【技术实现步骤摘要】
本专利技术涉及环境检测，尤其是涉及一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法及系统。
技术介绍
1、藻类水华爆发不仅增加了水体的浑浊度，还会消耗大量氧气，导致植物和鱼类死亡。特别是某些蓝藻，它们能够产生对人类肝脏、消化系统、神经系统以及皮肤有严重甚至致命影响的毒素。由于所有光合藻类都含有叶绿素a(chl-a)，监测水体中的chl-a浓度成为预测藻华发生和分析饮用水水质的一种有效方法。传统的chl-a测定方法是分光光度法，该方法可以提供准确的chl-a估计，但也面临一些局限性，包括较低的检测效率、对操作人员的高技术要求，以及较高的成本。
2、当前，浮游植物分类荧光仪(pam)是藻类chl-a测量领域中应用最广泛的仪器。pam利用多元线性回归模型分析四个特定点位的荧光数据，实现了藻类的分类测量。然而，藻类的荧光反应十分复杂，加之其在测量前需要进行暗适应，任何微小的测量条件变化或对溶液本身的干扰都可能会影响关键数据点，导致结果波动。尤其是在测量荧光响应较弱的小球藻(中国科学院淡水藻种库的fachb-10)时更是如此。此外，四个荧光点位的数据可能无法准确捕捉藻类chl-a浓度的真实变化，这也影响了测量的准确度。
3、因此，亟需一种检测的精确度高、测量结果受环境变化影响小的藻类分类检测方法。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法及系统，本专利技术将卷积神经网络(
2、本专利技术的目的可以通过以下技术方案来实现：
3、技术方案具体如下：
4、(1)使用pam测定纯种藻类(单一藻种)的chl-a浓度，并用分光光度法校准，测量三次以确保准确性；将纯藻溶液稀释到适当浓度，以制备纯藻和混合藻样品(单一藻种和混合藻种样品)；使用日立f-2710三维荧光分光光度计获取每个藻类样本的三维荧光数据矩阵，并对每个藻类三维荧光数据矩阵进行预处理，以提高数据的质量。
5、(2)根据藻种类型或chl-a浓度对数据矩阵进行标记，将这些藻类样本的三维荧光数据矩阵分别输入相关模型，得到cnn藻种分类和藻类chl-a浓度检测模型。
6、(3)本专利技术介绍了一种三维荧光在线检测仪器(即三维荧光在线检测系统)，这种仪器能够检测特定波长范围内的三维荧光，将检测得到的三维荧光数据矩阵输入cnn模型，从而实现藻种识别和/或藻类chl-a浓度检测。
7、本专利技术的第一个目的是提供一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，所述藻类分类检测方法包括以下步骤：
8、采集单一藻种和混合藻种样本的三维荧光数据矩阵，并根据藻种类型和/或叶绿素a浓度对三维荧光数据矩阵进行标记；
9、对标记后的三维荧光数据矩阵进行预处理后，将三维荧光数据矩阵输入卷积神经网络中进行参数训练，构建藻种分类模型或藻类叶绿素a浓度检测模型或藻种分类和藻类叶绿素a浓度检测模型；
10、将三维荧光检测系统与构建的藻种分类模型或藻类叶绿素a浓度检测模型或藻种分类和藻类叶绿素a浓度检测模型联合使用，利用三维荧光在线检测系统采集特定波长范围内藻类样本的三维荧光数据，以进行藻种识别和藻类叶绿素a浓度的检测。
11、进一步地，所述三维荧光检测系统为日立f-2710三维荧光分光光度计。
12、进一步地，所述三维荧光检测系统为三维荧光在线检测系统；所述三维荧光在线检测系统包括氙灯光源、光栅单色器和光电倍增管；所述氙灯光源、光栅单色器、光电倍增管沿光路依次设置。
13、进一步地，将三维荧光检测系统与构建的藻种分类模型或藻类叶绿素a浓度检测模型或藻种分类和藻类叶绿素a浓度检测模型联合使用，利用三维荧光在线检测系统采集特定波长范围内藻类样本的三维荧光数据，以进行藻种识别和藻类叶绿素a浓度的检测的具体过程如下：
14、基于氙灯光源、光栅单色器和光电倍增管，构建三维荧光在线检测系统；
15、将藻种分类和藻类叶绿素a浓度检测模型与三维荧光在线检测系统联合使用，所述三维荧光在线检测系统搭载藻种分类和藻类叶绿素a浓度检测模型，利用三维荧光在线检测系统采集特定波长范围内(激发波长范围是350-700nm，发射波长范围是530-740nm)，藻类样本的三维荧光数据，以进行藻种识别和藻类叶绿素a浓度的检测。
16、进一步地，所述单一藻种和混合藻种样本中的藻种为具有特征色素荧光响应的藻类；所述混合藻种为两种及以上单一藻种的混合物。
17、进一步地，所述三维荧光数据矩阵采集的范围为：激发波长的范围为350nm至700nm，发射波长的范围为530nm至740nm，激发波长和发射波长的步长均为5nm。具体为激发波长的范围为350-700nm，步长是5nm，也就是总共71个点，发射波长的范围为530-740nm，步长是5nm，也就是总共43个点，以及某一对激发波长，发射波长对应的荧光强度(一个激发波长和一个发射波长对应一个荧光强度，比如激发波长350nm和发射波长530nm，对应的荧光响应是100(两个波长(激发和发射)对应一个荧光强度))。
18、进一步地，所述三维荧光数据矩阵包括激发波长、发射波长、荧光强度。
19、进一步地，所述预处理包括如下过程：首先扣除超纯水荧光以去除内滤效应，然后使用matlab软件中的eemcut函数去除三维荧光数据矩阵中的拉曼散射和瑞利散射信号。
20、进一步地，所述卷积神经网络的训练集包括模拟原水背景下的三维荧光数据矩阵；所述模拟原水的成分包括1mg/l的腐殖酸(ha)、富里酸(fa)以及牛血清蛋白(bsa)。
21、进一步地，基于构建的藻种分类模型，生成类激活热力图。
22、进一步地，所述藻种分类模型用于识别单一藻种；所述藻类叶绿素a浓度检测模型用于对单一藻种的叶绿素a浓度进行高精度检测；所述藻种分类和藻类叶绿素a浓度检测模型用于识别混合藻种，并分类测定混合藻种中各个单一藻种的叶绿素a浓度。
23、可选地，所述藻类分类检测方法包括以下步骤：
24、采集单一藻种和混合藻种样本的三维荧光数据矩阵，并根据藻种类型对三维荧光数据矩阵进行标记；
25、对标记后的三维荧光数据矩阵进行预处理后，将三维荧光数据矩阵输入卷积神经网络中进行参数训练，构建藻种分类模型；
26、将三维荧光检测系统与构建的藻种分类模型联合使用，利用三维荧光在线检测系统采集特定波长范围内藻类样本的三维荧光数据，以进行藻种识别。
27、可选地，所述藻类分类检测方法包括以下步骤：
28、采集单一藻种和混合藻种样本的三维荧光数据矩阵，并根据叶绿素a浓度对三维荧光数据矩阵进行标记；
29、对标记后的三维荧光数据矩阵本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述藻类分类检测方法包括以下步骤：
2.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光检测系统为三维荧光在线检测系统；
3.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述单一藻种和混合藻种样本中的藻种为具有特征色素荧光响应的藻类；
4.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光数据矩阵包括激发波长、发射波长、荧光强度。
5.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光数据矩阵采集的范围为：
6.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述预处理包括如下过程：
7.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述卷积神经网络的训练集包括超
8.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述藻种分类模型用于识别单一藻种；
9.一种用于如权利要求1-8中所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法的三维荧光检测系统，其特征在于，所述三维荧光检测系统为三维荧光在线检测系统；
10.根据权利要求9所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光在线检测系统还包括透镜机构、半透镜机构、第一狭缝(6)、第二狭缝(11)、样品池(8)；
...【技术特征摘要】
1.一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述藻类分类检测方法包括以下步骤：
2.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光检测系统为三维荧光在线检测系统；
3.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述单一藻种和混合藻种样本中的藻种为具有特征色素荧光响应的藻类；
4.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光数据矩阵包括激发波长、发射波长、荧光强度。
5.根据权利要求1所述一种基于卷积神经网络和三维荧光数据矩阵的藻类分类检测方法，其特征在于，所述三维荧光数据矩阵采集的范围为：
6.根据权利要求1所述一种基于卷积神经网...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。