本發(fā)明涉及數(shù)據(jù)處理，尤其是涉及一種基于人工智能的土壤污染度檢測(cè)方法和裝置。

背景技術(shù)：

1、隨著工業(yè)化和城市化的快速發(fā)展，土壤污染已成為全球范圍內(nèi)的一個(gè)重大環(huán)境問題。土壤中的重金屬、有機(jī)污染物以及其他有害化學(xué)物質(zhì)的積累對(duì)人類健康和生態(tài)系統(tǒng)造成了嚴(yán)重威脅。因此，發(fā)展一種能夠快速準(zhǔn)確判斷土壤污染程度的方法顯得尤為重要。傳統(tǒng)的土壤污染檢測(cè)方法多依賴于化學(xué)分析，這些方法雖然準(zhǔn)確，但通常耗時(shí)長(zhǎng)、成本高，且不適合大規(guī)?；?qū)崟r(shí)監(jiān)測(cè)。此外，這些傳統(tǒng)方法的操作復(fù)雜，需要專業(yè)的技術(shù)人員進(jìn)行樣品處理和數(shù)據(jù)解析，限制了其在實(shí)時(shí)和廣域環(huán)境監(jiān)測(cè)中的應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于人工智能的土壤污染度檢測(cè)方法和裝置，通過基于樣本數(shù)據(jù)進(jìn)行標(biāo)注、處理和擴(kuò)充后得到的訓(xùn)練數(shù)據(jù)，訓(xùn)練得到土壤污染分類模型檢測(cè)土壤污染狀態(tài)，降低了土壤污染檢測(cè)成本，說短了檢測(cè)時(shí)間，擴(kuò)展了適用范圍。

2、第一方面，本發(fā)明提供了一種基于人工智能的土壤污染度檢測(cè)方法，包括：獲取樣本土壤的樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)注；其中，標(biāo)注的類別表征樣本土壤的污染程度；通過基于變分量子編碼的生成對(duì)抗網(wǎng)絡(luò)對(duì)標(biāo)注后的樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充數(shù)據(jù)；將擴(kuò)充數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到訓(xùn)練數(shù)據(jù)；其中，數(shù)據(jù)處理包括：特征提取處理和特征降維處理；將訓(xùn)練數(shù)據(jù)輸入分類器中，得到最終分類模型；其中，分類器為基于自適應(yīng)學(xué)習(xí)率調(diào)整的概率神經(jīng)網(wǎng)絡(luò)分類器；獲取目標(biāo)土壤對(duì)應(yīng)的目標(biāo)數(shù)據(jù)后，將目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到特征降為后的目標(biāo)數(shù)據(jù)；將特征降為后的目標(biāo)數(shù)據(jù)輸入最終分類模型中，得到目標(biāo)土壤對(duì)應(yīng)的污染程度。

3、在本發(fā)明一些較佳的實(shí)施例中，訓(xùn)練基于變分量子編碼的生成對(duì)抗網(wǎng)絡(luò)的步驟，包括：通變分量子編碼構(gòu)建第一量子潛在空間；生成對(duì)抗網(wǎng)絡(luò)的生成器基于在第一量子潛在空間采集的特征生成數(shù)據(jù)；生成對(duì)抗網(wǎng)絡(luò)的判別器判別生成器生成的數(shù)據(jù)和真實(shí)數(shù)據(jù)的區(qū)別；通過對(duì)抗訓(xùn)練迭代優(yōu)化生成器的參數(shù)和判別器的參數(shù)，直至生成器生成的數(shù)據(jù)的多樣性滿足預(yù)設(shè)的多樣性條件。

4、在本發(fā)明一些較佳的實(shí)施例中，在對(duì)抗訓(xùn)練中基于增量式損失函數(shù)約束生成數(shù)據(jù)；其中，增量式損失函數(shù)基于生成器的損失函數(shù)、迭代過程中的懲罰項(xiàng)第一調(diào)節(jié)系數(shù)和迭代過程中的懲罰項(xiàng)第二調(diào)節(jié)系數(shù)約束。

5、在本發(fā)明一些較佳的實(shí)施例中，生成器生成的數(shù)據(jù)的多樣性基于生成數(shù)據(jù)、生成數(shù)據(jù)的平均值、生成數(shù)據(jù)的數(shù)量和生成數(shù)據(jù)的維度評(píng)估。

6、在本發(fā)明一些較佳的實(shí)施例中，將擴(kuò)充數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到訓(xùn)練數(shù)據(jù)的步驟，包括：通過基于次模函數(shù)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對(duì)擴(kuò)充數(shù)據(jù)進(jìn)行特征提取，得到特征提取后的數(shù)據(jù)；其中，基于策略約束次模函數(shù)的優(yōu)化過程；將特征提取后的數(shù)據(jù)輸入特征降維模型中，得到降維后的數(shù)據(jù)，將降為后的數(shù)據(jù)確定為訓(xùn)練數(shù)據(jù)；其中，特征降維模型基于潛在量子編碼的自編碼神經(jīng)網(wǎng)絡(luò)算法確定。

7、在本發(fā)明一些較佳的實(shí)施例中，訓(xùn)練基于次模函數(shù)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型的步驟，包括：初始化神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；設(shè)定優(yōu)化過程中的策略約束條件；其中，策略約束的策略約束函數(shù)基于約束條件的數(shù)量、每個(gè)約束條件對(duì)應(yīng)的權(quán)重和每個(gè)約束條件的計(jì)算公式約束；迭代進(jìn)行訓(xùn)練操作，直至達(dá)到預(yù)設(shè)的最大迭代次數(shù)；訓(xùn)練操作包括：基于神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入數(shù)據(jù)進(jìn)行特征提??；其中，特征提取的目標(biāo)函數(shù)基于輸入數(shù)據(jù)的損失函數(shù)、稀疏性約束項(xiàng)、調(diào)節(jié)稀疏性的超參數(shù)和策略約束影響力的超參數(shù)約束；評(píng)估特征提取后的數(shù)據(jù)的有效性，基于評(píng)估結(jié)果調(diào)整策略約束條件和神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；其中，評(píng)估函數(shù)基于評(píng)估指標(biāo)點(diǎn)數(shù)量、評(píng)估指標(biāo)的計(jì)算公式約束。

8、在本發(fā)明一些較佳的實(shí)施例中，基于評(píng)估結(jié)果調(diào)整神經(jīng)網(wǎng)絡(luò)模型的參數(shù)的步驟，包括：基于動(dòng)態(tài)特征感知網(wǎng)絡(luò)調(diào)整機(jī)制調(diào)整神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；其中，調(diào)整函數(shù)基于神經(jīng)網(wǎng)絡(luò)模型的當(dāng)前的參數(shù)、評(píng)估函數(shù)相對(duì)于當(dāng)前的參數(shù)的梯度、網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整函數(shù)、學(xué)習(xí)率和動(dòng)態(tài)調(diào)整因子約束；評(píng)估函數(shù)相對(duì)于當(dāng)前的參數(shù)的梯度基于提取的特征值、目標(biāo)特征值和特征的總數(shù)約束；網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整函數(shù)基于控制網(wǎng)絡(luò)調(diào)整幅度的超參數(shù)、控制網(wǎng)絡(luò)敏感度的超參數(shù)和針對(duì)生成器的優(yōu)化方向約束。

9、在本發(fā)明一些較佳的實(shí)施例中，訓(xùn)練特征降維模型的步驟，包括：初始化特征降維模型的參數(shù)；迭代執(zhí)行數(shù)據(jù)降維操作，直至達(dá)到預(yù)設(shè)的最大迭代次數(shù)；數(shù)據(jù)降為操作包括：將輸入特征降維模型的原始數(shù)據(jù)通過編碼器向前傳播至第二量子潛在空間得到量子位的數(shù)據(jù)；基于解碼器將量子位的數(shù)據(jù)紅狗會(huì)原始空間，得到重構(gòu)數(shù)據(jù)；基于重構(gòu)數(shù)據(jù)和原始數(shù)據(jù)采用異步策略對(duì)編碼器的參數(shù)和解碼器的參數(shù)進(jìn)行更新；其中，基于限制性優(yōu)化策略調(diào)整量子位的狀態(tài)。

10、在本發(fā)明一些較佳的實(shí)施例中，將訓(xùn)練數(shù)據(jù)輸入分類器中，得到最終分類模型的步驟包括：將訓(xùn)練數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集；基于訓(xùn)練集訓(xùn)練分類器，基于驗(yàn)證集驗(yàn)證訓(xùn)練后的分類器，直至訓(xùn)練集對(duì)應(yīng)的損失函數(shù)達(dá)到預(yù)設(shè)的閾值，將訓(xùn)練完成的分類器確定為最終分類模型；其中，在訓(xùn)練過程中基于自適應(yīng)學(xué)習(xí)率調(diào)整機(jī)制調(diào)整分類器的學(xué)習(xí)率。

11、第二方面，本發(fā)明提供了一種基于人工智能的土壤污染度檢測(cè)裝置，包括：訓(xùn)練數(shù)據(jù)獲取模塊，用于獲取樣本土壤的樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)注；其中，標(biāo)注的類別表征樣本土壤的污染程度；數(shù)據(jù)擴(kuò)充模塊，用于通過基于變分量子編碼的生成對(duì)抗網(wǎng)絡(luò)對(duì)標(biāo)注后的樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充數(shù)據(jù)；數(shù)據(jù)處理模塊，用于將擴(kuò)充數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到訓(xùn)練數(shù)據(jù)；其中，數(shù)據(jù)處理包括：特征提取處理和特征降維處理；數(shù)據(jù)分類模塊，用于將訓(xùn)練數(shù)據(jù)輸入分類器中，得到最終分類模型；其中，分類器為基于自適應(yīng)學(xué)習(xí)率調(diào)整的概率神經(jīng)網(wǎng)絡(luò)分類器；目標(biāo)數(shù)據(jù)獲取模塊，用于獲取目標(biāo)土壤對(duì)應(yīng)的目標(biāo)數(shù)據(jù)后，將目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到特征降為后的目標(biāo)數(shù)據(jù)；數(shù)據(jù)評(píng)估模塊，用于將特征降為后的目標(biāo)數(shù)據(jù)輸入最終分類模型中，得到目標(biāo)土壤對(duì)應(yīng)的污染程度。

12、本發(fā)明帶來了以下有益效果：

13、本發(fā)明提供了一種基于人工智能的土壤污染度檢測(cè)方法和裝置，該方法包括：獲取樣本土壤的樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)注；其中，標(biāo)注的類別表征樣本土壤的污染程度；通過基于變分量子編碼的生成對(duì)抗網(wǎng)絡(luò)對(duì)標(biāo)注后的樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充數(shù)據(jù)；將擴(kuò)充數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到訓(xùn)練數(shù)據(jù)；其中，數(shù)據(jù)處理包括：特征提取處理和特征降維處理；將訓(xùn)練數(shù)據(jù)輸入分類器中，得到最終分類模型；其中，分類器為基于自適應(yīng)學(xué)習(xí)率調(diào)整的概率神經(jīng)網(wǎng)絡(luò)分類器；獲取目標(biāo)土壤對(duì)應(yīng)的目標(biāo)數(shù)據(jù)后，將目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到特征降為后的目標(biāo)數(shù)據(jù)；將特征降為后的目標(biāo)數(shù)據(jù)輸入最終分類模型中，得到目標(biāo)土壤對(duì)應(yīng)的污染程度；通過基于樣本數(shù)據(jù)進(jìn)行標(biāo)注、處理和擴(kuò)充后得到的訓(xùn)練數(shù)據(jù)，訓(xùn)練得到土壤污染分類模型檢測(cè)土壤污染狀態(tài)，降低了土壤污染檢測(cè)成本，說短了檢測(cè)時(shí)間，擴(kuò)展了適用范圍。

技術(shù)特征：

1.一種基于人工智能的土壤污染度檢測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，訓(xùn)練基于變分量子編碼的所述生成對(duì)抗網(wǎng)絡(luò)的步驟，包括：

3.根據(jù)權(quán)利要求2所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，在所述對(duì)抗訓(xùn)練中基于增量式損失函數(shù)約束生成數(shù)據(jù)；其中，所述增量式損失函數(shù)基于生成器的損失函數(shù)、迭代過程中的懲罰項(xiàng)第一調(diào)節(jié)系數(shù)和迭代過程中的懲罰項(xiàng)第二調(diào)節(jié)系數(shù)約束。

4.根據(jù)權(quán)利要求2所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，所述生成器生成的數(shù)據(jù)的多樣性基于所述生成數(shù)據(jù)、所述生成數(shù)據(jù)的平均值、所述生成數(shù)據(jù)的數(shù)量和所述生成數(shù)據(jù)的維度評(píng)估。

5.根據(jù)權(quán)利要求1所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，將所述擴(kuò)充數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到訓(xùn)練數(shù)據(jù)的步驟，包括：

6.根據(jù)權(quán)利要求5所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，訓(xùn)練基于次模函數(shù)優(yōu)化的所述神經(jīng)網(wǎng)絡(luò)模型的步驟，包括：

7.根據(jù)權(quán)利要求6所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，基于評(píng)估結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)的步驟，包括：

8.根據(jù)權(quán)利要求5所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，訓(xùn)練所述特征降維模型的步驟，包括：

9.根據(jù)權(quán)利要求1所述的基于人工智能的土壤污染度檢測(cè)方法，其特征在于，將所述訓(xùn)練數(shù)據(jù)輸入分類器中，得到最終分類模型的步驟包括：

10.一種基于人工智能的土壤污染度檢測(cè)裝置，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提供了一種基于人工智能的土壤污染度檢測(cè)方法和裝置，涉及數(shù)據(jù)處理技術(shù)領(lǐng)域。其中，該方法包括：獲取樣本土壤的樣本數(shù)據(jù)，對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)注；對(duì)標(biāo)注后的樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充，得到擴(kuò)充數(shù)據(jù)；將擴(kuò)充數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到訓(xùn)練數(shù)據(jù)；將訓(xùn)練數(shù)據(jù)輸入分類器中，得到最終分類模型；獲取目標(biāo)土壤對(duì)應(yīng)的目標(biāo)數(shù)據(jù)后，將目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到特征降為后的目標(biāo)數(shù)據(jù)；將特征降為后的目標(biāo)數(shù)據(jù)輸入最終分類模型中，得到目標(biāo)土壤對(duì)應(yīng)的污染程度；通過基于樣本數(shù)據(jù)進(jìn)行標(biāo)注、處理和擴(kuò)充后得到的訓(xùn)練數(shù)據(jù)，訓(xùn)練得到土壤污染分類模型檢測(cè)土壤污染狀態(tài)，降低了土壤污染檢測(cè)成本，說短了檢測(cè)時(shí)間，擴(kuò)展了適用范圍。

技術(shù)研發(fā)人員：王峰,李婷婷
受保護(hù)的技術(shù)使用者：山東廣裕豐農(nóng)林科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9