CN114813615A - 一种基于红外光吸收特性的酒精浓度范围检测方法 - Google Patents

一种基于红外光吸收特性的酒精浓度范围检测方法 Download PDF

Info

Publication number
CN114813615A
CN114813615A CN202210716463.2A CN202210716463A CN114813615A CN 114813615 A CN114813615 A CN 114813615A CN 202210716463 A CN202210716463 A CN 202210716463A CN 114813615 A CN114813615 A CN 114813615A
Authority
CN
China
Prior art keywords
infrared light
alcohol concentration
absorption chamber
intensity
transparent
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
Application number
CN202210716463.2A
Other languages
English (en)
Inventor
崔厚祥
袁剑敏
钟利军
宋亮华
王帆寿
段晚晴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Everbest Machinery Industry Co ltd
Guangdong Provincial Institute Of Metrology (south China National Centre Of Metrology)
Original Assignee
Shenzhen Everbest Machinery Industry Co ltd
Guangdong Provincial Institute Of Metrology (south China National Centre Of Metrology)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Everbest Machinery Industry Co ltd, Guangdong Provincial Institute Of Metrology (south China National Centre Of Metrology) filed Critical Shenzhen Everbest Machinery Industry Co ltd
Priority to CN202210716463.2A priority Critical patent/CN114813615A/zh
Publication of CN114813615A publication Critical patent/CN114813615A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Immunology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biochemistry (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于红外光吸收特性的酒精浓度范围检测方法，包括以下步骤：S1.将酒精浓度范围分为
Figure 16293DEST_PATH_IMAGE001
个等级；S2.将已知酒精浓度的气体吹入的透明吸收室内，测试强度衰减值，并与温度和酒精浓度等级作为一组测试数据；S3.获取
Figure 158561DEST_PATH_IMAGE002
组测试数据；S4.根据得到的
Figure 512182DEST_PATH_IMAGE002
组测试数据构建样本集；S5.采用机器学习方法或者神经网络算法构建分类模型，并训练后的分类模型；S6.将未知酒精浓度的气体吹入的透明吸收室内，测量并构建特征样本
Figure 841532DEST_PATH_IMAGE003
，输入训练得到的分类模型中，然后得到检测结果。本发明通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率。

Description

一种基于红外光吸收特性的酒精浓度范围检测方法
技术领域
本发明涉及一种基于红外光吸收特性的酒精浓度范围检测方法。
背景技术
随着公共交通道路的不断发展和建设，自驾车出行已经成为了最主要的出行方式之一，但随之而来的是各种交通事故，严重威胁着驾驶员和交通导通的安全；酒驾是导致交通事故的重要原因之一，驾驶员酒后驾车发生事故的可能性相比正常驾驶情况大得多，严重的危害着交通安全；
因此，对酒驾进行检测非常重要，但是目前的检测时大部分是通过化学法进行检测，在精度和检测效率上还存在一定缺陷。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于红外光吸收特性的酒精浓度范围检测方法，通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率。
本发明的目的是通过以下技术方案来实现的：一种基于红外光吸收特性的酒精浓度范围检测方法，包括以下步骤：
S1.将酒精浓度范围分为
Figure 91056DEST_PATH_IMAGE001
个等级；
S2.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure 35879DEST_PATH_IMAGE002
，根据气体的已知酒精浓度和步骤S1中的等级划分，确定酒精浓度等级
Figure 857204DEST_PATH_IMAGE003
，将温度、强度衰减值和酒精浓度等级作为一组测试数据；
S3.在不同的M个温度和N个酒精浓度下，按照步骤S2进行测试，得到
Figure 127648DEST_PATH_IMAGE004
组测试数据；
S4.根据得到的
Figure 159058DEST_PATH_IMAGE004
组测试数据构建样本集：
样本集中的样本数据以强度衰减值和温度作为特征样本，以酒精浓度等级作为标签：
第i个样本数据记为
Figure 48517DEST_PATH_IMAGE005
，其中
Figure 613097DEST_PATH_IMAGE006
表示第i组测试数据中的强度衰减值，
Figure 929809DEST_PATH_IMAGE007
表示第i组测试数据中的温度，
Figure 448515DEST_PATH_IMAGE008
表示第i组测试数据中的酒精浓度等级，
Figure 141665DEST_PATH_IMAGE009
；
S5.采用机器学习方法或者神经网络算法构建分类模型，利用样本集中的每一个数据对分类模型进行训练，得到训练后的分类模型；
S6.在进行酒精浓度范围检测时，将未知酒精浓度的气体吹入的透明吸收室内，测量此时的温度信息
Figure 796637DEST_PATH_IMAGE010
和红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure 408884DEST_PATH_IMAGE011
,然后构建特征样本
Figure 290252DEST_PATH_IMAGE012
，输入训练得到的分类模型中，然后得到检测结果。
本发明的有益效果是：本发明通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率；分类模型的训练可以在后台进行，将训练好分类模型下载到测试仪器中，并在测试仪器中配置透明吸收室内、红外光源和红外传感器，可以完成现场的检测，在提高检测精度的同时，有效简化了测试仪器的结构。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于红外光吸收特性的酒精浓度范围检测方法，包括以下步骤：
S1.将酒精浓度范围分为
Figure 413191DEST_PATH_IMAGE013
个等级；
设置用于分度的酒精浓度
Figure 63615DEST_PATH_IMAGE014
，并据此将酒精浓度范围划分为
Figure 846763DEST_PATH_IMAGE013
个等级：
等级
Figure 949849DEST_PATH_IMAGE015
时，酒精浓度在
Figure 109435DEST_PATH_IMAGE016
区间；等级
Figure 879945DEST_PATH_IMAGE017
，酒精浓度在
Figure 302836DEST_PATH_IMAGE018
区间；等级
Figure 781965DEST_PATH_IMAGE019
：酒精浓度在
Figure 214083DEST_PATH_IMAGE020
以上；
其中，酒精浓度的单位为mg/100ml 。
S2.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure 432575DEST_PATH_IMAGE021
，根据气体的已知酒精浓度和步骤S1中的等级划分，确定酒精浓度等级
Figure 698471DEST_PATH_IMAGE022
，将温度、强度衰减值和酒精浓度等级作为一组测试数据；
S201.设定红外光源的红外光发射强度；
S202.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，利用红外光源向所述透明吸收室发射与气体吹入方向垂直的红外光，当红外光通过所述透明吸收室后，在光传播方向上通过光强度传感器进行光强度检测，得到红外光检测强度；
S203.利用红外光发射强度减去红外光检测强度，得到强度衰减值
Figure 900783DEST_PATH_IMAGE023
。
所述透明吸收室为左侧设置有吹气口，右侧带有密封盖，其余侧面由透明材料制成的矩形吸收室；
所述红外光源发射的红外光从透明吸收室的正下方射入，所述光强度传感器位于透明吸收室的正上方。
S3.在不同的M个温度和N个酒精浓度下，按照步骤S2进行测试，得到
Figure 277537DEST_PATH_IMAGE024
组测试数据：
S301.任一温度T下，当吹入气体的已知酒精浓度在N个不同取值时，重复执行步骤S2，得到N组测试数据；
S302.在不同的M个温度下，对于每一个温度重复执行步骤S301，共得到N*M组测试数据。
S4.根据得到的
Figure 383159DEST_PATH_IMAGE024
组测试数据构建样本集：
样本集中的样本数据以强度衰减值和温度作为特征样本，以酒精浓度等级作为标签：
第i个样本数据记为
Figure 819956DEST_PATH_IMAGE025
，其中
Figure 243985DEST_PATH_IMAGE026
表示第i组测试数据中的强度衰减值，
Figure 549064DEST_PATH_IMAGE027
表示第i组测试数据中的温度，
Figure 883093DEST_PATH_IMAGE028
表示第i组测试数据中的酒精浓度等级，
Figure 349847DEST_PATH_IMAGE029
；
S5.采用机器学习方法或者神经网络算法构建分类模型，利用样本集中的每一个数据对分类模型进行训练，得到训练后的分类模型；
步骤S5所述的训练过程中，以样本集中每一个样本数据的样本特征
Figure 402116DEST_PATH_IMAGE030
作为输入，以该样本特征的标签
Figure 743843DEST_PATH_IMAGE031
作为期望输出；利用所有样本数据对训练模型训练完成后，则得到了训练后的分类模型。
S6.在进行酒精浓度范围检测时，将未知酒精浓度的气体吹入的透明吸收室内，测量此时的温度信息
Figure 57012DEST_PATH_IMAGE032
和红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure 835612DEST_PATH_IMAGE033
,然后构建特征样本
Figure 499812DEST_PATH_IMAGE034
，输入训练得到的分类模型中，然后得到检测结果。
所述步骤S6中，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure 756481DEST_PATH_IMAGE033
的方式如下：
将未知酒精浓度的气体吹入的透明吸收室内，利用红外光源向所述透明吸收室发射与气体吹入方向垂直的红外光，当红外光通过所述透明吸收室后，在光传播方向上通过光强度传感器进行光强度检测，得到红外光检测强度；利用红外光发射强度减去红外光检测强度，得到强度衰减值。
所述步骤S6中，构建特征样本
Figure 189736DEST_PATH_IMAGE035
，输入训练得到的分类模型后，分类模型输出的结果为酒精浓度等级
Figure 499757DEST_PATH_IMAGE036
，根据步骤S1中等级划分，找到该等级对应的酒精浓度范围即为检测结果。
在本申请的实施例中，所述机器学习方法包括Adaboost算法、神经网络算法、朴素贝叶斯算法、SVM算法和决策树算法中的一种；所述神经网络算法包括浅层神经网络、深层神经网络、卷积神经网络和循环神经网络算法中的一种。
通过本发明的方法，能够通过红外光的吸收特性，并结合神经网络进行酒精浓度范围的检测，能够有助于提高检测效率；数据集、样本集的获取以及模型的训练均可在后台完成，在得到训练后的模型时，仅需要将该模型下载到测试一起的处理器中，并在测试仪器中配置透明吸收室内、红外光源和红外传感器和温度传感器，即可采集到所需的数据，并进行酒精浓度检测，相比与现有的化学检测方法，结构更加简单，检测精度更高。

Claims (9)

1.一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：包括以下步骤：
S1.将酒精浓度范围分为
Figure 933987DEST_PATH_IMAGE001
个等级；
S2.在任一温度
Figure DEST_PATH_IMAGE002
下，将已知酒精浓度的气体吹入的透明吸收室内，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure DEST_PATH_IMAGE003
，根据气体的已知酒精浓度和步骤S1中的等级划分，确定酒精浓度等级
Figure DEST_PATH_IMAGE004
，将温度、强度衰减值和酒精浓度等级作为一组测试数据；
S3.在不同的M个温度和N个酒精浓度下，按照步骤S2进行测试，得到
Figure 710182DEST_PATH_IMAGE005
组测试数据；
S4.根据得到的
Figure 522542DEST_PATH_IMAGE005
组测试数据构建样本集：
样本集中的样本数据以强度衰减值和温度作为特征样本，以酒精浓度等级作为标签：
第i个样本数据记为
Figure DEST_PATH_IMAGE006
，其中
Figure 776806DEST_PATH_IMAGE007
表示第i组测试数据中的强度衰减值，
Figure DEST_PATH_IMAGE008
表示第i组测试数据中的温度，
Figure 387916DEST_PATH_IMAGE009
表示第i组测试数据中的酒精浓度等级，
Figure DEST_PATH_IMAGE010
；
S5.采用机器学习方法或者神经网络算法构建分类模型，利用样本集中的每一个数据对分类模型进行训练，得到训练后的分类模型；
S6.在进行酒精浓度范围检测时，将未知酒精浓度的气体吹入的透明吸收室内，测量此时的温度信息
Figure 272695DEST_PATH_IMAGE011
和红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure DEST_PATH_IMAGE012
,然后构建特征样本
Figure 897318DEST_PATH_IMAGE013
，输入训练得到的分类模型中，然后得到检测结果。
2.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述步骤S1包括：
设置用于分度的酒精浓度
Figure DEST_PATH_IMAGE014
，并据此将酒精浓度范围划分为
Figure 892956DEST_PATH_IMAGE015
个等级：
等级
Figure DEST_PATH_IMAGE016
时，酒精浓度在
Figure 624152DEST_PATH_IMAGE017
区间；等级
Figure DEST_PATH_IMAGE018
，酒精浓度在
Figure 978035DEST_PATH_IMAGE019
区间；等级
Figure DEST_PATH_IMAGE020
：酒精浓度在
Figure 325840DEST_PATH_IMAGE021
以上；
其中，酒精浓度的单位为mg/100ml 。
3.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述步骤S2包括以下子步骤：
S201.设定红外光源的红外光发射强度；
S202.在任一温度T下，将已知酒精浓度的气体吹入的透明吸收室内，利用红外光源向所述透明吸收室发射与气体吹入方向垂直的红外光，当红外光通过所述透明吸收室后，在光传播方向上通过光强度传感器进行光强度检测，得到红外光检测强度；
S203.利用红外光发射强度减去红外光检测强度，得到强度衰减值
Figure DEST_PATH_IMAGE022
。
4.根据权利要求3所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述透明吸收室为左侧设置有吹气口，右侧带有密封盖，其余侧面由透明材料制成的矩形吸收室；
所述红外光源发射的红外光从透明吸收室的正下方射入，所述光强度传感器位于透明吸收室的正上方。
5.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述步骤S3包括以下子步骤：
S301.任一温度T下，当吹入气体的已知酒精浓度在N个不同取值时，重复执行步骤S2，得到N组测试数据；
S302.在不同的M个温度下，对于每一个温度重复执行步骤S301，共得到N*M组测试数据。
6.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：步骤S5所述的训练过程中，以样本集中每一个样本数据的样本特征
Figure 859589DEST_PATH_IMAGE023
作为输入，以该样本特征的标签
Figure DEST_PATH_IMAGE024
作为期望输出；利用所有样本数据对训练模型训练完成后，则得到了训练后的分类模型。
7.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述机器学习方法包括Adaboost算法、神经网络算法、朴素贝叶斯算法、SVM算法和决策树算法中的一种；所述神经网络算法包括浅层神经网络、深层神经网络、卷积神经网络和循环神经网络算法中的一种。
8.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述步骤S6中，测量红外光源产生的红外光透过所述透明吸收室后的强度衰减值
Figure 967264DEST_PATH_IMAGE025
的方式如下：
将未知酒精浓度的气体吹入的透明吸收室内，利用红外光源向所述透明吸收室发射与气体吹入方向垂直的红外光，当红外光通过所述透明吸收室后，在光传播方向上通过光强度传感器进行光强度检测，得到红外光检测强度；利用红外光发射强度减去红外光检测强度，得到强度衰减值。
9.根据权利要求1所述的一种基于红外光吸收特性的酒精浓度范围检测方法，其特征在于：所述步骤S6中，构建特征样本
Figure DEST_PATH_IMAGE026
，输入训练得到的分类模型后，分类模型输出的结果为酒精浓度等级
Figure 256163DEST_PATH_IMAGE027
，根据步骤S1中等级划分，找到该等级对应的酒精浓度范围即为检测结果。
CN202210716463.2A 2022-06-23 2022-06-23 一种基于红外光吸收特性的酒精浓度范围检测方法 Pending CN114813615A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210716463.2A CN114813615A (zh) 2022-06-23 2022-06-23 一种基于红外光吸收特性的酒精浓度范围检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210716463.2A CN114813615A (zh) 2022-06-23 2022-06-23 一种基于红外光吸收特性的酒精浓度范围检测方法

Publications (1)

Publication Number Publication Date
CN114813615A true CN114813615A (zh) 2022-07-29

Family

ID=82521038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210716463.2A Pending CN114813615A (zh) 2022-06-23 2022-06-23 一种基于红外光吸收特性的酒精浓度范围检测方法

Country Status (1)

Country Link
CN (1) CN114813615A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104155281A (zh) * 2014-07-07 2014-11-19 江苏大学 一种检测不同温度乙醇水溶液浓度的方法
CN105300924A (zh) * 2015-11-24 2016-02-03 江南大学 温度影响下近红外校正模型的无测点补偿建模方法
CN109632687A (zh) * 2019-01-28 2019-04-16 国网重庆市电力公司电力科学研究院 四氟化碳气体浓度检测校正方法、装置、设备及存储介质
CN110070078A (zh) * 2019-05-27 2019-07-30 浙江科技学院 一种基于传感器与机器视觉的酒驾检测方法及系统
CN113030012A (zh) * 2021-04-02 2021-06-25 山东大学 基于多级偏最小二乘算法的光谱分析方法及系统
CN113176304A (zh) * 2021-04-14 2021-07-27 中山大学 一种基于神经网络气体识别的酒驾预警装置及其方法
CN113239989A (zh) * 2021-04-26 2021-08-10 深圳市水务科技有限公司 气体浓度识别方法、系统、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104155281A (zh) * 2014-07-07 2014-11-19 江苏大学 一种检测不同温度乙醇水溶液浓度的方法
CN105300924A (zh) * 2015-11-24 2016-02-03 江南大学 温度影响下近红外校正模型的无测点补偿建模方法
CN109632687A (zh) * 2019-01-28 2019-04-16 国网重庆市电力公司电力科学研究院 四氟化碳气体浓度检测校正方法、装置、设备及存储介质
CN110070078A (zh) * 2019-05-27 2019-07-30 浙江科技学院 一种基于传感器与机器视觉的酒驾检测方法及系统
CN113030012A (zh) * 2021-04-02 2021-06-25 山东大学 基于多级偏最小二乘算法的光谱分析方法及系统
CN113176304A (zh) * 2021-04-14 2021-07-27 中山大学 一种基于神经网络气体识别的酒驾预警装置及其方法
CN113239989A (zh) * 2021-04-26 2021-08-10 深圳市水务科技有限公司 气体浓度识别方法、系统、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵雷红 等: "基于神经网络校正算法的酒精非接触测量方法", 《红外技术》 *

Similar Documents

Publication Publication Date Title
US10161825B2 (en) Methods for gas leak detection and localization in populated areas using isotope ratio measurements
US6750006B2 (en) Method for detecting the presence of microbes and determining their physiological status
EP2909598B1 (en) Methods for gas leak detection and localization in populated areas using horizontal analysis
CN104251846B (zh) 一种结合判别分析的激光诱导击穿光谱定量分析方法
CN102333855B (zh) 分析生物样品的设备
Cisewski et al. Support vector machine classification of suspect powders using laser‐induced breakdown spectroscopy (LIBS) spectral data
CN111089852B (zh) 一种污染场地石油烃污染物垂直剖面分布原位检测系统
US10113997B2 (en) Methods for gas leak detection and localization in populated areas using two or more tracer measurements
US9739758B2 (en) Methods for gas leak detection and localization in populated areas using isotope ratio measurements
CN110108658B (zh) 一种污染气体红外光谱识别方法及系统
CN113933258B (zh) 基于走航监测的VOCs污染物溯源方法、终端及系统
WO2020156107A1 (zh) 一种降低激光气体遥测仪数据误报率的方法和系统
CN105424598A (zh) 一种基于图像识别的机动车尾气检测方法
CN112505010A (zh) 一种基于荧光光谱的变压器故障诊断装置及方法
CN112733419A (zh) 一种突发大气污染事故源反演准确性提升方法
KR20150115036A (ko) 비분산자외선을 이용한 no/no2 멀티측정기 및 no/no2 멀티 측정방법
CN114813615A (zh) 一种基于红外光吸收特性的酒精浓度范围检测方法
Baron et al. Hydrophobic membrane sensors for the optical determination of hydrogen chloride gas
CN113030039B (zh) 一种对聚合物多老化路径的可视化识别及定量分析方法
JPH08511938A (ja) 毒性の測定
CN103558177A (zh) 生肉组织水分近红外检测装置及检测方法
CN111033222B (zh) 信息处理设备、信息处理方法以及程序
RU103400U1 (ru) Лабораторный стенд для создания и контроля концентраций газообразных веществ при формировании базы спектральных данных и оценке технических характеристик фурье-спектрорадиометров
CN116858753B (zh) 一种水体藻类浓度的测量方法及系统
RU2255360C1 (ru) Способ определения загрязнения окисью углерода приземного слоя атмосферы автотранспортными средствами

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220729

RJ01 Rejection of invention patent application after publication