一种环境质量实时检测采集系统的制作方法

本技术涉及环境质量，更具体地说，涉及一种环境质量实时检测采集系统。

背景技术：

1、随着工业化和城市化的迅速发展，环境污染问题日益突出，环境质量检测成为社会关注的焦点。传统的环境质量检测方法通常采用人工采样和实验室分析，然而这种方法效率低下，且无法实现实时监测。

2、现有技术公开号为cn116383770a的文献提供了一种环境质量检测方法，通过多源环境数据获取、文本向量化处理和图像预处理，利用双向注意力机制和自编码器提取文本特征，动态感受野的卷积神经网络提取增强图像的局部信息和全局信息，最后进行自适应特征融合神经网络处理，得到融合特征，并据此确定环境质量检测结果。该方法具有较高的准确性和可信度，为环境质量评估提供了新思路和方法。

3、虽然上述现有技术在一定程度上解决了环境质量检测的问题，但仍存在一些不足之处：数据的获取可能不够全面，且数据的来源可能不够安全。此外，当前的环境质量检测方式可能不适用于复杂地形和难以到达的区域，而且检测报告仍需要人为制作等问题。

4、鉴于此，我们提出了一种环境质量实时检测采集系统。

技术实现思路

1、为了克服现有技术存在的一系列缺陷，本技术的目的在于针对上述问题，提供一种环境质量实时检测采集系统，包括无人机检测模块1、数据传输模块2、数据处理模块3和数据展示模块4，其特征在于，所述无人机检测模块1包括无人机平台11、飞行控制单元12、传感器设备13和数据处理单元14，其中，所述无人机平台11用于提供飞行动力和稳定性；所述飞行控制单元12用于接收遥控指令和控制无人机平台11的飞行姿态，并记录飞行数据；所述传感器设备13用于实时采集环境参数，包括空气微站、扬尘监测仪、视频监控、热成像仪和vocs监测仪，每个传感器具有唯一的身份标识以区分不同的数据来源；所述数据处理单元14用于对采集的数据进行处理和存储，并将数据打包成带有时间戳、哈希值和签名的区块链交易信息；所述数据传输模块2包括无线通信单元21和区块链单元22，所述无线通信单元21用于将数据块传输到区块链网络；所述区块链单元22用于在区块链网络中广播数据块，经过共识机制验证后写入区块链形成不可逆的数据记录；所述数据处理模块3包括一个处理器31、一个存储器32和一个预警单元，所述处理器31用于对接收到的数据进行处理，包括数据清洗、融合和分析，生成环境质量检测报告；所述存储器32用于储存原始数据、处理后的数据和检测报告；所述预警单元基于智能合约技术对数据进行监测和预警，在数据超出阈值时自动发送预警，实现对环境质量和污染源的动态监控和应急响应；所述数据展示模块4用于以可视化方式展示处理后的数据，便于快速了解环境质量状况。

2、进一步的，所述无人机平台11包括机身、机架、电机、电调、螺旋桨和电池；所述飞行控制单元12包括飞控主板、gps-罗盘模块、电源管理模块和led指示灯。

3、本技术的目的还在于提供一种环境质量实时检测方法，该实时检测方法基于上述环境质量实时检测采集系统，包括以下步骤：

4、步骤1，通过不同传感器实时采集环境中的各种参数，生成数据块；

5、步骤2，通过无线网络将数据块传输到区块链网络中，经过共识机制的验证后，被添加到区块链上；

6、步骤3，对接收到的数据块进行处理，生成环境质量检测报告；

7、步骤4，以可视化的方式呈现处理后的数据块；

8、步骤5，对数据进行实时监测和预警，当超出预设的阈值时，自动发送预警信息或指令。

9、进一步的，步骤s3包括以下步骤：

10、步骤31，接收实时采集的数据块；

11、步骤32，去除数据块中的噪声和异常值；

12、步骤33，对不同传感器采集的数据块进行融合处理，提高数据的准确性和可靠性；

13、步骤34，对融合后的数据进行统计和绘制曲线图操作；

14、步骤35，生成环境质量检测报告，并将数据存储到区块链上。

15、进一步的，检测报告使用大语言模型生成，具体步骤为：

16、准备一个包含基桩检测区域信息与传感器检测数据的数据集，用于作为大语言模型的输入，数据经整理形成结构化的数据集；

17、编写一个符合规范和要求的报告的模板，使用占位符或者变量；

18、使用lora方法对大语言模型bart进行微调，提高模型对检测报告生成任务的适应性；

19、在pytorch深度学习框架中设置lora微调相关超参数，包括秩、缩放因子、偏置和目标模块，来影响lora的微调效果；

20、输入检测区域信息和采集数据，运行微调后的模型，生成满足规范和需求的文本检测报告，并输出检测报告。

21、进一步的，无人机检测模块1配备有高光谱传感器以获取高光谱遥感图像，数据处理模块3对高光谱遥感图像进行处理包括以下步骤：

22、步骤s1，对高光谱遥感图像进行预处理，包括降噪、校正、图像配准、裁剪和标准化，以提高数据的质量和可用性；

23、步骤s2，通过自编码器对预处理后的高光谱遥感图像进行降维，提取出低维特征图谱；

24、步骤s3，基于低维特征图谱，对原始高光谱图像中的每个像素或区域进行环境质量分类或回归，获得初步的环境质量评估结果；

25、步骤s4，将低维特征图谱输入纹理分析模块，采用局部二值模式和灰度共生矩阵进行纹理特征提取，生成纹理特征图，然后基于纹理特征，利用支持向量机对水质和土壤环境质量进行评估；

26、步骤s5，将步骤s2获得的低维特征图谱，与步骤s3、步骤s4的环境质量评估结果一并输入预训练的卷积神经网络模型，进行综合质量检测与分类；

27、步骤s6，将步骤s3、步骤s4的环境质量评估结果，以及步骤s5的综合质量检测与分类结果输入大语言模型生成在检测报告中。

28、进一步的，步骤s2中，使用交叉熵作为误差度量，公式为：minl(θ,φ)＝minθ,φ1/n∑ni＝1||xi-fθ(gφ(xi))||2。

29、进一步的，步骤s4中，局部二值模式的计算公式为：lbpp,r＝∑p-1p＝0s(gp-gc)2p，其中gc表示中心像素的灰度值，gp表示邻域像素的灰度值，p表示邻域像素的个数，s表示符号函数；灰度共生矩阵公式为：glcm(i,j,d,θ)＝∑mx＝1∑ny＝1{1,0}，if i(x,y)＝i and i(x+dcosθ,y+sinθ)＝j时取1，其余取0，其中i和j表示像素对的灰度值，d表示像素对的距离，θ表示像素对的方向，n表示图像的灰度级数，m和n表示图像的行数和列数。

30、进一步的，步骤s4中，支持向量机的目标函数是最大化分类间隔，公式为：minw,b1/2||w||2+λ∑.i＝1ξi，其中，w和b是分类超平面的参数，ξi是松弛变量，λ是惩罚系数，n是样本数量，xi和yi是第i个样本的特征向量和标签，支持向量机的输出数据表示水质/土壤质量的等级，并使用坐标下降法进行优化。

31、进一步的，步骤s5中，卷积神经网络模型的输出层激活函数是softmax函数，公式为：softmax(z)i＝ezi/∑kj＝1ezj，i＝1,2,...,k，z是输出层的线性输出向量，k是类别数量，softmax(z)i是第i个类别的概率，表示输入数据属于各个类别的概率，其中每个类别对应一个参数的数值范围，表示臭氧、pm2.5和气溶胶的浓度在范围内的概率，损失函数为交叉熵损失函数，公式为：l＝-∑nk＝1tklogyk，其中，tk是第k个类别的真实标签，yk是第k个类别的预测概率，n是类别的个数，使用随机梯度下降法进行优化。

32、与现有技术相比，本技术的有益效果为。

33、本技术利用无人机、传感器、物联网以及人工智能等技术实现了环境质量数据的实时采集、传输、处理和展示，并生成了环境质量检测报告，同时还具备预警功能，提高了环境质量检测的效率和响应速度，同时降低了人工成本，并提高数据的真实性和可信度。