(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211437224.X (22)申请日 2022.11.17 (71)申请人 广东博创佳禾科技有限公司 地址 528000 广东省佛山市禅城区塱宝西 路82号509室 (72)发明人 李祥英　蒲志宇　赵俊龙　 (74)专利代理 机构 佛山粤进知识产权代理事务 所(普通合伙) 44463 专利代理师 王余钱 (51)Int.Cl. G01N 21/65(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种水环境农业污染物的检测方法及系统 (57)摘要 本发明公开了一种水环境农业污染物的检 测方法及系统， 包括： 获取目标水环境区域待检 测水样的拉曼光谱数据进行预处理； 通过不同种 农业污染物的拉曼光谱数据构建训练集， 基于 LSTM网络构建检测模型对待检测水样中农业污 染物进行定性估计； 利用卷积神经网络进行待检 测水样的污染物浓度预测， 对目标水环境区域进 行农业污染物评估； 获取目标水环 境区域的环境 特征及地理特征， 根据污染物评估 结果确定目标 水环境区域农业污染物的主要影 响因素， 结合环 境特征及地理特征确定农业污染物治理方向。 本 发明通过建立农业污染物检测模 型， 对目标水环 境中的农业污染物进行检测， 对 水环境污染的监 控及治理提供了重要的辅助作用， 进而保障了水 环境质量。 权利要求书3页 说明书11页 附图3页 CN 115494047 A 2022.12.20 CN 115494047 A 1.一种水环境农业污染物的检测方法， 其特 征在于， 包括以下步骤： 获取目标 水环境区域待检测水样的拉曼光谱数据， 对所述拉曼光谱数据进行 预处理； 通过不同种农业污染物的拉曼光谱数据构建训练集， 基于LSTM网络构建检测模型， 通 过所述训练集对检测模型进行迭代训练， 使用训练好的检测模型对待检测水样中农业污染 物进行定性估计； 利用卷积神经网络进行所述待检测水样的农业污染物浓度 预测， 并对目标水环境区域 进行农业污染物评估； 获取目标水环境 区域的环境特征及地理特征， 根据污染物评估结果确定目标水环境 区 域农业污染物的主 要影响因素， 结合所述环境特 征及地理特 征确定农业污染物治理方向。 2.根据权利要求1所述的一种水环境农业污染物的检测方法， 其特征在于， 所述的获取 目标水环境区域待检测水样的拉曼光谱数据， 对所述拉曼光谱数据进行 预处理， 具体为： 测量目标水环境 区域待检测水样的拉曼光谱数据， 将所述拉曼光谱数据采用基线校正 去除荧光背景， 同时通过 标准正态变换及平 滑滤波进行滤波去噪； 将去噪后的拉曼光谱数据进行归一化处理， 对归一化处理后的拉曼光谱数据进行特征 提取。 3.根据权利要求1所述的一种水环境农业污染物的检测方法， 其特征在于， 所述的通过 不同种农业污染物的拉曼光谱数据构建训练集， 基于LSTM网络构建检测模型， 具体为： 通过大数据检索方法获取不同种农业污染物拉曼光谱数据， 将 获取的不同种农业污染 物的拉曼光谱数据进行 预处理， 基于预处 理后的拉曼光谱数据构建训练集及测试集； 利用遗传算法对训练集中的数据进行筛选， 将训练集中拉曼光谱数据生成初始群体， 并通过染色体二进制进行编码表示拉曼光谱数据中的波长变量； 通过适应度函数计算染色体个体适应度， 通过迭代训练进行选择， 交叉， 变异生成下一 代群体， 当满足 终止条件时， 进行解码获取不同种农业污染物的最优波长变量； 根据所述最优波长变量获取对应光谱峰数据更新所述训练集， 基于LSTM网络构建检测 模型， 通过 更新后训练集对检测模型进行训练， 并通过测试集对检测模型进行准确性评价。 4.根据权利要求3所述的一种水环境农业污染物的检测方法， 其特征在于， 所述检测模 型， 还包括： 基于遗传算法对构建好的LSTM模型参数寻找最优参数值， 将检测模型的准确性精度作 为遗传算法的适应度； 初始化染色体种群参数， 采用二进制编码， 计算个体适应度， 通过迭代训练进行选择， 交叉， 变异直到最大迭代次数， 获取最高准确性精度对应的染色体 个体； 对最高准确性精度对应的染色体个体进行解码 获取LSTM模型的层数、 每层的神经元数 量及全连接层的层数及全连接层每层神经 元的个数； 通过最优超参数对检测模型进行设置， 通过训练集对检测模型进行训练， 将预处理后 的待检测水样的拉曼光谱数据输入检测模型进行分类预测， 通过softmax函数输出分类结 果。 5.根据权利要求1所述的一种水环境农业污染物的检测方法， 其特征在于， 所述的利用 卷积神经网络进 行所述待检测水样的农业污染物浓度预测， 并对目标水环境区域进行农业 污染物评估， 具体为：权　利　要　求　书 1/3 页 2 CN 115494047 A 2在检测模型的基础上结合卷积神经网络进行目标水环境区域待检测水样中农业污染 物的定量分析， 通过不同种农业污染物的不同浓度溶液对应的拉曼光谱数据进行迭代训 练； 根据目标水环境区域待检测水样的拉曼光谱的波峰强度和波峰宽度导入卷积神经网 络进行农业污染物的浓度预测， 完成农业污染物的定量估计； 根据农业污染物预设评价指标， 根据目标水环境 区域待检测水样的农业污染物种类信 息、 种类数量及浓度信息通过 预设评分机制获取 各评价指标的评价得分； 根据各评价指标的评价得分获取目标水环境 区域的农业污染物评估得分， 根据 所述农 业污染物评估得分生成对应的农业污染物等级。 6.根据权利要求1所述的一种水环境农业污染物的检测方法， 其特征在于， 所述的根据 污染物评估结果确定目标水环境区域农业污染物的主要影响因素， 结合所述环境特征及地 理特征确定农业污染物治理方向， 具体为： 获取目标水环境 区域农业污染物评估结果， 根据评估结果获取目标水环境区域的主要 农业污染物种类， 并调查当地的土地种植习惯及禽畜养殖习惯； 根据所述主要农业污染物种类及与土地种植习惯与禽畜养殖习惯确定主要农业污染 物来源； 分析目标水环境 区域各来水点处混合水体的农业污染物评估结果， 根据 各来水点处混 合水体的农业污染物评估结果判断补给 水源的污染程度； 获取目标水环境区域所在度的环境特征及地理特征， 根据环境特征获取气象影响因 素， 根据地理特征、 气象影响因素及历史降水量判断当前农业基础设施 能否能够承担汛期 及农业生产需求 排水需求； 根据目标水环境 区域的主要农业污染物来源、 补给水源的污染程度及所在地的农业基 础设施排水能力确定农业污染物治理方向。 7.一种水环境农业污染物的检测系统， 其特征在于， 该系统包括： 存储器、 处理器， 所述 存储器中包括水环境农业污染物的检测方法程序， 所述水环境农业污染物的检测方法程序 被所述处 理器执行时实现如下步骤： 获取目标 水环境区域待检测水样的拉曼光谱数据， 对所述拉曼光谱数据进行 预处理； 通过不同种农业污染物的拉曼光谱数据构建训练集， 基于LSTM网络构建检测模型， 通 过所述训练集对检测模型进行迭代训练， 使用训练好的检测模型对待检测水样中农业污染 物进行定性估计； 利用卷积神经网络进行所述待检测水样的农业污染物浓度 预测， 并对目标水环境区域 进行农业污染物评估； 获取目标水环境 区域的环境特征及地理特征， 根据污染物评估结果确定目标水环境 区 域农业污染物的主 要影响因素， 结合所述环境特 征及地理特 征确定农业污染物治理方向。 8.根据权利要求7所述的一种水环境农业污染物的检测系统， 其特征在于， 所述的通过 不同种农业污染物的拉曼光谱数据构建训练集， 基于LSTM网络构建检测模型， 具体为： 通过大数据检索方法获取不同种农业污染物拉曼光谱数据， 将 获取的不同种农业污染 物的拉曼光谱数据进行 预处理， 基于预处 理后的拉曼光谱数据构建训练集及测试集； 利用遗传算法对训练集中的数据进行筛选， 将训练集中拉曼光谱数据生成初始群体，权　利　要　求　书 2/3 页 3 CN 115494047 A 3