一种基于近红外吸收光谱的海水含油浓度检测方法及系统

本发明涉及海洋溢油监测，尤其是涉及一种基于近红外吸收光谱的海水含油浓度检测方法及系统。

背景技术：

1、传统的海洋溢油含油海水检测方法是将现场取来的待检测的油海水样品送到检测实验室，通过一系列物化手段处理后，利用实验的仪器分析得出海水中的油含量。这种线上采样线下检测的方法虽然精度较高，但是不适用于现场，从实用角度来看存在着许多缺点：需投入较多的时间、人力和物力，无法达到实时快速检测；另外，检测分析仪器成本很高，仪器设备庞大，维护较难，只能在实验室的条件下进行，做不到现场检测；同时必须有一定专业知识和技术基础的专业人员进行检测等等。当前海洋溢油含油海水的处理在技术研究和设备实现上已经取得了较大的进展，但处理含油海水的一些新技术方法在生产实际中的应用仍存在一定问题，不能同时满足技术上可行(处理效果好、运行条件要求低、便于控制、工艺稳定)和经济上可行(设备成本和运行成本低)这两方面的要求。综上，对于含油海水浓度的快速检测十分必要，目前该领域国内外研究大多注重含油海水的检测方法的创新，但对于实际海洋溢油运用所需的快速准确的检测技术研究较少，由于检测的难度问题，国内外大部分研究集中在油含量较大的环境中，对于微量油检测技术研究较少，及时准确地检测出海水含油是否超标是海洋溢油应急管控和船舶污水合理排放亟需开展的研究。

技术实现思路

1、为了解决上述提到的问题，本发明提供一种基于近红外吸收光谱的海水含油浓度检测方法及系统。该技术能够现场采集含油海水近红外光谱数据，通过对近红外光谱进行预处理，并提取特征光谱波段和数据筛选。再根据预处理和特征波段选择的结果进行进一步的数据深度学习算法训练，通过深度学习adam算法与曲线拟合处理及分析，可以实现海水含油浓度反演，这种分析方法对不同油浓度的检测具有普适性，在实际运用中利用近红外光谱数据能够区分出微量油的光谱强度间的差异，且能够有效反演含油海水的浓度，为海洋溢油应急监控和船舶含油污水排放的浓度检测提供了新方法。

2、第一方面，本发明提供的一种基于近红外吸收光谱的海水含油浓度检测方法，采用如下的技术方案：

3、一种基于近红外吸收光谱的海水含油浓度检测方法，包括：

4、获取不同油样的不同浓度的光谱样本；

5、采集不同浓度下光谱样本的原始近红外光谱；

6、基于不同浓度近红外光谱强度差选取特征波段，对特征波段内光谱数据进行提取；

7、对特征波段内光谱数据进行归一化预处理；

8、利用特征波段内光谱数据训练深度学习模型，得到含有浓度结果；

9、将得到的四组特征波段下的含油浓度结果，利用取平均方法，最终输出样品中含油浓度结果。

10、进一步地，所述获取不同油样的不同浓度的光谱样本，包括以海水为溶剂，采用原油、船用燃油和成品油作为油样代表海洋溢油含油海水配置样品溶液，每种油样设置5mg/l、10mg/l、15mg/l、20mg/l和100mg/l的浓度梯度。

11、进一步地，所述采集不同浓度下光谱样本的原始近红外光谱，包括利用红外光源作为发射光源通过光纤连接装置的一端，光谱仪作为近红外光谱数据获取单元通过光纤连接载样器的另一端，进行不同浓度下光谱样本的原始近红外光谱采集，得到同浓度近红外光谱强度差。

12、进一步地，所述基于不同浓度近红外光谱强度差选取特征波段，对特征波段内光谱数据进行提取，包括遍历近红外光谱波长下的不同浓度含油海水近红外光谱强度差，差值大于设定阈值的波段选为浓度反演的特征波段，其中，以n个浓度含油海水样品的近红外光谱强度差作为特征波段选取的参数△f，某浓度下的含油海水近红外光谱强度为xi，纯海水的近红外光谱强度为x0，则：

13、|△f|大于500的波段选择为特征波段，其中，采用直接截取的方法，提取近红外光谱中930-970nm波长范围内的近红外光谱数据，并划分930-940nm、940-950nm、950-960nm和960-970nm为四个特征波段。

14、进一步地，所述对特征波段内光谱数据进行归一化预处理，包括采用最大值归一化方法，将近红外光谱曲线中各点数据除以光谱强度最大值的数据点，从而使得归一化后的光谱曲线的最大光谱强度值为1，其他数据点的光谱强度值则相应小于1。

15、进一步地，所述利用特征波段内光谱数据训练深度学习模型，包括使用tensorflow/keras框架搭建基于自适应差分超参数优化的adam算法模型，其中分别构建输入层、隐藏层、输出层和优化器；其中，优化器采用基于梯度的adam优化算法，利用adam优化算法结合动量法和rmsprop的双重特点对模型结构进行优化。

16、进一步地，所述利用adam优化算法结合动量法和rmsprop的双重特点对模型结构进行优化，包括依次初始化一阶动量估计和二阶动量估计，计算损失函数对参数的梯度，并更新一阶动量估计和二阶动量估计后进行偏差校正，根据校正后的动量更新参数θ。

17、进一步地，所述利用特征波段内光谱数据训练深度学习模型，还包括通过自适应差分进化算法jade优化确定学习率v，其中，η∈[0.0001,0.01]；通过模拟种群中的个体变化来搜索最优解；每个个体的适应度由其性能决定，差分进化算法通过自然选择逐步优化超参数，最终的目标是找到最小化损失的超参数组合；通过自适应差分进化算法jade优化参数：θ＝{η,n1,n2,batch_size}，batch_size∈[16，128]，使得验证集损失函数最小化，表示为：

18、θ*＝arg min mseval。

19、进一步地，所述使用基于梯度优化的adam算法，利用近红外光谱数据的计算梯度均值和平方均值动态调整学习率，包括利用mse均方误差作为损失函数计算近红外光谱强度预测值与实际值之间的平均平方差，对误差大于设定阈值的进行权重惩罚，从而提高模型的拟合能力和预测精度。

20、第二方面，一种基于近红外吸收光谱的海水含油浓度检测系统，包括：

21、数据获取模块，被配置为，获取不同油样的不同浓度的光谱样本；采集不同浓度下光谱样本的原始近红外光谱；

22、特征提取模块，被配置为，基于不同浓度近红外光谱强度差选取特征波段，对特征波段内光谱数据进行提取；

23、预处理模块，被配置为，对特征波段内光谱数据进行归一化预处理；

24、模型训练模块，被配置为，利用特征波段内光谱数据训练深度学习模型，得到含有浓度结果；

25、计算模块，被配置为，将得到的四组特征波段下的含油浓度结果，利用取平均方法，最终输出样品中含油浓度结果。

26、第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于近红外吸收光谱的海水含油浓度检测方法。

27、第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于近红外吸收光谱的海水含油浓度检测方法。

28、综上所述，本发明具有如下的有益技术效果：

29、本发明提出一种基于近红外吸收光谱的海水含油浓度检测系统与方法，其根据石油中x-h基团在近红外光谱区800nm～2500nm会产生吸收特征，提出利用近红外光谱对海水含油浓度进行检测，建立了近红外光谱强度与含油浓度拟合曲线来实现海水含油浓度的快速测量方法；在特征波段范围内，近红外光谱强度与不同油种不同含油浓度呈现明显的负相关，相关系数r<-0.8，证明该函数可用于不同油种含油海水的浓度反演，这种分析方法对不同油浓度的检测具有普适性，在实际运用中利用近红外光谱数据能够区分出微量油的光谱强度间的差异，且能够有效反演海水含油的浓度，为海洋溢油监测与船舶含油海水排放的浓度检测提供了新的方法。