[go: up one dir, main page]

CN111487224A - 一种基于光能量积分球的水质检测监测系统装置及方法 - Google Patents

一种基于光能量积分球的水质检测监测系统装置及方法 Download PDF

Info

Publication number
CN111487224A
CN111487224A CN202010534763.XA CN202010534763A CN111487224A CN 111487224 A CN111487224 A CN 111487224A CN 202010534763 A CN202010534763 A CN 202010534763A CN 111487224 A CN111487224 A CN 111487224A
Authority
CN
China
Prior art keywords
data
module
water quality
energy
spectrum
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.)
Granted
Application number
CN202010534763.XA
Other languages
English (en)
Other versions
CN111487224B (zh
Inventor
吴冬华
许科奎
何明倩
王计斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hongsong Information Technology Co ltd
Original Assignee
Nanjing Hongsong Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Hongsong Information Technology Co ltd filed Critical Nanjing Hongsong Information Technology Co ltd
Priority to CN202010534763.XA priority Critical patent/CN111487224B/zh
Publication of CN111487224A publication Critical patent/CN111487224A/zh
Application granted granted Critical
Publication of CN111487224B publication Critical patent/CN111487224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/55—Specular reflectivity
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0118—Apparatus with remote processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/065—Integrating spheres

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于光能量积分球的水质检测监测系统装置及方法，其中装置包括前端检测监测装置和后端检测监测系统，前端检测监测装置和后端检测监测系统通过网络通讯进行数据传输；前端检测监测装置包括能源模块、结构模块、主控模块和外设模块；能源模块与结构模块连接；能源模块、结构模块和外设模块均与主控模块连接，能源模块用于为前端检测监测装置提供能源电流；结构模块用于检测监测水质；外设模块用于将采集光能量数据传输到后端检测监测系统；后端检测监测系统包括AI模型库、数据库模块、大数据计算模块、管理模块和应用模块，AI模型库、数据库模块、大数据计算模块和应用模块均与管理模块连接。实时监测水质且结果准确率高。

Description

一种基于光能量积分球的水质检测监测系统装置及方法
技术领域
本发明涉及环境监测的技术领域，尤其涉及一种基于光能量积分球的水质检测监测系统装置及方法。
背景技术
随着近几年环境污染的加重，水安全对人类的影响是多方面的，涉及到自然及社会人文的各个方面。同时随着人们生活水平的提高，人们对于水质的要求也越来越高，目前水质指标测定一般采用实地取样，实验室分析的方法，这种方法存在操作复杂和灵活性差的问题；因此，水质监测受到了国内外专家学者、各国政府和国际组织的广泛关注。
生物化学需氧量(biochemical oxygen demand，BOD)作为水质监测的重要指标，国际标准为5日BOD法，但其操作繁琐、耗时，还需要熟练的技术，且不能及时反映水质变化(Liu et al.,Biosens.Bioelectron.,Vol.20,562(2004))。近年来所发展的BOD的快速测量都是基于微生物同化有机物反应的同时将电子传递给氧气的原理，但是，由于氧气在水中的溶解度有限，对于高浓度的有机物样品需要经过稀释才能测量，从而大大降低了结果的准确性。另一方面，由于氧气受温度、气压影响而变化很大，这会引起测量结果的波动，如果附加一个氧气平衡装置也会使结果带来扰动(Lei et al.,Anal.Chim.Acta,Vol.568,200(2006)；Du et al.,Biotechnol.Adv.,Vol.25,464(2007))；
此外，随着人类生产活动的发展，大量既不是人体组成成分，也不是人体所需营养物质或维持正常生理功能必须的化学品被不断排放到水中，这些有毒有害的化学品通过食物链的放大作用进入人体内，可能会危害人体健康甚至生命。因此，对水体毒性进行检测及监测是评价水体是否受到到污染以及判断污染程度的重要手段。目前，蛙类、鱼类、小鼠、浮游生物、海藻等生物已被用于水体毒性检测，但是，上述生物进行水体毒性检测时具有测试周期长、成本高、操作复杂等缺点，不仅难以推广，而且不能满足现场快速检测需要。现有国际标准ISO11348-3规定使用深海发光细菌V.fischeri作为受试生物，实现了快速检测的需要，但是也存在诸多不足：首先，为了平衡渗透压，测试必须在高盐度条件下进行，可能会引起样品中某些化学品性质的改变，而且盐度校正会导致假阴性的结果；其次，对于一些溶解度低的样品，则会由于毒物的析出而导致假阳性结果；再次，该方法采用荧光检测，检测信号易受水体浑浊和颜色的影响；最后，发光细菌在自然界中不是普遍存在的微生物，获得和保存较为困难，商品发光细菌价格较为昂贵，导致检测成本较高。
在水利、环保和水产养殖行业的水质指标检测和监测常用技术为电极法，但是全面的水质指标检测和监测，比如溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等成本高昂、操作复杂和电解液容易对水体产生二次污染。随着技术的发展，器件模块价格下降，原本应用在遥感遥测卫星上的高光谱技术可以解决上述问题。
因此，现在有必要开发一种基于光能量积分球的水质检测监测系统、装置及方法，将需检测监测的水样抽入一个积分球的结构中，用200~1100nm的光源照射水面，采集光在水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量数据，通过AI（Artificial Intelligence）大数据算法计算水中溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等水质指标的数值和变化，为水利、环保和水产养殖行业的水质指标检测和监测提供了方便可靠的技术方案。
发明内容
本发明要解决的技术问题是，提供一种基于光能量积分球的水质检测监测系统装置，可以实时监测水质，快速检测水质，且结果准确率高。
为了解决上述技术问题，本发明采用的技术方案是：该基于光能量积分球的水质检测监测系统装置，包括前端检测监测装置和后端检测监测系统，所述前端检测监测装置和所述后端检测监测系统通过网络通讯进行数据传输；所述前端检测监测装置包括能源模块、结构模块、主控模块和外设模块；所述能源模块与所述结构模块连接；所述能源模块、结构模块和外设模块均与所述主控模块连接，所述能源模块用于为所述前端检测监测装置提供能源电流；所述结构模块用于检测监测水质；所述外设模块用于将采集光能量数据传输到后端检测监测系统；所述后端检测监测系统包括AI模型库、数据库模块、大数据计算模块、管理模块和应用模块，所述AI模型库、数据库模块、大数据计算模块和应用模块均与管理模块连接，所述AI模型库用于存放多种水质算法模型数据；所述数据库模块用于接收并存放所述前端检测监测装置采集的数据；所述大数据计算模块用于利用AI模型库中水质算法数据模型计算水中的水质指标的数值和变化；所述管理模块用于管理和协调所述后端检测监测系统中所述AI模型库、数据库模块、大数据计算模块和应用模块之间的运作；所述应用模块用于将所述大数据模块计算的结果进行反馈。
其中积分球体是类似积分球的球状球体，可以让200~1100nm的光在不同水质浓度的水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量产生稳定的数值和变化；采用上述技术方案，前端检测监测装置结构模块的循环泵将需检测监测的水样抽入一个积分球体的结构中，用200~1100nm的光源照射水面，前端检测监测装置主控模块的光谱采集模组采集光在水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量数据，通过前端检测监测装置外设模块的4G/5G/NB模组将采集光能量数据传输到后端检测监测系统的数据库模块，利用后端检测监测系统的AI模型库中的水质光谱数据模型，后端检测监测系统大数据计算模块计算水中溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等水质指标的数值和变化，一方面通过后端检测监测系统的应用模块将结果反馈给管理员和用户，另一方面校正AI模型库中的水质光谱数据模型。
优选地，所述结构模块包括积分球体、电磁阀、循环泵、200~1100nm光源、温度水位模组和光谱采集探头，所述电磁阀的上部与所述能源模块相连接，所述电磁阀的下部与所述积分球体的底部相连接，且所述电磁阀通过所述能源模块控制将所述积分球体内部的水排出；所述循环泵的上部与所述能源模块相连接，所述循环泵的下部与所述积分球体的顶部相连接且伸入所述积分球体内部，通过所述能源模块控制将待检测监测的水源抽入所述积分球体内；所述200~1100nm光源与能源模块连接，通过能源模块控制向检测监测的积分球体及水体提供200~1100nm光能量；所述温度水位模组与主控模块连接，用于将所述积分球体内部温度、水体温度和水位传输给主控模块；所述光谱采集探头与主控模块连接，用于将所述积分球体内部的光能量的数值和变化上报给主控模块。
优选地，所述能源模块包括至少一种清洁能源输入模组、清洁能源控制模组、交流电输入模组、变压模组、蓄电池和能源控制模组，所述能源输入模组与清洁能源控制模组连接，用于为所述前端检测监测装置提供能源电流；所述清洁能源控制模组的另一端与蓄电池相连接，所述清洁能源控制模组用于将所述清洁能源输入转换的能源电流输配到蓄电池和防止所述蓄电池过充和倒灌；所述交流电输入模组与变压模组连接，用于为所述前端检测监测装置提供市电交流电能源电流；所述变压模块的另一端与所述蓄电池和能源控制模块连接，用于将交流电能源电流转换成蓄电池的直流电能输配到蓄电池且防止蓄电池过充和倒灌，同时通过所述能源控制模组给所述前端检测监测装置提供能源电流；所述能源控制模组一端连接所述主控模块、蓄电池和变压模组，另一端连接主控模块和结构模块，用于通过主控模块的指令为主控模块和结构模块提供能源电流。
优选地，所述主控模块包括光谱采集模组和主控模组，所述光谱采集模组的一端连接所述主控模组，另一端连接所述结构模块的光谱采集探头，用于把所述光谱采集探头采集的光能量数据传输给所述主控模组；所述主控模组分别与能源控制模组、温度水位模组和外设模组连接。
优选地，所述外设模块包括4G/5G/NB模组、GPS/BDS模组、空气流动模组、报警模组和摄像头模组，所述4G/5G/NB模组与所述主控模组连接，用于接受所述主控模组的指令与所述后端检测监测系统进行通信；所述GPS/BDS模组与所述主控模组连接，用于获取所述前端检测监测装置的位置信息并传输给所述主控模组；所述空气流动模组的一端与所述主控模组连接，另一端与所述结构模块的积分球体连接，用于为所述前端检测监测装置提供空气流动，防止所述前端检测监测装置的内部起雾结冰影响检测监测数据；所述报警模组与所述主控模组连接，用于接收所述主控模组的指令进行声光报警；所述摄像头模组与所述主控模组连接，用于采集所述前端检测监测装置所处环境的图片和视频数据并传输给所述主控模块。
优选地，所述电磁阀通过第一水管与积分球体底部连接，所述循环泵通过第二水管分别与待检测监测水源和积分球体连接，在开始检测前，所述循环泵通过能源模块的能源控制模组的控制将待检测监测水源抽入积分球体内，且与待检测监测水源连接第二水管处有过滤膜，在所述积分球体内部入水管处设有增压扇形喷头，可以对所述积分球体内部进行清洁。其中过滤膜，可以过滤掉水中的泥沙等杂质。
本发明要解决的技术问题是，提供一种采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，可以实时监测水质，快速检测水质，且结果准确率高。
为了解决上述技术问题，本发明采用的技术方案是：采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，具体包括以下步骤：
S1：准备数据，选择待检测的水质指标并调取所述水质指标的水质算法数据模型，
S2：采用步骤S1中准备的数据进行基线校正；
S3采用步骤S2中校正后的数据处理结果计算距离；
S4：根据步骤S1中调取的水质算法数据模型对应的阀值进行数据剔除，若超出所述阀值则剔除光谱，从而获得未超出阀值的数据样本集；
S5：对步骤S4中获得的数据样本集统计平均样点个数；
S6：结合步骤S1中准备的数据对步骤S5中的数据结果计算反射率，得到反射率数据结果；
S7：对步骤S6中反射率数据结果进行预处理；
S8：根据待检测的水质指标的所述水质算法数据模型输出该水质指标的检测数值。
优选地，所述步骤S1中的准备的数据包括背景光谱数据、水面光谱数据、暗电流数据和标准板光谱数据或/和天空光光谱数据；所述水质算法数据模型为标准评估模型Mn，所述标准评估模型Mn对应的阀值为Yn。
优选地，所述步骤S2中使用的步骤S1中准备的数据包括背景光谱数据、水面光谱数据和暗电流数据；进行基线校正的算法为光谱单点校正，具体步骤为：
S21：设
Figure 30178DEST_PATH_IMAGE002
为背景光谱数据、
Figure 619423DEST_PATH_IMAGE004
为水面光谱数据和
Figure 307149DEST_PATH_IMAGE006
为暗电流数据；
S22：将
Figure 967938DEST_PATH_IMAGE002
数据对应的同波长计算均值，；
S23：将
Figure 276876DEST_PATH_IMAGE006
数据对应同波长计算均值，
Figure 340647DEST_PATH_IMAGE010
； （1）；其中 为基线校正后的光谱；
Figure 992077DEST_PATH_IMAGE016
为波长；
Figure 457694DEST_PATH_IMAGE018
为均值后背景光谱；
Figure 592003DEST_PATH_IMAGE020
为均值后暗电流光谱；n为样点中的光谱总数；
优选地，所述步骤S3中对校正后的数据处理结果计算距离的算法为多维点矩阵距离算法，具体步骤为：
S31：在n维空间里的两个点
Figure 611912DEST_PATH_IMAGE022
和
Figure 880082DEST_PATH_IMAGE024
，距离d的表达公式如下式（2）；
Figure 544413DEST_PATH_IMAGE026
（2）；其中i=1、 2、3、……n；
S32：设采集样点数总数m，每个采集样点的训练集光谱总数n；则
Figure 239836DEST_PATH_IMAGE028
；每个点p维度为200~1100nm之间的光通量数；
S33：对每个样点中的光谱总数n进行两两距离计算，每个样点均生成一个距离矩阵，如 下式（3）；
Figure 12620DEST_PATH_IMAGE030
（3）；其中
Figure 930154DEST_PATH_IMAGE032
为样点m距离矩阵；
Figure 104783DEST_PATH_IMAGE034
为两个点p之间的距离，p1、p2、…、pn均为样点中的单条光谱的光通量 数据。
优选地，所述步骤S6中使用的步骤S1中准备的数据包括天空光光谱数据或/和标准板光谱数据，对步骤S5中的数据结果计算反射率的算法为水面以上遥感反射率算法，具体步骤为：
S6-1：当有天空光光谱数据时，其反射率计算公式为下式（4）：
Figure 705529DEST_PATH_IMAGE036
（4）；其中
Figure 575396DEST_PATH_IMAGE038
为遥感反射率；
Figure 185369DEST_PATH_IMAGE040
为波长，
Figure 948925DEST_PATH_IMAGE004
为水 面光谱数据，
Figure 127097DEST_PATH_IMAGE042
为天空光光谱，
Figure 343315DEST_PATH_IMAGE044
为标准板光谱，
Figure 632345DEST_PATH_IMAGE046
为标准板出厂反射率；
Figure 250408DEST_PATH_IMAGE048
是容器 中的空气与水界面之间的反射率，取近红外范围波段，即选择波长大于等于800nm，计算反 射率
Figure 458535DEST_PATH_IMAGE050
；
Figure 801530DEST_PATH_IMAGE052
为圆周率；
S6-2：当无天空光光谱数据时，其反射率计算公式为下式（5）：
Figure 487726DEST_PATH_IMAGE054
（5）；其中
Figure 491454DEST_PATH_IMAGE038
为遥感反射率；
Figure 745849DEST_PATH_IMAGE040
为波长，
Figure 202238DEST_PATH_IMAGE004
为水面光谱 数据，
Figure 692125DEST_PATH_IMAGE044
为标准板光谱，
Figure 160147DEST_PATH_IMAGE046
为标准板出厂反射率；
Figure 975656DEST_PATH_IMAGE052
为圆周率。
优选地，所述步骤S7中对所述步骤S6的反射率数据结果进行预处理的算法为S-G卷积平滑和直接差分法，具体为；
S71：先S-G卷积平滑算法利用多项式对设定的移动窗口内的数据进行最小二乘法拟合，以更优的方式进行了移动窗口内数据的加权平均；
为移动窗口大小，表示了建立最小二乘法拟合多元模型，其中通用式为
Figure 822706DEST_PATH_IMAGE058
的数据数；最小二乘法主旨取最小的残差平方和，即，
Figure 535448DEST_PATH_IMAGE060
；其中
Figure 367531DEST_PATH_IMAGE062
为真实值，
Figure 798512DEST_PATH_IMAGE064
为拟合多元模型后的计算结果；以移动窗口大小 内数据进行最小二乘法拟合，通用式中为
Figure 630202DEST_PATH_IMAGE066
常数系数，
Figure 338395DEST_PATH_IMAGE068
则是
Figure 964548DEST_PATH_IMAGE070
变量系数，
Figure 617246DEST_PATH_IMAGE072
,得 出
Figure 393573DEST_PATH_IMAGE074
；
Figure 549747DEST_PATH_IMAGE076
指经过S-G卷积平滑算法后遥感反射率，
Figure 753327DEST_PATH_IMAGE040
为波长；
S72：再利用差分法其计算公式如下式（6），
Figure 627742DEST_PATH_IMAGE078
（6）；其 中
Figure 332393DEST_PATH_IMAGE080
为差分计算后遥感反射率，
Figure 982555DEST_PATH_IMAGE082
为波长；
Figure 216090DEST_PATH_IMAGE084
为相邻波段波长的差；
Figure 843380DEST_PATH_IMAGE086
和
Figure 695930DEST_PATH_IMAGE088
为相邻波段的遥感反射率值；
S73：计算光谱反射率，利用差分法计算反射率后，将数据进行归一化，如下式（7）：
Figure 92276DEST_PATH_IMAGE090
（7）；其中
Figure 496713DEST_PATH_IMAGE092
为步骤S72计算后的归 一化计算结果；
Figure 486665DEST_PATH_IMAGE094
为差分后遥感反射率最小值；
Figure 1960DEST_PATH_IMAGE096
为差分后遥感反射 率最大值。
优选地，所述步骤S8中根据待检测的水质指标的所述水质算法数据模型输出该水质指标的检测数值的算法为：
拟合优度/判定系数：
Figure 252813DEST_PATH_IMAGE098
；
均方误差：
Figure 969096DEST_PATH_IMAGE100
；
均方根误差：
Figure 305400DEST_PATH_IMAGE102
；
其中
Figure 278515DEST_PATH_IMAGE062
为测试样点真实值；
Figure 383874DEST_PATH_IMAGE104
为测试样点的均值；
Figure 395692DEST_PATH_IMAGE064
为测试样点经过水质算法数据模型 输出的预测值；m为测试样点个数，SSR为测试样点输出的预测值和真实值均值之差的平方 和，SST为真实值与其均值的之差平方和；拟合优度或判定系数的数值范围为[0, 1]，而
Figure 829079DEST_PATH_IMAGE106
接近1可判定最优模型；均方误差和均方根误差作为二次模型评估判定，其计算结果接近0 为最优模型。
优选地，该基于光能量积分球的水质检测监测系统装置进行水质检测的方法还包括算法数据剔除异常分类的方法，即所述步骤S3还包括通过随机或按顺序切割数据进行样点选取，生成训练集和验证集，并从训练集中选出数据直接作为未剔除光谱数据集；所述步骤S4还包括对训练集数据进行距离计算，并记录算法供验证集数据使用，使用的算法为所述步骤S4中的多维点矩阵距离算法；选择阀值对训练集数据进行判断是否超出阀值，同时记录阀值对验证训练集数据进行判断是否超出阀值；若超出阀值则剔除光谱；若未超出阀值则作为正常光谱，分别记为训练集正常光谱数据和验证集正常光谱数据。
优选地，该基于光能量积分球的水质检测监测系统装置进行水质检测的方法还包括算法模型搭建及验证的方法，具体步骤为：
步骤1）：先准备未剔除正常光谱数据、正常光谱数据、验证集正常光谱数据和标准板光谱数据或/和天空光光谱数据；准备一个水质指标的标准浓度数据；分别对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据进行数据平均；
步骤2）：选取天空光光谱数据和或标准板光谱数据采用步骤S6中的算法计算未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据的反射率；
步骤3）：分别对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据采用步骤S7的算法进行降噪预处理；
步骤4）：对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据的数据源进行第一分类分流；未剔除光谱数据集、训练集正常光谱数据处理的结果数据，分流到步骤5），验证集正常光谱数据处理的结果，分流到步骤9）；
步骤5）：统一对步骤4）中未剔除光谱数据集和训练集正常光谱数据处理的结果数据寻找特征光谱，并记录特征波段供步骤9）调用；
步骤6）：对未剔除光谱数据集和训练集正常光谱数据进行第二次分流，未剔除光谱数据处理的结果分流到步骤7），正常光谱数据处理的结果分流到步骤8）；
步骤7）：未剔除光谱数据处理的结果进行训练生成输出待评估模型M1，供步骤10）进行评估；
步骤8）：正常光谱数据处理的结果进行训练生成输出待评估模型M2，供步骤10）进行评估；
步骤9）：根据步骤5）记录特征波段，利用步骤4）分流的验证集正常光谱数据，选择选择特征波段数据，然后进行步骤10）；
步骤10）：根据步骤7）生成的输出待评估模型M1和步骤8）生成的输出待评估模型M2分别计算验证集正常光谱数据的浓度，然后进行步骤11）；
步骤11）：根据标准浓度数据对输出待评估模型M1和输出待评估模型M2进行评估，取两者之间的精度最高的模型为该水质指标的最终浓度模型Mn；然后进行步骤12）；
步骤12）：根据该水质指标的最终浓度模型，确认最终阈值Yn为水质检测的方法使用。
优选地，所述步骤7）对输出待评估模型M1进行评估和所述步骤8）中对输出待评估模型M2进行评估的算法均为逐步多波段非线性回归，具体步骤为：
步骤7-1）：所述步骤5）的特征波段数据作为回归模型中的自变量；标准浓度则为因变量；
步骤7-2）：特征波段数据中逐步选取单条波段至多条波段数据，以二次多项式对数据 进行拟合；在模型的训练过程求最小平方误差，即：任意
Figure 951756DEST_PATH_IMAGE108
次多项式平常式为
Figure 177200DEST_PATH_IMAGE110
，则其 误差函数为：
Figure 969707DEST_PATH_IMAGE112
，其中
Figure 546182DEST_PATH_IMAGE114
为所有样点
Figure 206970DEST_PATH_IMAGE116
的平方误差，
Figure 162288DEST_PATH_IMAGE062
为其对应真实值；
Figure 781488DEST_PATH_IMAGE118
是拟合数据后导入对应真实值样点数 据的计算结果；
Figure 953581DEST_PATH_IMAGE120
为对应样点
Figure 683640DEST_PATH_IMAGE122
的自变量数据，
Figure 227885DEST_PATH_IMAGE124
为
Figure 17986DEST_PATH_IMAGE126
的多次方项的系数；
步骤7-3）：将特征波段数据分别依次代入模型，得最接近1的拟合度为最终模型；
步骤7-4）：输出最终模型的波段组合和待评估模型M1，供步骤10）进行评估。
现有技术相比，本发明具有的有益效果是：该基于光能量积分球的水质检测监测系统装置，将需检测监测的水样抽入一个积分球的结构中，用200~1100nm的光源照射水面，采集光在水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量数据，通过AI大数据算法计算水中溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等水质指标的数值和变化，为水利、环保和水产养殖行业的水质指标检测和监测提供了方便可靠的技术方案。
附图说明
下面结合附图进一步描述本发明的技术方案：
图1为本发明的基于光能量积分球的水质检测监测系统装置的系统结构图；
图2为本明的基于光能量积分球的水质检测监测系统装置的结构图；
图3为本明的基于光能量积分球的水质检测监测系统装置的算法数据去噪分类流程图；
图4为本明的基于光能量积分球的水质检测监测系统装置算法模型搭建及验证图；
图5为本明的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法的流程图。
其中：01-交流电输入；02-变压模组；03-太阳能、风能等清洁能源输入；04-清洁能源控制模组；05-蓄电池；06-能源控制模组；07-电磁阀；08-积分球体；09-200~1100nm光源；10-温度水位模组；11-光谱采集探头；12-循环泵；13-光谱采集模组；14-主控模组；15-4G/5G/NB模组；16-GPS/BDS模组；17-空气流动模组；18-报警模组；19-摄像头模组；20-AI模型库；21-数据库模块；22-大数据计算模块；23-管理模块；24-应用模块；25-外设模块；26-能源模块；27-主控模块；28-结构模块；29-管理员；30-用户。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例：该基于光能量积分球的水质检测监测系统装置，包括前端检测监测装置（如图2所示）和后端检测监测系统（如图1所示），所述前端检测监测装置和所述后端检测监测系统通过网络通讯进行数据传输；所述前端检测监测装置包括能源模块26、结构模块28、主控模块27和外设模块25；所述能源模块26与所述结构模块28连接；所述能源模块26、结构模块28和外设模块25均与所述主控模块27连接，所述能源模块26用于为所述前端检测监测装置提供能源电流；所述结构模块28用于检测监测水质；所述外设模块25用于将采集光能量数据传输到后端检测监测系统；所述后端检测监测系统包括AI模型库20、数据库模块21、大数据计算模块22、管理模块23和应用模块24，所述AI模型库20、数据库模块21、大数据计算模块22和应用模块24均与管理模块23连接，所述AI模型库20用于存放溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等水质的算法模型数据；所述数据库模块21用于接收并存放所述前端检测监测装置采集的数据；所述大数据计算模块22用于利用AI模型库20中水质算法数据模型计算水中的水质指标（溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等）的数值和变化；所述管理模块23用于管理和协调所述后端检测监测系统中所述AI模型库20、数据库模块21、大数据计算模块22和应用模块24之间的运作；所述应用模块24用于将所述大数据模块22计算的结果向用户30和管理员29进行反馈；积分球体08是类似积分球的球状球体，可以让200~1100nm的光在不同水质浓度的水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量产生稳定的数值和变化；
如图2所示，所述结构模块包括积分球体08、电磁阀07、循环泵12、200~1100nm光源09、温度水位模组10和光谱采集探头11，所述电磁阀07的上部与所述能源模块的能源控制模组06相连接，所述电磁阀07的下部与所述积分球体08的底部相连接，且所述电磁阀07通过所述能源模块的能源控制模组06控制将所述积分球体08内部的水排出；所述循环泵12的上部与所述能源模块能源控制模组06相连接，所述循环泵12的下部与所述积分球体08的顶部相连接且伸入所述积分球体08内部，通过所述能源模块控制将待检测监测的水源抽入所述积分球体08内；所述200~1100nm光源09与能源模块26的能源控制模组06连接，通过能源模块26的能源控制模组06控制向检测监测的积分球体08及水体提供200~1100nm光能量；所述温度水位模组10与主控模块27连接，用于将所述积分球体内部温度、水体温度和水位传输给主控模块27；所述光谱采集探头11与主控模块27连接，用于将所述积分球体08内部的光能量的数值和变化上报给主控模块27。
所述能源模块26包括太阳能、风能等清洁能源输入03、清洁能源控制模组04、交流电输入模组01、变压模组02、蓄电池05和能源控制模组06，太阳能、风能等清洁能源输入03与清洁能源控制模组04连接，用于为所述前端检测监测装置提供能源电流；所述清洁能源控制模组04的另一端与蓄电池05相连接，所述清洁能源控制模组04用于将所述清洁能源输入转换的能源电流输配到蓄电池和防止所述蓄电池05过充和倒灌；所述交流电输入模组01与变压模组02连接，用于为所述前端检测监测装置提供市电交流电能源电流；所述变压模块02的另一端与所述蓄电池05和能源控制模组06连接，用于将交流电能源电流转换成蓄电池05的直流电能输配到蓄电池且防止蓄电池05过充和倒灌，同时通过所述能源控制模组06给所述前端检测监测装置提供能源电流；所述能源控制模组06一端连接所述主控模块27、蓄电池05和变压模组02，另一端连接主控模块27和结构模块28，用于通过主控模块27的指令为主控模块27和结构模块28提供能源电流。
所述主控模块27包括光谱采集模组13和主控模组14，所述光谱采集模组13的一端连接所述主控模组14，另一端连接所述结构模块28的光谱采集探头11，用于把所述光谱采集探头11采集的光能量数据传输给所述主控模组14；所述主控模组14分别与能源控制模组06、温度水位模组10和外设模组25连接。
所述外设模块25包括4G/5G/NB模组15、GPS/BDS模组16、空气流动模组17、报警模组18和摄像头模组19，所述4G/5G/NB模组15与所述主控模组14连接，用于接受所述主控模组14的指令与所述后端检测监测系统进行通信；所述GPS/BDS模组16与所述主控模组15连接，用于获取所述前端检测监测装置的位置信息并传输给所述主控模组14；所述空气流动模组17的一端与所述主控模组14连接，另一端与所述结构模块28的积分球体08连接，用于为所述前端检测监测装置提供空气流动，防止所述前端检测监测装置的内部起雾结冰影响检测监测数据；所述报警模组18与所述主控模组14连接，用于接收所述主控模组14的指令进行声光报警；所述摄像头模组19与所述主控模组14连接，用于采集所述前端检测监测装置所处环境的图片和视频数据并传输给所述主控模块27。
所述电磁阀07通过第一水管与积分球体08底部连接，所述循环泵12通过第二水管分别与待检测监测水源和积分球体08连接，在开始检测前，所述循环泵12通过能源模块的能源控制模组06的控制将待检测监测水源抽入积分球体08内，且与待检测监测水源连接第二水管处有过滤膜，在所述积分球体08内部入水管处设有增压扇形喷头，可以对所述积分球体08内部进行清洁。其中过滤膜，可以过滤掉水中的泥沙等杂质。
前端检测监测装置主要包含能源模块26、结构模块28、主控模块27和外设模块25，如图2所述，详细如下：
01.交流电输入：与变压模组连接，为装置提供市电交流电能源电流；
02.变压模组：上连接交流电输入，下连接蓄电池和能源控制模组，一方面将市电交流电能源电流转换成蓄电池需要的直流电能输配到蓄电池，且防止蓄电池过充和倒灌，另一方面可以直接通过能源控制模组给装置提供能源电流；
03.太阳能、风能等清洁能源输入：与清洁能源控制模组连接，为装置提供太阳能、风能等清洁能源转换的能源电流；
04.清洁能源控制模组：清洁能源控制模组上连接太阳能、风能等清洁能源输入，下连接蓄电池，一方面将太阳能、风能等清洁能源输入转换的能源电流输配到蓄电池，另一方面防止蓄电池过充和倒灌；
05.蓄电池：上连接清洁能源控制模组和变压模组，下连接能源控制模组，将清洁能源和市电能源提供能源电流储存并通过能源控制模组供给装置各个模块；
06.能源控制模组：上连接主控模块的主控模组、蓄电池和变压模组，下连接主控模块的主控模组、结构模块的电磁阀、循环泵和200~1100nm光源，通过主控模块的主控模组的指令，为主控模块和结构模块的子模组提供能源电流；
07.电磁阀：上连接能源模块的能源控制模组，下通过水管与积分球体底部连接，在检测结束或不需要水的情况下，通过能源模块的能源控制模组的控制将积分球体内部的水排出；
08.积分球体：是类似积分球的球状球体，可以让200~1100nm的光在不同水质浓度的水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量产生稳定的数值和变化；
09.200~1100nm光源：与能源模块的能源控制模组连接，通过能源模块的能源控制模组的控制向检测监测球体及水体提供200~1100nm光能量
10.温度水位模组：与主控模块的主控模组连接，将积分球体内部温度、水体温度和水位上报给主控模块的主控模组；
11.光谱采集探头：与主控模块的光谱采集模组连接，将积分球内部的光能量的数值和变化上报给主控模块的光谱采集模组；
12.循环泵：上连接能源模块的能源控制模组，下通过水管与被检测监测水源连接和积分球体连接，在开始检测前，通过能源模块的能源控制模组的控制将被检测监测水源抽入积分球体内，且与被检测监测水源连接水管处有过滤膜，可以过滤掉水中的泥沙等杂质，在积分球内部入水管出加装增压扇形喷头，可以对积分球体内部进行清洁；
13.光谱采集模组：上连接主控模组，下连接结构模块的光谱采集探头，把光谱采集探头采集的光能量数据上报给主控模组；
14.主控模组：一方面与能源模块的能源控制模组连接，控制能源模组向其他模组供电；另一方面与结构模组的温度水位模组连接，监测积分球体内部温度、水体温度和水位数据；最后一方面与外设模组的4G/5G/NB模组、GPS/BDS模组、空气流动模组、报警模组和摄像头模组连接，控制外设模组的运转，并将光谱采集模组上报的光能量数据通过4G/5G/NB模组上报给后端检测监测系统的数据库模块；
15.4G/5G/NB模组：与主控模块的主控模组连接，接受主控模组指令与后端检测监测系统通信；
16.GPS/BDS模组：与主控模块的主控模组连接，获取前端检测监测装置的位置信息给主控模组；
17.空气流动模组：与主控模块的主控模组连接，下与结构模块的积分球体连接，为前端检测监测装置提供空气流动，防止装置内部起雾结冰影响检测监测数据；
18.报警模组：组与主控模块的主控模组连接，接受主控模组指令，进行声光报警；
19.摄像头模组：摄像头模组与主控模块的主控模组连接，采集前端检测监测装置周边的图片和视频数据上报给主控模块。
该基于光能量积分球的水质检测监测系统的各个模块如图1所述，详细如下：
20.AI模型库：存放溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等水质算法模型数据；
21.数据库模块：存放前端检测监测装置采集的光在水体中的镜面反射、水体反射和衍射及积分球的结构反射后的光能量数据；
22.大数据计算模块：利用AI模型库中的水质光谱数据模型计算水中溶解氧、pH、氨氮、亚硝酸盐、硬度和水中H2S等水质指标的数值和变化，并校正AI模型库中的水质光谱数据模型；
23.管理模块：管理和协调后端检测监测系统各个模块运作；
24.应用模块：把大数据计算模块计算的结果反馈给管理员29和用户30；
25.外设模块：主要为前端检测监测装置提供外设服务，详见图2的4G/5G/NB模组、GPS/BDS模组、空气流动模组、报警模组和摄像头模组等；
26.能源模块：主要为前端检测监测装置提供能源电流，详见图2的太阳能、风能等清洁能源输入、清洁能源控制模组、交流电输入、变压模组、蓄电池和能源控制模组等子模块；
27.主控模块：主要为前端检测监测装置提供控制和采集功能，详见图2的光谱采集模组和主控模组；
28.结构模块：主要为前端检测监测装置提供水质检测监测环境，详见图2的积分球体、电磁阀、循环泵、200~1100nm光源、温度水位模组和光谱采集探头；
29.管理员：该系统的管理和维护人员；
30.用户：该系统的用户。
如图5所示，该采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，具体包括以下步骤：
S1：准备数据，选择待检测的水质指标并调取所述水质指标的水质算法数据模型，
S2：采用步骤S1中准备的数据进行基线校正；
S3采用步骤S2中校正后的数据处理结果计算距离；
S4：根据步骤S1中调取的水质算法数据模型对应的阀值进行数据剔除，若超出所述阀值则剔除光谱，从而获得未超出阀值的数据样本集；
S5：对步骤S4中获得的数据样本集统计平均样点个数；
S6：结合步骤S1中准备的数据对步骤S5中的数据结果计算反射率，得到反射率数据结果；
S7：对步骤S6中反射率数据结果进行预处理；
S8：根据待检测的水质指标的所述水质算法数据模型输出该水质指标的检测数值；
所述步骤S1中的准备的数据包括背景光谱数据、水面光谱数据、暗电流数据和标准板光谱数据或/和天空光光谱数据；所述水质算法数据模型为标准评估模型Mn，所述标准评估模型Mn对应的阀值为Yn。
所述步骤S2中使用的步骤S1中准备的数据包括背景光谱数据、水面光谱数据和暗电流数据；进行基线校正的算法为光谱单点校正，具体步骤为：
S21：设
Figure 37895DEST_PATH_IMAGE002
为背景光谱数据、
Figure 915852DEST_PATH_IMAGE004
为水面光谱数据和
Figure 970396DEST_PATH_IMAGE006
为暗电流数据；
S22：将
Figure 806765DEST_PATH_IMAGE002
数据对应的同波长计算均值，
Figure 48390DEST_PATH_IMAGE008
；
S23：将
Figure 120252DEST_PATH_IMAGE006
数据对应同波长计算均值，
Figure 671712DEST_PATH_IMAGE010
；（1）；其中为基线校正后的光谱；
Figure 413403DEST_PATH_IMAGE016
为波长；
Figure 283270DEST_PATH_IMAGE018
为均值后背景光谱；
Figure 893243DEST_PATH_IMAGE020
为均值后暗电流光谱；n为样点中的光谱总数；
所述步骤S3中对校正后的数据处理结果计算距离的算法为多维点矩阵距离算法，具体步骤为：
S31：在n维空间里的两个点
Figure 296280DEST_PATH_IMAGE022
和
Figure 67927DEST_PATH_IMAGE024
，距离d的表达公式如下式（2）；
Figure 815303DEST_PATH_IMAGE026
（2）；其中i=1、 2、3、……n；
S32：设采集样点数总数m，每个采集样点的训练集光谱总数n；则
Figure 838754DEST_PATH_IMAGE028
；取样点1为例：
Figure 722397DEST_PATH_IMAGE128
；每个点p维度为200~1100nm之间 的光通量数；
S33：对每个样点中的光谱总数n进行两两距离计算，每个样点均生成一个距离矩阵，如下式（3）；
Figure 930524DEST_PATH_IMAGE030
（3）；
其中
Figure 774983DEST_PATH_IMAGE032
为样点m距离矩阵；
Figure 461179DEST_PATH_IMAGE034
为两个点p之间的距离，p1、p2、…、pn均为样点中 的单条光谱的光通量数据；
所述步骤S6中使用的步骤S1中准备的数据包括天空光光谱数据或/和标准板光谱数据，对步骤S5中的数据结果计算反射率的算法为水面以上遥感反射率算法，具体步骤为：
S6-1：当有天空光光谱数据时，其反射率计算公式为下式（4）：
Figure 340274DEST_PATH_IMAGE036
（4）；其中
Figure 453723DEST_PATH_IMAGE038
为遥感反射率；
Figure 910112DEST_PATH_IMAGE040
为波长，
Figure 776831DEST_PATH_IMAGE004
为水面光谱数据，
Figure 369486DEST_PATH_IMAGE042
为天空光光谱，
Figure 184995DEST_PATH_IMAGE044
为标准板光谱，
Figure 738468DEST_PATH_IMAGE046
为标准板出厂反射 率；
Figure 32046DEST_PATH_IMAGE048
是容器中的空气与水界面之间的反射率，取近红外范围波段，即选择波长大于等于 800nm，计算反射率
Figure 479207DEST_PATH_IMAGE050
；
Figure 340984DEST_PATH_IMAGE052
为圆周率；
S6-2：当无天空光光谱数据时，其反射率计算公式为下式（5）：
Figure 506386DEST_PATH_IMAGE054
（5）；其中
Figure 479022DEST_PATH_IMAGE038
为遥感反射率；
Figure 780690DEST_PATH_IMAGE040
为波长，
Figure 672423DEST_PATH_IMAGE004
为水面光谱 数据，
Figure 964601DEST_PATH_IMAGE044
为标准板光谱，
Figure 334403DEST_PATH_IMAGE046
为标准板出厂反射率；
Figure 756157DEST_PATH_IMAGE052
为圆周率。
所述步骤S7中对所述步骤S6的反射率数据结果进行预处理的算法为S-G卷积平滑和直接差分法，具体为；
S71：先S-G卷积平滑算法利用多项式对设定的移动窗口内的数据进行最小二乘法拟合，以更优的方式进行了移动窗口内数据的加权平均；
为移动窗口大小，表示了建立最小二乘法拟合多元模型，其中通用式为
Figure 834151DEST_PATH_IMAGE058
的数据数；最小二乘法主旨取最小的残差平方和，即，
Figure 538802DEST_PATH_IMAGE060
；其中
Figure 690429DEST_PATH_IMAGE062
为真实值，
Figure 189543DEST_PATH_IMAGE064
为拟合多元模型后的计算结果；以移动窗口大小 内数据进行最小二乘法拟合，通用式中为
Figure 551255DEST_PATH_IMAGE066
常数系数，
Figure 403804DEST_PATH_IMAGE068
则是
Figure 800150DEST_PATH_IMAGE070
变量系数，
Figure 846997DEST_PATH_IMAGE072
,得 出
Figure 961584DEST_PATH_IMAGE074
；
Figure 476879DEST_PATH_IMAGE076
指经过S-G卷积平滑算法后遥感反射率，
Figure 603098DEST_PATH_IMAGE040
为波长；
S72：再利用差分法其计算公式如下式（6），
Figure 444015DEST_PATH_IMAGE078
（6）；其中
Figure 780318DEST_PATH_IMAGE080
为差分计算后遥感反射率，
Figure 240249DEST_PATH_IMAGE082
为 波长；
Figure 345609DEST_PATH_IMAGE084
为相邻波段波长的差；
Figure 232793DEST_PATH_IMAGE086
和
Figure 790814DEST_PATH_IMAGE088
为相邻波段的遥感反射率 值。
S73：计算光谱反射率，利用差分法计算反射率后，将数据进行归一化，如下式（7）：
Figure 913490DEST_PATH_IMAGE090
（7）；其中
Figure 512837DEST_PATH_IMAGE092
为步骤S72计算后的归 一化计算结果；
Figure 429977DEST_PATH_IMAGE094
为差分后遥感反射率最小值；
Figure 6452DEST_PATH_IMAGE096
为差分后遥感反射 率最大值。
所述步骤S8中根据待检测的水质指标的所述水质算法数据模型输出该水质指标的检测数值的算法为：
拟合优度/判定系数：
Figure 542607DEST_PATH_IMAGE098
；
均方误差：
Figure 622558DEST_PATH_IMAGE100
；
均方根误差：
Figure 976179DEST_PATH_IMAGE102
；
其中
Figure 384158DEST_PATH_IMAGE062
为测试样点真实值；
Figure 848637DEST_PATH_IMAGE104
为测试样点的均值；
Figure 783095DEST_PATH_IMAGE064
为测试样点经过水质算法数据模型 输出的预测值；m为测试样点个数，SSR为测试样点输出的预测值和真实值均值之差的平方 和，SST为真实值与其均值的之差平方和；拟合优度或判定系数的数值范围为[0, 1]，而
Figure 182984DEST_PATH_IMAGE106
接近1可判定最优模型；均方误差和均方根误差作为二次模型评估判定，其计算结果接近0 为最优模型。
其中，该基于光能量积分球的水质检测监测系统装置进行水质检测的方法还包括算法数据剔除异常分类的方法，即所述步骤S3还包括通过随机或按顺序切割数据进行样点选取，生成训练集和验证集，并从训练集中选出数据直接作为未剔除光谱数据集；所述步骤S4还包括对训练集数据进行距离计算，并记录算法供验证集数据使用，使用的算法为所述步骤S4中的多维点矩阵距离算法；选择阀值对训练集数据进行判断是否超出阀值，同时记录阀值对验证训练集数据进行判断是否超出阀值；若超出阀值则剔除光谱；若未超出阀值则作为正常光谱，分别记为训练集正常光谱数据和验证集正常光谱数据。
如图3所示，具体地详细步骤如下：
首先通过光谱采集模组获得的的背景光谱数据、的水面光谱数据和S1-3的暗电流数据，供步骤A使用；
A：对数据进行基线校正，转到步骤B，算法为光谱单点校正；
步骤（A-1）：
Figure 202892DEST_PATH_IMAGE002
为背景光谱数据、
Figure 471062DEST_PATH_IMAGE004
为水面光谱数据和
Figure 625139DEST_PATH_IMAGE006
为暗电流数据；
步骤（A-2）：将
Figure 320563DEST_PATH_IMAGE002
数据对应的同波长计算均值，
Figure 827767DEST_PATH_IMAGE130
，
Figure 509416DEST_PATH_IMAGE132
为采集光谱 条数；
步骤（A-3）：将
Figure 418466DEST_PATH_IMAGE006
数据对应同波长计算均值，
Figure 284791DEST_PATH_IMAGE134
，
Figure 889078DEST_PATH_IMAGE132
为采集光 谱条数；则；
其中
Figure DEST_PATH_IMAGE136A
为基线校正后的光谱；为范围200~1100nm的波长；
Figure 545057DEST_PATH_IMAGE018
为均值后背景光 谱；
Figure 308613DEST_PATH_IMAGE020
为均值后暗电流光谱；n为样点中的光谱总数；
B：通过随机或在顺序切割数据进行样点选取，一般按照7：3进行选取；
步骤（B-1）：生成“未剔除光谱”数据供本系统及装置的算法模型搭建及验证使用；
步骤（B-2）：生成“训练集70%”数据供步骤C调用；
步骤（B-3）：生成“训练集70%”数据供步骤F调用；
C：对“训练集70%”数据进行距离计算后转到步骤D，并记录算法步骤C-1的算法供步骤F调用，算法为多维点矩阵距离算法；
步骤（C-1）：在n维空间里的两个点
Figure 345839DEST_PATH_IMAGE022
和
Figure 703003DEST_PATH_IMAGE024
，距离d的表达则是：
Figure 851087DEST_PATH_IMAGE026
；
步骤（C-2）：假设采集样点数总数m，每个采集样点的训练集光谱总数n；
Figure 734729DEST_PATH_IMAGE028
；
取样点1为例：
Figure 552644DEST_PATH_IMAGE128
；
每个点
Figure DEST_PATH_IMAGE140AA
维度为200~1100nm之间的光通量数；
步骤（C-3）：对样点1中的光谱总数n进行两两距离运算，生成距离矩阵；
Figure DEST_PATH_IMAGE142AA
；
取得平常式：
Figure 164147DEST_PATH_IMAGE030
；
Figure 991289DEST_PATH_IMAGE032
为样点m距离矩阵；
Figure 729438DEST_PATH_IMAGE034
为两个点p之间的距离，p1、p2、…、pn均为样点中的单 条光谱的光通量数据；
每个样点生成一个距离矩阵；
D：选择阈值转到步骤E，并记录阈值供步骤G调用，阈值一般选择为：
步骤（D-1）：取样点1为例，其距离矩阵为：
Figure DEST_PATH_IMAGE142AAA
；
针对同一点下，计算其对应与其他点之间的距离均值：
Figure 46150DEST_PATH_IMAGE144
；平常式：
Figure 876440DEST_PATH_IMAGE146
；
步骤（D-2）：将每个样点
Figure 366327DEST_PATH_IMAGE148
排序统计分布：
Figure 958983DEST_PATH_IMAGE150
；
步骤（D-3）：计算第三四分位数，从
Figure 649858DEST_PATH_IMAGE148
中的数据量75%位置，
Figure 327964DEST_PATH_IMAGE152
的位 置对应数据计算；
以
Figure 496908DEST_PATH_IMAGE132
为100为例子：
Figure 944070DEST_PATH_IMAGE154
；
每个在排序后的
Figure 930481DEST_PATH_IMAGE155
中取
Figure 971249DEST_PATH_IMAGE157
和
Figure 802939DEST_PATH_IMAGE159
的值；
Figure 104607DEST_PATH_IMAGE161
，计算结果为阈值；
E判断：
步骤（E-1）：超出阈值范围，生成“剔除光谱”数据，直接丢弃；
步骤（E-2）：在阈值范围内，生成“训练集正常光谱”数据供本系统及装置的算法模型搭建及验证使用；
F：对步骤B中的“训练集70%”数据用步骤C的算法进行计算，步骤转到G；
G：利用步骤D记录阈值，进行判断：
步骤（G-1）：超出阈值范围，生成“剔除光谱”数据，直接丢弃；
步骤（G-2）：在阈值范围内，生成“训练集正常光谱”数据供本系统及装置的算法模型搭建及验证使用。
该基于光能量积分球的水质检测监测系统装置进行水质检测的方法还包括算法模型搭建及验证的方法，具体步骤为：
步骤1）：先准备未剔除正常光谱数据、正常光谱数据、验证集正常光谱数据和标准板光谱数据或/和天空光光谱数据；准备一个用试纸法或电极法测得某一个水质指标的标准浓度数据；分别对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据进行数据平均；
步骤2）：选取天空光光谱数据和或标准板光谱数据采用步骤S6中的算法计算未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据的反射率；
步骤2-1）：在有天空光光谱数据的情况下，反射率计算为：
Figure 638750DEST_PATH_IMAGE036
，其中，
Figure 25869DEST_PATH_IMAGE038
为遥感反射率；
Figure 661250DEST_PATH_IMAGE040
为波长，
Figure 223949DEST_PATH_IMAGE004
为 水面光谱数据，
Figure 286583DEST_PATH_IMAGE042
为天空光光谱，
Figure 160998DEST_PATH_IMAGE044
为标准板光谱，
Figure 334491DEST_PATH_IMAGE046
为标准板出厂反射率；
Figure 486118DEST_PATH_IMAGE048
是容器中的空气与水界面之间的反射率，取近红外范围波段，即选择波长大于等于 800nm，计算反射率
Figure 985232DEST_PATH_IMAGE050
；
Figure 346943DEST_PATH_IMAGE052
为圆周率；
步骤2-2）：在无天空光光谱数据的情况下，反射率计算为：
Figure 199493DEST_PATH_IMAGE054
，
Figure 861418DEST_PATH_IMAGE040
为波长，
Figure 265855DEST_PATH_IMAGE004
为水面光谱数据，
Figure 223184DEST_PATH_IMAGE044
为标准板光谱，
Figure 4058DEST_PATH_IMAGE046
为标准板出厂反射率；
Figure 254911DEST_PATH_IMAGE052
为圆周率；
步骤3）：分别对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据采用步骤S7的算法进行降噪预处理；
步骤3-1）： S-G卷积平滑利用多项式对设定的移动窗口内的数据进行最小二乘法拟合，以更优的方式进行了移动窗口内数据的加权平均；
为移动窗口大小，也表示了建立最小二乘法拟合多元模型（平常式为
Figure 174457DEST_PATH_IMAGE058
）的数据数；最小二乘法主旨取最小的残差平方和，即，
Figure 245181DEST_PATH_IMAGE060
；
其中，
Figure 705112DEST_PATH_IMAGE062
为真实值，
Figure 76051DEST_PATH_IMAGE064
为拟合多元模型后的计算结果；以移动窗口大小内数据进行最小 二乘法拟合，通用式中为
Figure 822290DEST_PATH_IMAGE066
常数系数，
Figure 22720DEST_PATH_IMAGE068
则是
Figure 145397DEST_PATH_IMAGE070
变量系数，
Figure 370842DEST_PATH_IMAGE072
,得出
Figure 163349DEST_PATH_IMAGE074
；
Figure 208665DEST_PATH_IMAGE076
指 经过S-G卷积平滑算法后遥感反射率，
Figure 135033DEST_PATH_IMAGE040
为波长；
步骤3-2）差分法：
Figure 90351DEST_PATH_IMAGE078
；
其中，
Figure 178392DEST_PATH_IMAGE080
为差分计算后遥感反射率，
Figure 711005DEST_PATH_IMAGE082
为波长；
Figure 316430DEST_PATH_IMAGE084
为相邻波段波长的 差；
Figure 250888DEST_PATH_IMAGE086
和
Figure 509831DEST_PATH_IMAGE088
为相邻波段的遥感反射率值；
步骤3-3）：利用差分法计算反射率后，将数据进行归一化：
Figure 529739DEST_PATH_IMAGE090
；
其中，
Figure 437390DEST_PATH_IMAGE092
为反射率值进过差分算法计算后的归一化计算结果；
Figure 226355DEST_PATH_IMAGE094
为差 分后遥感反射率最小值；
Figure 656199DEST_PATH_IMAGE096
为差分后遥感反射率最大值；
步骤4）：对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据的数据源进行第一分类分流；未剔除光谱数据集、训练集正常光谱数据处理的结果数据，分流到步骤5），验证集正常光谱数据处理的结果，分流到步骤9）；
步骤5）：统一对步骤4）中未剔除光谱数据集和训练集正常光谱数据处理的结果数据寻找特征光谱，并记录特征波段供步骤9）调用；
步骤6）：对未剔除光谱数据集和训练集正常光谱数据进行第二次分流，未剔除光谱数据处理的结果分流到步骤7），正常光谱数据处理的结果分流到步骤8）；
步骤7）：未剔除光谱数据处理的结果进行训练生成输出待评估模型M1，供步骤10）进行评估；
步骤8）：正常光谱数据处理的结果进行训练生成输出待评估模型M2，供步骤10）进行评估；
所述步骤7）对输出待评估模型M1进行评估和所述步骤8）中对输出待评估模型M2进行评估的算法均为逐步多波段非线性回归，具体步骤为：
步骤7-1）：所述步骤5）的特征波段数据作为回归模型中的自变量；标准浓度则为因变量；
步骤7-2）：特征波段数据中逐步选取单条波段至多条波段数据，以二次多项式对数据进行拟合；在模型的训练过程求最小平方误差，即：
任意
Figure 38770DEST_PATH_IMAGE108
次多项式平常式为
Figure 110631DEST_PATH_IMAGE110
，则其误差函数为：
Figure 754102DEST_PATH_IMAGE112
，
其中，
Figure 495793DEST_PATH_IMAGE114
为所有样点
Figure 490294DEST_PATH_IMAGE116
的平方误差，
Figure 100267DEST_PATH_IMAGE062
为其对应真实值；
Figure 473610DEST_PATH_IMAGE118
是拟合数 据后导入对应真实值样点数据的计算结果；
Figure 510836DEST_PATH_IMAGE120
为对应样点
Figure 727054DEST_PATH_IMAGE122
的自变量数据，
Figure 529268DEST_PATH_IMAGE124
为
Figure 147331DEST_PATH_IMAGE126
的多次方 项的系数；
步骤7-3）：将特征波段数据分别依次代入模型，得最接近1的拟合度为最终模型；
步骤7-4）：输出最终模型的波段组合和待评估模型M1，供步骤10）进行评估；
步骤9）：根据步骤5）记录特征波段，利用步骤4）分流的验证集正常光谱数据，选择选择特征波段数据，然后进行步骤10）；
步骤10）：根据步骤7）生成的输出待评估模型M1和步骤8）生成的输出待评估模型M2分别计算验证集正常光谱数据的浓度，然后进行步骤11）；
步骤11）：根据标准浓度数据对输出待评估模型M1和输出待评估模型M2进行评估，取两者之间的精度最高的模型为该水质指标的最终浓度模型Mn；然后进行步骤12）；
步骤12）：根据该水质指标的最终浓度模型，确认最终阈值Yn为水质检测的方法使用。
对于本领域的普通技术人员而言，具体实施例只是对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (16)

1.一种基于光能量积分球的水质检测监测系统装置，其特征在于，包括前端检测监测装置和后端检测监测系统，所述前端检测监测装置和所述后端检测监测系统通过网络通讯进行数据传输；所述前端检测监测装置包括能源模块、结构模块、主控模块和外设模块；所述能源模块与所述结构模块连接；所述能源模块、结构模块和外设模块均与所述主控模块连接，所述能源模块用于为所述前端检测监测装置提供能源电流；所述结构模块用于检测监测水质；所述外设模块用于将采集光能量数据传输到后端检测监测系统；所述后端检测监测系统包括AI模型库、数据库模块、大数据计算模块、管理模块和应用模块，所述AI模型库、数据库模块、大数据计算模块和应用模块均与管理模块连接，所述AI模型库用于存放多种水质算法模型数据；所述数据库模块用于接收并存放所述前端检测监测装置采集的数据；所述大数据计算模块用于利用AI模型库中水质算法数据模型计算水中的水质指标的数值和变化；所述管理模块用于管理和协调所述后端检测监测系统中所述AI模型库、数据库模块、大数据计算模块和应用模块之间的运作；所述应用模块用于将所述大数据模块计算的结果进行反馈。
2.根据权利要求1所述的基于光能量积分球的水质检测监测系统装置，其特征在于，所述结构模块包括积分球体、电磁阀、循环泵、200~1100nm光源、温度水位模组和光谱采集探头，所述电磁阀的上部与所述能源模块相连接，所述电磁阀的下部与所述积分球体的底部相连接，且所述电磁阀通过所述能源模块控制将所述积分球体内部的水排出；所述循环泵的上部与所述能源模块相连接，所述循环泵的下部分别与待检测监测水源和所述积分球体的顶部相连接且伸入所述积分球体内部，通过所述能源模块控制将待检测监测的水源抽入所述积分球体内；所述200~1100nm光源与能源模块连接，通过能源模块控制向检测监测的积分球体及水体提供200~1100nm光能量；所述温度水位模组与主控模块连接，用于将所述积分球体内部温度、水体温度和水位传输给主控模块；所述光谱采集探头与主控模块连接，用于将所述积分球体内部的光能量的数值和变化上报给主控模块。
3.根据权利要求1所述的基于光能量积分球的水质检测监测系统装置，其特征在于，所述能源模块包括至少一种清洁能源输入模组、清洁能源控制模组、交流电输入模组、变压模组、蓄电池和能源控制模组，所述能源输入模组与清洁能源控制模组连接，用于为所述前端检测监测装置提供能源电流；所述清洁能源控制模组的另一端与蓄电池相连接，所述清洁能源控制模组用于将所述清洁能源输入转换的能源电流输配到蓄电池和防止所述蓄电池过充和倒灌；所述交流电输入模组与变压模组连接，用于为所述前端检测监测装置提供市电交流电能源电流；所述变压模块的另一端与所述蓄电池和能源控制模块连接，用于将交流电能源电流转换成蓄电池的直流电能输配到蓄电池且防止蓄电池过充和倒灌，同时通过所述能源控制模组给所述前端检测监测装置提供能源电流；所述能源控制模组一端连接所述主控模块、蓄电池和变压模组，另一端连接主控模块和结构模块，用于通过主控模块的指令为主控模块和结构模块提供能源电流。
4.根据权利要求2所述的基于光能量积分球的水质检测监测系统装置，其特征在于，所述主控模块包括光谱采集模组和主控模组，所述光谱采集模组的一端连接所述主控模组，另一端连接所述结构模块的光谱采集探头，用于把所述光谱采集探头采集的光能量数据传输给所述主控模组；所述主控模组分别与能源控制模组、温度水位模组和外设模组连接。
5.根据权利要求4所述的基于光能量积分球的水质检测监测系统装置，其特征在于，所述外设模块包括4G/5G/NB模组、GPS/BDS模组、空气流动模组、报警模组和摄像头模组，所述4G/5G/NB模组与所述主控模组连接，用于接受所述主控模组的指令与所述后端检测监测系统进行通信；所述GPS/BDS模组与所述主控模组连接，用于获取所述前端检测监测装置的位置信息并传输给所述主控模组；所述空气流动模组的一端与所述主控模组连接，另一端与所述结构模块的积分球体连接，用于为所述前端检测监测装置提供空气流动，防止所述前端检测监测装置的内部起雾结冰影响检测监测数据；所述报警模组与所述主控模组连接，用于接收所述主控模组的指令进行声光报警；所述摄像头模组与所述主控模组连接，用于采集所述前端检测监测装置所处环境的图片和视频数据并传输给所述主控模块。
6.根据权利要求4所述的基于光能量积分球的水质检测监测系统装置，其特征在于，所述电磁阀通过第一水管与积分球体底部连接，所述循环泵通过第二水管分别与待检测监测水源和积分球体连接，在开始检测前，所述循环泵通过能源模块的能源控制模组的控制将待检测监测水源抽入积分球体内，且与待检测监测水源连接第二水管处有过滤膜，在所述积分球体内部入水管处设有增压扇形喷头，可以对所述积分球体内部进行清洁。
7.一种采用权利要求1-6所述的基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，具体包括以下步骤：
S1：准备数据，选择待检测的水质指标并调取所述水质指标的水质算法数据模型，
S2：采用步骤S1中准备的数据进行基线校正；
S3采用步骤S2中校正后的数据处理结果计算距离；
S4：根据步骤S1中调取的水质算法数据模型对应的阀值进行数据剔除，若超出所述阀值则剔除光谱，从而获得未超出阀值的数据样本集；
S5：对步骤S4中获得的数据样本集统计平均样点个数；
S6：结合步骤S1中准备的数据对步骤S5中的数据结果计算反射率，得到反射率数据结果；
S7：对步骤S6中反射率数据结果进行预处理；
S8：根据待检测的水质指标的所述水质算法数据模型输出该水质指标的检测数值。
8.根据权利要求7所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤S1中的准备的数据包括背景光谱数据、水面光谱数据、暗电流数据和标准板光谱数据或/和天空光光谱数据；所述水质算法数据模型为标准评估模型Mn，所述标准评估模型Mn对应的阀值为Yn。
9.根据权利要求8所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤S2中使用的步骤S1中准备的数据包括背景光谱数据、水面光谱数据和暗电流数据；进行基线校正的算法为光谱单点校正，具体步骤为：
S21：设
Figure 431783DEST_PATH_IMAGE002
为背景光谱数据、
Figure 400876DEST_PATH_IMAGE004
为水面光谱数据和
Figure 352651DEST_PATH_IMAGE006
为暗电流数据；
S22：将
Figure 199122DEST_PATH_IMAGE002
数据对应的同波长计算均值，
Figure 843730DEST_PATH_IMAGE008
；
S23：将
Figure 34540DEST_PATH_IMAGE006
数据对应同波长计算均值，
Figure 399794DEST_PATH_IMAGE010
；（1）；其中
Figure DEST_PATH_IMAGE014A
为基线校正后的光谱；
Figure 461291DEST_PATH_IMAGE016
为波长；
Figure 621008DEST_PATH_IMAGE018
为均值后背景光谱；
Figure 299114DEST_PATH_IMAGE020
为均值后暗电流光谱；n为样点中的光谱总数。
10.根据权利要求9所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤S3中对校正后的数据处理结果计算距离的算法为多维点矩阵距离算法，具体步骤为：
S31：在
Figure 592692DEST_PATH_IMAGE022
维空间里的两个点
Figure 682264DEST_PATH_IMAGE024
和
Figure 403095DEST_PATH_IMAGE026
，距离
Figure 302918DEST_PATH_IMAGE028
的表达公式如下式（2）；
Figure 134608DEST_PATH_IMAGE030
（2）；其中i=1、 2、3、……n；
S32：设采集样点数总数m，每个采集样点的训练集光谱总数n；则
Figure 842801DEST_PATH_IMAGE032
；每个点p维度为200~1100nm之间的光通量数；
S33：对每个样点中的光谱总数n进行两两距离计算，每个样点均生成一个距离矩阵，如下式（3）；
Figure 734533DEST_PATH_IMAGE034
（3）；其中
Figure 121652DEST_PATH_IMAGE036
为 样点m距离矩阵；
Figure 897979DEST_PATH_IMAGE038
为两个点p之间的距离，p1、p2、…、pn均为样点中的单条光谱的光通量数 据。
11.根据权利要求10所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤S6中使用的步骤S1中准备的数据包括天空光光谱数据或/和标准板光谱数据，对步骤S5中的数据结果计算反射率的算法为水面以上遥感反射率算法，具体步骤为：
S6-1：当有天空光光谱数据时，其反射率计算公式为下式（4）：
Figure 319733DEST_PATH_IMAGE040
（4）；其中
Figure 382367DEST_PATH_IMAGE042
为遥感反射率；
Figure 132148DEST_PATH_IMAGE044
为波长，
Figure 571219DEST_PATH_IMAGE004
为水面光谱数据，
Figure 847480DEST_PATH_IMAGE046
为天空光光谱，
Figure 454917DEST_PATH_IMAGE048
为标准板光谱，
Figure 82207DEST_PATH_IMAGE050
为标准板出厂反射率；
Figure 59390DEST_PATH_IMAGE052
是容器中的空气与水界面之间的反射率，取近红外范围波段，即选择波长大于等于800nm， 计算反射率
Figure 331103DEST_PATH_IMAGE054
；
Figure 735539DEST_PATH_IMAGE056
为圆周率；
S6-2：当无天空光光谱数据时，其反射率计算公式为下式（5）：
Figure 584547DEST_PATH_IMAGE058
（5）；其中
Figure 506366DEST_PATH_IMAGE042
为遥感反射率；
Figure 491640DEST_PATH_IMAGE044
为波长，
Figure 66978DEST_PATH_IMAGE004
为水面光谱 数据，
Figure 278647DEST_PATH_IMAGE048
为标准板光谱，
Figure 863212DEST_PATH_IMAGE050
为标准板出厂反射率；
Figure 968572DEST_PATH_IMAGE056
为圆周率。
12.根据权利要求11所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤S7中对所述步骤S6的反射率数据结果进行预处理的算法为S-G卷积平滑和直接差分法，具体为；
S71：先S-G卷积平滑算法利用多项式对设定的移动窗口内的数据进行最小二乘法拟合，以更优的方式进行了移动窗口内数据的加权平均；
为移动窗口大小，表示了建立最小二乘法拟合多元模型，其中通用式为
Figure 915241DEST_PATH_IMAGE062
的数据数；最小二乘法主旨取最小的残差平方和，即，
Figure 37918DEST_PATH_IMAGE064
；
其中
Figure 873150DEST_PATH_IMAGE066
为真实值，
Figure 55870DEST_PATH_IMAGE068
为拟合多元模型后的计算结果；以移动窗口大小内数据进行最小二 乘法拟合，通用式中为
Figure 101186DEST_PATH_IMAGE070
常数系数，
Figure 902920DEST_PATH_IMAGE072
则是
Figure 982871DEST_PATH_IMAGE074
变量系数，
Figure 336492DEST_PATH_IMAGE076
,得出
Figure 744471DEST_PATH_IMAGE078
；
Figure 474530DEST_PATH_IMAGE080
指经 过S-G卷积平滑算法后遥感反射率，
Figure 408988DEST_PATH_IMAGE044
为波长；
S72：再利用差分法其计算公式如下式（6），
Figure 41832DEST_PATH_IMAGE082
（6）；其 中
Figure 61741DEST_PATH_IMAGE084
为差分计算后遥感反射率，
Figure 64332DEST_PATH_IMAGE086
为波长；
Figure 994242DEST_PATH_IMAGE088
为相邻波段波长的差；
Figure 689665DEST_PATH_IMAGE090
和
Figure 196870DEST_PATH_IMAGE092
为相邻波段的遥感反射率值；
S73：计算光谱反射率，利用差分法计算反射率后，将数据进行归一化，如下式（7）：
Figure 737573DEST_PATH_IMAGE094
（7）；其中
Figure 787568DEST_PATH_IMAGE096
为步骤S72计算后的归 一化计算结果；
Figure 388314DEST_PATH_IMAGE098
为差分后遥感反射率最小值；
Figure 382815DEST_PATH_IMAGE100
为差分后遥感反射 率最大值。
13.根据权利要求12所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤S8中根据待检测的水质指标的所述水质算法数据模型输出该水质指标的各种检测数值的算法为：
拟合优度/判定系数：
Figure 602575DEST_PATH_IMAGE102
；
均方误差：
Figure 366131DEST_PATH_IMAGE104
；
均方根误差：
Figure 668937DEST_PATH_IMAGE106
；
其中
Figure 250267DEST_PATH_IMAGE107
为测试样点真实值；
Figure 663930DEST_PATH_IMAGE109
为测试样点的均值；
Figure 281994DEST_PATH_IMAGE110
为测试样点经过水质算法数据模型 输出的预测值；m为测试样点个数，SSR为测试样点输出的预测值和真实值均值之差的平方 和，SST为真实值与其均值的之差平方和；拟合优度或判定系数的数值范围为[0, 1]，而
Figure 631066DEST_PATH_IMAGE112
接近1可判定最优模型；均方误差和均方根误差作为二次模型评估判定，其计算结果接近0 为最优模型。
14.根据权利要求13所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，该基于光能量积分球的水质检测监测系统装置进行水质检测的方法还包括算法数据剔除异常分类的方法，即所述步骤S3还包括通过随机或按顺序切割数据进行样点选取，生成训练集和验证集，并从训练集中选出数据直接作为未剔除光谱数据集；所述步骤S4还包括对训练集数据进行距离计算，并记录算法供验证集数据使用，使用的算法为所述步骤S4中的多维点矩阵距离算法；选择阀值对训练集数据进行判断是否超出阀值，同时记录阀值对验证训练集数据进行判断是否超出阀值；若超出阀值则剔除光谱；若未超出阀值则作为正常光谱，分别记为训练集正常光谱数据和验证集正常光谱数据。
15.根据权利要求14所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，该基于光能量积分球的水质检测监测系统装置进行水质检测的方法还包括算法模型搭建及验证的方法，具体步骤为：
步骤1）：先准备未剔除正常光谱数据、正常光谱数据、验证集正常光谱数据和标准板光谱数据或/和天空光光谱数据；准备一个水质指标的标准浓度数据；分别对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据进行数据平均；
步骤2）：选取天空光光谱数据和或标准板光谱数据采用步骤S6中的算法计算未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据的反射率；
步骤3）：分别对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据采用步骤S7的算法进行降噪预处理；
步骤4）：对未剔除光谱数据集、训练集正常光谱数据和验证集正常光谱数据三类数据的数据源进行第一分类分流；未剔除光谱数据集、训练集正常光谱数据处理的结果数据，分流到步骤5），验证集正常光谱数据处理的结果，分流到步骤9）；
步骤5）：统一对步骤4）中未剔除光谱数据集和训练集正常光谱数据处理的结果数据寻找特征光谱，并记录特征波段供步骤9）调用；
步骤6）：对未剔除光谱数据集和训练集正常光谱数据进行第二次分流，未剔除光谱数据处理的结果分流到步骤7），正常光谱数据处理的结果分流到步骤8）；
步骤7）：未剔除光谱数据处理的结果进行训练生成输出待评估模型M1，供步骤10）进行评估；
步骤8）：正常光谱数据处理的结果进行训练生成输出待评估模型M2，供步骤10）进行评估；
步骤9）：根据步骤5）记录特征波段，利用步骤4）分流的验证集正常光谱数据，选择选择特征波段数据，然后进行步骤10）；
步骤10）：根据步骤7）生成的输出待评估模型M1和步骤8）生成的输出待评估模型M2分别计算验证集正常光谱数据的浓度，然后进行步骤11）；
步骤11）：根据标准浓度数据对输出待评估模型M1和输出待评估模型M2进行评估，取两者之间的精度最高的模型为该水质指标的最终浓度模型Mn；然后进行步骤12）；
步骤12）：根据该水质指标的最终浓度模型，确认最终阈值Yn为水质检测的方法使用。
16.根据权利要求15所述的采用基于光能量积分球的水质检测监测系统装置进行水质检测的方法，其特征在于，所述步骤7）对输出待评估模型M1进行评估和所述步骤8）中对输出待评估模型M2进行评估的算法均为逐步多波段非线性回归，具体步骤为：
步骤7-1）：所述步骤5）的特征波段数据作为回归模型中的自变量；标准浓度则为因变量；
步骤7-2）：特征波段数据中逐步选取单条波段至多条波段数据，以二次多项式对数据 进行拟合；在模型的训练过程求最小平方误差，即：任意次多项式平常式为
Figure 161722DEST_PATH_IMAGE116
,则其 误差函数为：
Figure 899871DEST_PATH_IMAGE118
，其中
Figure 278900DEST_PATH_IMAGE120
为所有样点
Figure 610655DEST_PATH_IMAGE122
的平方误差，
Figure 100542DEST_PATH_IMAGE107
为其对应真实值；
Figure 427618DEST_PATH_IMAGE124
是拟合数据后导入对应真实值样点数 据的计算结果；
Figure 977548DEST_PATH_IMAGE126
为对应样点
Figure 29556DEST_PATH_IMAGE128
的自变量数据，
Figure 588713DEST_PATH_IMAGE130
为
Figure 35875DEST_PATH_IMAGE132
的多次方项的系数；
步骤7-3）：将特征波段数据分别依次代入模型，得最接近1的拟合度为最终模型；
步骤7-4）：输出最终模型的波段组合和待评估模型M1，供步骤10）进行评估。
CN202010534763.XA 2020-06-12 2020-06-12 一种基于光能量积分球的水质检测监测系统装置及方法 Active CN111487224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010534763.XA CN111487224B (zh) 2020-06-12 2020-06-12 一种基于光能量积分球的水质检测监测系统装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010534763.XA CN111487224B (zh) 2020-06-12 2020-06-12 一种基于光能量积分球的水质检测监测系统装置及方法

Publications (2)

Publication Number Publication Date
CN111487224A true CN111487224A (zh) 2020-08-04
CN111487224B CN111487224B (zh) 2020-10-16

Family

ID=71796081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010534763.XA Active CN111487224B (zh) 2020-06-12 2020-06-12 一种基于光能量积分球的水质检测监测系统装置及方法

Country Status (1)

Country Link
CN (1) CN111487224B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112229771A (zh) * 2020-08-27 2021-01-15 南昌工程学院 基于悬浮物示踪的江水倒灌入湖遥感监测方法
CN113588583A (zh) * 2021-07-28 2021-11-02 南京红松信息技术有限公司 基于全光谱的水质指标监测系统及水质监测的方法
US11367209B2 (en) * 2020-10-23 2022-06-21 X Development Llc Visual detection of haloclines

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810886A (zh) * 2011-06-02 2012-12-05 徐州捷扬电子科技有限公司 一种太阳能复合式充电器
CN103473707A (zh) * 2013-09-17 2013-12-25 山东大学 建立城市河网水体光谱库的方法与应用
CN204389384U (zh) * 2014-12-18 2015-06-10 中国水产科学研究院南海水产研究所 一种自然水体吸收系数的测量装置
CN105158185A (zh) * 2015-09-11 2015-12-16 深圳世绘林科技有限公司 一种基于光学积分球的水质在线监测装置
CN206369694U (zh) * 2016-12-31 2017-08-01 上海复展智能科技股份有限公司 基于积分球的液体光谱透射和散射系数测量装置
CN109444056A (zh) * 2018-10-30 2019-03-08 浙江大学 一种双目成像式水下光谱反射率原位测量装置及测量方法
CN109489721A (zh) * 2018-11-09 2019-03-19 朱光兴 一种水环境敏感区遥感识别系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810886A (zh) * 2011-06-02 2012-12-05 徐州捷扬电子科技有限公司 一种太阳能复合式充电器
CN103473707A (zh) * 2013-09-17 2013-12-25 山东大学 建立城市河网水体光谱库的方法与应用
CN204389384U (zh) * 2014-12-18 2015-06-10 中国水产科学研究院南海水产研究所 一种自然水体吸收系数的测量装置
CN105158185A (zh) * 2015-09-11 2015-12-16 深圳世绘林科技有限公司 一种基于光学积分球的水质在线监测装置
CN206369694U (zh) * 2016-12-31 2017-08-01 上海复展智能科技股份有限公司 基于积分球的液体光谱透射和散射系数测量装置
CN109444056A (zh) * 2018-10-30 2019-03-08 浙江大学 一种双目成像式水下光谱反射率原位测量装置及测量方法
CN109489721A (zh) * 2018-11-09 2019-03-19 朱光兴 一种水环境敏感区遥感识别系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112229771A (zh) * 2020-08-27 2021-01-15 南昌工程学院 基于悬浮物示踪的江水倒灌入湖遥感监测方法
US11367209B2 (en) * 2020-10-23 2022-06-21 X Development Llc Visual detection of haloclines
US20220284612A1 (en) * 2020-10-23 2022-09-08 X Development Llc Visual detection of haloclines
US12277722B2 (en) 2020-10-23 2025-04-15 Tidalx Ai Inc. Visual detection of haloclines
CN113588583A (zh) * 2021-07-28 2021-11-02 南京红松信息技术有限公司 基于全光谱的水质指标监测系统及水质监测的方法

Also Published As

Publication number Publication date
CN111487224B (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111487224B (zh) 一种基于光能量积分球的水质检测监测系统装置及方法
US8970841B2 (en) Spectral and temporal laser fluorescence analysis such as for natural aquatic environments
Sathyendranath Phytoplankton functional types from Space.
CN110672805A (zh) 一种基于航空高光谱数据的水库水质参数定量反演方法
CN102156183B (zh) 多参数综合cod水质监测方法
US11221320B2 (en) Method and apparatus for measuring leaf nitrogen content
CN113340914B (zh) 一种基于高光谱遥感的水体富营养化状态测算方法
CN103278460A (zh) 一种柑橘树红蜘蛛虫害胁迫情况测试分析方法
CN112818751A (zh) 一种基于物联网的水生态完整性动态评估方法
CN108253943A (zh) 一种基于卫星遥感影像的赤潮浒苔一体化监测方法
CN106408005A (zh) 基于modis色素浓度估算的富营养化湖泊水质风险评价方法
CN115358103B (zh) 一种基于Sentinel-2数据的水环境检测方法
CN113340825B (zh) 一种在高浊度背景干扰下叶绿素a浓度的测算方法
Cannizzaro et al. Detection of Karenia brevis blooms on the west Florida shelf using in situ backscattering and fluorescence data
CN106442233A (zh) 利用卫星数据估测海水悬浮颗粒物粒径的混合型新方法
CN112946216A (zh) 一种智能水质监测系统
CN119666836A (zh) 一种重金属污染土壤修复效果的综合评估方法及系统
CN120408261B (zh) 一种基于遥感大数据分析的测绘方法
CN112285035A (zh) 一种水色识别装置及水色识别方法
CN118624567A (zh) 一种低功耗岸基站自动监测系统的水质高光谱反演构建方法
CN112683860A (zh) 一种浮游藻类检测设备及检测方法
CN117491290A (zh) 一种基于GF-1数据的西南山区水库叶绿素a浓度反演方法
CN119942247B (zh) 一种藻华水体识别分类方法和装置
CN108732142B (zh) 基于三维荧光光谱的海水藻类赤潮及毒性检测方法
CN120293874A (zh) 一种基于全光谱分析的水质在线监测系统

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