要求1-6中任一項所述的基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，具體包括以下單元：
8.一種電子設(shè)備,其特征在于，包括:至少一個處理器;以及與所述至少一個處理器通信連接的存儲器;其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令,所述指令被所述至少一個處理器執(zhí)行,以使所述至少一個處理器能夠執(zhí)行權(quán)利要求1-6中任一項所述的基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法。
...【技術(shù)特征摘要】
1.一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，
3.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，
4.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，
5.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的水質(zhì)類別檢測方法，其特征在于，5）包含如下步驟：
6.根據(jù)權(quán)利要求1所述一種基于混合神經(jīng)網(wǎng)絡(luò)的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張玉燕，劉健，張凌曉，楚冬梅，樊冰，王鵬，
申請(專利權(quán))人：山東省水利科學研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。