关键词：
水质检测
深度学习
卷积神经网络
分类识别
摘要：
随着社会经济发展、科学进步和人民生活水平的提高,人们对水质要求不断提高,对于水质的检测是智慧生活非常关键的一环。快速且高精度水质检测面临许多挑战,水质的检测包括有:水质参数检测和水管道检测等。水质参数能够确定水质的总体状况,传统的分析处理水质参数的方法费时且费力,也难以连接数据间的联系,对于快速、高效的水质检测技术是一大挑战。另外,输送水的管道情况也可以很好地反映出水体的情况,检测管道异常情况也是一个难题。
随着技术的不断创新和发展,深度学习等人工智能算法得到了广泛地关注,迅速在各种领域发挥作用。人工智能有许多优点,可以有效减少分析的成本和时间投入,能够产生大量的综合数据进行分析,这对于水质检测技术有着巨大的帮助和提升。基于此,本文利用深度学习算法结合水质参数和管道检测的音频信号的数据,依据水质光电传感器的小型服务器的性能要求,构建了水质检测的相关模型并且优化模型的性能,为适合应用于小型服务器上提供了可能性。本文的主要贡献如下:
首先提出了一种基于深度学习算法的水质等级分类分析。通过水质光电传感器检测的水质参数,常见的有COD、氨氮、p H和悬浮物等。依据水质的污染物排放标准规定的指标范围进行对水质的等级分类,引入深度神经网络和一维卷积神经网络的算法模型对水质参数和水质等级进行实验分析,根据误差更新模型的权重参数,实现了对水质等级分类的任务,两者的准确率均高达98%以上,并且一维卷积神经网络模型的运算速度快,适合运用到小型服务器上。此外,还通过将数据送入到传统机器学习的算法模型进行分类测试,经过对比表明了深度学习算法模型正确率更高而且运算时间更少,为部署到小型服务器进行实时、高效的水质等级分类分析提供了基础。
接着,提出了一种基于随机森林和一维卷积神经网络算法的污染源溯源的分析方法。每一个水质检测的区域,对于水质参数的影响会是不同的情况,先利用随机森林算法的特点对水质参数数据集进行数据的重要性评估,将一部分对该区域判断源头的影响不大的参数数据筛选出来,然后再送入到深度学习算法模型。搭建一维卷积神经网络模型,对水质参数数据进行处理分析并且优化和评估模型,得到一个高效的污染源溯源的模型,该模型有着93.2%的准确率。另外,直接将水质参数送入相同的一维卷积神经网络模型中测试其效果,对比结果表明了结合随机森林算法的模型更加快速和准确。该方法可以运用到设备终端的小型服务器上进行快速、稳定地污染源溯源任务。
最后,提出了一种基于图片化音频信号结合深度学习算法对管道异常情况分析的方法。通过将音频信号转化为波形图的图片形式,把声音识别分类转换为图像识别分类,再构建二维卷积神经网络和深度残差网络模型对进行音频分类识别的测试,并且通过对比利用声学特征的声音分类识别的方法,证实了该方法的有效性和高准确性,识别准确率有着89.4%。该方法的实现更加简便,为实现在设备终端的小型服务器上运用提供了基础。此外,管道异常情况的检测可以很好地维护管道,让检测的水样不被其他因素影响,进而确保水质参数数据的准确性,使得构建的算法模型能够更加准确地完成相应的水质分析任务。
欢迎来到三峡大学图书馆！
