一种城市内河污水智能检测方法

本发明涉及污水检测，具体涉及一种城市内河污水智能检测方法。

背景技术：

1、化学需氧量(chemical oxygen demand，cod)是指在一定条件下，经k2cr2o7氧化处理时，水样中的溶解性物质和悬浮物所消耗的重铬酸盐相对应的氧的质量浓度，是评价水质的重要参数，尤其在评价水体受有机物污染程度方面。

2、微生物分解水中的可生化降解有机物所消耗的溶解氧的数量称为生化需氧量(biochemical oxygen demand，常记为bod)，它是反映水中有机污染物含量的一个综合指标，同时也反映废水中有机物的可生化降解性。对于生物法处理的污水厂，bod能预示水处理效果，对水处理工艺的调整起到了更重要的指示作用，因此bod的检测准确性需求越来越强。

3、近红外光谱(near infrared spectroscopy,nir)作为一种无损分析方法，具有快速、非破坏性、无污染等特点。在近红外光谱的基础上，建立了传统的化学计量学方法对污水中的污染物进行定量分析。然而，传统的化学计量法测定获得的光谱具有数千个特征波长，这给化学计量学方法带来了挑战，出现了如“维度爆炸”等问题。

技术实现思路

1、本发明的目的在于提供一种城市内河污水智能检测方法，该方法有利于提高城市内河水质检测的速度和准确性。

2、为了实现上述目的，本发明采用的技术方案是：一种城市内河污水智能检测方法，包括以下步骤：

3、1)配制标准污水样品，获得具有不同指标及不同指标数据的多个污水样品；

4、2)利用近红外光谱仪采集所有污水样品的近红外光谱数据并进行预处理，而后形成近红外光谱数据集，并分为训练集和测试集；

5、3)构建基于卷积神经网络的污水指标定量检测模型，通过训练集和测试集对污水指标定量检测模型进行训练和测试，得到训练好的污水指标定量检测模型；

6、4)采集实际水体样本并分为两部分，一部分通过化学计量法来获取其关键指标数据，另一部分通过所建立的污水指标定量检测模型来预测其关键指标数据，通过比较验证所建立模型的精确性和可靠性；若模型的精确性和可靠性不满足要求，则返回步骤3)重新进行模型的训练；

7、5)利用得到的污水指标定量检测模型对待检测的城市内河水质进行检测。

8、进一步地，步骤1)中，配制的污水样品包括具有不同浓度梯度的cod样品和bod样品，浓度范围为1-1000mg/l；浓度范围在1-100mg/l时，浓度间隔取1mg/l；浓度范围在100-1000mg/l时，浓度间隔取10mg/l。

9、进一步地，所述cod样品的制备方法为：将已知纯度的邻苯二甲酸氢钾溶解在去离子水中，得到储备溶液；然后将配置好的储备溶液用去离子水稀释，制备得到190个不同浓度的cod溶液样品；制备完成后，将各cod溶液样品保存在试管中保存并标记浓度；

10、所述bod样品的制备方法为：将已知纯度的葡萄糖和谷氨酸溶解在去离子水中，得到储备溶液；然后将配置好的储备溶液用去离子水稀释，制备得到190个不同浓度的bod溶液样品；制备完成后，将各bod溶液样品保存在试管中保存并标记浓度。

11、进一步地，步骤2)中，对每个浓度的cod样品取上、中、下三液层，各采集三次光谱，得到1710个光谱数据；对每个浓度的bod样品从上至下取四液层，各采集四次光谱，得到3040个光谱数据。

12、进一步地，步骤2)中，对采集的近红外光谱数据进行归一化和多元散色校正处理，进而提取污水样品的特征谱峰信息，构建近红外光谱数据集；多元散色校正的计算公式如下：

13、

14、式中，a表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数，ai是1×p维矩阵，表示第i个样品的光谱矢量，表示所有样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量，mi和bi分别表示各样品近红外光谱ai与平均光谱进行一元线性回归后得到的相对偏移系数和平移量。

15、进一步地，步骤3)中，采用inception结构的神经网络模型来构建污水指标定量检测模型，以进行光谱特征的提取以及回归预测；模型通过inception模块增强神经网络的特征感受野，并降低模型复杂性；所述神经网络模型由三个卷积层、inception模块、bn正则化机制、relu激活函数、连接层、maxpooling层、flatten层、全连接层和输出层组成，通过1*1、3*3、5*5不同大小的的卷积核并行来提高提取特征的能力，并简化模型结构，减少计算量。

16、进一步地，步骤3)中，在模型的训练和测试过程中，通过r2、mae、rmse指标来评估污水指标定量检测模型的预测结果；

17、mae的计算公式为：

18、

19、其中，y表示真实值，表示预测值，n表示值的个数；

20、rmse的计算公式为：

21、

22、其中，n表示值的个数，yt表示真实值，表示预测值；r2为决定系数，用于反应y的波动有多少百分比能被x的波动所描述，即表征变数y的变异中有多少百分比可由控制的自变数x来解释；

23、r2的计算公式为：

24、

25、其中，ssres表示残差平方和，sstot表示总平方和，ssreg表示回归平方和；r2的取值范围为0-1，r2越接近1表示自变量对因变量的解释程度越高。

26、与现有技术相比，本发明具有以下有益效果：提供了一种城市内河污水智能检测方法，该方法解决了化学计量方法对城市内河水质检测耗时长、结果不准确的问题，在保证检测准确性和可靠性的前提下，实现了内河污水水质的快速测定，大大节约了时间成本和人力成本。

技术特征：

1.一种城市内河污水智能检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种城市内河污水智能检测方法，其特征在于，步骤1)中，配制的污水样品包括具有不同浓度梯度的cod样品和bod样品，浓度范围为1-1000mg/l；浓度范围在1-100mg/l时，浓度间隔取1mg/l；浓度范围在100-1000mg/l时，浓度间隔取10mg/l。

3.根据权利要求2所述的一种城市内河污水智能检测方法，其特征在于，所述cod样品的制备方法为：将已知纯度的邻苯二甲酸氢钾溶解在去离子水中，得到储备溶液；然后将配置好的储备溶液用去离子水稀释，制备得到190个不同浓度的cod溶液样品；制备完成后，将各cod溶液样品保存在试管中保存并标记浓度；

4.根据权利要求2所述的一种城市内河污水智能检测方法，其特征在于，步骤2)中，对每个浓度的cod样品取上、中、下三液层，各采集三次光谱，得到1710个光谱数据；对每个浓度的bod样品从上至下取四液层，各采集四次光谱，得到3040个光谱数据。

5.根据权利要求1所述的一种城市内河污水智能检测方法，其特征在于，步骤2)中，对采集的近红外光谱数据进行归一化和多元散色校正处理，进而提取污水样品的特征谱峰信息，构建近红外光谱数据集；多元散色校正的计算公式如下：

6.根据权利要求1所述的一种城市内河污水智能检测方法，其特征在于，步骤3)中，采用inception结构的神经网络模型来构建污水指标定量检测模型，以进行光谱特征的提取以及回归预测；模型通过inception模块增强神经网络的特征感受野，并降低模型复杂性；所述神经网络模型由三个卷积层、inception模块、bn正则化机制、relu激活函数、连接层、maxpooling层、flatten层、全连接层和输出层组成，通过1*1、3*3、5*5不同大小的的卷积核并行来提高提取特征的能力，并简化模型结构，减少计算量。

7.根据权利要求1所述的一种城市内河污水智能检测方法，其特征在于，步骤3)中，在模型的训练和测试过程中，通过r2、mae、rmse指标来评估污水指标定量检测模型的预测结果；

技术总结
本发明涉及一种城市内河污水智能检测方法，包括以下步骤：1）配制标准污水样品，获得具有不同指标及不同指标数据的多个污水样品；2）采集所有污水样品的近红外光谱数据并进行预处理，形成近红外光谱数据集，并分为训练集和测试集；3）构建基于卷积神经网络的污水指标定量检测模型，通过训练集和测试集对污水指标定量检测模型进行训练和测试；4）采集实际水体样本并分为两部分，分别通过化学计量法和所建立的污水指标定量检测模型来预测其关键指标数据，通过比较验证所建立模型的精确性和可靠性；5）利用得到的污水指标定量检测模型对待检测的城市内河水质进行检测。该方法有利于提高城市内河水质检测的速度和准确性。

技术研发人员：王武,严其镔,范日高,明佳豪
受保护的技术使用者：福州大学
技术研发日：
技术公布日：2024/1/14