一种基于机器学习的微塑料现场高精度监测方法及系统

本发明涉及水体监测，具体涉及一种基于机器学习的微塑料现场高精度监测方法及系统。

背景技术：

1、微塑料指直径小于5毫米的塑料颗粒及碎片，因其具有环境持久性、生物富集性，进而成为各类环境风险因子的载体，对环境、特别是水体环境造成了巨大危害。因此，对水体内的微塑料种类及含量等进行监测具有重要的环保意义。

2、现阶段，对微塑料监测的一种主流方法为基于红外光谱原理的分析测量。但该方法需要首先从环境水体中获得水体样本，然后经过消解等一系列复杂的前处理对水体样本中的微塑料进行提取后方可进行红外光谱测量。因此该方法虽然具有测量精度高的优点，但过程繁琐，因此一般测量周期较长，多在实验室内进行。但在实际的水体环境测量中，受水体流动性、外界环境等不确定性影响，对水体内的微塑料进行快速地实地监测具有更重要的现实意义。

3、目前，已有技术采用拉曼光谱原理实现微塑料的现场自动化监测。一般地，该类监测方法包括：在预先设置的采样装置内部署拉曼光谱模块，然后使水体在流经所述采样装置内部时，通过所述拉曼光谱模块对流经水体测量并获取相应的光谱数据，再将测得的光谱数据与现有数据库内的已有光谱进行对比，从而实现监测。该类方法虽然具有监测实时性高的优势，但一方面，受从环境水体内直径获取的样本水体(即流经采样装置的水体)中微塑料表面附着的藻类、细菌、小颗粒泥沙等影响，导致获得的光谱数据总是存在杂峰或峰值漂移；另一方面，受环境水体混合着小颗粒泥沙等干扰物影响，导致拉曼光谱模块相较于微塑料的进光量降低。这种均导致当前的微塑料现场自动化监测过程具有监测精度低的弊端。

4、由此可见，目前仍缺乏一种微塑料的现场监测方法，其在具有监测实时性高的同时，还能满足微塑料监测中的高精度要求。

技术实现思路

1、本发明目的在于提供一种基于机器学习的微塑料现场高精度监测方法及系统，以解决现有的微塑料现场监测中无法兼顾实时性及高精度的技术问题。

2、为达成上述目的，本发明提出如下技术方案：

3、第一方面，本技术方案提供了一种基于机器学习的微塑料现场高精度监测方法。包括：

4、获取若干组历史数据，每组所述历史数据包括：与同一水体相应的环境理化数据、第一微塑料含量、第二微塑料含量、第一微塑料类型及第二微塑料类型；其中，所述第一微塑料含量及所述第一微塑料类型由现场拉曼光谱仪测定，所述第二微塑料含量及所述第二微塑料类型由实验室红外光谱仪测定；

5、以每组所述历史数据中的所述环境理化数据、所述第一微塑料含量作为样本特征，所述第二微塑料含量作为样本标签构建若干第一样本；以每组所述历史数据中的所述环境理化数据、所述第一微塑料类型作为样本特征，所述第二微塑料类型作为样本标签构建若干第二样本；

6、基于所述第一样本，并以十折交叉验证法进行超参数调节以对一机器学习回归模型进行迭代训练，直至决定系数大于第一预设值以获取一微塑料数量矫正模型；基于所述第二样本，并以十折交叉验证法进行超参数调节以对一机器学习分类模型进行迭代训练，直至准确率大于第二预设值以获取一微塑料分类矫正模型；

7、获取现场水体的实测理化数据、实测微塑料含量及实测微塑料类型；并将它们分别对应输入所述微塑料数量矫正模型以及所述微塑料分类矫正模型以测定最终微塑料含量及最终微塑料类型。

8、进一步的，所述环境理化数据包括：叶绿素a含量、浊度、电导率及ph值。

9、进一步的，包括：

10、判断到达预设的校准周期时，对同一水体基于实验室红外光谱仪测定其标准微塑料含量及标准微塑料类型；同时基于现场拉曼光谱仪及所述微塑料数量矫正模型及所述微塑料分类矫正模型测定其最终微塑料含量及最终微塑料类型；

11、判断所述最终微塑料含量与所述标准微塑料含量间的差值大于第一预设差值时，基于所述的方法对所述微塑料数量矫正模型进行优化更新；判断所述最终微塑料类型与所述标准微塑料类型中不一致的种类数目大于第二预设差值时，基于所述的方法对所述微塑料分类矫正模型进行优化更新。

12、进一步的，包括：

13、判断所述最终微塑料含量大于含量阈值，或所述最终微塑料类型中含有危害等级高的微塑料类型，或所述最终微塑料类型的种类数目大于种类阈值时，发送第一预警信息至控制端；

14、基于控制端下发的指令按预设频率调取所述现场拉曼光谱仪，所述微塑料数量矫正模型或所述微塑料分类矫正模型以对超规参数进行自动周期性监测，并在超规参数的超规频率大于预设频率值时，发送第二预警信息至控制端；

15、其中，所述第一预警信息及第二预警信息均包括：测定时间、水体的理化数据、最终微塑料含量、最终微塑料类型；同时，对超规参数进行色彩区别显示。

16、进一步的，包括：

17、判断所述最终微塑料含量大于含量阈值，或所述最终微塑料类型中含有危害等级高的微塑料类型，或所述最终微塑料类型的种类数目大于种类阈值时，发送第一预警信息至控制端；

18、基于控制端下发的指令重新选定若干个监测点位，并调取所述现场拉曼光谱仪，所述微塑料数量矫正模型或所述微塑料分类矫正模型以基于所述若干个监测点位对超规参数进行重新测定；

19、绘制与所述若干个监测点位相应的三维水体环境图，并标注各监测点位处测定的理化数据、最终微塑料含量或最终微塑料类型于相应监测点位处；进而基于所述三维水体环境图绘制出微塑料含量或类型超规的水体范围；

20、判断所述水体范围大于预设范围阈值时，发送第三预警信息至控制端；其中，所述第三预警信息包括绘制出超规参数对应的水体范围的三维水体环境图，及所述水体范围的体积。

21、第二方面，本技术方案提供了一种基于机器学习的微塑料现场高精度监测系统。包括：互相配合的若干组现场监测装置及一数据矫正模块；

22、所述现场监测装置与待监测水体内的监测点位一一对应部署；所述现场监测装置依次包括：第一水阀、采样腔及第二水阀及控制器；所述采样腔内设有若干测定设备，所述若干测定设备包括：叶绿素仪、浊度仪、ph计、电导率仪及拉曼光谱仪；所述控制器用于响应于各测定设备，以在水体内微塑料测定伊始，控制所述第一水阀开启，所述第二水阀关闭；在测定过程中，控制所述第一水阀与所述第二水阀同时关闭；在测定结束时，控制所述第一水阀关闭，所述第二水阀开启；

23、所述数据矫正模块装载有预获取的微塑料数量矫正模型及微塑料分类矫正模型，用于同时获取所述叶绿素仪测得的叶绿素a含量，浊度仪测得的浊度，所述ph计测得的ph值，所述电导率仪测得的电导率，及基于所述拉曼光谱仪获取的实测微塑料含量及实测微塑料类型；并将所述叶绿素a含量、浊度、电导率、ph值及实测微塑料含量输入所述微塑料数量矫正模型以获取最终微塑料含量，同时所述叶绿素a含量、浊度、电导率、ph值及实测微塑料类型输入所述微塑料分类矫正模型以获取最终微塑料类型。

24、进一步的，所述现场监测装置还包括一过滤器；

25、所述过滤器与所述第一水阀的进水端相连，包括过滤腔及过滤网，所述过滤网的网孔尺寸为5mm；

26、沿所述过滤腔的周向在其腔壁上设有一弧形槽孔；所述过滤网活动插设于所述弧形槽孔内。

27、进一步的，包括一控制端；

28、所述控制端的输入端与所述数据矫正模块通讯连接，输出端与所述若干测定设备及所述控制器相连；

29、所述控制端用于响应于第一预警信息以下发指令按预设频率在原监测点位或重新选定若干个监测点位后调取所述若干组现场监测装置及所述数据矫正模块以对超规参数进行原监测点位处的周期性监测或新监测点位处的重新监测。

30、第三方面，本技术方案提供了一种电子设备。包括至少一个处理器，所述处理器与存储器耦合，所述存储器内存储有计算机程序，所述计算机程序被配置为被所述处理器运行时执行所述的方法。

31、第四方面，本技术方案提供了一种计算机可读存储介质。其上存储有计算机程序，所述计算机程序用于执行所述的方法。

32、有益效果：

33、由以上技术方案可知，本发明的技术方案提供了的基于机器学习的微塑料现场高精度监测方法以同时满足现场实时监测及高精度监测。

34、发明人发现基于红外光谱原理的水体微塑料监测虽然监测过程复杂、实时性差，但其监测精度高；基于拉曼光谱原理的水体微塑料监测虽然监测精度低，但监测过程简单、实时性高。因此只需将两种监测方法相结合即可满足同时满足实时监测及高精度监测的需求。同时考虑到机器学习方法在数据处理分析方面的高效性及可靠性优势，只用按需求对相应的机器学习模型进行训练即可满足相应场景下的实际使用需求。进而基于机器学习方法作为桥梁进行上述两种监测方法的结合。

35、具体的，首先，考虑到需要同时获取水体内的微塑料含量及种类，因此同时引入了机器学习回归模型以解决与微塑料含量有关的序列变量问题，引入了机器学习分类模型以解决与微塑料种类有关的离散变量问题。其次，由于最终得到的监测方法为一种现场监测方法，因此只需要以实验室红外光谱测定的数据为标签，以现场拉曼光谱测定的数据为输入对上述两种机器学习模型分别进行训练即可。再者，考虑到模型训练过程实际上为让模型学习输入数据与标签间的对应关系以推断出反馈机制，进而对未知标签的输入数据计算处尽可能准确的结果的过程。因此同时引入了理化数据作为输入数据以将环境中理化指标与微塑料之间的关联性引入模型的训练过程中，以使其快速地积累足够多准确的学习经验，进而推断出更加准确的反馈机制。以提高模型训练过程的收敛速度，及模型后续应用时的准确性。

36、最终，在现场监测中，以现场测得的环境理化数据及现场拉曼光谱测定的数据为输入，基于训练后的机器学习模型即可获取高精度的微塑料含量及微塑料种类。

37、应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。

38、结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。