CN115436301A - 一种基于bp神经网络混合离子浓度传感系统 - Google Patents

一种基于bp神经网络混合离子浓度传感系统 Download PDF

Info

Publication number
CN115436301A
CN115436301A CN202211079811.6A CN202211079811A CN115436301A CN 115436301 A CN115436301 A CN 115436301A CN 202211079811 A CN202211079811 A CN 202211079811A CN 115436301 A CN115436301 A CN 115436301A
Authority
CN
China
Prior art keywords
neural network
detection
ion concentration
mixed ion
sensing system
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.)
Granted
Application number
CN202211079811.6A
Other languages
English (en)
Other versions
CN115436301B (zh
Inventor
唐婷婷
李�杰
梁钟仁
刘昆林
李朝阳
毛英慧
罗莉
何宇
孙萍
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202211079811.6A priority Critical patent/CN115436301B/zh
Publication of CN115436301A publication Critical patent/CN115436301A/zh
Application granted granted Critical
Publication of CN115436301B publication Critical patent/CN115436301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明公开了一种基于BP神经网络混合离子浓度传感系统，包括多通道检测单元、数据处理单元、基于BP神经网络的分析单元以及显示单元，多通道检测单元通过通道选择器与数据处理单元相连接，数据处理单元与分析单元相连接，分析单元与显示单元相连接用于将分析结果进行显示。采用上述结构的一种基于BP神经网络混合离子浓度传感系统，多通道检测单元设置，攻克了检测中由于数据非线性带来的误差，提高了低浓度溶液的检测精度，增强了混合离子溶液中抗干扰性能，降低了系统的检出限，对比单波长单通道对混合离子溶液的检测效率和准确度，多通道多波长的检测方式都有明显的提高，而且实现了对混合溶液不同离子浓度的同时检测，减少检测时间。

Description

一种基于BP神经网络混合离子浓度传感系统
技术领域
本发明涉及混合重金属离子浓度传感器技术领域，尤其是涉及一种基于BP神经网络混合离子浓度传感系统。
背景技术
在我们日常生活中，水资源必不可少，但随着工业的发展以及农作物化肥产业的推进，在一部分工业区的土壤和水中造成了严重的重金属污染。由于江河水的不断流动，被重金属污染的水对人类生活也带来了影响。在对人类健康构成威胁的同时也对周围的生态环境造成了严重的危害，因此针对水环境重金属含量的检测与治理已经非常重要。水环境中对人及自然界多种生物构成威胁巨大的重金属元素包括镉(Cd2+)、铬(Cr6+)、汞(Hg2+)、铜(Cu2+)、铅(Pb2+)，国家相对应这些水体中的重金属元素也出台了严格的检测标准。在检测过程中，由于检测环境的复杂性，检测过程中难免存在大量干扰噪声，这种情况下研究出一种可以实时实地检测，并且可以做到便携高精度的检测系统便具备有很大的实用参考性。到目前为止，市场中有很多水环境下不同方法检测重金属的仪器：阳极溶出伏安法存在与待测溶液相接触，易受污染；光谱仪与分光光度计体积过大且价格昂贵，无法实现复杂环境的实地检测。现有的检测仪器无法克服现场噪音带来的误差、体积过大问题、灵敏度不高导致的检出限不达标以及开发成本高的问题。由于在实际环境中，水中含有一种以上的重金属离子，现有的检测系统不具备可以同时检测出不同离子浓度的性能,实用性差。目前，混合物体系的光谱检测会存在一定量的误差，当多个吸收光谱信息交叉叠加在一起会使得定量分析存在一定的困难，检测精度低，检测时间长。
发明内容
本发明的目的是提供一种基于BP神经网络混合离子浓度传感系统，多通道检测单元设置，攻克了检测中由于数据非线性带来的误差，提高了低浓度溶液的检测精度，增强了混合离子溶液中抗干扰性能，降低了系统的检出限，对比单波长单通道对混合离子溶液的检测效率和准确度，多通道多波长的检测方式都有明显的提高，而且实现了对混合溶液不同离子浓度的同时检测，减少检测时间。
为实现上述目的，本发明提供了一种基于BP神经网络混合离子浓度传感系统，包括多通道检测单元、数据处理单元、基于BP神经网络的分析单元以及显示单元，
多通道检测单元通过通道选择器与所述数据处理单元相连接，所述数据处理单元与所述分析单元相连接，所述分析单元与所述显示单元相连接用于将分析结果进行显示。
优选的，多通道检测单元包括若干包含不同波长光源的检测机构，所述检测机构包括光源、分光镜、反射镜、待测比色皿、对照比色皿以及检测光电探测器和对照光电探测器，所述光源发射与所述分光镜相对设置，所述分光镜的出光侧设置有反射镜，所述反射镜与所述对照光电探测器之间设置有对照比色皿，所述分光镜与所述检测光电探测器之间设置有待测比色皿。
优选的，每个检测机构的照光电探测器和检测光电探测器均与通道选择器电连接，所述数据处理单元包括对数放大器和模数转换器，所述通道选择器与所述对数放大器电连接，所述对数放大器与所述模数转换器电连接。
优选的，所述分析单元包括内嵌有BP神经网络模型的单片机和数模转换器，所述数模转换器与所述单片机相连接，所述单片机和所述数模转换器均与所述模数转换器电连接。
优选的，BP神经网络模型通过拟合数据进行训练，所述拟合数据为不同波长光源所对应的通道检测到的浓度与电压幅值的曲线数据；
训练过程如下：
步骤S1：在Pycharm中搭建环境中，使用随机函数将曲线数据打乱并按比例划分数据集；
步骤S2：设置网络结构、优化器以及训练参数；
步骤S3：通过数据集进行BP神经网络模型训练和验证得到训练好的BP神经网络模型。
优选的，训练参数包括Batch和Epoch。
优选的，还包括壳体、安装在壳体内部的安装板以及用于放置比色皿的槽板，安装板侧面设置有安装孔用于安装电路板并与槽板相对设置，所述槽板底部设置有至少两个插设在壳体内定位槽的固定轴，所述槽板两侧和顶部均开设有通孔。
因此，本发明采用上述一种基于BP神经网络混合离子浓度传感系统，具有以下有益效果：
(1)多通道检测单元设置，攻克了检测中由于数据非线性带来的误差，提高了低浓度溶液的检测精度，增强了混合离子溶液中抗干扰性能，降低了系统的检出限，对比单波长单通道对混合离子溶液的检测效率和准确度，多通道多波长的检测方式都有明显的提高，而且实现了对混合溶液不同离子浓度的同时检测，减少检测时间。
(2)基于BP神经网络的分析单元对采集的数据进行分析，BP神经网络需要采集所需的实验数据然后进行关系拟合并整理出对应的曲线，显示出每个单波长光源通道在检测时与对应的光电探测器输出的电压幅值的变化进而得出离子浓度与相应通道电压幅值的关系。再整合多个波长各自的关系曲线数据收集成算法需要的神经网络数据库，再通过反复训练得到的网络更贴近真实数据且更加稳定。为了提高神经网络的准确性，我们通过准确拟合曲线数据来提高分析单元的分析能力，改善由于环境因素或者系统硬件带来的噪声影响检测数据出入过大从而影响系统的检测精度的问题。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于BP神经网络混合离子浓度传感系统的结构示意图；
图2为本发明检测机构结构示意图；
图3为本发明BP神经网络模型训练流程图；
图4为本发明网络训练轮次与准确率的关系；
图5为本发明网络训练轮次与预测值与实际值之间的均方误差的关系；
图6为本发明壳体内部局部图。
附图标记
1、光源；2、分光镜；3、反射镜；4、检测光电探测器；5、对照光电探测器；6、壳体；7、安装板；71、安装孔；8、槽板；81、通孔；82、固定轴。
具体实施方式
实施例
图1为本发明一种基于BP神经网络混合离子浓度传感系统的结构示意图，如图1所示，一种基于BP神经网络混合离子浓度传感系统，包括多通道检测单元、数据处理单元、基于BP神经网络的分析单元以及显示单元。
多通道检测单元包括四个包含不同波长光源的检测机构，多通道检测单元设置，攻克了检测中由于数据非线性带来的误差，提高了低浓度溶液的检测精度，增强了混合离子溶液中抗干扰性能，降低了系统的检出限，对比单波长单通道对混合离子溶液的检测效率和准确度，多通道多波长的检测方式都有明显的提高，而且实现了对混合溶液不同离子浓度的同时检测，减少检测时间。
检测机构包括光源1、分光镜2、反射镜3、待测比色皿、对照比色皿以及检测光电探测器4和对照光电探测器5，光源1与分光镜2相对设置，光源1分别采用CPS(Thorlabs)系列405nm、450nm、520nm、532nm的半导体激光器，分光镜2的出光侧设置有反射镜3，反射镜3与对照光电探测器5之间设置有对照比色皿，分光镜2与检测光电探测器4之间设置有待测比色皿，装有待测溶液的比色皿直接放置在光源1和检测器之间，尽量避免检测时光能量在传播过程中的损耗。测量过程中因为需要空白组数据进行标定，为了同时获取待测溶液和空白组的数据从而降低检测时间，在光路设计上增加了分光镜2和反射镜3达到检通道数量翻倍的作用。基于朗伯-比尔定律检测吸光度，需要得到其入射光光强和透射光光强，系统使用单波长激光分别对空白组和待测组进行检测，当光路引进分光镜和反射镜搭建简易式的分光器，可以得到两束一样的光束平行射出，这样可以同时的实时检测待测溶液的实验组和空白组。每个检测机构的照光电探测器和检测光电探测器均与通道选择器电连接，数据处理单元包括对数放大器和模数转换器，通道选择器与对数放大器电连接，对数放大器与模数转换器电连接。分析单元包括内嵌有BP神经网络模型的单片机和数模转换器，数模转换器与单片机相连接，单片机和数模转换器均与模数转换器电连接。分析单元中的单片机与显示单元相连接用于将分析结果进行显示。图6为本发明壳体内部局部图，如图6所示，还包括壳体6、安装在壳体6内部的安装板7以及用于放置比色皿的槽板8，安装板7侧面设置有安装孔71用于安装电路板并与槽板8相对设置，槽板8底部设置有至少两个插设在壳体6内定位槽的固定轴82，保证槽板8位置固定，槽板8两侧和顶部均开设有通孔81，便于光源通过和放置比色皿，探测器、比色皿与光源三点一线，保证对待测样品吸光度信号的准确采集，可以根据实际需要设定槽板8的数量。
应用BP神经网络将多波长通道检测下的浓度数据与光电探测器对应的电压幅值数据进行拟合训练，相比于传统训练模式，省去了大量冗余的数据并节省了时间，避免了在检测过程中配备溶液由于离子间缓慢反应而产生的质变从而影响实验数据。
训练过程如下：
步骤S1：在Pycharm中搭建环境中，使用随机函数将曲线数据打乱并按比例划分数据集。
步骤S2：设置网络结构、优化器以及训练参数，训练参数包括Batch和Epoch。
步骤S3：通过数据集进行BP神经网络模型训练和验证得到训练好的BP神经网络模型。
通过BP神经网络的分析单元对实验数据进行分析，网络需要采集所需的实验数据然后进行关系拟合并整理出对应的曲线，显示出每个单波长光源通道在检测时与对应的光电探测器输出的电压幅值的变化进而得出离子浓度与相应通道电压幅值的关系。再整合多个波长各自的关系曲线数据收集成算法需要的神经网络数据库，再通过反复训练得到的网络更贴近真实数据且更加稳定。
在确定条件下，网络输入层的神经元个数会随着传感通道数量的增长呈正相关增长，训练后的神经网络应对待测离子浓度的准确率也呈正相关增长趋势。此次系统设计Cu2+与Cd2+的混合离子溶液的检测所需神经元个数为3个。输入层是对应光电探测器采集的电压信号，将混合离子溶液中Cu2+的浓度和Cd2+的浓度分别作为输出层的两个神经元，分布准确率达到了82％和93％以上，相比于使用单波长单通道测量混合离子溶液浓度，准确率大大提高。而且做到了对混合离子溶液中Cd2+和Cu2+浓度的同时检测，在缩短检测时间的同时也避免了由于时间过长导致的离子间反应而使样品溶液变质的问题。
因此，本发明采用上述一种基于BP神经网络混合离子浓度传感系统，多通道检测单元设置，克服了非线性区域的检测问题，提高了低浓度溶液的检测精度，增强了抗干扰性能，降低了系统的检出限，检测准确率高于使用单个通道检测的效果，而且实现了对混合溶液不同离子浓度的同时检测，减少检测时间。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于BP神经网络混合离子浓度传感系统，其特征在于：包括多通道检测单元、数据处理单元、基于BP神经网络的分析单元以及显示单元。
多通道检测单元通过通道选择器与所述数据处理单元相连接，所述数据处理单元与所述分析单元相连接，所述分析单元与所述显示单元相连接用于将分析结果进行显示。
2.根据权利要求1所述的一种基于BP神经网络混合离子浓度传感系统，其特征在于：多通道检测单元包括若干包含不同波长光源的检测机构，所述检测机构包括光源、分光镜、反射镜、待测比色皿、对照比色皿以及检测光电探测器和对照光电探测器，所述光源发射与所述分光镜相对设置，所述分光镜的出光侧设置有反射镜，所述反射镜与所述对照光电探测器之间设置有对照比色皿，所述分光镜与所述检测光电探测器之间设置有待测比色皿。
3.根据权利要求2所述的一种基于BP神经网络混合离子浓度传感系统，其特征在于：每个检测机构的照光电探测器和检测光电探测器均与通道选择器电连接，所述数据处理单元包括对数放大器和模数转换器，所述通道选择器与所述对数放大器电连接，所述对数放大器与所述模数转换器电连接。
4.根据权利要求3所述的一种基于BP神经网络混合离子浓度传感系统，其特征在于：所述分析单元包括内嵌有BP神经网络模型的单片机和数模转换器，所述数模转换器与所述单片机相连接，所述单片机和所述数模转换器均与所述模数转换器电连接。
5.根据权利要求4所述的一种基于BP神经网络混合离子浓度传感系统，其特征在于：BP神经网络模型通过拟合数据进行训练，所述拟合数据为不同波长光源所对应的通道检测到的浓度与电压幅值的曲线数据；
训练过程如下：
步骤S1：在Pycharm中搭建环境中，使用随机函数将曲线数据打乱并按比例划分数据集；
步骤S2：设置网络结构、优化器以及训练参数；
步骤S3：通过数据集进行BP神经网络模型训练和验证得到训练好的BP神经网络模型。
6.根据权利要求5所述的一种基于BP神经网络混合离子浓度传感系统，其特征在于：训练参数包括Batch和Epoch。
7.根据权利要求6所述的一种基于BP神经网络混合离子浓度传感系统，其特征在于：还包括壳体、安装在壳体内部的安装板以及用于放置比色皿的槽板，安装板侧面设置有安装孔用于安装电路板并与槽板相对设置，所述槽板底部设置有至少两个插设在壳体内定位槽的固定轴，所述槽板两侧和顶部均开设有通孔。
CN202211079811.6A 2022-09-05 2022-09-05 一种基于bp神经网络混合离子浓度传感系统 Active CN115436301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211079811.6A CN115436301B (zh) 2022-09-05 2022-09-05 一种基于bp神经网络混合离子浓度传感系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211079811.6A CN115436301B (zh) 2022-09-05 2022-09-05 一种基于bp神经网络混合离子浓度传感系统

Publications (2)

Publication Number Publication Date
CN115436301A true CN115436301A (zh) 2022-12-06
CN115436301B CN115436301B (zh) 2023-06-09

Family

ID=84246898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211079811.6A Active CN115436301B (zh) 2022-09-05 2022-09-05 一种基于bp神经网络混合离子浓度传感系统

Country Status (1)

Country Link
CN (1) CN115436301B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116660185A (zh) * 2023-06-02 2023-08-29 成都信息工程大学 一种多波长重金属离子溶液检测系统及其检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106596434A (zh) * 2016-12-26 2017-04-26 成都冠禹科技有限公司 一种水质检测系统
CN107543854A (zh) * 2016-06-28 2018-01-05 中国农业大学 一种重金属定量预测方法、装置及系统
CN207662797U (zh) * 2017-11-28 2018-07-27 安徽大学 双波长量子点荧光探针的荧光采集装置及浓度检测系统
CN109060786A (zh) * 2018-08-25 2018-12-21 成都凯天电子股份有限公司 测定工业废水硫酸浓度含量的检测方法
CN110411963A (zh) * 2019-08-08 2019-11-05 重庆科技学院 一种水体中重金属离子检测的便捷式分光光度计
CN113834789A (zh) * 2021-08-25 2021-12-24 成都信息工程大学 一种多通道重金属检测装置及检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107543854A (zh) * 2016-06-28 2018-01-05 中国农业大学 一种重金属定量预测方法、装置及系统
CN106596434A (zh) * 2016-12-26 2017-04-26 成都冠禹科技有限公司 一种水质检测系统
CN207662797U (zh) * 2017-11-28 2018-07-27 安徽大学 双波长量子点荧光探针的荧光采集装置及浓度检测系统
CN109060786A (zh) * 2018-08-25 2018-12-21 成都凯天电子股份有限公司 测定工业废水硫酸浓度含量的检测方法
CN110411963A (zh) * 2019-08-08 2019-11-05 重庆科技学院 一种水体中重金属离子检测的便捷式分光光度计
CN113834789A (zh) * 2021-08-25 2021-12-24 成都信息工程大学 一种多通道重金属检测装置及检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈锋;刘俊康;李东虎;李在均;: "BP人工神经网络分光光度法同时测定电池厂废水中镉和镍", 计算机与应用化学, no. 11, pages 1539 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116660185A (zh) * 2023-06-02 2023-08-29 成都信息工程大学 一种多波长重金属离子溶液检测系统及其检测方法
CN116660185B (zh) * 2023-06-02 2023-12-08 成都信息工程大学 一种多波长重金属离子溶液检测系统及其检测方法

Also Published As

Publication number Publication date
CN115436301B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN100541171C (zh) 紫外光协同臭氧消解光度法测量水体总氮总磷的方法
CN100578196C (zh) 超声波协同臭氧消解光度法测量水体总氮总磷的方法
US9696261B2 (en) Multi-channel device and method for measuring optical properties of a liquid
CN102661923A (zh) 一种复合型水质多参数在线自动监测仪
CN106596436B (zh) 一种基于光谱法的多参数水质实时在线监测装置
US7336362B2 (en) Arsenic meter
CN115436301A (zh) 一种基于bp神经网络混合离子浓度传感系统
CN113283072B (zh) 一种适用于多场景条件的水体cod检测方法
CN110736723B (zh) 一种在线式同时检测低浊和高浊的方法与系统
CN108507955A (zh) 多光谱同步检测水体化学需氧量的装置及方法
CN113834789B (zh) 一种多通道重金属检测装置及检测方法
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
CN109520983B (zh) 一种基于dom的水质评价方法及装置
CN117110250B (zh) 一种深度学习辅助的物质定量分析方法
TW201326792A (zh) 一種量測水中成分及其濃度之變動光徑量測裝置及其量測方法
CN108318428A (zh) 一种光电传感测量装置
Noui et al. Development of a high resolution UV spectrophotometer for at-line monitoring of bioprocesses
CN108956511B (zh) 适用于生活污水氨氮在线检测的设备及方法
CN113310893B (zh) 一种基于光谱法的可变光程多参数水质监测装置及方法
CN208171847U (zh) 一种光电传感测量装置
Tang et al. Multi-channel optical sensing system with a BP-ANN for heavy metal detection
CN116660185B (zh) 一种多波长重金属离子溶液检测系统及其检测方法
CN117990634A (zh) 多光谱传感器
CN116297251B (zh) 一种多传感器组合的水质检测系统及其检测探头
CN213364573U (zh) 发光二极管为检测器的浓度直读式光度计

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
GR01 Patent grant
GR01 Patent grant