CN115060678A - 一种基于液芯光纤和紫外光谱的水质监测系统 - Google Patents
一种基于液芯光纤和紫外光谱的水质监测系统 Download PDFInfo
- Publication number
- CN115060678A CN115060678A CN202210575610.9A CN202210575610A CN115060678A CN 115060678 A CN115060678 A CN 115060678A CN 202210575610 A CN202210575610 A CN 202210575610A CN 115060678 A CN115060678 A CN 115060678A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- liquid core
- water sample
- core optical
- water quality
- 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 72
- 239000013307 optical fiber Substances 0.000 title claims abstract description 49
- 239000007788 liquid Substances 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 26
- 238000002211 ultraviolet spectrum Methods 0.000 title claims abstract description 14
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 30
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 15
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 15
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 15
- 239000011574 phosphorus Substances 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 239000000835 fiber Substances 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 239000011324 bead Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000000870 ultraviolet spectroscopy Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000002572 peristaltic effect Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 239000003292 glue Substances 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 2
- 238000002835 absorbance Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000001237 Raman spectrum Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 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
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/08—Optical fibres; light guides
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于液芯光纤和紫外光谱的新型水质监测系统。包括以下结构：紫外LED光源、液芯光纤、水样输入头、水样输出头、光电传感器、输入多模光纤、输出多模光纤和单片机：从LED光源发出光束通过输入光纤传输进入液芯光纤，同时待测水样通过水样输入头流入液芯光纤，对光束进行吸收，光束经输出多模光纤传入光电传感器，传感器接收光光束，将光信号转换为电信号传入单片机，通过人工神经网络算法对结果进行处理，获得待测水体的总磷、总氮、氨氮和COD四个指标的数据，并发送至终端计算机，实现实时监测。本发明中，液芯光纤提高了光与水样作用的光程，提高了灵敏度；紫外LED作为光源，使用光电检测器进行接收，去除了光谱信息中的冗余信息。
Description
技术领域
本发明涉及水质监测技术领域，具体为一种基于液芯光纤的水质监测系统和基于紫外光谱法的水质监测方法。
背景技术
当前，我国的水质监测方法主要以理化监测技术为主。常用的水质监测方法存在操作复杂、测量周期长、需化学试剂和存在二次污染等问题，且需要人员现场采集样本，费时费力，适用性差，而紫外线光谱法与传统的化学分析、电化学分析和色谱分析等方法相比，则具有实时、操作简单、测定快速、无二次污染、可在线监测等优点，能快速方便的应用于水样的在线监测。
然而，传统的紫外光谱法在数据处理方面仍存在不足，测量仪器容易受外界环境影响，降低了数据分析模型的分析精度，影响了水质监测的结果；同时采集的光谱数据信息冗余较大，分析过程复杂繁琐，在一定程度上增加了光谱数据的分析时间，影响了水质监测的效率。
而液芯可较好的解决上述的缺点：液芯光纤提高了光与水样作用的光程，增高了灵敏度，可持续地对水样进行检测。同时，和固体光纤比较，液芯光纤在特定波段内的消耗更小，具有较大的芯径、较高的光谱传输质量、较宽泛的光谱传输的范围、数值孔径大、使用寿命长的特点，且不存在因长期使用，使得设备过度弯曲导致传光效率下降的问题。
因而将液芯与紫外光谱相结合，既能够较好的避免普通拉曼光谱适用范围小的缺点，也能通过调节光纤的长度、液芯的种类、紫外光谱的波长来减小误差，提高精度和灵敏度。
因此，设计一种基于液芯光纤和紫外光谱的水质监测系统是很有必要的。
发明内容
本发明的目的在于提出一种新的基于紫外光和液芯光纤的多污染物水质监测方法，以解决上述背景技术中提出的问题。
为实现上述发明目的，本发明采用下述技术方案予以实现：
一种基于紫外光谱和液芯光纤的多污染物水质监测装置，它包括紫外LED光源、液芯光纤、水样输入头、水样输出头、光电传感器、输入多模光纤、输出多模光纤和单片机；从LED 光源发出光束通过输入光纤传输进入液芯光纤，同时待测水样通过水样输入头流入液芯，对光束进行吸收，光束经输出多模光纤传入光电传感器，传感器接收吸收后的光束，并检测对应LED发出波长的光强，将光信号转换为电信号传入单片机，通过1-D CNN神经网络对结果进行处理，获得待测水体的总磷、总氮、氨氮和COD四个指标的数据，并发送至终端计算机，实现实时监测。
所述LED光源使用紫外波段LED灯珠，波长为200nm、220nm、240nm、260nm、 280nm、300nm、320nm、340nm、360nm、380nm和400nm，每种波长两只灯珠，采用先串后并的连接方式，相同波长的灯珠串联，不同波长的灯珠并联，采用恒流源供电，每一支路通过继电器控制通断，逐时间依波长从小到大次序发光。
所述液芯光纤外壁使用FEP管，内径800μm。
所述输入多模光纤、输出多模光纤芯径600μm，输入、输出多模光纤的芯径应略小于FEP管的内径。
所述输入、输出多模光纤与液芯光纤使用AB胶连接。
所述水样输入孔使用蠕动泵将待测水样泵入，流速为2.5mL/min。
所述表明水质的四个重要指标：总磷、总氮、氨氮和COD使用1-D CNN神经网络算法对光谱处理后得出。
(1)训练模型：通过预先实验，对不同浓度下的总磷、总氮、氨氮和COD进行光谱分析得到光强与波长的关系，在特定波长下，通过1-D CNN神经网络训练不同浓度下指标的光强吸收度，利用大量数据更新其权重矩阵，进行误差回溯，拟合已知的溶液浓度，以达到较好的泛化能力。
(2)数据处理与测试:通过使用紫外可见分光光度计采集水样的光谱数据,将总磷、总氮、氨氮和COD的光吸收度、透射率、反射率数据经电信号转换成一维数据后输入已训练好的1-D CNN神经网络，输出特定波长下的总磷、总氮、氨氮和COD的预测结果，最后取所有波长下的四个指标的均值作为四个指标的预测值。
所述单片机使用STM32。
与现有发明相比，本发明所达到的有益效果是：
(1)本发明优化水质检测仪结构，使用紫外波段LED电路及光电传感器替代传统的脉冲氙灯和光谱仪结构，去除了光谱中的冗余信息，简化了分析过程，实现了低成本化、轻量化、快速化、精确化。
(2)本发明使用液芯光纤设计光路，提高了光与待测水样作用的路径长度，提高了检测器的灵敏度。并且使用FEP管作为外壁进一步简化了结构、降低了成本。
(3)本发明使用1-D CNN神经网络算法代替传统的光谱分析方法，算法具备一定泛用性。深度神经网络具有极高的自学习和自适应能力，CNN的共享卷积核处理高维数据无压力，可以自动进行特征提取，使得神经网络的表达能力强大，使其可以逼近任何复杂的函数，与传统机器学习算法相比具有更好的性能与拟合能力，其对大量数据的拟合能力更好，提高了数据分析算法的精度。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。
图1为水质监测系统的整体结构示意图；
图2为1-D CNN神经网络算法框架图；
1—紫外LED光源；2—水样输入头；3—液芯光纤；4—水样输出头；5—光电传感器；6—输入多模光纤；7—输出多模光纤；8—STM32单片机。
具体实施方式
下文将结合具体实施方式和实施例，具体阐述本发明，本发明的优点和各种效果将由此更加清楚地呈现。这些具体实施方式和实施例是用于说明本发明，而非限制本发明。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。
参见附图1中实验装置图，测量时，待测水样从水样输入孔通过蠕动泵泵入，流入液芯波导管，同时集成的紫外波段LED电路发出的光束经过输入多模光纤传输到液芯波导管，被水样进行吸收后经过输出多模光纤到达光电传感器转化为电信号输出到单片机进行处理，此时水样吸收光束后从水样流出孔流出。
参见附图2中预测器图，首先将前段测出的在某波长下的吸光度、透射率、反射率传入1-D CNN神经网络预测器，输入层预处理数据后，进行特征提取，在隐藏层进行前后向传播，计算损失函数并更新各层权重，直至损失收敛，输出预测的总磷、总氮、氨氮和COD 预测值，最后将各波长下的预测值取平均作为最后的预测值。
光波导的基本原理是芯部的折射率大于外层以实现全反射。由于FEP管的折射率为 1.34，水的折射率为1.33，因此纯水和FEP管不能构成光波导，光在纯水中不能长距离传输。但是水的折射率1.33是对波长589.3nm而言，FEP管的折射率1.34是对435.8nm而言。由于物质都存在色散现象，大部分是正常色散，即折射率随波长减小而增大。
已知在紫外区域水的折射率随波长减小迅速增加。同样，FEP管材的折射率也随波长减小而增大。因此纯水液芯波导能否导光取决于水的折射率随波长减小而增大的速度是否更大。实验证明纯水液芯波导能导光，且纯水液芯波导系统在220-280nm区域可以导光，传输距离大于110cm。
吸收光谱分析方法对水质成分进行检测和分析是实现水质定性和定量分析的重要基础，利用朗伯比尔吸收定律，依照一定的吸收光程下物质浓度与吸光度之间呈正比，如下式所示：
A＝kcL
式中：k-吸收系数；L-光程；c-物质浓度。
而在多组分共同存在时，比如，检测物质中的各吸光组分浓度较低，对其之间的相互作用可以忽略，那么其物质体系的总吸光度即为各物质组分的吸光度和值，并且根据吸光度的家和特征，则能够实现多组分与多参数的测量分析。
使用的光电传感器为基恩士公司生产的型号为CZ-H52的荧光检测UV传感头。该传感器不易受图案或颜色的影响，通过发射紫外线来检测荧光材料和标记。有检测/运行指示灯用于表示检测的当前状况。
通过紫外波段LED光源照射待测水样，使水样中的总磷、总氮、氨氮和COD四个指标分别吸收特定波长的紫外线光能量，从基态跃迁到激发态；通过上文提到的光电传感器将水样射出光转化为电信号，进一步转化为单片机可以处理的数字信号，进行深度学习。
1-D CNN神经网络模型：
一维卷积在处理一维信号方面具有计算复杂度低的优势，可以进行交替的卷积层和池化层实现提取特征的目的。如输入信号为一维数据
其中N(1)为输入信号的长度，上标为层数，则具体计算公式为：
式中，F为卷积操作的通道数，即卷积核数；Rc为卷积核的长度；Sc为卷积操作步长；
为激活函数；bf为偏置；N(2)为卷积操作后输出数据的长度。
深度学习算法流程：
将特定波长下的总磷、总氮、氨氮和COD的光吸收度、透射率、反射率数据经电信号转换成一维数据，输入1-D CNN网络，进行特征提取与前向传播，利用损失函数计算误差，进行误差回溯，直至误差函数收敛，拟合已知的溶液浓度,得到训练好的模型。预测时再通过使用紫外可见分光光度计采集水样的光谱数据,将总磷、总氮、氨氮和COD的光吸收度、透射率、反射率数据经电信号转换成一维数据后输入已训练好的1-D CNN神经网络，输出特定波长下的总磷、总氮、氨氮和COD的预测结果，最后取所有波长下的四个指标的均值作为四个指标的预测值。
Claims (7)
1.一种基于液芯光纤和紫外光谱的水质监测系统及检测方法，其特征在于：它包括紫外LED光源、液芯光纤、水样输入孔、水样输出孔、光电传感器、输入多模光纤、输出多模光纤和单片机；从LED光源发出光束通过输入光纤传输进入液芯光纤，同时待测水样通过水样输入孔流入液芯，对光束进行吸收，光束经输出多模光纤传入光电传感器，传感器接收吸收后的光束，并检测对应LED发出波长的光强，将光信号转换为电信号传入单片机，通过1-DCNN神经网络对结果进行处理，获得待测水体的总磷、总氮、氨氮和COD四个指标的数据，并发送至终端计算机，可实现实时监测。
2.根据权利要求1所述的一种基于液芯光纤和紫外光谱的水质监测系统，其特征在于：所述的LED光源使用紫外波段LED灯珠，波长为200nm、220nm、240nm、260nm、280nm、300nm、320nm、340nm、360nm、380nm和400nm，每种波长两只灯珠，采用先串后并的连接方式，相同波长的灯珠串联，不同波长的灯珠并联。
3.根据权利要求1所述的一种基于液芯光纤和紫外光谱的水质监测系统，其特征在于：所述的液芯光纤外壁使用FEP管，内径800μm。
4.根据权利要求1所述的一种基于液芯光纤和紫外光谱的水质监测系统，其特征在于：所述的输入多模光纤、输出多模光纤芯径600μm，输入、输出多模光纤的芯径应略小于FEP管的内径。
5.根据权利要求1所述的一种基于液芯光纤和紫外光谱的水质监测系统，其特征在于：所述的输入、输出多模光纤与液芯光纤使用AB胶连接。
6.根据权利要求1所述的一种基于液芯光纤和紫外光谱的水质监测系统，其特征在于：所述的水样输入孔使用蠕动泵将待测水样泵入，流速为2.5mL/min。
7.根据权利要求1所述的一种基于液芯光纤和紫外光谱的水质监测系统，其特征在于：所述表明水质的四个重要指标：总磷、总氮、氨氮和COD使用1-D CNN神经网络算法对光谱处理后得出；通过使用紫外可见分光光度计采集水样的光谱数据,将总磷、总氮、氨氮和COD的光吸收度、透射率、反射率数据经电信号转换成一维数据后输入已训练好的1-D CNN神经网络，输出特定波长下的总磷、总氮、氨氮和COD的预测结果，最后取所有波长下的四个指标的均值作为四个指标的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575610.9A CN115060678A (zh) | 2022-05-24 | 2022-05-24 | 一种基于液芯光纤和紫外光谱的水质监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575610.9A CN115060678A (zh) | 2022-05-24 | 2022-05-24 | 一种基于液芯光纤和紫外光谱的水质监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115060678A true CN115060678A (zh) | 2022-09-16 |
Family
ID=83197866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210575610.9A Pending CN115060678A (zh) | 2022-05-24 | 2022-05-24 | 一种基于液芯光纤和紫外光谱的水质监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115060678A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0682242A1 (en) * | 1994-05-11 | 1995-11-15 | Kyoto Dai-ichi Kagaku Co., Ltd. | Method of and apparatus for measuring absorbance, component concentration or specific gravity of liquid sample |
| CN101221125A (zh) * | 2008-01-24 | 2008-07-16 | 浙江大学 | 用光谱技术测定富营养化水体特征参量的方法 |
| CN101832918A (zh) * | 2010-04-14 | 2010-09-15 | 南京大学 | 用于水质在线监测的紫外光电微型传感器装置及监测方法 |
| US20180267007A1 (en) * | 2017-03-16 | 2018-09-20 | Gecko Alliance Group Inc. | Method, device and apparatus for monitoring halogen levels in a body of water |
| CN109085149A (zh) * | 2018-10-24 | 2018-12-25 | 南京大学 | 一种基于led光源的光谱法水质监测模块及其使用方法 |
| CN113189032A (zh) * | 2021-05-20 | 2021-07-30 | 中国计量大学 | 一种基于液芯波导的水质在线检测系统及检测方法 |
-
2022
- 2022-05-24 CN CN202210575610.9A patent/CN115060678A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0682242A1 (en) * | 1994-05-11 | 1995-11-15 | Kyoto Dai-ichi Kagaku Co., Ltd. | Method of and apparatus for measuring absorbance, component concentration or specific gravity of liquid sample |
| CN101221125A (zh) * | 2008-01-24 | 2008-07-16 | 浙江大学 | 用光谱技术测定富营养化水体特征参量的方法 |
| CN101832918A (zh) * | 2010-04-14 | 2010-09-15 | 南京大学 | 用于水质在线监测的紫外光电微型传感器装置及监测方法 |
| US20180267007A1 (en) * | 2017-03-16 | 2018-09-20 | Gecko Alliance Group Inc. | Method, device and apparatus for monitoring halogen levels in a body of water |
| CN109085149A (zh) * | 2018-10-24 | 2018-12-25 | 南京大学 | 一种基于led光源的光谱法水质监测模块及其使用方法 |
| CN113189032A (zh) * | 2021-05-20 | 2021-07-30 | 中国计量大学 | 一种基于液芯波导的水质在线检测系统及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| TAOZHANG 等: "A single-elementinterferometerformeasuringrefractiveindex of transparentliquids", 《OPTICSCOMMUNICATIONS》, vol. 332, 27 June 2014 (2014-06-27), pages 14 - 17 * |
| 买巍;赵晓明;张健飞;徐志伟;李政;: "紫外可见光谱结合多元分析法在线检测混合染料溶液化学需氧量", 光谱学与光谱分析, no. 07, 15 July 2017 (2017-07-15), pages 121 - 125 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102798602B (zh) | 一体化双光束水质cod在线检测传感器 | |
| US5652810A (en) | Fiber optic sensor for site monitoring | |
| CN102519897B (zh) | 一种基于led多特征波长的水质cod检测装置 | |
| CN104165853B (zh) | 一种光谱法水体环境在线测量装置 | |
| CN106596436B (zh) | 一种基于光谱法的多参数水质实时在线监测装置 | |
| CN103323400A (zh) | 一种多参数集成的水质在线监测传感系统 | |
| CN104880429A (zh) | Cod和硝酸盐氮含量多参数在线同时监测传感器及方法 | |
| CN105424634A (zh) | 一种基于光纤耦合紫外光源的水质cod检测器及其预测模型优化系统 | |
| CN2859515Y (zh) | 紫外多光谱在线水质cod快速测量仪 | |
| CN103323418A (zh) | 一种化学需氧量在线监测传感器及其方法 | |
| CN116148200B (zh) | 水质分析仪 | |
| CN113189032A (zh) | 一种基于液芯波导的水质在线检测系统及检测方法 | |
| CN115060678A (zh) | 一种基于液芯光纤和紫外光谱的水质监测系统 | |
| CN109540842B (zh) | 基于led光源的双荧光信号与水质监测探头及使用方法 | |
| CN115290587B (zh) | 一种基于空芯光纤的多通道溶液浓度检测方法及检测装置 | |
| CN204177735U (zh) | 一种光谱法水体环境在线测量装置 | |
| CN108872122A (zh) | 一种用于水质检测的光纤氧气传感器 | |
| CN106644995A (zh) | 一种基于紫外可见光谱检测的水质检测系统 | |
| CN110411963A (zh) | 一种水体中重金属离子检测的便捷式分光光度计 | |
| CN102445444A (zh) | 一种光纤荧光探针及基于溶液的光纤荧光传感系统模型 | |
| CN106596433A (zh) | 一种带有加热系统的水质检测系统 | |
| CN114152583A (zh) | 一种基于ccd探测的多光纤二维光谱分析装置 | |
| CN108760710B (zh) | 一种基于f-p腔增强的水污染在线监测装置及其应用方法 | |
| CN221686202U (zh) | 多光谱传感器 | |
| CN112666103A (zh) | 基于光谱特征的水质监测系统 |
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 |