CN116026892B - 水质检测方法、控制终端、水质检测系统及存储介质 - Google Patents
水质检测方法、控制终端、水质检测系统及存储介质 Download PDFInfo
- Publication number
- CN116026892B CN116026892B CN202310316122.0A CN202310316122A CN116026892B CN 116026892 B CN116026892 B CN 116026892B CN 202310316122 A CN202310316122 A CN 202310316122A CN 116026892 B CN116026892 B CN 116026892B
- Authority
- CN
- China
- Prior art keywords
- inhibition rate
- sample
- water body
- current inhibition
- current
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供了一种水质检测方法、控制终端、水质检测系统及存储介质,首先获取目标水体的水体样本并将水体样本分为预设个数的子样本;然后将正常水样添加到生物毒性传感器中,确定第一电流抑制率;再将子样本按照预设方式添加到生物毒性传感器中,测量得到多个浓度梯度下的电流抑制率数据;最终根据第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。通过在正常水样中分步添加样本,使生物毒性传感器中的样本浓度逐步增大,然后依次测量其电流抑制率数据,分析得到目标水体的毒素含量信息,仅需要一个生物毒性传感器就能实现对毒素含量的精准检测,成本低,便于携带,有利于大规模应用。
Description
技术领域
本发明属于水质检测技术领域,尤其涉及一种水质检测方法、控制终端、水质检测系统及存储介质。
背景技术
随着社会的不断发展、工业化和城市化进程的不断加快,环境污染越发严重,尤其是江河湖泊等水体水质状况持续恶化。为了避免直接使用被污染的水体,通常需要对水体水质进行检测。
现有技术中通常通过精密的光学检测仪器或者设置有多种传感器的检测系统来实现水体水质的检测,但光谱仪等光学检测仪器的检测精度虽然较高,但其成本较高且体积较大,难以大规模应用。设置有多种传感器的检测系统的检测效果取决于其设置的传感器的类型是否全面,但传感器的类型越多,体积和成本也将越高,同样难以大规模应用。
发明内容
有鉴于此,本发明提供了一种水质检测方法、控制终端、水质检测系统及存储介质,旨在解决现有技术中水质检测设备难以大规模应用的问题。
本发明实施例的第一方面提供了一种水质检测方法,包括:
获取目标水体的水体样本并将水体样本分为预设个数的子样本;
将正常水样添加到生物毒性传感器中,确定第一电流抑制率;
将子样本按照预设方式添加到生物毒性传感器中,测量得到多个浓度梯度下的电流抑制率数据;其中,每添加一个子样本得到一个浓度梯度;
根据第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
本发明实施例的第二方面提供了一种水质检测装置,包括:
样本获取模块,用于获取目标水体的水体样本并将水体样本分为预设个数的子样本;
第一添加模块,用于将正常水样添加到生物毒性传感器中,确定第一电流抑制率;
第二添加模块,用于将子样本按照预设方式添加到生物毒性传感器中,测量得到多个浓度梯度下的电流抑制率数据;其中,每添加一个子样本得到一个浓度梯度;
毒素确定模块,用于根据第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
本发明实施例的第三方面提供了一种控制终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面的水质检测方法的步骤。
本发明实施例的第四方面提供了一种水质检测系统,包括设置有生物毒性传感器的水体采集机器人以及如上第三方面的控制终端。
本发明实施例的第五方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面的水质检测方法的步骤。
本发明实施例提供的水质检测方法、控制终端、水质检测系统及存储介质,首先获取目标水体的水体样本并将水体样本分为预设个数的子样本;然后将正常水样添加到生物毒性传感器中,确定第一电流抑制率;再将子样本按照预设方式添加到生物毒性传感器中,测量得到多个浓度梯度下的电流抑制率数据;其中,每添加一个子样本得到一个浓度梯度;最终根据第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。通过在正常水样中分步添加样本,使生物毒性传感器中的样本浓度逐步增大,然后依次测量其电流抑制率数据,分析得到目标水体的毒素含量信息,仅需要一个生物毒性传感器就能实现对毒素含量的精准检测,成本低,便于携带,有利于大规模应用。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的水质检测方法的应用场景图;
图2是本发明实施例提供的水质检测方法的实现流程图;
图3是本发明实施例提供的水质检测装置的结构示意图;
图4是本发明实施例提供的控制终端的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
图1是本发明实施例提供的水质检测方法的应用场景图。如图1所示,在一些实施例中,本发明实施例提供的水质检测方法可以但不限于应用于该应用场景。在该发明实施例中,该系统包括:设置有生物毒性传感器的水体采集机器人11以及如上第三方面的控制终端12。
其中,水体采集机器人11上设置有飞行装置等移动装置,控制终端12可指示水体采集机器人11移动到水体相应的位置采集水体样本。控制终端12可以设置在水体采集机器人11上,也可以作为一个单独的控制终端控制多个水体采集机器人11,在此不作限定。控制终端12可以是MCU、手机、电脑等,在此不作限定。
微生物燃料电池(microbial fuel cell,MFC)型生物毒性传感器以阳极电活性细菌为指示生物,当阳极无毒性污染物存在时,电活性细菌通过催化分解有机底物产生电子,电子由胞外电子传递过程转移至阳极,再经电池外电路到达阴极形成稳定电流;当阳极有毒性污染物存在时,电活性细菌的活性或胞外电子传递受到抑制,导致MFC型生物毒性传感器产生的电流降低,通过检测有毒污染物存在时电池产电量的变化则可定量反映水质生物毒性。该传感器具有灵敏、抗干扰能力强、无需外加能源、稳定和可自我修复等特点,已被用于检测BOD、COD、挥发性脂肪酸、重金属、氰化物、甲醛和抗生素等物质的检测。
在本发明实施例中,水体采集机器人11中的生物毒性传感器包括反应室、储液室、液体输送装置。其中,储液室中设置有多个储液区,以存储不同的液体。反应室中设置有相应的反应电极和电流检测电路,电流检测电路中设置有数据采集卡,水体采集机器人11中还设置有相应的通讯装置。在控制终端12指示水体采集机器人11到达预定位置以后,通过液体输送装置采集水体样本至储液室,然后液体输送装置先将储液室中带有阳极菌群培养液的正常水样添加到反应室中,然后再添加水体样本。在此过程中电流检测电路实时检测反应电极的电流,通过数据采集卡采集电流数据,然后通过通讯装置发送给控制终端12,完成对目标水体的检测。
其中,储液室和反应室的体积较小。例如反应室可以是长为3cm,宽为2cm,高为4cm的长方体。水体采集机器人11中还设置有温度控制和检测的装置,以保证反应室恒温。
图2是本发明实施例提供的水质检测方法的实现流程图。如图2所示,在一些实施例中,水质检测方法,应用于图1中所示的控制终端12,该方法包括:
S210,获取目标水体的水体样本并将水体样本分为预设个数的子样本。
在本发明实施例中,可以按照体积将水体样本分为预设个数的子样本,例如将采集的10ml水体样本均分为10个子样本,每个子样本1ml。也可以按照添加后的梯度浓度来划分,保证每添加一个子样本后,梯度浓度增加固定值。
S220,将正常水样添加到生物毒性传感器中,确定第一电流抑制率。
在本发明实施例中,电流抑制率为待测水样添加到生物毒性传感器前后产电量的差值与待测水样添加到生物毒性传感器前的产电量之比,用以表示待测水样的生物毒性。
生物毒性传感器由于是通过其阳极菌群催化分解有机底物产生电子,而阳极菌群的状态容易受到各种因素的影响,为了排除这些影响,需要先加入正常水样进行测试,在后续水样检测时将正常水样的第一电流抑制率作为对照。
常规的生物毒性传感器在应用过程中,通常只能对单一的毒素进行预测,即通过电流抑制率的变化确定该类毒素的浓度,对于多种毒素,生物毒性传感器只能检测其危害性,并不能详细的检测出毒素的种类和含量。
S230,将子样本按照预设方式添加到生物毒性传感器中,测量得到多个浓度梯度下的电流抑制率数据;其中,每添加一个子样本得到一个浓度梯度。
S240,根据第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
水体中的毒素一般包括铅、铬等无机重金属毒素,以及农药等有机毒素。每种毒素的含量与电流抑制率的关系曲线均不相同,因此在本发明实施例中,先选取不同毒素组合,然后对于每种毒素组合,测量组合中不同的毒素含量与电流抑制率的变化关系,从而对神经网络进行训练。然后在实际检测时,通过逐步添加子样本的方式,使生物毒性传感器中的毒素含量逐步增加,从而拟合得到水体样本的电流抑制率曲线,然后通过训练的神经网络,预测目标水体的毒素含量信息,即目标水体的毒素种类和每种毒素的含量。
在本发明实施例中,仅需要一个生物毒性传感器就能实现对毒素含量的精准检测,成本低,便于携带,有利于大规模应用。
在一些实施例中,S230可以包括:按照预设时间间隔将子样本依次添加到生物毒性传感器中,并在每添加一个子样本后,测量当前的浓度梯度下的电流抑制率数据。
在本发明实施例中,预设时间间隔可以为20min、60min等,在此不作限定。
在一些实施例中,生物毒性传感器内设置有目标反应室和参考反应室。相应的,S230可以包括:将全部子样本划分为A组子样本和B组子样本;将A组子样本按照预设时间间隔依次添加到目标反应室中,并在每添加一个子样本后,测量当前的浓度梯度下的电流抑制率数据;将所有B组子样本添加到参考反应室中,并测量参考反应室中的参考电流抑制率数据;
相应的,S240可以包括:
根据第一电流抑制率、各个浓度梯度下的电流抑制率数据、参考电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
在本发明实施例中,逐步添加子样本的方式,虽然实现了单个反应室测量多个浓度的方式,无需设置多个反应室或者反复添加正常水样和培养液,但其逐步添加过程中毒素的增加并不大,阳极菌群很可能会逐步适应毒素的存在,所测得的电流抑制率很可能会偏低,造成一定的检测偏差。因此可以设置一个参考反应室,在获取20ml的水样以后,分为10ml的A组子样本和10ml的B组子样本,然后将A组逐步添加,B组一次性添加,以B组的参考电流抑制率数据来修正A组的电流抑制率数据,从而保证测量的准确性。
在一些实施例中,电流抑制率数据包括抑制率初值、抑制率稳定值和稳定时间;参考电流抑制率数据包括抑制率初值参考值;相应的,S240具体包括:根据第一电流抑制率和各个梯度浓度下的抑制率初值,计算各个梯度浓度下的测量灵敏度;根据第一电流抑制率和抑制率初值参考值,计算参考灵敏度;将参考灵敏度、各个浓度梯度下的测量灵敏度、抑制率稳定值和稳定时间输入到预先建立的神经网络中,得到目标水体的毒素含量信息。
经试验可以测得,阳极菌群通常在重金属浓度较低时,受到刺激作用,更为活跃,电流抑制率逐步减小,在重金属浓度达到一定值时,刺激作用消失,电流抑制率逐步增高,并且减小过程和增高过程均是非线性的,在多种重金属混合以后这种非线性特性更为复杂,因此通过神经网络来解析这种非线性特性。
对于农药等有机毒素,阳极菌群的电流抑制率均为逐步增高,且增高速度逐步减缓,通过对实验数据的拟合可以得出,无论是单一农药还是混合农药,均呈现一种y=alnx+b的对数关系,毒素不同,a和b的值不同。
在本发明实施例中,测量灵敏度等于子样本添加后的电流抑制率减去子样本添加前的电流抑制率,参考灵敏度同理,在此不再叙述。测量灵敏度具体表示该子样本的添加时电流抑制率的突变性,即阳极菌群对该类毒素的灵敏度。由于在一开始添加的子样本较小,其毒素浓度必然较低,若毒素主要为有机毒素,灵敏度应为较大的正值(即超过第一阈值),若毒素主要为无机毒素,灵敏度应为较大的负值(即超过第二阈值),若有机毒素和无机毒素的含量相近,则灵敏度应为0附近的值(即在过第一阈值和第二阈值之间)。
重金属毒素的电流抑制率虽然整体呈现非线性特性,但在浓度较高的区域(即刺激作用的过程),可以近似拟合为快速的线性升高过程,即y=k1x+b1,k1为较大的正值,不同的重金属具有不同的k1和b1。浓度较高的区域,(即非刺激作用的过程),可以近似拟合为线性降低的过程,即y=k2x+b2,k2为负值,不同的重金属具有不同的k2和b2。因此,多种有机毒素和无机毒素的混合,可以看作是一个或多个函数y=alnx+b、y=k1x+b1、y=k2x+b2之间的混合,因此可以将子样本添加过程中得到的多个电流抑制率数据,作为神经网络的输入,将a、b、k1、b1、k2和b2作为神经网络的输出,通过a、b、k1、b1、k2和b2,即可计算出水体的毒素种类及含量。制备多种不同的子样本,来对神经网络进行训练。
在本发明实施例中,在子样本添加以后,电流抑制率会不断变化,直到趋于稳定,对于每种毒素,该毒素的在不同含量下的稳定时间和抑制率稳定值均不相同,因此可以将其作为特征值来实现毒素的预测,相应的,神经网络的训练过程中,训练样本也将具有稳定时间和抑制率稳定值等数据作为模型的输入。
在一些实施例中,电流抑制率数据包括抑制率初值、抑制率稳定值和稳定时间;相应的,S240具体包括:根据第一电流抑制率和各个梯度浓度下的抑制率初值,计算各个梯度浓度下的测量灵敏度;将各个浓度梯度下的测量灵敏度、抑制率稳定值和稳定时间输入到预先建立的神经网络中,得到目标水体的毒素含量信息。
在一些实施例中,该方法还可以包括:测量水体样本的PH值、电导率;相应的,S240可以包括:根据PH值、电导率、第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
由于无机毒素的电流抑制率较为复杂,仅使用生物毒性传感器测量电流抑制率的方式很可能会造成检测不准确,无机毒素会使水体的PH值和电导率发生变化,因此在本发明实施例中,加入了PH值、电导率结合电流抑制率数据来实现无机毒素含量的预测,从而提高毒素预测的准确性。
在一些实施例中,该方法还可以包括:测量水体样本的溶解氧,并拍摄水体样本的图像;对水体样本的图像进行分析,确定水体样本的污染物图像分析信息;相应的,S240可以包括:根据污染物图像分析信息、溶解氧、第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
在本发明实施例中,除了上述毒素之外,还存在一些无毒物质,也同样会对水体水质造成影响,因此可以通过拍照分析和溶解氧检测,可以进一步提高水体水质检测的综合性能。
综上,本发明的有益效果具体为:
1.仅需要一个生物毒性传感器就能实现对毒素含量的精准检测,成本低,便于携带,有利于大规模应用。
2.通过逐步添加子样本的方式,使生物毒性传感器中的毒素含量逐步增加,从而拟合得到水体样本的电流抑制率曲线,然后通过训练的神经网络,预测目标水体的毒素含量信息,即目标水体的毒素种类和每种毒素的含量,因此能够准确通过生物毒性传感器检测复杂毒素的种类和含量。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3是本发明实施例提供的水质检测装置的结构示意图。如图3所示,在一些实施例中,水质检测装置3,包括:
样本获取模块310,用于获取目标水体的水体样本并将水体样本分为预设个数的子样本。
第一添加模块320,用于将正常水样添加到生物毒性传感器中,确定第一电流抑制率。
第二添加模块330,用于将子样本按照预设方式添加到生物毒性传感器中,测量得到多个浓度梯度下的电流抑制率数据;其中,每添加一个子样本得到一个浓度梯度。
毒素确定模块340,用于根据第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
可选的,第二添加模块330,用于按照预设时间间隔将子样本依次添加到生物毒性传感器中,并在每添加一个子样本后,测量当前的浓度梯度下的电流抑制率数据。
可选的,生物毒性传感器内设置有目标反应室和参考反应室。相应的,第二添加模块330,用于将全部子样本划分为A组子样本和B组子样本;将A组子样本按照预设时间间隔依次添加到目标反应室中,并在每添加一个子样本后,测量当前的浓度梯度下的电流抑制率数据;将所有B组子样本添加到参考反应室中,并测量参考反应室中的参考电流抑制率数据;相应的,毒素确定模块340,用于根据第一电流抑制率、各个浓度梯度下的电流抑制率数据、参考电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
可选的,电流抑制率数据包括抑制率初值、抑制率稳定值和稳定时间;参考电流抑制率数据包括抑制率初值参考值;相应的,毒素确定模块340,用于根据第一电流抑制率和各个梯度浓度下的抑制率初值,计算各个梯度浓度下的测量灵敏度;根据第一电流抑制率和抑制率初值参考值,计算参考灵敏度;将参考灵敏度、各个浓度梯度下的测量灵敏度、抑制率稳定值和稳定时间输入到预先建立的神经网络中,得到目标水体的毒素含量信息。
可选的,电流抑制率数据包括抑制率初值、抑制率稳定值和稳定时间;相应的,毒素确定模块340,用于根据第一电流抑制率和各个梯度浓度下的抑制率初值,计算各个梯度浓度下的测量灵敏度;将各个浓度梯度下的测量灵敏度、抑制率稳定值和稳定时间输入到预先建立的神经网络中,得到目标水体的毒素含量信息。
可选的,水质检测装置还包括:无机物检测模块,用于测量水体样本的PH值、电导率;相应的,毒素确定模块340,用于根据PH值、电导率、第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
可选的,水质检测装置还包括:有机物检测模块,用于测量水体样本的溶解氧,并拍摄水体样本的图像;对水体样本的图像进行分析,确定水体样本的污染物图像分析信息;相应的,毒素确定模块340,用于根据污染物图像分析信息、溶解氧、第一电流抑制率、各个浓度梯度下的电流抑制率数据以及预先建立的神经网络,确定目标水体的毒素含量信息。
本实施例提供的水质检测装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图4是本发明实施例提供的控制终端的结构示意图。如图4所示,本发明的一个实施例提供的控制终端4,该实施例的控制终端4包括:处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个水质检测方法实施例中的步骤,例如图2所示的步骤210至步骤230。或者,处理器40执行计算机程序42时实现上述各系统实施例中各模块/单元的功能,例如图3所示模块310至330的功能。
示例性的,计算机程序42可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器41中,并由处理器40执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序42在控制终端4中的执行过程。
控制终端4可以是可以为手机、MCU、ECU、工控机等,在此不作限定,服务器可以是物理服务器、云服务器等,在此不作限定。控制终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是控制终端4的示例,并不构成对控制终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是控制终端4的内部存储单元,例如控制终端4的硬盘或内存。存储器41也可以是控制终端4的外部存储设备,例如控制终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括控制终端4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及终端所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述水质检测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序42,计算机程序42包括程序指令,程序指令被处理器40执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序42来指令相关的硬件来完成,计算机程序42可存储于一计算机可读存储介质中,该计算机程序42在被处理器40执行时,可实现上述各个方法实施例的步骤。其中,计算机程序42包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (4)
1.一种水质检测方法,其特征在于,生物毒性传感器内设置有目标反应室和参考反应室;所述方法包括:
获取目标水体的水体样本并将所述水体样本分为预设个数的子样本;
将正常水样添加到生物毒性传感器中,确定第一电流抑制率;
将全部子样本划分为A组子样本和B组子样本;
将A组子样本按照预设时间间隔依次添加到所述目标反应室中,并在每添加一个子样本后,测量当前的浓度梯度下的电流抑制率数据;
将所有B组子样本添加到所述参考反应室中,并测量参考反应室中的参考电流抑制率数据;
其中,每添加一个子样本得到一个浓度梯度;每个浓度梯度下电流抑制率数据包括抑制率初值、抑制率稳定值和稳定时间;所述参考电流抑制率数据包括抑制率初值参考值;
根据所述第一电流抑制率和各个梯度浓度下的抑制率初值,计算各个梯度浓度下的测量灵敏度;
根据所述第一电流抑制率和所述抑制率初值参考值,计算参考灵敏度;
根据各个浓度梯度下的测量灵敏度、所述参考灵敏度、各个浓度梯度下的抑制率稳定值、各个浓度梯度下的稳定时间以及预先建立的神经网络,确定所述目标水体的毒素含量信息。
2.一种控制终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1所述水质检测方法的步骤。
3.一种水质检测系统,其特征在于,包括设置有生物毒性传感器的水体采集机器人以及如上的权利要求2所述的控制终端。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上的权利要求1所述水质检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316122.0A CN116026892B (zh) | 2023-03-29 | 2023-03-29 | 水质检测方法、控制终端、水质检测系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316122.0A CN116026892B (zh) | 2023-03-29 | 2023-03-29 | 水质检测方法、控制终端、水质检测系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116026892A CN116026892A (zh) | 2023-04-28 |
CN116026892B true CN116026892B (zh) | 2023-06-16 |
Family
ID=86074411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316122.0A Active CN116026892B (zh) | 2023-03-29 | 2023-03-29 | 水质检测方法、控制终端、水质检测系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116026892B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202421175U (zh) * | 2012-01-18 | 2012-09-05 | 北京尚洋东方环境科技股份有限公司 | 一种在线连续毒性监测仪 |
CN104090014A (zh) * | 2013-04-01 | 2014-10-08 | 中国科学院烟台海岸带研究所 | 一种水质急性毒性的检测方法及其装置 |
AU2020101702A4 (en) * | 2020-08-06 | 2020-09-17 | Chinese Research Academy Of Environmental Sciences | Water Quality Comprehensive Toxicity Monitoring Device |
CN111948272A (zh) * | 2020-07-30 | 2020-11-17 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120143788A1 (en) * | 2009-07-22 | 2012-06-07 | Honeywell International Inc. | Toxin detection system and method |
CN107643333B (zh) * | 2017-08-28 | 2020-06-26 | 江苏大学 | 一种检测水体毒性的双信号生物电化学方法 |
CN108051428B (zh) * | 2018-01-26 | 2021-01-01 | 杭州绿洁环境科技股份有限公司 | 一种水质测试方法、装置、在线毒性监测仪 |
CN109633106B (zh) * | 2018-12-27 | 2021-06-08 | 广州安食通信息科技有限公司 | 一种在线农药残留快速检测方法、系统及存储介质 |
CN114694770A (zh) * | 2020-12-30 | 2022-07-01 | 中国人民解放军军事科学院军事医学研究院 | 一种构建药物肝毒性预测模型的方法及其用途 |
-
2023
- 2023-03-29 CN CN202310316122.0A patent/CN116026892B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202421175U (zh) * | 2012-01-18 | 2012-09-05 | 北京尚洋东方环境科技股份有限公司 | 一种在线连续毒性监测仪 |
CN104090014A (zh) * | 2013-04-01 | 2014-10-08 | 中国科学院烟台海岸带研究所 | 一种水质急性毒性的检测方法及其装置 |
CN111948272A (zh) * | 2020-07-30 | 2020-11-17 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
AU2020101702A4 (en) * | 2020-08-06 | 2020-09-17 | Chinese Research Academy Of Environmental Sciences | Water Quality Comprehensive Toxicity Monitoring Device |
Also Published As
Publication number | Publication date |
---|---|
CN116026892A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Microbial fuel cell sensors for water quality early warning systems: Fundamentals, signal resolution, optimization and future challenges | |
Lin et al. | Simultaneous determination of dopamine and ascorbic acid at glutamic acid modified graphite electrode | |
Guerra et al. | Azithromycin electrochemical detection using a VO2 thin film | |
dos Santos et al. | An electrochemical analyzer for in situ flow determination of Pb (II) and Cd (II) in lake water with on-line data transmission and a global positioning system | |
Wang et al. | Real-time in situ auto-correction of K+ interference for continuous and long-term NH4+ monitoring in wastewater using solid-state ion selective membrane (S-ISM) sensor assembly | |
CN105806915A (zh) | 一种营养液钾、钠离子浓度检测装置及检测方法 | |
CN116026892B (zh) | 水质检测方法、控制终端、水质检测系统及存储介质 | |
CN115165999A (zh) | 一种基于分布式的河道湖泊生态稳定性监测分析方法 | |
Yao et al. | Assessment and prediction of fishery water quality using electrochemical sensor array carried by UAV | |
CN116297297B (zh) | 基于阵列光谱和离子选择法的水中总氮检测方法及传感器 | |
CN116338094A (zh) | 一种用于碳排放气体检测的气体浓度校准方法及装置 | |
CN116559396A (zh) | 一种河流中硝酸盐检测方法、装置、电子设备及存储介质 | |
CN116125314A (zh) | 基于电化学模型及粒子滤波的锂电池荷电状态估计方法 | |
CN104730120A (zh) | 用于确定液体的正磷酸根含量的传感器装置和方法 | |
CN115660455A (zh) | 一种三水统筹下水质评价体系模型构建系统、设备及终端 | |
CN104407041A (zh) | 一种土壤重金属离子浓度自动检测及修复方法 | |
KR20140022672A (ko) | 수중 생물독성감시 및 유기물농도 동시측정 장치 및 측정 방법 | |
Zhang et al. | Research on differential pulse voltammetry detection method for low concentration glucose based on machine learning model | |
Putro et al. | Modeling methane emission of wastewater Anaerobic pond at Palm oil mill using radial basis function neural network | |
Zhao et al. | Calibration-free pH long-time measurement method based on electrode potential drift dynamic compensation-applying self-adaptive dynamic optimization exponential smoothing method | |
Wu et al. | Study on Adaptive Cycle Life Extension Method of Li-Ion Battery Based on Differential Thermal Voltammetry Parameter Decoupling | |
Yadav et al. | AquaVision: Real-Time Identification of Microbes in Freshwater Using YOLOv3 | |
CN110042140B (zh) | 一种基于群感效应的微生物燃料电池系统开发方法 | |
CN109001401B (zh) | 一种以水生生物氨熵为指标进行水质监测的方法 | |
Huang et al. | SOC Estimation Based on Combination of Electrochemical and External Characteristics for Hybrid Lithium-Ion Capacitors |
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 |