[发明专利]水质检测模型训练和水质检测方法、电子设备及存储介质

权利要求书

1.一种水质检测模型训练方法，其特征在于，所述方法包括：

获取多个样本点处水体的光谱数据及各样本点处水体的实际水质指标参数，其中，所述各样本点处水体的实际水质指标参数包括：通过非化学法测量得到的大量的第一实际水质指标参数以及通过化学法测量得到的少量的第二实际水质指标参数；

对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据；

初始化预设的神经网络模型中各网络层的参数；

将所述第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入所述神经网络模型，得到所述第一样本点处水体的预测水质指标参数；

比较所述第一样本点处水体的预测水质指标参数和所述第一样本点处水体的第一实际水质指标参数之间的差异；

若所述差异大于第一预设阈值，则基于所述差异调整所述神经网络模型中各网络层的参数，并返回执行所述将所述第一实际水质指标参数对应的模拟温漂处理后的第一样本点处水体的光谱数据输入所述神经网络模型，得到所述第一样本点处水体的预测水质指标参数的步骤，直至所述差异小于所述第一预设阈值或者循环执行的次数达到第一预设次数，则停止训练，得到训练后的神经网络模型；

将所述第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入所述训练后的神经网络模型，得到所述第二样本点处水体的预测水质指标参数；

根据所述第二样本点处水体的预测水质指标参数、所述第二样本点处水体的实际水质指标参数以及惩罚项，利用预设的损失函数计算梯度，其中，所述惩罚项与所述训练后的神经网络模型中卷积层的参数相关；

基于所述梯度，对所述训练后的神经网络模型中卷积层的参数进行调整，并返回执行所述将所述第二实际水质指标参数对应的模拟温漂处理后的第二样本点处水体的光谱数据输入所述训练后的神经网络模型，得到所述第二样本点处水体的预测水质指标参数的步骤，直至所述梯度小于第二预设阈值或者循环执行的次数达到第二预设次数，则停止训练，将当前已完成训练的神经网络模型作为水质检测模型。

2.根据权利要求1所述的方法，其特征在于，所述对各样本点处水体的光谱数据进行模拟温漂处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：

对各样本点处水体的光谱数据进行谱线漂移处理和/或基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据。

3.根据权利要求2所述的方法，其特征在于，所述样本点处水体的光谱数据包括样本点处水体的光波波长及光波波长对应的反射率；

所述对各样本点处水体的光谱数据进行谱线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：

基于各样本点处水体的光波波长及光波波长对应的反射率，按照预设的漂移波长进行插值运算，得到插值后的各样本点处水体的光波波长及反射率。

4.根据权利要求2所述的方法，其特征在于，所述样本点处水体的光谱数据包括样本点处水体的光波波长对应的反射率；

所述对各样本点处水体的光谱数据进行基线漂移处理，得到模拟温漂处理后的各样本点处水体的光谱数据的步骤，包括：

获取环境光强度；

根据各样本点处水体的光波波长对应的反射率、所述环境光强度及预设数值，以所述环境光强度为基线，计算基于所述基线的基线漂移处理后各样本点处水体的反射率。

5.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括多个串联的残差层、降维层及输出层；其中，所述残差层包括多个尺度的卷积核、针对各尺度的卷积核用于对该尺度的卷积核输出的特征图进行融合的1×1卷积核、用于对各1×1卷积核输出的特征图进行连接的concat层和激活函数层；所述降维层用于对最后一个残差层输出的特征图进行通道降维处理；所述输出层包括卷积层和dropout层。