CN114034654A - 一种基于ai深度学习的水质toc和cod在线检测及交叉印证方法 - Google Patents
一种基于ai深度学习的水质toc和cod在线检测及交叉印证方法 Download PDFInfo
- Publication number
- CN114034654A CN114034654A CN202111505221.0A CN202111505221A CN114034654A CN 114034654 A CN114034654 A CN 114034654A CN 202111505221 A CN202111505221 A CN 202111505221A CN 114034654 A CN114034654 A CN 114034654A
- Authority
- CN
- China
- Prior art keywords
- water sample
- toc
- cod
- absorbance
- value
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000002790 cross-validation Methods 0.000 title claims abstract description 14
- 238000002835 absorbance Methods 0.000 claims abstract description 51
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 239000003085 diluting agent Substances 0.000 claims description 10
- 239000012086 standard solution Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 239000012895 dilution Substances 0.000 claims description 4
- 238000010790 dilution Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 239000010865 sewage Substances 0.000 abstract description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- KMUONIBRACKNSN-UHFFFAOYSA-N potassium dichromate Chemical compound [K+].[K+].[O-][Cr](=O)(=O)O[Cr]([O-])(=O)=O KMUONIBRACKNSN-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000003575 carbonaceous material Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000011481 absorbance measurement Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000003113 dilution method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000012286 potassium permanganate Substances 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 238000002371 ultraviolet--visible spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水环境质量检测技术领域,尤其是一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,具体步骤如下:测量水样的吸光度,根据吸光度判断是否需要对水样进行稀释;测量水样在紫外‑可见光波长范围内的吸光度值;测量水样在红外波长范围内的吸光度值;将水样对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板;将水样对应的光谱值和COD标准值代入AI算法训练得出COD计算模板;建立起水样TOC和COD之间的关联关系模板;根据水样光谱值、TOC计算模板、TOC和COD之间的关联关系计算出水样的TOC/COD值。本方法提高了测量范围、准确度和适用范围,在在线水质检测、智慧养殖场、无人污水处理厂、智能水厂等方面具有广泛的应用价值。
Description
技术领域
本发明涉及水环境质量检测技术领域,尤其涉及一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法。
背景技术
近年来,畜禽污水的排放已对环境造成比较严重的污染。化学需氧量(COD)是水体中还原性污染物被强氧化剂氧化所消耗的氧的数量。它作为污水中的主要污染因子,是评价水体被污染程度的一项重要综合性指标。总有机碳量(TOC)是水中有机物所含碳的总量,能完全反映有机物对水体的污染程度。
目前对COD的测定国内外标准方法主要采用高锰酸钾法和重铬酸钾法。此方法的不足在于需要消耗大量的化学药剂,分析成本高、时间长,重铬酸钾滴定的显色反应误差较大,易受到氯离子的干扰,而且不适宜对样品的批量分析和水质的在线监测。现代光谱技术可充分利用全谱段或多波长下的光谱数据进行定性或定量分析。TOC的测定主要利用燃烧氧化-非分散红外吸收法,流程简单、重现性好、灵敏度高,在国内外被广泛采用。但是易受到水样中耐高温含碳物质的影响。
发明内容
本发明的目的是为了解决现有技术中存在在检测时,易受到水样中耐高温含碳物质的影响的缺点,而提出的一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法。
为了实现上述目的,本发明采用了如下技术方案:
设计一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,具体步骤如下:
步骤(1)、测量水样的吸光度,根据吸光度判断是否需要对水样进行稀释;
步骤(2)、测量水样在紫外-可见光波长范围内的吸光度值;
步骤(3)、测量水样在红外波长范围内的吸光度值;
步骤(4)、将水样对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板;将水样对应的光谱值和COD标准值代入AI算法训练得出COD计算模板;
步骤(5)、建立起水样TOC和COD之间的关联关系模板;
步骤(6)、根据水样光谱值、TOC计算模板、TOC和COD之间的关联关系计算出水样的TOC/COD值。
优选的,在步骤(1)中,对水样进行稀释包括以下步骤:
A、选取水样在紫外光波长范围内的五个吸光度值作为初步浓度判断依据,若吸光度大于100COD标准溶液的吸光度值,则判断水样浓度超标,系统开始用稀释液对水样进行稀释;
B、若水样在初步浓度判断下,不超标,则选取水样在可见光波长范围内的五个吸光度值作为二次浓度判断依据,若吸光度大于100COD标准溶液在此波长的吸光度值,则判断水样浓度超标,则系统开始用稀释液对水样进行稀释;
C、若水样在二次浓度判断下,不超标,则选取水样在可见光波长范围内的五个吸光度值作为三次浓度判断依据,若吸光度大于100COD标准溶液在此波长的吸光度值,则判断水样浓度超标,则系统开始用稀释液对水样进行稀释;
D、若水样或稀释后的水样,同时在初次浓度判断、三次浓度判断下显示均不超标,则说明水样浓度适合,进行下一步测试。
优选的,在步骤(2)中,选取水样在100-750nm波长范围内的全光谱吸光度值,通过AI训练学习,消除浊度对测量结果的影响。
优选的,在步骤(3)中,红外波长范围为750-900nm。
优选的,在步骤(4)中,光谱值为吸光度,且光谱数据采集间隔为0.05-5nm。
优选的,在步骤(6)中,水样的TOC/COD值需乘以水样稀释倍数。
本发明提出的一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,有益效果在于:本发明利用稀释系统提升精确测量范围;利用紫外-可见光谱的交叉计算消除浊度影响;利用AI深度学习直接建立起TOC和吸光度、COD与吸光度以及TOC与COD之间的关系模板,通过TOC与COD之间的交叉印证消除氯离子和耐高温含碳物质的影响,能够极大地提升水样TOC/COD测量的准确性,提升模板自身学习强化的能力,提供了一种基于光谱法和AI深度学习准确测量水中TOC/COD的新方法。本方法提高了测量范围、准确度和适用范围,在在线水质检测、智慧养殖场、无人污水处理厂、智能水厂等方面具有广泛的应用价值。
附图说明
图1为一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法的流程示意图。
图2为本发明TOC训练结果图。
图3为本发明COD训练结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1-3,一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,包括以下步骤:
测量水样的吸光度,根据吸光度判断是否需要对水样进行稀释,吸光度的测量具有一定的测量仪器和测量标准,选择合适的光源和光谱仪测量即可;选取水样在紫外光波长范围内的五个吸光度值作为初步浓度判断依据,若吸光度大于100COD标准溶液的吸光度值,则判断水样浓度超标,系统开始用稀释液对水样进行稀释,稀释过程按照水样与稀释液体积1:1、1:2、1:3、……的方式进行;若水样在初步浓度判断下,不超标,则选取水样在可见光波长范围内的五个吸光度值作为二次浓度判断依据,若吸光度大于100COD标准溶液在此波长的吸光度值,则判断水样浓度超标,则系统开始用稀释液对水样进行稀释;若水样在二次浓度判断下,不超标,则选取水样在可见光波长范围内的五个吸光度值作为三次浓度判断依据,若吸光度大于100COD标准溶液在此波长的吸光度值,则判断水样浓度超标,则系统开始用稀释液对水样进行稀释;若水样或稀释后的水样,同时在初次浓度判断、三次浓度判断下显示均不超标,则说明水样浓度适合,进行下一步测试。
测量水样在紫外-可见光波长范围内的吸光度值;测量水样在近红外波长范围内的吸光度值。
将156个水样,选取125个作为训练样本,31个为测试样本,其对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板,根据线性相关度判断模板的契合度,图2为本发明所得TOC训练结果图,线性相关系数为0.989289,说明该TOC训练模板具有优异的契合度。
将128个水样,选取100个作为训练样本,28个为测试样本,其对应的光谱值和COD标准值代入AI算法训练得出COD计算模板,根据线性相关度判断模板的契合度,图3为本发明所得COD训练结果图,线性相关系数为0.869042,说明该COD训练模板具有较好的契合度,但与TOC相比较差。
将水样的TOC和COD代入AI训练,得到二者的关联模板。采用国标法测量COD标准值的过程中易受到氯离子的影响进而造成光谱法测COD结果的误差,而TOC标准值在测试过程中不受氯离子的影响。利用燃烧氧化-非分散红外吸收法测量TOC的过程中易受到耐高温含碳物质的影响,而COD却不受此影响。本发明通过建立起水样TOC和COD之间的关联关系模板,将所测水样的TOC和COD交叉印证,能够极大地提升水样TOC/COD测量的准确性。
根据水样光谱值、TOC计算模板、COD计算模板、TOC和COD之间的关联模板计算出水样的TOC/COD值。
本发明具有以下特点:测量水样在紫外光、可见光、红外光的吸光度,根据吸光度判断是否需要对水样进行稀释,实现对高浓度水样的准确测量;测量水样在紫外-可见光波长范围内的吸光度值,通过交叉计算消除浊度对TOC测量结果的影响;将水样在紫外-可见-红外光范围内对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板;将水样在紫外-可见-红外光范围内对应的光谱值和COD标准值代入AI算法训练得出COD计算模板;建立起水样TOC和COD之间的关联关系模板,用以消除氯离子对COD测量结果的影响,消除耐高温含碳物质对TOC测量结果的影响;根据水样光谱值、TOC计算模板、COD计算模板、TOC和COD之间的关联关系计算出水样的TOC/COD值。相较于其他测量方法,本方法提高了测量范围、准确度和适用范围,在在线水质检测、智慧养殖场、无人污水处理厂、智能水厂等方面具有广泛的应用价值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,其特征在于,具体步骤如下:
步骤(1)、测量水样的吸光度,根据吸光度判断是否需要对水样进行稀释;
步骤(2)、测量水样在紫外-可见光波长范围内的吸光度值;
步骤(3)、测量水样在红外波长范围内的吸光度值;
步骤(4)、将水样对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板;将水样对应的光谱值和COD标准值代入AI算法训练得出COD计算模板;
步骤(5)、建立起水样TOC和COD之间的关联关系模板;
步骤(6)、根据水样光谱值、TOC计算模板、TOC和COD之间的关联关系计算出水样的TOC/COD值。
2.根据权利要求1所述的基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,其特征在于,在步骤(1)中,对水样进行稀释包括以下步骤:
A、选取水样在紫外光波长范围内的五个吸光度值作为初步浓度判断依据,若吸光度大于100COD标准溶液的吸光度值,则判断水样浓度超标,系统开始用稀释液对水样进行稀释;
B、若水样在初步浓度判断下,不超标,则选取水样在可见光波长范围内的五个吸光度值作为二次浓度判断依据,若吸光度大于100COD标准溶液在此波长的吸光度值,则判断水样浓度超标,则系统开始用稀释液对水样进行稀释;
C、若水样在二次浓度判断下,不超标,则选取水样在可见光波长范围内的五个吸光度值作为三次浓度判断依据,若吸光度大于100COD标准溶液在此波长的吸光度值,则判断水样浓度超标,则系统开始用稀释液对水样进行稀释;
D、若水样或稀释后的水样,同时在初次浓度判断、三次浓度判断下显示均不超标,则说明水样浓度适合,进行下一步测试。
3.根据权利要求1所述的基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,其特征在于,在步骤(2)中,选取水样在100-750nm波长范围内的全光谱吸光度值,通过AI训练学习,消除浊度对测量结果的影响。
4.根据权利要求1所述的基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,其特征在于,在步骤(3)中,红外波长范围为750-900nm。
5.根据权利要求1所述的基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,其特征在于,在步骤(4)中,光谱值为吸光度,且光谱数据采集间隔为0.05-5nm。
6.根据权利要求1所述的基于AI深度学习的水质TOC和COD在线检测及交叉印证方法,其特征在于,在步骤(6)中,水样的TOC/COD值需乘以水样稀释倍数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111505221.0A CN114034654A (zh) | 2021-12-10 | 2021-12-10 | 一种基于ai深度学习的水质toc和cod在线检测及交叉印证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111505221.0A CN114034654A (zh) | 2021-12-10 | 2021-12-10 | 一种基于ai深度学习的水质toc和cod在线检测及交叉印证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114034654A true CN114034654A (zh) | 2022-02-11 |
Family
ID=80146541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111505221.0A Pending CN114034654A (zh) | 2021-12-10 | 2021-12-10 | 一种基于ai深度学习的水质toc和cod在线检测及交叉印证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034654A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101988894A (zh) * | 2009-07-31 | 2011-03-23 | 恩德莱斯和豪瑟尔测量及调节技术分析仪表两合公司 | 用于确定液体样品的参数的方法 |
CN104849423A (zh) * | 2015-03-19 | 2015-08-19 | 信发集团有限公司 | 水中综合有机污染指标快速测定方法 |
CN106644974A (zh) * | 2016-10-10 | 2017-05-10 | 深圳市比特原子科技有限公司 | 一种水质检测装置及其检测方法 |
CN112326565A (zh) * | 2020-10-27 | 2021-02-05 | 重庆理工大学 | 紫外-可见光谱法检测水质cod时浊度影响的校正方法 |
CN113049512A (zh) * | 2021-03-12 | 2021-06-29 | 厦门斯坦道科学仪器股份有限公司 | 基于全波长紫外可见吸收光谱的水质在线监测方法 |
CN215066128U (zh) * | 2021-06-24 | 2021-12-07 | 成都益清源科技有限公司 | 一种饮用水水质检测装置 |
-
2021
- 2021-12-10 CN CN202111505221.0A patent/CN114034654A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101988894A (zh) * | 2009-07-31 | 2011-03-23 | 恩德莱斯和豪瑟尔测量及调节技术分析仪表两合公司 | 用于确定液体样品的参数的方法 |
CN104849423A (zh) * | 2015-03-19 | 2015-08-19 | 信发集团有限公司 | 水中综合有机污染指标快速测定方法 |
CN106644974A (zh) * | 2016-10-10 | 2017-05-10 | 深圳市比特原子科技有限公司 | 一种水质检测装置及其检测方法 |
CN112326565A (zh) * | 2020-10-27 | 2021-02-05 | 重庆理工大学 | 紫外-可见光谱法检测水质cod时浊度影响的校正方法 |
CN113049512A (zh) * | 2021-03-12 | 2021-06-29 | 厦门斯坦道科学仪器股份有限公司 | 基于全波长紫外可见吸收光谱的水质在线监测方法 |
CN215066128U (zh) * | 2021-06-24 | 2021-12-07 | 成都益清源科技有限公司 | 一种饮用水水质检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020133944A1 (zh) | 水质指标预测模型构建方法及水质指标监测方法 | |
CN109799203B (zh) | 一种水体中cod浓度的宽量程高精度光谱检测方法 | |
CN101013087A (zh) | 光吸收比差—连续流动测定痕量铜离子的方法 | |
CN109781809B (zh) | 一种甲醛浓度人工智能测算方法 | |
CN100543455C (zh) | 臭氧氧化紫外扫描光谱积分方式测量总有机碳的方法 | |
CN113065095B (zh) | 一种基于紫外光谱的水中氮含量检测算法 | |
CN113283072A (zh) | 一种适用于多场景条件的水体cod检测方法 | |
CN112179858A (zh) | 基于浊度补偿技术的水质检测方法 | |
CN117517231B (zh) | 总氮水质在线分析仪的分析方法、系统及可读介质 | |
CN105911003B (zh) | 基于rbm回归的水质toc浓度分析方法 | |
CN110672534A (zh) | 海洋水质测试系统、方法及装置 | |
CN101793820B (zh) | 双模联动水质在线监测方法 | |
CN114034654A (zh) | 一种基于ai深度学习的水质toc和cod在线检测及交叉印证方法 | |
CN116953184A (zh) | 余氯在线检测模型的构建方法及余氯浓度在线检测方法 | |
CN114166769B (zh) | 一种紫外-可见光谱水质多参数监测系统 | |
CN110987845A (zh) | 一种单、双组分染液中染料浓度的实时检测方法 | |
CN115615976A (zh) | 一种基于激光光谱技术的水质化学需氧量检测方法 | |
CN110082303A (zh) | 仪器检测水质中cod含量的方法 | |
CN110174362B (zh) | 一种检测中性糖和酸性糖含量的方法 | |
CN112697739A (zh) | 光谱法海水cod传感器的标定校准方法及cod传感器 | |
CN116297251B (zh) | 一种多传感器组合的水质检测系统及其检测探头 | |
CN210037589U (zh) | 一种垃圾渗滤液生化尾水cod在线监测装置 | |
CN204903523U (zh) | Cod水质在线监测系统 | |
Zhang et al. | Study on Nitrate Nitrogen based on Ultraviolet Visible Absorption Spectroscopy | |
Young et al. | Total Carbon Analyzers |
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 |