一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备

摘要

本申请提供了一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备，涉及水环境处理领域，用于提高陆基鱼塘养殖水质光谱检测的效率。方法主要包括：获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵；将第i个光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；计算光谱水质识别模型的损失值；若损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵；若损失值小于或等于预置数值且迭代次数大于等于预置数值，则根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

权利要求

1.一种陆基鱼塘养殖水质光谱检测方法，其特征在于，所述方法包括：获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；其中，通过下述公式计算所述损失值：其中，N为高光谱样本数据的数量，M为水质检测标签数量，Xij为第i个实测养殖水质检测数据中第j个水质检测标签对应的实测值， 为通过第i个预测养殖水质检测数据中第j个水质检测标签对应的预测值；

若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质；其中，所述确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵之前，所述方法还包括：对所述高光谱样本数据依次进行归一化、滤波、基线校正处理，得到处理后的高光谱样本数据；其中包括，通过公式 对所述高光谱样本数据进行归一化处理，所述Yi为第i个高光谱样本数据，mini为第i个高光谱样本数据中的最小值，maxi为第i个高光谱样本数据中的最大值，N为高光谱样本数据的数量；

通过公式yy＝medfilt1(y,framelen)对所述高光谱样本数据进行滤波处理，yy为输出，y为对应窗口内的输入数据，framelen为窗口长度；

对经过归一化和滤波处理的高光谱样本数据进行峰值消除，通过对经过峰值消除的高光谱样本数据进行多项式拟合得到基线；通过所述基线对所述经过峰值消除的高光谱样本数据进行基线校正处理，得到处理后的高光谱样本数据；其中，通过下述公式对经过峰值消除的高光谱样本数据进行多项式拟合得到基线：W＝(W1,W2,…,WN)为多项式拟合系数，X为高光谱样本数据对应的横坐标波束值，Y为高光谱样本数据对应的纵坐标幅值；

对处理后的高光谱样本数据进行特征提取，得到高光谱样本特征；

所述确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，包括：确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

2.根据权利要求1所述的方法，其特征在于，所述确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵，包括：根据波束值将所述第i个区域陆基鱼塘的高光谱样本特征划分成多个吸收波长段；

根据所述吸收波长段及其对应的幅值确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

3.根据权利要求2所述的方法，其特征在于，所述光谱水质识别模型包括输入层、3个卷积层、池化层、全连接层和输出层。

4.一种使用如权利要求1所述的陆基鱼塘养殖水质光谱检测方法的陆基鱼塘养殖水质光谱检测装置，其特征在于，所述装置包括：获取模块，用于获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

确定模块，用于确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

识别模块，用于将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

计算模块，用于根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

所述确定模块，还用于若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+

1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

停止模块，用于若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

所述识别模块，还用于根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

3任一项所述的陆基鱼塘养殖水质光谱检测方法。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的陆基鱼塘养殖水质光谱检测方法。

说明书

一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备

技术领域

[0001] 本申请涉及水环境处理技术领域，尤其涉及一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备。

背景技术

[0002] 水是地球上万物的命脉所在，水与生命息息相关。但是随着人类社会文明的不断发展，工业、农业、生活用水等各种污染层出不穷，对人类社会和动植物的成长都形成了不同程度的威胁。因此需要对及时对水体进行检测，查出潜在的水污染或污染源，及早的避免可能对人、生物及环境造成的损害。

[0003] 传统陆基鱼塘养殖水质检测主要包含两种方式：一种是采集陆基鱼塘养殖水样，然后经过实验室分析确定对应的水质；另一种是通过固定式监测站，只能了解监测点的水质状况，难以检测整体的水质情况，因此现有的陆基鱼塘养殖水质检测的效率较低。

发明内容

[0004] 本申请实施例提供一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备，用于提高陆基鱼塘养殖水质光谱检测的效率。

[0005] 本发明实施例提供一种陆基鱼塘养殖水质光谱检测方法，所述方法包括：

[0006] 获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

[0007] 确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

[0008] 将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

[0009] 根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

[0010] 若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

[0011] 若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

[0012] 根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0013] 本发明实施例提供一种陆基鱼塘养殖水质光谱检测装置，所述装置包括：

[0014] 获取模块，用于获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

[0015] 确定模块，用于确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

[0016] 识别模块，用于将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

[0017] 计算模块，用于根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

[0018] 所述确定模块，还用于若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

[0019] 停止模块，用于若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

[0020] 所述识别模块，还用于根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0021] 一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述陆基鱼塘养殖水质光谱检测方法。

[0022] 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述陆基鱼塘养殖水质光谱检测方法。

[0023] 一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述的陆基鱼塘养殖水质光谱检测方法。

[0024] 本发明提供一种陆基鱼塘养殖水质光谱检测方法、装置及计算机设备，获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。相对于现有采集陆基鱼塘养殖水样分析确定对应的水质相比，本发明基于高光谱样本数据训练光谱水质识别模型，然后通过训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质，从而通过本发明可以提高陆基鱼塘养殖水质光谱检测的效率。

附图说明

[0025] 图1为本申请提供的一种陆基鱼塘养殖水质光谱检测方法流程图；

[0026] 图2为本申请提供的陆基鱼塘养殖水质光谱检测装置的结构示意图；

[0027] 图3为本申请提供的计算机设备的示意图。

具体实施方式

[0028] 为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请实施例的技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请实施例技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

[0029] 请参阅图1所示，为本发明实施例提供的一种陆基鱼塘养殖水质光谱检测方法，用于执行步骤S101‑步骤S106：

[0030] 步骤S101，获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据。

[0031] 对于本实施例，高光谱样本数据需要从不同区域陆基鱼塘进行采集，以此保证样本数据的多样性，进而保证后续根据高光谱样本数据训练的光谱水质识别模型的准确性。

[0032] 其中，实测养殖水质检测数据中可以包含藻类，溶解性有机物，化学物质，水中悬浮物，油类物质，热释放物，病原体等类型的数据，都是作为水环境评估依据的参数，本实施例对此不做具体限定。

[0033] 高光谱数据的获取可以通过两种设备仪器实现：非成像光谱仪和成像光谱仪。非成像光譜仪常见的有便携式超光谱仪和野外光谱仪等，地物的光谱反射率是以图形等形式记录而非影像形式。非成像光谱仪主要用于表面校准机载成像光谱仪测量水质参数，以及在野外对水体光谱反射曲线的测量。成像光谱仪将图像与地物光谱测量结合，“图谱合一”，成像光谱仪也叫高光谱成像仪。成像光谱仪的使用一般有三种方式：一是搭载在航天飞行器中，二是以小型飞机作为搭载平台，三是把成像光谱仪放置于地面。这三种方式都可以作为水环境检测的手段，在实际工作中根据具体情况考虑研究经费、水环境面积和观测是否需要移动等因素对这些手段作出选择或者搭配。

[0034] 在水环境监测中，利用高光谱遥感技术收集探测目标的光谱特性后，主要进行以下几方面的分析：根据水体光谱反射率来计算水环境中的泥沙含量可行性和最佳波段；探测水体深度可行性；对波谱数据进行相关性分析，评估内陆水体污染程度；通过水体的光谱特征分析判断水环境的污染类型。回归分析和预测是环境遥感监测中最常用的分析方法。

[0035] PHI成像光谱图像可以对赤潮生物优势物种进行识别；高光谱图像能够反映悬浮物含量、叶绿素富集度、水体深度等水体的特征。赤潮水体与正常海水之间，不同优势藻类之间的赤潮光谱特征均存在显著差异，成像光谱技术在检测赤潮方面可以大展身手。

[0036] 步骤S102，确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0。

[0037] 在本发明提供的一个可选实施例中，所述确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵之前，所述方法还包括：

[0038] 步骤S201，对所述高光谱样本数据依次进行归一化、滤波、基线校正处理，得到处理后的高光谱样本数据。

[0039] 具体的，所述对所述高光谱样本数据依次进行归一化、滤波、基线校正处理，得到处理后的高光谱样本数据，包括：

[0040] 通过公式 对所述高光谱样本数据进行归一化处理，所述Yi为第i个高光谱样本数据，mini为第i个高光谱样本数据中的最小值，maxi为第i个高光谱样本数据中的最大值，N为高光谱样本数据的数量，也可以理解为区域陆基鱼塘的数量。需要说明的是，为了保证光谱水质识别模型训练的准确性，本实施例中的样本数据需要多个。

[0041] 在本实施中，光谱样本数据中的最大值和最小值会存在极端情况，本实施例为了避免由于最大值和最小值出现极端情况而导致归一化处理的不准确，因此本实施例需要基于所有高光谱样本数据中的最小值计算最小值均值，即基于公式 计算的最小值均值；基于所有高光谱样本数据中的最大值计算最大值均值，即基于公式计算的最大值均值，以此避免出现的最小值和最大值出现极端情况而导致规划归一化处理的不准确问题。

[0042] 通过公式yy＝medfilt1(y,framelen)对所述高光谱样本数据进行滤波处理，yy为输出，y为对应窗口内的输入数据，framelen为窗口长度。即本实施例采用一个窗口沿着光谱向量平移，逐一求取窗口内元素的中值，替代原始光谱中窗口中心位置处的元素，即可得到降噪的光谱。

[0043] 对经过归一化和滤波处理的高光谱样本数据进行峰值消除，通过对经过峰值消除的高光谱样本数据进行多项式拟合得到基线；通过所述基线对所述经过峰值消除的高光谱样本数据进行基线校正处理，得到处理后的高光谱样本数据。具体的，将经过峰值消除的高光谱样本数据减去基线，得到经过峰值消除的高光谱样本数据

[0044] 具体的，所述通过对经过峰值消除的高光谱样本数据进行多项式拟合得到基线，包括：

[0045] 通过下述公式对经过峰值消除的高光谱样本数据进行多项式拟合得到基线：

[0046]

[0047] 其中，W＝(W1,W2,…,WN)为多项式拟合系数，X为高光谱样本数据对应的横坐标波束值，Y为高光谱样本数据对应的纵坐标幅值。

[0048] 步骤S202，对处理后的高光谱样本数据进行特征提取，得到高光谱样本特征；

[0049] 相应的，所述确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，包括：确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

[0050] 在本发明提供的一个可选实施例中，所述确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵，包括：根据波束值将所述第i个区域陆基鱼塘的高光谱样本特征划分成多个吸收波长段；根据所述吸收波长段及其对应的幅值确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

[0051] 需要说明的是，藻类，溶解性有机物，化学物质，水中悬浮物，油类物质，热释放物，病原体等等，都是作为水环境评估依据的参数。不同物质的光谱特征不同，例如，由黄色物质、藻类、藻青蛋白、叶绿素a等将会依次吸收波长分别为400～500nm、560～590nm、624nm及675nm的波长引起内水体反射波谱。不同的水质由于含有以上水中物质的成分不同，会在遥感图像中反映出不同的色段和变化。根据这一特性，就可以利用遥感技术收集水环境的光谱数据并分析出水环境特征。然后根据波束值将所述第i个区域陆基鱼塘的高光谱样本特征划分成多个吸收波长段；根据所述吸收波长段及其对应的幅值确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

[0052] 步骤S103，将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据。

[0053] 步骤S104，根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值。

[0054] 在本发明提供的一个可选实施例中，所述根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值，包括：

[0055] 通过下述公式计算所述损失值：

[0056]

[0057] 其中，N为高光谱样本数据的数量，M为水质检测标签数量，Xij为第i个实测养殖水质检测数据中第j个水质检测标签对应的实测值， 为通过第i个预测养殖水质检测数据中第j个水质检测标签对应的预测值。

[0058] 在本实施例中，所述光谱水质识别模型包括输入层、3个卷积层、池化层、全连接层和输出层。

[0059] 步骤S105A，若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行。

[0060] 步骤S105B，若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练。

[0061] 步骤S106，根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0062] 具体的，本实施例通过步骤S102的处理方式将目标区域陆基鱼塘的高光谱数据转换为对应的光谱特征矩阵，然后将光谱特征矩阵输入到光谱水质识别模型，得到目标区域陆基鱼塘的养殖水质。

[0063] 本发明实施例提供一种陆基鱼塘养殖水质光谱检测方法，获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。相对于现有采集陆基鱼塘养殖水样分析确定对应的水质相比，本发明基于高光谱样本数据训练光谱水质识别模型，然后通过训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质，从而通过本发明可以提高陆基鱼塘养殖水质光谱检测的效率。

[0064] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

[0065] 在一实施例中，提供一种陆基鱼塘养殖水质光谱检测装置，该陆基鱼塘养殖水质光谱检测装置与上述实施例中陆基鱼塘养殖水质光谱检测方法一一对应。如图2所示，所述装置各功能模块详细说明如下：

[0066] 获取模块21，用于获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

[0067] 确定模块22，用于确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

[0068] 识别模块23，用于将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

[0069] 计算模块24，用于根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

[0070] 所述确定模块22，还用于若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

[0071] 停止模块25，用于若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

[0072] 所述识别模块23，还用于根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0073] 在本发明提供的一个可选实施例中，所述装置还包括：

[0074] 处理模块26，用于对所述高光谱样本数据依次进行归一化、滤波、基线校正处理，得到处理后的高光谱样本数据；对处理后的高光谱样本数据进行特征提取，得到高光谱样本特征；

[0075] 确定模块22，具体用于确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

[0076] 在本发明提供的一个可选实施例中，处理模块26，具体用于：

[0077] 通过公式 对所述高光谱样本数据进行归一化处理，所述Yi为第i个高光谱样本数据，mini为第i个高光谱样本数据中的最小值，maxi为第i个高光谱样本数据中的最大值，N为高光谱样本数据的数量；

[0078] 通过公式yy＝medfilt1(y,framelen)对所述高光谱样本数据进行滤波处理，yy为输出，y为对应窗口内的输入数据，framelen为窗口长度；

[0079] 对经过归一化和滤波处理的高光谱样本数据进行峰值消除，通过对经过峰值消除的高光谱样本数据进行多项式拟合得到基线；通过所述基线对所述经过峰值消除的高光谱样本数据进行基线校正处理，得到处理后的高光谱样本数据。

[0080] 在本发明提供的一个可选实施例中，处理模块26，具体用于：

[0081] 通过下述公式对经过峰值消除的高光谱样本数据进行多项式拟合得到基线：

[0082]

[0083] 其中，W＝(W1,W2,…,WN)为多项式拟合系数，X为高光谱样本数据对应的横坐标波束值，Y为高光谱样本数据对应的纵坐标幅值。

[0084] 在本发明提供的一个可选实施例中，确定模块22，具体用于：

[0085] 根据波束值将所述第i个区域陆基鱼塘的高光谱样本特征划分成多个吸收波长段；

[0086] 根据所述吸收波长段及其对应的幅值确定第i个区域陆基鱼塘的高光谱样本特征对应的光谱特征矩阵。

[0087] 在本发明提供的一个可选实施例中，计算模块24，具体用于：

[0088] 通过下述公式计算所述损失值：

[0089]

[0090] 其中，N为高光谱样本数据的数量，M为水质检测标签数量，Xij为第i个实测养殖水质检测数据中第j个水质检测标签对应的实测值， 为通过第i个预测养殖水质检测数据中第j个水质检测标签对应的预测值。

[0091] 在本发明提供的一个可选实施例中，所述光谱水质识别模型包括输入层、3个卷积层、池化层、全连接层和输出层。

[0092] 关于装置的具体限定可以参见上文中对于陆基鱼塘养殖水质光谱检测方法的限定，在此不再赘述。上述设备中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0093] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种陆基鱼塘养殖水质光谱检测方法。

[0094] 在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

[0095] 获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

[0096] 确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

[0097] 将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

[0098] 根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

[0099] 若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

[0100] 若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

[0101] 根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0102] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

[0103] 获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

[0104] 确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

[0105] 将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

[0106] 根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

[0107] 若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

[0108] 若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

[0109] 根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0110] 在一个实施例中，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序被处理器执行实现以下步骤：

[0111] 获取不同区域陆基鱼塘的高光谱样本数据和对应的实测养殖水质检测数据；

[0112] 确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵，所述光谱特征矩阵中包括不同吸收波长分别对应的幅值；i的初始值为0；

[0113] 将第i个所述光谱特征矩阵输入到光谱水质识别模型中得到对应的预测养殖水质检测数据；

[0114] 根据所述预测养殖水质检测数据和所述实测养殖水质检测数据计算所述光谱水质识别模型的损失值；

[0115] 若所述损失值大于预置数值或迭代次数小于预置次数，则i＝i+1，并跳转到确定第i个区域陆基鱼塘的高光谱样本数据对应的光谱特征矩阵继续执行；

[0116] 若所述损失值小于或等于预置数值且迭代次数大于等于预置数值，则停止对所述光谱水质识别模型的训练；

[0117] 根据训练好的光谱水质识别模型识别目标区域陆基鱼塘的养殖水质。

[0118] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synch l ink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

[0119] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

[0120] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。