CN113567652A - 一种基于XRF检测技术的Cr元素土壤含水率校正方法 - Google Patents
一种基于XRF检测技术的Cr元素土壤含水率校正方法 Download PDFInfo
- Publication number
- CN113567652A CN113567652A CN202110849387.8A CN202110849387A CN113567652A CN 113567652 A CN113567652 A CN 113567652A CN 202110849387 A CN202110849387 A CN 202110849387A CN 113567652 A CN113567652 A CN 113567652A
- Authority
- CN
- China
- Prior art keywords
- data
- crow
- correction device
- spectral
- spectral data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种基于XRF检测技术的Cr元素土壤含水率校正方法,涉及土壤检测技术领域,本发明所述方法是基于校正装置的校正方法,当所述校正装置通过检测获取光谱数据后,所述校正装置对所述光谱数据进行校正,包括对所述光谱数据进行异常值剔除、光谱去噪、本底扣除和重叠峰分解,当所述校正装置对所述光谱数据校正完成时,所述校正装置利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,提高监测数据的准确度。本发明所述方法通过所述校正装置对获取的光谱数据利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,可以既保证高检测精度,又能实现现场定量检测。
Description
技术领域
本发明涉及土壤检测技术领域,尤其涉及一种基于XRF检测技术的Cr元素土壤含水率校正方法。
背景技术
不进行土壤预处理的前提下实现土壤重金属含量的在线定量检测是相关检测领域的一个发展方向,而X射线荧光光谱检测技术(X-ray Fluorescence,XRF)是最可能实现此目标的技术方法。查阅大量文献发现,针对重金属铬元素(Cr)的校正结果并不理想,需要结合其他的方法提高检测结果的精确度。
在众多影响重金属检测的土壤环境因素中,土壤含水率是对XRF检测技术影响最大的。前期实验表明,选取的特征污染物Zn、As、Pb、Cd四种元素荧光强度与含水率呈负相关关系,元素的特征峰会随着含水率的增加而呈现波峰高度降低、峰宽变窄的趋势,导致元素的谱峰面积变小。Cr元素与该四种元素规律相反,该元素随着土壤中含水率的升高呈现特征峰波峰上升,峰宽变宽使得对应的净峰面积增大。Cr元素规律性不强,需要单独研究。
现有针对土壤含水率校正方法的研究中,采用线性方法校正Cr元素效果不理想。因Cr峰本身强度低,距Fe峰很近,受Fe峰干扰很大,无法从光谱谱线中找到明显的Cr元素特征峰,校正结果满足不了模型要求,且误差较大。
发明内容
为此,本发明提供一种基于XRF检测技术的Cr元素土壤含水率校正方法,用以克服现有技术中在进行土壤检测时无法既保证高检测精度又能实现现场定量检测的问题。
为实现上述目的,本发明提供一种基于XRF检测技术的Cr元素土壤含水率校正方法,包括:
步骤1:对校正装置进行参数设置,参数包括数据测试时间及频率、数据传输时间及频率、仪器校准时间及频率、管电压和管电流;
步骤2:通过所述校正装置检测待测土壤的温湿度数据;
步骤3:通过所述校正装置检测待测土壤的重金属元素及重金属含量,并对获取的光谱数据进行校正;
步骤4:所述校正装置利用检测到的温湿度数据对土壤重金属的测量结果进行修正,得到校正后的数据并储存,所述校正装置自动监测工作过程进行数据校准及启停;
当所述校正装置通过检测获取所述光谱数据后,所述校正装置对所述光谱数据进行校正,包括首先对所述光谱数据进行异常值剔除、光谱去噪、本底扣除和重叠峰分解,当所述校正装置对所述光谱数据处理完成时,所述校正装置通过利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,以提高检测数据的精确度。
进一步地,所述步骤4中,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据中的异常光谱点进行剔除,采用的方法为:
原始矩阵图是在二维空间的坐标系中以样本点的形式体现数据的差异,计算了待测土样与标准土壤之间的马氏距离和关联程度,使用了NJW聚类的方式使原始矩阵图切割成几个子图,使得几个子图间相似度最弱而每个子图里样本数据相似度强。
进一步地,当所述校正装置对所述光谱数据去噪时,所述校正装置采用的光谱去噪方法为:
将所述光谱数据中相邻的五个点用二次多项式拟合,并以此代替原光谱数据,依次移动,直到遍历所有所述光谱数据,即完成对所述光谱数据的去噪。
进一步地,当所述校正装置获得所述光谱数据后,由于原级X射线在样品中会发生康普顿散射和瑞利散射,样品产生的射线与仪器相互作用,加上宇宙射线和电子线路的扰动,会使所述光谱数据中自带背景,即本底,为得到净荧光强度,所述校正装置对所述光谱数据中谱峰底部的拐点依次用线段连接,并将连线下的部分扣除,由此获得净光谱数据。
进一步地,当所述校正装置对所述光谱数据中重叠峰分解时,所述校正装置基于CSA-GMM的光谱数据重叠峰解析,选用高斯混合模型GMM,GMM可表示为:
GMM模型的参数使用最大期望算法即EM算法来估计,EM算法初始化参数模型后,会运用最大似然与Jensen不等式的原理来进行优化参数,具体分为E步与M步,E步为求取数据j对于每个高斯峰i的最佳分布概率,
M步为更新参数的步骤,应找到使得似然函数最大化的参数模型,具体迭代方法为,
最终迭代至收敛,EM算法在面对XRF重叠峰较为严重的时候,整体易陷入局部最优值,所述校正装置采用乌鸦算法即CSA算法进行进一步的优化。
进一步地,所述CSA算法的流程包括:
步骤a:初始化参数,需要设置的参数有种群大小N,最大迭代次数itermax,飞行距离fl与意识概率AP;
步骤b:初始化位置矩阵Xn×d与记忆矩阵Mn×d,其中,d为要优化问题的维度,位置矩阵表示乌鸦的当前位置,记忆矩阵表示乌鸦存储食物的地点,在初始化时,Xn×d与Mn×d是相同的,表示乌鸦的初始位置即为乌鸦存储食物的位置;
步骤c:计算种群的适应度,即计算每只乌鸦对于要优化问题的可行度;
步骤d:迭代生成出新位置,假设乌鸦i随机选取了乌鸦j,跟踪并想窃取其食物,乌鸦将按下式规则去生成新位置:
其中ri与rj均为0和1之间均匀分布的随机数,上式表示当乌鸦j未发现乌鸦i跟踪了自己,则乌鸦i的新位置会在乌鸦j存储食物的周围;反之乌鸦j会愚弄乌鸦i将其带到一个随机的位置;
步骤e:检测新位置的可行性,如果新位置是可行的则乌鸦会更新其位置,反之乌鸦则不会产生新位置;
步骤f:计算新位置的适应度与更新乌鸦的记忆,计算种群所有位置的可行性,并按下式更新记忆矩阵:
步骤g:检查最佳适应度是否小于最佳迭代预设值否则迭代至itermax。
进一步地,所述步骤5中,当所述校正装置对土壤重金属的测量结果进行校正时,为解决土壤重金属含量与含水率、光谱强度之间的关系及自变量之间的关系,所述校正装置采用的方法为:
所述校正装置对净峰面积和含水量进行主成分分析,提取主成分使其携带信息量达到最大,形成一个新的自变量,寻找新的自变量和土壤重金属浓度之间的关系,进而检验其残差,若残差大于预设值,重新返回进行主成分分析直至符合输出要求之后输出参数值。
进一步地,所述步骤5中,所述校正装置自动监测流程为:
①设置传感器模块的数据采集时间与采集时间间隔和无线传输时间与传输时间间隔;
②启动光谱分析模块,延时等待X光管、高压电源、探测器进入工作状态;
③在显示器模块进行参数设置,包括X光管的管压管流、能量刻度峰、所述光谱分析模块启动时间与时间间隔和所述光谱分析模块自动校准时间与时间间隔;
④按照设置好的检测时间,开始进行重金属检测;
⑤所述控制板模块接收到含水率数据后,调入利用偏最小二乘法方法建立线性模型进行重金属检测数据的校正,并存储、显示校正后的数据;
⑥所述控制板模块将监测数据无线传送到监测预警平台后,进入延时状态,等待下一次检测工作或校准工作的开始。
与现有技术相比,本发明的有益效果在于,本发明所述方法通过所述校正装置对获取的光谱数据进行校正,经过去噪、扣除本底后求特征峰的净峰面积,利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,有效提高了检测数据的精确度。
进一步地,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据中的异常光谱点进行剔除,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
进一步地,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据进行去噪处理,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
进一步地,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据进行本底去除处理,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
进一步地,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据进行光谱重叠峰解析处理,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
进一步地,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据进行光谱重叠峰解析处理时采用CSA算法进行优化,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
进一步地,当所述校正装置对获取的所述光谱数据校正完成时,所述校正装置通过利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,进一步提高了检测数据的精确度。
进一步地,所述校正装置通过在工作过程中自动监测工作过程进行数据校准及启停,以保证检测数据的准确性,进一步提高了检测数据的精确度。
附图说明
图1为本发明所述基于XRF检测技术的Cr元素土壤含水率校正方法的流程示意图;
图2为本发明所述基于XRF检测技术的Cr元素土壤含水率校正装置的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明所述基于XRF检测技术的Cr元素土壤含水率校正方法的流程示意图。
一方面,本发明提供一种基于XRF检测技术的Cr元素土壤含水率校正方法,包括:
步骤1:对校正装置进行参数设置,参数包括数据测试时间及频率、数据传输时间及频率、仪器校准时间及频率、管电压和管电流;
步骤2:通过所述校正装置检测待测土壤的温湿度数据;
步骤3:通过所述校正装置检测待测土壤的重金属元素及重金属含量,并对获取的光谱数据进行校正;
步骤4:所述校正装置利用检测到的温湿度数据对土壤重金属的测量结果进行修正,得到校正后的数据并储存,所述校正装置自动监测工作过程进行数据校准及启停;
当所述校正装置通过检测获取所述光谱数据后,所述校正装置对所述光谱数据进行校正,包括对所述光谱数据进行异常值剔除、光谱去噪、本底扣除和重叠峰分解,当所述校正装置对所述光谱数据校正完成时,所述校正装置通过利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,以获取精确数据。
具体而言,所述步骤4中,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据中的异常光谱点进行剔除,采用的方法为:
原始矩阵图是在二维空间的坐标系中以样本点的形式体现数据的差异,计算了待测土样与标准土壤之间的马氏距离和关联程度,使用了NJW聚类的方式使原始矩阵图切割成几个子图,使得几个子图间相似度最弱而每个子图里样本数据相似度强。
当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据中的异常光谱点进行剔除,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
具体而言,当所述校正装置对所述光谱数据去噪时,所述校正装置采用的光谱去噪方法为:
将所述光谱数据中相邻的五个点用二次多项式拟合,并以此代替原光谱数据,依次移动,直到遍历所有所述光谱数据,即完成对所述光谱数据的去噪。
具体而言,当所述校正装置获得所述光谱数据后,由于原级X射线在样品中会发生康普顿散射和瑞利散射,样品产生的射线与仪器相互作用,加上宇宙射线和电子线路的扰动,会使所述光谱数据中自带背景,即本底,为得到净荧光强度,所述校正装置对所述光谱数据中谱峰底部的拐点依次用线段连接,并将连线下的部分扣除,由此获得净光谱数据。
当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据进行本底去除处理,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
具体而言,当所述校正装置对所述光谱数据中重叠峰分解时,所述校正装置基于CSA-GMM的光谱数据重叠峰解析,选用高斯混合模型GMM,GMM可表示为:
GMM模型的参数使用最大期望算法即EM算法来估计,EM算法初始化参数模型后,会运用最大似然与Jensen不等式的原理来进行优化参数,具体分为E步与M步,E步为求取数据j对于每个高斯峰i的最佳分布概率,
M步为更新参数的步骤,应找到使得似然函数最大化的参数模型,具体迭代方法为,
最终迭代至收敛,EM算法在面对XRF重叠峰较为严重的时候,整体易陷入局部最优值,所述校正装置采用乌鸦算法即CSA算法进行进一步的优化。
具体而言,所述CSA算法的流程包括:
步骤a:初始化参数,需要设置的参数有种群大小N,最大迭代次数itermax,飞行距离fl与意识概率AP;
步骤b:初始化位置矩阵Xn×d与记忆矩阵Mn×d,其中,d为要优化问题的维度,位置矩阵表示乌鸦的当前位置,记忆矩阵表示乌鸦存储食物的地点,在初始化时,Xn×d与Mn×d是相同的,表示乌鸦的初始位置即为乌鸦存储食物的位置;
步骤c:计算种群的适应度,即计算每只乌鸦对于要优化问题的可行度;
步骤d:迭代生成出新位置,假设乌鸦i随机选取了乌鸦j,跟踪并想窃取其食物,乌鸦将按下式规则去生成新位置:
其中ri与rj均为0和1之间均匀分布的随机数,上式表示当乌鸦j未发现乌鸦i跟踪了自己,则乌鸦i的新位置会在乌鸦j存储食物的周围;反之乌鸦j会愚弄乌鸦i将其带到一个随机的位置;
步骤e:检测新位置的可行性,如果新位置是可行的则乌鸦会更新其位置,反之乌鸦则不会产生新位置;
步骤f:计算新位置的适应度与更新乌鸦的记忆,计算种群所有位置的可行性,并按下式更新记忆矩阵:
步骤g:检查最佳适应度是否小于最佳迭代预设值否则迭代至itermax。
当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据进行光谱重叠峰解析处理时采用CSA算法进行优化,有效提高了光谱数据的准确度,进一步提高了检测数据的精确度。
具体而言,所述步骤5中,当所述校正装置对土壤重金属的测量结果进行校正时,为解决土壤重金属含量与含水率、光谱强度之间的关系及自变量之间的关系,所述校正装置采用的方法为:
所述校正装置对净峰面积和含水量进行主成分分析,提取主成分使其携带信息量达到最大,形成一个新的自变量,寻找新的自变量和土壤重金属浓度之间的关系,进而检验其残差,若残差大于预设值,重新返回进行主成分分析直至符合输出要求之后输出参数值。
具体而言,所述步骤5中,所述校正装置自动监测流程为:
①设置传感器模块的数据采集时间与采集时间间隔和无线传输时间与传输时间间隔;
②启动光谱分析模块,延时等待X光管、高压电源、探测器进入工作状态;
③在显示器模块进行参数设置,包括X光管的管压管流、能量刻度峰、所述光谱分析模块启动时间与时间间隔和所述光谱分析模块自动校准时间与时间间隔;
④按照设置好的检测时间,开始进行重金属检测;
⑤所述控制板模块接收到含水率数据后,调入利用偏最小二乘法方法建立线性模型进行重金属检测数据的校正,并存储、显示校正后的数据;
⑥所述控制板模块将监测数据无线传送到监测预警平台后,进入延时状态,等待下一次检测工作或校准工作的开始。
所述校正装置通过在工作过程中自动监测工作过程进行数据校准及启停,以保证检测数据的准确性,进一步提高了检测数据的精确度。
另一方面,本发明还提供一种基于XRF检测技术的Cr元素土壤含水率校正装置,包括:
传感器模块,用以采集土壤温湿度等影响重金属检测的环境参数;
光谱分析模块,通过高压电源给X光管单元提供50kV高压,使X光管单元发出X射线,激发出待测土壤中重金属的X荧光,通过探测器单元采集荧光信号,将荧光信号送到数据多道采集板单元获取重金属含量,再通过校正单元对获取的重金属含量进行校正;
控制板模块,用以控制所述光谱分析模块的启动与休眠、滤光片单元的切换、数据传输和校准所述光谱分析模块;
热吹风模块,用以对仪器内部和待测土壤表层除湿;
显示器模块,用以设置参数、显示实时监测数据和查看历史监测数据;
电源模块,用以为步进电机驱动器单元、热吹风模块和控制板模块供电。
所述传感器模块为土壤含水率传感器,所述传感器模块可以定时采集土壤含水率和温度数据,将采集到的数据发送到所述控制板模块,采集数据可在所述显示器模块查看,所述传感器模块通过无线传输将数据传输到监测预警平台;
所述光谱分析模块包含X光管单元、数据多道分析板单元、探测器单元、步进电机单元、滤光片单元、校正单元、准直器单元和CCD摄像头单元;
所述控制板模块包括步进电机驱动器单元和主控制板单元;
所述主控制板单元处理器最小装置采用STM32F107作为处理器,其内置两路12位AD采集单元;
所述处理器最小装置用以调试程序,对内置的I/O口和数模转换单元进行配置与控制,统筹协调其他电路的工作;
所述电源模块包括三个供电电源单元、高压电源单元、高压电源电路板单元和滤波器单元;
电源电路由220V供电,经所述滤波器和三个供电电源后将220V电压转换为5V、12V、24V和±15V电压,其中,24V为高压电源单元和步进电机驱动器单元供电,12V为热吹风模块供电,5V和±15V为控制板模块供电。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,包括:
步骤1:对校正装置进行参数设置,参数包括数据测试时间及频率、数据传输时间及频率、仪器校准时间及频率、管电压和管电流;
步骤2:通过所述校正装置检测待测温湿度数据;
步骤3:通过所述校正装置检测待测土壤的重金属元素及重金属含量,并对获取的光谱数据进行校正;
步骤4:所述校正装置利用检测到的温湿度数据对土壤重金属的测量结果进行修正,得到校正后的数据并储存,所述校正装置自动监测工作过程进行数据校准及启停;
当所述校正装置通过检测获取所述光谱数据后,所述校正装置对所述光谱数据进行处理,包括对所述光谱数据进行异常值剔除、光谱去噪、本底扣除和重叠峰分解,当所述校正装置对所述光谱数据处理完成时,所述校正装置通过利用偏最小二乘法方法建立线性模型对重金属检测数据进行校正,最终获得精确度更高的检测结果。
2.根据权利要求1所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,所述步骤4中,当所述校正装置检测待测土壤后对所述光谱数据进行分析时,所述校正装置对所述光谱数据中的异常光谱点进行剔除,采用的方法为:
原始矩阵图是在二维空间的坐标系中以样本点的形式体现数据的差异,计算了待测土样与标准土壤之间的马氏距离和关联程度,使用了NJW聚类的方式使原始矩阵图切割成几个子图,使得几个子图间相似度最弱而每个子图里样本数据相似度强。
3.根据权利要求2所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,当所述校正装置对所述光谱数据去噪时,所述校正装置采用的光谱去噪方法为:
将所述光谱数据中相邻的五个点用二次多项式拟合,并以此代替原光谱数据,依次移动,直到遍历所有所述光谱数据,即完成对所述光谱数据的去噪。
4.根据权利要求3所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,当所述校正装置获得所述光谱数据后,由于原级X射线在样品中会发生康普顿散射和瑞利散射,样品产生的射线与仪器相互作用,加上宇宙射线和电子线路的扰动,会使所述光谱数据中自带背景,即本底,为得到净荧光强度,所述校正装置对所述光谱数据中谱峰底部的拐点依次用线段连接,并将连线下的部分扣除,由此获得净光谱数据。
5.根据权利要求4所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,当所述校正装置对所述光谱数据中重叠峰分解时,所述校正装置基于CSA-GMM的光谱数据重叠峰解析,选用高斯混合模型GMM,GMM可表示为:
GMM模型的参数使用最大期望算法即EM算法来估计,EM算法初始化参数模型后,会运用最大似然与Jensen不等式的原理来进行优化参数,具体分为E步与M步,E步为求取数据j对于每个高斯峰i的最佳分布概率,
M步为更新参数的步骤,应找到使得似然函数最大化的参数模型,具体迭代方法为,
最终迭代至收敛,EM算法在面对XRF重叠峰较为严重的时候,整体易陷入局部最优值,所述校正装置采用乌鸦算法即CSA算法进行进一步的优化。
6.根据权利要求5所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,所述CSA算法的流程包括:
步骤a:初始化参数,需要设置的参数有种群大小N,最大迭代次数itermax,飞行距离fl与意识概率AP;
步骤b:初始化位置矩阵Xn×d与记忆矩阵Mn×d,其中,d为要优化问题的维度,位置矩阵表示乌鸦的当前位置,记忆矩阵表示乌鸦存储食物的地点,在初始化时,Xn×d与Mn×d是相同的,表示乌鸦的初始位置即为乌鸦存储食物的位置;
步骤c:计算种群的适应度,即计算每只乌鸦对于要优化问题的可行度;
步骤d:迭代生成出新位置,假设乌鸦i随机选取了乌鸦j,跟踪并想窃取其食物,乌鸦将按下式规则去生成新位置:
其中ri与rj均为0和1之间均匀分布的随机数,上式表示当乌鸦j未发现乌鸦i跟踪了自己,则乌鸦i的新位置会在乌鸦j存储食物的周围;反之乌鸦j会愚弄乌鸦i将其带到一个随机的位置;
步骤e:检测新位置的可行性,如果新位置是可行的则乌鸦会更新其位置,反之乌鸦则不会产生新位置;
步骤f:计算新位置的适应度与更新乌鸦的记忆,计算种群所有位置的可行性,并按下式更新记忆矩阵:
步骤g:检查最佳适应度是否小于最佳迭代预设值否则迭代至itermax。
7.根据权利要求1所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,所述步骤5中,当所述校正装置对土壤重金属的测量结果进行校正时,为解决土壤重金属含量与含水率、光谱强度之间的关系及自变量之间的关系,所述校正装置采用的方法为:
所述校正装置对净峰面积和含水量进行主成分分析,提取主成分使其携带信息量达到最大,形成一个新的自变量,寻找新的自变量和土壤重金属浓度之间的关系,进而检验其残差,若残差大于预设值,重新返回进行主成分分析直至符合输出要求之后输出参数值。
8.根据权利要求1所述的基于XRF检测技术的Cr元素土壤含水率校正方法,其特征在于,所述步骤5中,所述校正装置自动监测流程为:
①设置传感器模块的数据采集时间与采集时间间隔和无线传输时间与传输时间间隔;
②启动光谱分析模块,延时等待X光管、高压电源、探测器进入工作状态;
③在显示器模块进行参数设置,包括X光管的管压管流、能量刻度峰、所述光谱分析模块启动时间与时间间隔和所述光谱分析模块自动校准时间与时间间隔;
④按照设置好的检测时间,开始进行重金属检测;
⑤所述控制板模块接收到含水率数据后,调入利用偏最小二乘法方法建立线性模型进行重金属检测数据的校正,并存储、显示校正后的数据;
⑥所述控制板模块将监测数据无线传送到监测预警平台后,进入延时状态,等待下一次检测工作或校准工作的开始。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849387.8A CN113567652A (zh) | 2021-07-27 | 2021-07-27 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849387.8A CN113567652A (zh) | 2021-07-27 | 2021-07-27 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113567652A true CN113567652A (zh) | 2021-10-29 |
Family
ID=78167864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110849387.8A Pending CN113567652A (zh) | 2021-07-27 | 2021-07-27 | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567652A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563555A (zh) * | 2022-03-08 | 2022-05-31 | 河北省廊坊生态环境监测中心 | 一种用于工业固体废物排放的土壤重金属智能监测工艺 |
CN116484287A (zh) * | 2023-06-21 | 2023-07-25 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
CN117113211A (zh) * | 2023-01-16 | 2023-11-24 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测系统及其方法 |
CN117491112A (zh) * | 2023-12-29 | 2024-02-02 | 沈阳汇达丰生物科技有限公司 | 一种土壤环境污染检测设备 |
CN117629967A (zh) * | 2024-01-26 | 2024-03-01 | 江苏省南京环境监测中心 | 基于光谱分析的土壤土层污染快速检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520421A (zh) * | 2009-04-08 | 2009-09-02 | 北京农产品质量检测与农田环境监测技术研究中心 | 一种土壤重金属含量检测模型的建模方法及其应用 |
CN112304997A (zh) * | 2020-10-29 | 2021-02-02 | 三峡大学 | 基于空间耦合模型的土壤重金属含量检测系统及检测方法 |
CN112345569A (zh) * | 2020-09-23 | 2021-02-09 | 中国地质调查局水文地质环境地质调查中心 | 一种基于x射线的典型污染场地土壤重金属检测系统及方法 |
-
2021
- 2021-07-27 CN CN202110849387.8A patent/CN113567652A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520421A (zh) * | 2009-04-08 | 2009-09-02 | 北京农产品质量检测与农田环境监测技术研究中心 | 一种土壤重金属含量检测模型的建模方法及其应用 |
CN112345569A (zh) * | 2020-09-23 | 2021-02-09 | 中国地质调查局水文地质环境地质调查中心 | 一种基于x射线的典型污染场地土壤重金属检测系统及方法 |
CN112304997A (zh) * | 2020-10-29 | 2021-02-02 | 三峡大学 | 基于空间耦合模型的土壤重金属含量检测系统及检测方法 |
Non-Patent Citations (4)
Title |
---|
吴希军;张杰;肖春艳;赵学亮;李康;庞丽丽;史彦新;李少华: "基于NMF-PLS对含水量影响下土壤重金属含量反演模型研究", 光谱学与光谱分析, pages 271 - 275 * |
朱丹丹;孙世成;杨惠;张灿;朱奇光;李康;史彦新;陈颖: "基于GMM-ICSA的光谱重叠峰分解研究", 计量学报, pages 1386 - 1391 * |
赵学亮;史云;崔晓;: "水质重金属元素自动识别软件算法实现", 河南科技大学学报(自然科学版), no. 01 * |
陈颖;张灿;肖春艳;赵学亮;史彦新;杨惠;刘峥莹;李少华;: "基于GWO-SVR的土壤镉元素含量含水率校正预测模型研究", 光学学报, no. 10 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563555A (zh) * | 2022-03-08 | 2022-05-31 | 河北省廊坊生态环境监测中心 | 一种用于工业固体废物排放的土壤重金属智能监测工艺 |
CN114563555B (zh) * | 2022-03-08 | 2023-03-10 | 河北省廊坊生态环境监测中心 | 一种用于工业固体废物排放的土壤重金属智能监测工艺 |
CN117113211A (zh) * | 2023-01-16 | 2023-11-24 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测系统及其方法 |
CN117113211B (zh) * | 2023-01-16 | 2024-03-12 | 杭州市水务集团有限公司 | 用于独居老人的智能化用水监测系统及其方法 |
CN116484287A (zh) * | 2023-06-21 | 2023-07-25 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
CN116484287B (zh) * | 2023-06-21 | 2023-09-01 | 云南省地质矿产勘查开发局中心实验室(自然资源部昆明矿产资源检测中心) | 基于误差修正的土壤水分预测方法、系统、终端及介质 |
CN117491112A (zh) * | 2023-12-29 | 2024-02-02 | 沈阳汇达丰生物科技有限公司 | 一种土壤环境污染检测设备 |
CN117629967A (zh) * | 2024-01-26 | 2024-03-01 | 江苏省南京环境监测中心 | 基于光谱分析的土壤土层污染快速检测方法 |
CN117629967B (zh) * | 2024-01-26 | 2024-03-29 | 江苏省南京环境监测中心 | 基于光谱分析的土壤土层污染快速检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113567652A (zh) | 一种基于XRF检测技术的Cr元素土壤含水率校正方法 | |
JP6525864B2 (ja) | スペクトルデータに基づいたサンプルの分類方法、データベースの作成方法及び該データベースの使用方法、並びに対応するコンピュータプログラム、データ記憶媒体及びシステム | |
Atlas Collaboration | Electron efficiency measurements with the ATLAS detector using 2012 LHC proton–proton collision data | |
Burke et al. | Planet Detection Metrics: Per-Target Detection Contours for Data Release 25 | |
CN102667352A (zh) | 制冷剂泄漏检测系统和方法 | |
CN107895136B (zh) | 一种煤矿区域识别方法及系统 | |
CN104411245A (zh) | 对光子计数探测器的缺陷的动态建模 | |
US11585768B1 (en) | System and method for inspecting defects of structure by using x-ray | |
CN110174221A (zh) | 一种变压器本体渗漏油状态监测评估方法及系统 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
Kitaguchi et al. | A convolutional neural network approach for reconstructing polarization information of photoelectric X-ray polarimeters | |
EP2366991A1 (en) | Probabilistic scoring for components of a mixture | |
Ahmed et al. | Machine learning-based calibration LIBS analysis of aluminium-based alloys | |
CN107941826B (zh) | 照射量管理装置以及照射量管理方法 | |
CN116698762B (zh) | 一种基于无人机的水质检测方法、系统及介质 | |
CN215640968U (zh) | 一种基于XRF检测技术的Cr元素土壤含水率校正装置 | |
US9476923B2 (en) | Method and device for identifying a material by the spectral analysis of electromagnetic radiation passing through said material | |
Li et al. | Back-propagation neural network-based modelling for soil heavy metal | |
CN109690354B (zh) | 便携式检测仪和方法 | |
EP2251819A1 (en) | Object classification with particle filters | |
CN109211806A (zh) | 一种用于激光吸收光谱层析成像的谱线选取方法 | |
KR102393536B1 (ko) | 자동 교정 알고리즘이 내장된 공기질 측정 장치 및 시스템 | |
Duan et al. | An adaptive particle filter for soft fault compensation of mobile robots | |
CN109614954B (zh) | 一种土壤重金属污染高光谱迁移的定性分类方法 | |
CN118329975B (zh) | 一种大气污染在线识别评价方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |