CN117420090A - 一种cod和硝氮浓度全光谱检测装置及检测方法 - Google Patents
一种cod和硝氮浓度全光谱检测装置及检测方法 Download PDFInfo
- Publication number
- CN117420090A CN117420090A CN202311562833.2A CN202311562833A CN117420090A CN 117420090 A CN117420090 A CN 117420090A CN 202311562833 A CN202311562833 A CN 202311562833A CN 117420090 A CN117420090 A CN 117420090A
- Authority
- CN
- China
- Prior art keywords
- turbidity
- cod
- water sample
- nitrate nitrogen
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 238000001228 spectrum Methods 0.000 title claims abstract description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 103
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 239000013307 optical fiber Substances 0.000 claims abstract description 12
- 229910052724 xenon Inorganic materials 0.000 claims abstract description 6
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 25
- 238000002835 absorbance Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 239000003651 drinking water Substances 0.000 claims description 4
- 235000020188 drinking water Nutrition 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 53
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000862 absorption spectrum Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 206010019909 Hernia Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
-
- 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
- G06N3/04—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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种COD和硝氮浓度检测装置及方法,所述装置包括氙灯光源、准直透镜、样品槽、通道选择光阑、会聚透镜、控制电路、微型光纤光谱仪和浊度计;设定水样高低浊度划分的阈值,当浊度计检测浊度高于该阈值时,水样划分为高浊度水样,低于该阈值划分为低浊度水样;对浊度检测模块检测结果为低浊度的水样,采用GA‑PLS的模型实现对COD和硝氮浓度的检测;对浊度检测模块检测结果为高浊度的水样,采用RBF神经网络模型实现对COD和硝氮浓度的检测;将检测水样基线矫正后的光谱,根据浊度检测模块检测结果和设定的浊度划分阈值,将光谱数据导入COD和硝氮对应的模型进行浓度检测。
Description
技术领域
本发明涉及水质监测技术领域,尤其涉及一种COD和硝氮浓度全光谱检测装置及检测方法。
背景技术
随着工业化和城市化的不断发展,水体污染问题逐渐凸显,水环境质量的监测和评价变得至关重要。其中COD(Chemical Oxygen Demand,化学需氧量)和硝氮(NO3-N)作为重要的水质指标,直接关系到水体的生态健康和人类的生活用水安全。因此研究一种高效通用的水体COD和硝氮检测技术对于维护水环境的可持续发展具有重要意义。而传统的化学检测法存在检测时间长、操作复杂、无法实时监测等缺点,而能够自动检测、快速分析、实时监测的光谱法在不同浑浊程度的水体中检测效果差距明显,因此如何发明一种高效通用的水体COD和硝氮全光谱检测方法及装置,成为亟待解决的问题。
一种COD和硝氮浓度全光谱检测方法及装置,主要以水体浊度来划分COD和硝氮浓度全光谱检测使用的算法模型。专利CN114384026A、CN111812041A、CN111766210B分别使用化学检测法、偏最小二乘法、神经网络实现COD或硝氮浓度的检测。
上述具体专利对比文件为:
1)、“一种无汞COD测定方法和装置”,专利号CN114384026A。该专利公开了一种无汞COD测定方法和装置,该装置包括依次管道连接的气动装置、定量装置、多路阀、反应单元和吸收装置,所述多路阀管道连接有测量单元,所述反应单元和所述测量单元外均设有恒温加热装置,所述测量单元外设有光电测量装置,所述气动装置能通过管路向反应单元吹气,所述气动装置、定量装置、多路阀、恒温加热装置、光电测量装置均与控制单元电连接。该测定方法需要使用化学试剂进行检测,同时要控制在恒温高压条件进行反应。对比该发明,本发明使用全光谱法进行检测,无需额外的试剂和控温控压装置,极大提高了水体检测效率。
2)、“一种水体COD便携式测量系统及方法”,专利号CN111812041A。该专利公开了一种水体COD便携式测量系统及方法,具体包括如下步骤:步骤1:搭建基于光纤探头的硬件框架,光纤探头作为传感器,浸没在待测水样中,接收水样信息,采集的光信号通过微型光谱仪进行光电转换,输出结果通过显示模块进行显示;步骤2:采集水样的光谱数据,利用光纤探头采集n组光谱数据,每组光谱数据进行多次采集;步骤3:构建基于PSO-PLS算法的COD预测模型;步骤4:显示输出COD的值。该方法结合全光谱使用PSO-PLS实现COD浓度的检测,对比该发明,本发明在低浊度水样中使用遗传算法-偏最小二乘法GA-PLS实现COD浓度检测,检测效果有所差别,同时针对PLS在高浊度水样检测效果较差的问题,本发明设置浊度划分阈值,在高浊度水样采用径向基RBF神经网络实现高精度的COD和硝氮浓度检测。
3)、“一种近岸复杂海水硝酸盐氮多光谱测量方法”,专利号CN111766210B。该专利公开了一种近岸复杂海水硝酸盐氮多光谱测量方法,该方法具体包括如下步骤:步骤1:通过正交试验配置含盐度、有机物影响的硝酸盐氮标液,测量多光谱信息并计算紫外吸收光谱,建立神经网络模型建模数据集;步骤2:小波变换进行光谱预处理,去除紫外吸收光谱中的高频噪声;步骤3:根据干扰物及硝酸盐氮紫外吸收光谱特征确定神经网络模型结构并初始化参数;步骤4:神经网络模型训练及超参数的优化,获得基于双隐层神经网络的近岸复杂海水硝酸盐氮测量模型,并使用该模型预测高盐度及有机物干扰条件下的硝酸盐浓度;该方法结合全光谱法针对复杂海水水样使用神经网络模型进行训练和硝酸盐氮的浓度检测,对比该发明,本发明的通用性较强,除了复杂浑浊的水体,本发明在饮用水、生活用水中对于COD和硝氮浓度的检测,PLS算法的精度高于神经网络算法。
发明内容
为解决化学检测法检测时间长、操作复杂、无法实时监测等问题,全光谱法在不同浑浊程度的水体中检测效果差距明显,无法通用等问题,本发明的目的是通过浊度划分水体COD和硝氮全光谱法的检测模型,提供一种高效通用的COD和硝氮浓度全光谱检测装置及检测方法。
本发明的目的通过以下的技术方案来实现:
一种COD和硝氮浓度全光谱检测装置,包括:氙灯光源、准直透镜、微型光纤光谱仪、浊度计和控制电路;
所述疝灯光源,散射不同波长的光线到准直透镜;
准直透镜,将不同波长的管线分为测量光束和参考光束;所述测量光束和参考光束穿过样品槽,并经通道选择光阑和会聚透镜后,传输一道光束至微型光纤光谱仪;
微型光纤光谱仪,接收一道光束,并得到光谱数据;
浊度计,用于测量水样浊度;
控制电路,根据水样浊度值为COD和硝氮的浓度检测分别划定浊度区间来确定检测模型,最终得到水样COD和硝氮浓度的检测值。
一种COD和硝氮浓度全光谱检测方法,包括:
A设定水样高浊度和低浊度划分的阈值,在浊度计检测浊度高于设定的阈值时,水样划分为高浊度水样,低于设定的阈值划分为低浊度水样;
B对浊度计检测结果为低浊度的水样,采用GA-PLS模型实现对COD和硝氮浓度的检测;
C对浊度计检测结果为高浊度的水样,采用RBF神经网络模型实现对COD和硝氮浓度的检测;
D将测量光束和参考光束进行基线矫正,将矫正后的光谱根据浊度计检测结果和设定的浊度划分阈值,将光谱数据导入COD和硝氮对应的模型进行浓度检测。
与现有技术相比,本发明的一个或多个实施例可以具有如下优点:
本发明提供的COD和硝氮浓度全光谱检测装置全部集成在一个探头上,可以直接将装置浸泡在水体中,实现长期、远程、实时的水质监测;
通过COD和硝氮浓度全光谱检测方法,可以实现在低浊度水体采用GA-PLS算法实现COD和硝氮浓度的高精度检测,检测精度高于传统神经网络模型;同时检测方法也可以实现在高浊度水体采用RBF神经网络模型实现COD和硝氮的高精度检测,检测精度高于传统PLS模型;
本发明可以灵活设置浊度划分阈值,实现在不同的浊度区间采用更适用的浓度检测模型,极大提高了COD和硝氮检测的精度和通用性,具有高效率、高精度、通用性强等特点,具有实际意义和推广价值。
附图说明
图1是COD和硝氮浓度全光谱检测装置结构图;
图2是COD和硝氮浓度全光谱检测方法流程。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示,为COD和硝氮浓度全光谱检测装置结构,包括:氙灯光源1、准直透镜2、样品槽3、通道选择光阑4、会聚透镜5、控制电路6、微型光纤光谱仪7、浊度计8。该装置需完全浸泡在水样中,由氙灯光源1散射出不同波长的光线在经过准直透镜2后分为测量光束和参考光束,再分别穿过样品槽3和空气后,受选择光阑4和会聚透镜5的作用,每次只有一道光束被微型光纤光谱仪7接收得到光谱数据,同时控制电路6根据浊度计8测量的水样浊度值为COD和硝氮的浓度检测分别划定浊度区间来确定检测模型,最终得到水样COD和硝氮浓度的检测值。
如图2所示,上述检测装置具体的检测方法包括:
步骤10设定高浊度水样和低浊度水样划分的阈值,在浊度计检测浊度高于设定的阈值时,水样划分为高浊度水样,低于设定的阈值划分为低浊度水样;
上述高浊度水样和低浊度水样阈值的划分是以我国现行《生活饮用水卫生标准》GB5749-2022规定的生活饮用水浊度限值1NTU作为高浊度水样和低浊度水样划分的阈值,即当浊度计8检测浊度高于该阈值时,水样划分为高浊度水样,低于该阈值划分为低浊度水样。
步骤20训练低浊度水样GA-PLS模型参数并进行部署,对浊度计检测结果为低浊度的水样,采用GA-PLS模型实现对COD和硝氮浓度的检测;
对于浊度计检测结果为低浊度的水样,所述采用的GA-PLS模型在模型训练过程中,使用遗传算法对不同波长进行编码,选用所有编码为1的波长作为输入波长,将输入波长对应的吸光度数据作为低浊度训练集的输入特征,导入偏最小二乘模型进行预测,设训练集的预测值为yi预测,真实值为yi真实,真实值的平均值为以训练集预测值与真实值之间的决定系数R2作为遗传算法的适应度函数f:
设置遗传算法迭代终止次数,迭代终止时输出适应度最高的个体,即最优特征波长,将训练样本对应波长的吸光度作为偏最小二乘法的输入进行训练,得到模型的预测表达式:
y预测=a0+a1x1+a2x2+...+anxn (2)
式中y预测为COD或硝氮浓度预测结果,ai为模型参数,xi为特征波长对应的吸光度。
模型训练完成后,对于低浊度的检测水样,将采样得到的光谱中特征波长对应的吸光度数据导入训练好的模型预测表达式,输出水样COD和硝氮浓度的检测结果。
步骤30训练高浊度水样RBF神经网络模型参数并进行部署,对浊度计检测结果为高浊度的水样,采用RBF神经网络模型实现对COD和硝氮浓度的检测;
对于浊度计检测结果为高浊度的水样,采用的RBF神经网络模型在模型训练过程中,需要准备高浊度水样COD和硝氮的训练集,对于RBF神经网络模型中的中心、方差、隐含层到输出层的权值三个参数,以训练集检测结果的均方根误差为损失函数,通过梯度下降法修正这三个模型参数,模型训练完成后进行部署。
训练完成模型部署后,对于检测水样,若根据浊度计测量结果划定水样为高浊度水样,则将水样光谱导入对应的RBF神经网络模型,输出COD或硝氮浓度的检测结果。
步骤40将测量光束和参考光束进行基线矫正,将矫正后的光谱根据浊度计检测结果和设定的浊度划分阈值,将光谱数据导入COD和硝氮对应的模型进行浓度检测。
通过测量光束和参考光束进行基线矫正后作为模型的输入光谱,以提高光谱的质量和可用性。水样检测时,浊度计检测结果低于浊度划分阈值时,水样划分为低浊度水样,高于浊度划分阈值时,水样划分为高浊度水样由控制电路6选定对应的COD或硝氮检测模型进行检测,最终输出水样COD或硝氮浓度的检测值。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种COD和硝氮浓度全光谱检测装置,其特征在于,所述装置完全浸泡在水样中;包括氙灯光源、准直透镜、微型光纤光谱仪、浊度计和控制电路;
所述氙灯光源,散射不同波长的光线到准直透镜;
准直透镜,将不同波长的管线分为测量光束和参考光束;所述测量光束和参考光束穿过样品槽,并经通道选择光阑和会聚透镜后,传输一道光束至微型光纤光谱仪;
微型光纤光谱仪,接收一道光束,并得到光谱数据;
浊度计,用于测量水样浊度;
控制电路,根据水样浊度值为COD和硝氮的浓度检测分别划定浊度区间来确定检测模型,最终得到水样COD和硝氮浓度的检测值。
2.根据权利要求1所述的一种COD和硝氮浓度全光谱检测方法,其特征在于,包括:
A设定水样高浊度和低浊度划分的阈值,在浊度计检测浊度高于设定的阈值时,水样划分为高浊度水样,低于设定的阈值划分为低浊度水样;
B对浊度计检测结果为低浊度的水样,采用GA-PLS模型实现对COD和硝氮浓度的检测;
C对浊度计检测结果为高浊度的水样,采用RBF神经网络模型实现对COD和硝氮浓度的检测;
D将测量光束和参考光束进行基线矫正,将矫正后的光谱根据浊度计检测结果和设定的浊度划分阈值,将光谱数据导入COD和硝氮对应的模型进行浓度检测。
3.根据权利要求2所述的COD和硝氮浓度全光谱检测方法,其特征在于,所述A中:以GB5749-2022规定的生活饮用水浊度限值1NTU作为高浊度水样和低浊度水样划分的阈值,即当浊度计检测浊度高于所述阈值时,水样划分为高浊度水样,检测浊度低于所述阈值划分为低浊度水样。
4.根据权利要求2所述的COD和硝氮浓度全光谱检测方法,其特征在于,所述B具体包括:
采用GA-PLS模型在模型训练过程中,使用遗传算法对不同波长进行编码;
选用所有编码为1的波长作为输入波长,并将输入波长对应的吸光度数据作为低浊度训练集的输入特征;
导入偏最小二乘模型进行预测,设训练集的预测值为yi预测,真实值为yi真实,真实值的平均值为以训练集预测值与真实值之间的决定系数R2作为遗传算法的适应度函数f:
设置遗传算法迭代终止次数,迭代终止时输出适应度最高的个体,即最优特征波长,将训练样本对应波长的吸光度作为偏最小二乘法的输入进行训练,得到模型的预测表达式:
y预测=a0+a1x1+a2x2+...+anxn (2)
式中y预测为COD或硝氮浓度预测结果,ai为模型参数,xi为特征波长对应的吸光度;
通过预测表达式输出水样COD和硝氮浓度的检测结果。
5.根据权利要求2所述的COD和硝氮浓度全光谱检测方法,其特征在于,所述C中:
采用的RBF神经网络模型在模型训练过程中,准备高浊度水样COD和硝氮的训练集,对于RBF神经网络模型中的中心、方差、隐含层到输出层的权值三个参数,以训练集检测结果的均方根误差为损失函数,通过梯度下降法修正这三个模型参数,模型训练完成后进行部署;
将浊度计测量结果划定水样为高浊度的水样光谱导入对应的RBF神经网络模型,输出COD或硝氮浓度的检测结果。
6.根据权利要求2所述的COD和硝氮浓度全光谱检测方法,其特征在于,所述D具体包括:
将测量光束和参考光束进行基线矫正后作为模型的输入光谱,以提高光谱的质量;
水样检测时,浊度计检测结果低于浊度划分阈值时,水样划分为低浊度水样,高于浊度划分阈值时,水样划分为高浊度水样;
由控制电路选定对应的COD或硝氮检测模型进行检测,最终输出水样COD或硝氮浓度的检测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562833.2A CN117420090A (zh) | 2023-11-21 | 2023-11-21 | 一种cod和硝氮浓度全光谱检测装置及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562833.2A CN117420090A (zh) | 2023-11-21 | 2023-11-21 | 一种cod和硝氮浓度全光谱检测装置及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117420090A true CN117420090A (zh) | 2024-01-19 |
Family
ID=89526563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311562833.2A Pending CN117420090A (zh) | 2023-11-21 | 2023-11-21 | 一种cod和硝氮浓度全光谱检测装置及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420090A (zh) |
-
2023
- 2023-11-21 CN CN202311562833.2A patent/CN117420090A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106198424B (zh) | 一种基于全光谱水质在线监测设备及其监测方法 | |
CN101975764B (zh) | 基于近红外光谱技术的多波段土壤氮素检测装置和方法 | |
CN106596436B (zh) | 一种基于光谱法的多参数水质实时在线监测装置 | |
CN104777108B (zh) | 一种叶绿素含量的检测装置及方法 | |
CN106991491B (zh) | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 | |
CN103983595A (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
CN202939121U (zh) | 一种基于水体光学特性的综合采集处理系统 | |
CN2859515Y (zh) | 紫外多光谱在线水质cod快速测量仪 | |
CN104165853A (zh) | 一种光谱法水体环境在线测量装置 | |
CN113484257A (zh) | 基于神经网络和全光谱吸光度的水质浓度计算系统及方法 | |
CN104155247A (zh) | 水体叶绿素和浊度原位测定方法及测定装置 | |
CN100408998C (zh) | Cod在线检测方法及仪器 | |
CN111929262A (zh) | 水质cod预测方法 | |
CN105784606A (zh) | 一种基于光学特性的水质监控系统 | |
CN116148200B (zh) | 水质分析仪 | |
CN117420090A (zh) | 一种cod和硝氮浓度全光谱检测装置及检测方法 | |
CN204177735U (zh) | 一种光谱法水体环境在线测量装置 | |
CN110567899B (zh) | 一种cod检测低温补偿方法 | |
CN114835241B (zh) | 污水中难降解有机物实时监测及臭氧智能投加控制方法 | |
CN212845010U (zh) | 一种土壤全氮含量的原位监测装置 | |
Sun et al. | Research on Multi-Parameter Portable Water Quality Detection System Based on ZYNQ Image Processing Technology. | |
CN111024644B (zh) | 一种基于单波长的水的pH值快速光学检测方法及装置 | |
CN117723497B (zh) | 一种智能随动水质监测系统 | |
CN204613109U (zh) | 一种多通道光学溶解氧测量装置 | |
CN211292572U (zh) | 一种用于水质样品测量的多光程透射光谱测量接口 |
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 |