CN117444960B - 一种固体液体样品二噁英检测预处理的智能控制机器人 - Google Patents
一种固体液体样品二噁英检测预处理的智能控制机器人 Download PDFInfo
- Publication number
- CN117444960B CN117444960B CN202311382284.0A CN202311382284A CN117444960B CN 117444960 B CN117444960 B CN 117444960B CN 202311382284 A CN202311382284 A CN 202311382284A CN 117444960 B CN117444960 B CN 117444960B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- pixel
- detected
- intelligent control
- 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
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 title claims abstract description 62
- 239000007788 liquid Substances 0.000 title claims abstract description 32
- 239000007787 solid Substances 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000001179 sorption measurement Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 36
- 239000003463 adsorbent Substances 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 230000003287 optical effect Effects 0.000 claims description 17
- 239000003344 environmental pollutant Substances 0.000 claims description 13
- 231100000719 pollutant Toxicity 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000013480 data collection Methods 0.000 abstract 1
- 238000013507 mapping Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 208000006083 Hypokinesia Diseases 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- PZNSFCLAULLKQX-UHFFFAOYSA-N Boron nitride Chemical compound N#B PZNSFCLAULLKQX-UHFFFAOYSA-N 0.000 description 1
- 206010007269 Carcinogenicity Diseases 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 206010043275 Teratogenicity Diseases 0.000 description 1
- 229910021536 Zeolite Inorganic materials 0.000 description 1
- 150000001491 aromatic compounds Chemical class 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 231100000260 carcinogenicity Toxicity 0.000 description 1
- 230000007670 carcinogenicity Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 125000001309 chloro group Chemical group Cl* 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 150000004827 dibenzo-1,4-dioxins Chemical class 0.000 description 1
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 150000003376 silicon Chemical class 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 231100000211 teratogenicity Toxicity 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 239000010457 zeolite Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于环保技术、智能智能控制机器人技术领域，提出了一种固体液体样品二噁英检测预处理的智能控制机器人，智能控制机器人的处理器中包括智能控制方法，通过智能控制机器人获取待测样品，对样品进行数据采集和预处理，获得待测图像，再根据待测图像计算靶信值并通过靶信值进行效用分析，形成分析结果，最后根据效用分析的分析结果进行吸附滤芯更替决策。通过对待测样品进行数据采集与分析来进行效能评价，能够高效地进行二嗯英预处理，使二嗯英的治理预处理及测试技术更严谨化和精细化。
Description
技术领域
本发明属于环保技术、智能智能控制机器人技术领域，具体涉及一种固体液体样品二噁英检测预处理的智能控制机器人。
背景技术
二噁英是由多氯代二苯并-对-二噁英以及多氯代二苯并呋哺所组成的一种氯代含氧三环芳烃类化合物。二噁英具有强烈的毒性和持久性,一旦渗透到环境之中，就极难通过自然降解消除，还会通过食物链富集并在生物体内累积，其具有不可逆的“致畸、致癌、致突变”性，严重影响人体健康。这一强毒性有机污染物产生途径复杂多样，不但在钢铁冶炼、垃圾焚烧等重工业领域生成量大，在造纸业、纺纱业等轻工业领域也有排放。因此，如何治理二噁英一直受到高度关注。
目前的工业流程中，人们通常使用吸附剂实现二噁英的治理，除常用的活性炭外，人们不断研究吸附效能更好的新型吸附剂，包括多孔碳材料、纳米微孔活性硅、沸石、镍掺杂氮化硼纳米管、黏土材料等都有良好的吸附效果。吸附剂不仅用于工业生产中气体二噁英的减排，还用于例如土壤净化和污水净化等多种环境治理领域中固体或液体二噁英污染物的吸附。然而，鲜少有研究关注吸附剂的使用寿命，这导致在实际应用中，相关人员也没有严谨准确的方法判断吸附剂是否达到饱和吸附量，只能凭经验定期更换吸附剂。在这种情况下，如果未达到饱和吸附量就更换吸附剂，则会导致一些造价高昂的吸附剂未得到充分利用而引起资源浪费；更严重的是，如果吸附剂早已饱和却因无法及时发现而未进行更换，则会使整个治理流程丧失二噁英的净化作用。并且，二噁英作为工业副产品，其生产量本就随着我国现代化不断推进而急剧增长，排放至环境中的二噁英量也随之增长，如果未能及时判断吸附剂饱和，将会导致环境中二噁英严重超标，严重危害的环境和人体健康。因此，需要一种判断二噁英吸附剂是否饱和的方法，使二噁英的治理更严谨化和精细化，防止出现资源浪费或严重的安全问题。
发明内容
本发明的目的在于提出一种固体液体样品二噁英检测预处理的智能控制机器人及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择。
为了实现上述目的，根据本发明的一方面，提供一种固体液体样品二噁英检测预处理的智能控制机器人，所述智能控制机器人的处理器中运行智能控制方法，所述方法包括以下步骤：
S100，通过智能控制机器人获取待测样品；
S200，对样品进行数据采集和预处理，获得待测图像；
S300，根据待测图像计算靶信值；
S400，通过靶信值进行效用分析，形成分析结果；
S500，根据效用分析的分析结果进行吸附滤芯更替决策。
进一步地，在步骤S100中，所述通过智能控制机器人获取待测样品的方法是：智能控制机器人包括机械臂，智能控制机器人通过机械臂抓取吸附滤芯中的二噁英吸附剂作为待测样品；其中二噁英吸附剂填充于吸附滤芯中，通过将吸附滤芯布置于液体污染物或者固体污染物中吸附污染物中二噁英类物质。
进一步地，在步骤S200中，所述对样品进行数据采集和预处理，获得待测图像的方法是：智能控制机器人包括标准光源和高光谱成像仪；通过标准光源提供标准光谱照明；将高光谱成像仪置于待测样品上方対待测样品进行高光谱图像采集，图像采集过程中采集的波长数量为K,图像的分辨率为M×N，所采集的图像数据作为原始数据；对原始数据进行预处理，采用滤波平滑处理原始数据的环境干扰和噪声误差，获得各个波长对应的待测图像，形成图像序列。
进一步地，在步骤S300中，根据待测图像计算靶信值的方法是：从图像序列中选择一个待测图像作为当前图像，计算当前图像中各个像素的靶信值，以待计算靶信值的像素作为当前像素，将当前像素的光普值记作Pn，在当前图像的所有像素的光普值构成的从小到大排列的序列中，当前像素的光普值排列的序号记作Rk,则当前像素的点阶性值FDG为：FDG＝Rk÷(M×N)；
将当前图像中的各个光普值中的最大值与最小值分别记作Mx与Mn,则点量性值SDG为：SDG＝(Pn－Mn)/(Mx－Mn)；获取图像序列的K个图像中与当前像素坐标相同的各个像素对应光普值并计算平均值记作O_EPn，计算简单回应比值O_EPB，O_EPB＝Pn/O_EPn；计算获得当前像素的靶信值TInf：
其中exp(·)为自然常数e为底数的指数函数。
在上述的靶信值计算过程中对光谱图中的光普值简单进行直接取值计算，会导致当在获取图像的时候吸附剂样品分布不均的情况下使得量化数值误差较大，然而现有技术并无法解决所述误差问题，进而影响对吸附剂的吸附能力的精确性，为了使靶信值的计算更好并解决该问题，消除所述误差现象，所以本发明提出了一个更优选的方案如下：
优选地，在步骤S300中，根据待测图像计算靶信值的方法是：把获得的原始高光谱图像进行格式化，得到空间维高光谱图像SIMG，则空间维高光谱图像的大小为M×N×K，其中M×N为二维高光谱图像的分辨率大小，K为采集的波长数量；设SIMG的像素坐标为(x,y,z)，以SIMG(x,y,z)代表在波段的序号为z的二维高光谱图像中坐标为(x,y)的像素点的光普值；x值取值范围为[1，M]，y值取值范围为[1，N]，z值取值范围为[1，K]，计算获得均化图像EIMG，
其中EIMG(x,y)代表均化图像中坐标为(x,y)的像素点的光普值，SIMG(x,y,z)代表空间维高光谱图像中坐标为(x,y,z)的光普值；Rakz代表第z个光谱图的光谱表现基数，其计算方法是：将一个光谱图的各个像素的光普值中的中位数记作VRak，各个光谱图的VRak构成的集合中的最小值记作VRak_Mn,将第z个光谱图的VRak与VRak_Mn的比值记作第z个光谱图的光谱表现基数Rakz；
从图像序列中选择一个待测图像作为当前图像，计算当前图像中各个像素的靶信值，以待计算靶信值的像素作为当前像素，将当前像素的光普值记作Pn，在当前图像的所有像素的光普值构成的从小到大排列的序列中，当前像素的光普值排列的序号记作Rk,则当前像素的点阶性值FDG为：FDG＝Rk÷(M×N)；将当前图像中的各个光普值中的最大值与最小值分别记作Mx与Mn,则点量性值SDG为：SDG＝(Pn－Mn)/(Mx－Mn)；计算获得当前像素的靶信值TInf：
其中exp(·)为自然常数e为底数的指数函数，EPB代表当前像素的回应比值，其计算方法如下：将在EIMG中坐标为当前像素的坐标的像素的光普值记作EPn，把Pn与EPn的比值记作当前像素的子回应比值s_EPB；将当前像素的八邻域内各个像素的子回应比值中的最大值与最小值分别记作s_Mx与s_Mn，其中当前像素的八邻域不包括当前像素，获得当前像素的回应比值EPB为：
有益效果：由于靶信值是根据各个像素的光谱值在图像中的表现的计算得到，同时结合不同波长之间同位置的数据，所以能够初步有效的量化当前图像中各个位置在对同一波长对应二噁英污染物质的吸附能力，同时能为标记图像中出现吸附能力缺陷位置进行二次检测提供数据支撑，因此提高进一步对二噁英污染物质吸附无效区块识别的能力，增强二噁英吸附剂对特定的二噁英污染物质吸附性能量化精确性。
进一步地，在步骤S400中，通过靶信值进行效用分析，形成分析结果的方法是：对图像序列中任一个待测图像计算靶物效用值：将各个像素的靶信值构成的集合的上四分位数和中位数分别记作TInfFq和TInfMid；当一个像素的靶信值为该像素的八邻域中的最小值并且靶信值的数值小于TInfFq则将该像素标记为乏力点,乏力点的靶信值记作TInfBt；
根据各个像素的光普值通过区域生长算法为各个乏力点获取对应的乏力生长区，将一个乏力点对应的乏力生长区中除该乏力点外的乏力点记作非本分乏力点；其中各个乏力生长区平均拥有非本分乏力点数量记作L；为各个乏力点分别获得对应的乏力生长区后，分别计算乏力生长区的第一乏力参考FLDI：
FLDI＝RT_ZLw×ln(TInfFq-TInfBt)/ln(TInfMid-TInfBt)；
其中ln(·)为自然常数e为底数的对数函数，RT_ZLw为乏力生长区中靶信值数值小于TInfFq的像素的数量与乏力生长区中像素的总量的比值；获得图像的靶物效用值TEIdx：
其中j1为累加变量，er_pixel代表各个像素的靶信值的方差，UpRnd(·)为向上取整函数，以与一个像素点域跨距最小的UpRnd(L)个乏力生长区作为该像素的乏力参照区，其中一个像素的点域跨距为一个像素与一个区域内各个像素的距离值构成的集合中的最大值，则DM<FLDI>j1为一个像素的第j1个乏力参照区的第一乏力参考与该像素与第j1个乏力参照区的点域跨距的比值。以靶物效用值作为分析结果。
在上述的靶物效用值计算方法为基于所有像素精细获取，会出现数据过拟合问题，使得最终获得的数值出现不同程度的结果偏离，然而现有技术并无法解决所述数据过拟合的问题，为了使更好并解决该问题，提升结果的量化结果的精确性，所以本发明提出了一个更优选的方案如下：
优选地，在步骤S400中，通过靶信值进行效用分析，形成分析结果的方法是：从图像序列中选择一个待测图像计算靶物效用值，将该待计算靶物效用值的图像作为解构图像，对解构图像进行超像素分割，以分割获得的各个区.域作为解构单元；获取解构单元中各个像素的靶信值的平均值记作解构单元的单元靶信水平UTI，将解构图像中各个解构单元的单元靶信水平的中位数记作解构图像的图靶信水平；如果一个解构单元的单元靶信水平小于图靶信水平则定义该0解构单元符合宏对比要求；
当一个像素的靶信值为该像素的八邻域中的最小值，则将该像素标记为乏力点，如果一个解构单元内包含至少一个乏力点，则定义该解构单元符合极小值要求；定义一个乏力点的乏力半径Lwr为该乏力点和与其距离最近的另一个乏力点之间的距离；以乏力点为圆心，Lwr为半径构建一个圆形区域作为该乏力点的乏力边界，当一个乏力点的乏力边界包含了该乏力点所在解构单元的所有像素，则定义该乏力点为合选乏力点，如果一个解构单元内包含至少一个合选乏力点，则定义该解构单元符合单元覆盖要求；
把同时符合宏对比要求、极小值要求和单元覆盖要求的解构单元记作乏力单元；以乏力单元内各个乏力点的乏力边界的交集作为乏力单元的乏力映射域；一个解构单元被包括于若干乏力单元的乏力映射域，以解构单元从属的乏力映射域的数量记作KLU，解构图像中解构单元的数量为NBkU；获得靶物效用值TEIdx：
其中i1为累加变量，UTIi1为第i1个解构单元的单元靶信水平,er_pic为各个解构单元的单元靶信水平的方差，kmi1<LDI>为第i1个解构单元的乏力映射函数，乏力映射函数为：
根据乏力单元的乏力映射域计算乏力映射域的乏力参考LDI：
其中EPx为解构图像中各个像素的靶信值的平均值，MPx为乏力映射域内各个像素的靶信值的中位数；ln(·)为自然常数e为底数的对数函数，RUd为乏力映射域内各个像素中靶信值小于EPx的像素的比例。以靶物效用值作为分析结果。
因为二噁英吸附剂的吸附功效性不仅仅体现在其吸附容量，同时这种复合型矿物改性制备的吸附剂容易出现不均衡问题，即出于同一个吸附滤芯中的吸附剂之间也会存在吸附饱和度差异，二噁英吸附饱和度的均衡性的识别对吸附剂的应用程度或者利用率具有重要的衡量意义，因此通过乏力点有效对吸附剂吸附功能的利用率均衡性进行判别，提高二噁英吸附剂吸附饱和度或者利用率的量化精确性，为进一步对不符合吸附要求的吸附滤芯筛选提供数据支撑，进一步提高吸附滤芯更替决策的合理性。
进一步地，在步骤S500中，根据效用分析的分析结果进行吸附滤芯更替决策的方法是：图像序列中待测图像的数量为K，K个待测图像均获得靶物效用值TEIdx，各个待测图像分别有预设阈值；当任一待测图像的效用值大于等于对应待测图像的预设阈值，则判断该图像序列对应的吸附滤芯符合更替条件，将该吸附滤芯对应序号或者编号发送到服务器和管理人员的客户端；智能控制机器人通过机械臂将该吸附滤芯更换为未曾进行吸附作业的新吸附滤芯。当各个待测图像的效用值均小于对应待测图像的预设阈值，则判断该图像序列对应的吸附滤芯不符合更替条件，继续进行吸附作业。
优选地，其中，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
本发明还提供了应用于固体液体样品二噁英检测预处理的智能控制机器人系统，所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统包括：处理器、存储器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，所述处理器执行所述计算机程序时实现所述一种固体液体样品二噁英检测预处理的智能控制机器人中的步骤，所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
滤芯抽样单元，用于通过智能控制机器人获取待测样品；
数据预处理单元，用于对样品进行数据采集和预处理，获得待测图像；
靶信值计算单元，用于根据待测图像计算靶信值；
效用分析单元，用于通过靶信值进行效用分析，形成分析结果；
更替决策单元，用于根据效用分析的分析结果进行吸附滤芯更替决策。
本发明的有益效果为：本发明提供一种固体液体样品二噁英检测预处理的智能控制机器人，通过对待测样品进行数据采集与分析来进行效能评价，能够高效地判断二噁英吸附剂的饱和程度，大大提高了二噁英治理过程中吸附剂的应用效果，使二噁英的治理更严谨化和精细化，防止出现吸附剂功能性的浪费或安全问题。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种固体液体样品二噁英检测预处理的智能控制机器人中运行的智能控制方法的流程图；
图2所示为一种固体液体样品二噁英检测预处理的智能控制机器人中运行的智能控制的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种固体液体样品二噁英检测预处理的智能控制机器人中运行的智能控制方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种固体液体样品二噁英检测预处理的智能控制机器人，所述智能控制机器人中运行智能控制方法，所述方法包括以下步骤：
S100，通过智能控制机器人获取待测样品；
S200，对样品进行数据采集和预处理，获得待测图像；
S300，根据待测图像计算靶信值；
S400，通过靶信值进行效用分析，形成分析结果；
S500，根据效用分析的分析结果进行吸附滤芯更替决策。
进一步地，在步骤S100中，所述通过智能控制机器人获取待测样品的方法是：智能控制机器人包括机械臂，智能控制机器人通过机械臂抓取吸附滤芯中的二噁英吸附剂作为待测样品；其中二噁英吸附剂填充于吸附滤芯中，通过将吸附滤芯布置于液体污染物或者固体污染物中吸附污染物中二噁英类物质。
进一步地，在步骤S200中，所述对样品进行数据采集和预处理，获得待测图像的方法是：智能控制机器人包括标准光源和高光谱成像仪；通过标准光源提供标准光谱照明；将高光谱成像仪置于待测样品上方対待测样品进行高光谱图像采集，图像采集过程中采集的波长数量为K,图像的分辨率为M×N，所采集的图像数据作为原始数据；对原始数据进行预处理，采用滤波平滑处理原始数据的环境干扰和噪声误差，获得各个波长对应的待测图像，形成图像序列。
进一步地，在步骤S300中，根据待测图像计算靶信值的方法是：从图像序列中选择一个待测图像作为当前图像，计算当前图像中各个像素的靶信值，以待计算靶信值的像素作为当前像素，将当前像素的光普值记作Pn，在当前图像的所有像素的光普值构成的从小到大排列的序列中，当前像素的光普值排列的序号记作Rk,则当前像素的点阶性值FDG为：FDG＝Rk÷(M×N)；
将当前图像中的各个光普值中的最大值与最小值分别记作Mx与Mn,则点量性值SDG为：SDG＝(Pn－Mn)/(Mx－Mn)；获取图像序列的K个图像中与当前像素坐标相同的各个像素对应光普值并计算平均值记作O_EPn，计算简单回应比值O_EPB，O_EPB＝Pn/O_EPn；计算获得当前像素的靶信值TInf：
其中exp(·)为自然常数e为底数的指数函数。
优选地，在步骤S300中，根据待测图像计算靶信值的方法是：把获得的原始高光谱图像进行格式化，得到空间维高光谱图像SIMG，则空间维高光谱图像的大小为M×N×K，其中M×N为二维高光谱图像的分辨率大小，K为采集的波长数量；设SIMG的像素坐标为(x,y,z)，以SIMG(x,y,z)代表在波段的序号为z的二维高光谱图像中坐标为(x,y)的像素点的光普值；x值取值范围为[1，M]，y值取值范围为[1，N]，z值取值范围为[1，K]，计算获得均化图像EIMG，
其中EIMG(x,y)代表均化图像中坐标为(x,y)的像素点的光普值，SIMG(x,y,z)代表空间维高光谱图像中坐标为(x,y,z)的光普值；Rakz代表第z个光谱图的光谱表现基数，其计算方法是：将一个光谱图的各个像素的光普值中的中位数记作VRak，各个光谱图的VRak构成的集合中的最小值记作VRak_Mn,将第z个光谱图的VRak与VRak_Mn的比值记作第z个光谱图的光谱表现基数Rakz；
从图像序列中选择一个待测图像作为当前图像，计算当前图像中各个像素的靶信值，以待计算靶信值的像素作为当前像素，将当前像素的光普值记作Pn，在当前图像的所有像素的光普值构成的从小到大排列的序列中，当前像素的光普值排列的序号记作Rk,则当前像素的点阶性值FDG为：FDG＝Rk÷(M×N)；将当前图像中的各个光普值中的最大值与最小值分别记作Mx与Mn,则点量性值SDG为：SDG＝(Pn－Mn)/(Mx－Mn)；计算获得当前像素的靶信值TInf：
其中exp(·)为自然常数e为底数的指数函数，EPB代表当前像素的回应比值，其计算方法如下：将在EIMG中坐标为当前像素的坐标的像素的光普值记作EPn，把Pn与EPn的比值记作当前像素的子回应比值s_EPB；将当前像素的八邻域内各个像素的子回应比值中的最大值与最小值分别记作s_Mx与s_Mn，其中当前像素的八邻域不包括当前像素，获得当前像素的回应比值EPB为：
进一步地，在步骤S400中，通过靶信值进行效用分析，形成分析结果的方法是：对图像序列中任一个待测图像计算靶物效用值：将各个像素的靶信值构成的集合的上四分位数和中位数分别记作TInfFq和TInfMid；当一个像素的靶信值为该像素的八邻域中的最小值并且靶信值的数值小于TInfFq则将该像素标记为乏力点,乏力点的靶信值记作TInfBt；
根据各个像素的光普值通过区域生长算法为各个乏力点获取对应的乏力生长区，将一个乏力点对应的乏力生长区中除该乏力点外的乏力点记作非本分乏力点；其中各个乏力生长区平均拥有非本分乏力点数量记作L；为各个乏力点分别获得对应的乏力生长区后，分别计算乏力生长区的第一乏力参考FLDI：
FLDI＝RT_ZLw×ln(TInfFq-TInfBt)/ln(TInfMid-TInfBt)；
其中ln(·)为自然常数e为底数的对数函数，RT_ZLw为乏力生长区中靶信值数值小于TInfFq的像素的数量与乏力生长区中像素的总量的比值；获得图像的靶物效用值TEIdx：
其中j1为累加变量，er_pixel代表各个像素的靶信值的方差，UpRnd(·)为向上取整函数，以与一个像素点域跨距最小的UpRnd(L)个乏力生长区作为该像素的乏力参照区，其中一个像素的点域跨距为一个像素与一个区域内各个像素的距离值构成的集合中的最大值，则DM<FLDI>j1为一个像素的第j1个乏力参照区的第一乏力参考与该像素与第j1个乏力参照区的点域跨距的比值。以靶物效用值作为分析结果。
优选地，在步骤S400中，通过靶信值进行效用分析，形成分析结果的方法是：从图像序列中选择一个待测图像计算靶物效用值，将该待计算靶物效用值的图像作为解构图像，对解构图像进行超像素分割，以分割获得的各个区.域作为解构单元；获取解构单元中各个像素的靶信值的平均值记作解构单元的单元靶信水平UTI，将解构图像中各个解构单元的单元靶信水平的中位数记作解构图像的图靶信水平；如果一个解构单元的单元靶信水平小于图靶信水平则定义该0解构单元符合宏对比要求；
当一个像素的靶信值为该像素的八邻域中的最小值，则将该像素标记为乏力点，如果一个解构单元内包含至少一个乏力点，则定义该解构单元符合极小值要求；定义一个乏力点的乏力半径Lwr为该乏力点和与其距离最近的另一个乏力点之间的距离；以乏力点为圆心，Lwr为半径构建一个圆形区域作为该乏力点的乏力边界，当一个乏力点的乏力边界包含了该乏力点所在解构单元的所有像素，则定义该乏力点为合选乏力点，如果一个解构单元内包含至少一个合选乏力点，则定义该解构单元符合单元覆盖要求；
把同时符合宏对比要求、极小值要求和单元覆盖要求的解构单元记作乏力单元；以乏力单元内各个乏力点的乏力边界的交集作为乏力单元的乏力映射域；一个解构单元被包括于若干乏力单元的乏力映射域，以解构单元从属的乏力映射域的数量记作KLU，解构图像中解构单元的数量为NBkU；获得靶物效用值TEIdx：
其中i1为累加变量，UTIi1为第i1个解构单元的单元靶信水平,er_pic为各个解构单元的单元靶信水平的方差，kmi1<LDI>为第i1个解构单元的乏力映射函数，乏力映射函数为：
根据乏力单元的乏力映射域计算乏力映射域的乏力参考LDI：
其中EPx为解构图像中各个像素的靶信值的平均值，MPx为乏力映射域内各个像素的靶信值的中位数；ln(·)为自然常数e为底数的对数函数，RUd为乏力映射域内各个像素中靶信值小于EPx的像素的比例。以靶物效用值作为分析结果。
进一步地，在步骤S500中，根据效用分析的分析结果进行吸附滤芯更替决策的方法是：图像序列中待测图像的数量为K，K个待测图像均获得靶物效用值TEIdx，各个待测图像分别有预设阈值；当任一待测图像的效用值大于等于对应待测图像的预设阈值，则判断该图像序列对应的吸附滤芯符合更替条件，将该吸附滤芯对应序号或者编号发送到服务器和管理人员的客户端；智能控制机器人通过机械臂将该吸附滤芯更换为未曾进行吸附作业的新吸附滤芯。当各个待测图像的效用值均小于对应待测图像的预设阈值，则判断该图像序列对应的吸附滤芯不符合更替条件，继续进行吸附作业。
本发明的实施例提供的应用于固体液体样品二噁英检测预处理的智能控制机器人系统，如图2所示为本发明一种固体液体样品二噁英检测预处理的智能控制机器人中运行的智能控制的系统结构图，该实施例的应用于固体液体样品二噁英检测预处理的智能控制机器人系统包括：处理器、存储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，所述处理器执行所述计算机程序时实现上述应用于固体液体样品二噁英检测预处理的智能控制机器人系统实施例中的步骤。
所述系统包括：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，所述处理器执行所述计算机程序运行在以下系统的单元中：
滤芯抽样单元，用于通过智能控制机器人获取待测样品；
数据预处理单元，用于对样品进行数据采集和预处理，获得待测图像；
靶信值计算单元，用于根据待测图像计算靶信值；
效用分析单元，用于通过靶信值进行效用分析，形成分析结果；
更替决策单元，用于根据效用分析的分析结果进行吸附滤芯更替决策。
所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是应用于固体液体样品二噁英检测预处理的智能控制机器人系统的示例，并不构成对应用于固体液体样品二噁英检测预处理的智能控制机器人系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统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，所述处理器是所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统运行系统的控制中心，利用各种接口和线路连接整个应用于固体液体样品二噁英检测预处理的智能控制机器人系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述应用于固体液体样品二噁英检测预处理的智能控制机器人系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (3)
1.一种固体液体样品二噁英检测预处理的智能控制机器人，其特征在于，所述智能控制机器人包括处理器和存储器，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,所述处理器执行所述计算机程序时实现智能控制机器人的智能控制方法的步骤，所述智能控制方法包括以下步骤:
S100，智能控制机器人获取待测样品；
S200，对样品进行数据采集和预处理，获得待测图像；
S300，根据待测图像计算靶信值；
S400，通过靶信值进行效用分析，形成分析结果；
S500，根据效用分析的分析结果进行吸附滤芯更替决策；
其中S100中，智能控制机器人通过机械臂抓取吸附滤芯中的二噁英吸附剂作为待测样品；
在步骤S200中，对样品进行数据采集和预处理，获得待测图像的方法是：智能控制机器人包括标准光源和高光谱成像仪；通过标准光源提供标准光谱照明；将高光谱成像仪置于待测样品上方対待测样品进行高光谱图像采集，图像采集过程中采集的波长数量为K,图像的分辨率为M×N，所采集的图像数据作为原始数据；对原始数据进行预处理，采用滤波平滑处理原始数据的环境干扰和噪声误差，获得各个波长对应的待测图像，形成图像序列；
在步骤S300中，根据待测图像计算靶信值的方法是：从图像序列中选择一个待测图像作为当前图像，计算当前图像中各个像素的靶信值，以待计算靶信值的像素作为当前像素，将当前像素的光普值记作Pn，在当前图像的所有像素的光普值构成的从小到大排列的序列中，当前像素的光普值排列的序号记作Rk,则当前像素的点阶性值FDG为：FDG＝Rk÷(M×N)；
将当前图像中的各个光普值中的最大值与最小值分别记作Mx与Mn,则点量性值SDG为：SDG＝(Pn－Mn)/(Mx－Mn)；获取图像序列的K个图像中与当前像素坐标相同的各个像素对应光普值并计算平均值记作O_EPn，计算简单回应比值O_EPB，O_EPB＝Pn/O_EPn；计算获得当前像素的靶信值TInf：
；
其中exp(·)为自然常数e为底数的指数函数；
在步骤S400中，通过靶信值进行效用分析，形成分析结果的方法是：对图像序列中任一个待测图像计算靶物效用值：将各个像素的靶信值构成的集合的上四分位数和中位数分别记作TInfFq和TInfMid；当一个像素的靶信值为该像素的八邻域中的最小值并且靶信值的数值小于TInfFq则将该像素标记为乏力点,乏力点的靶信值记作TInfBt；
根据各个像素的光普值通过区域生长算法为各个乏力点获取对应的乏力生长区，将一个乏力点对应的乏力生长区中除该乏力点外的乏力点记作非本分乏力点； 其中各个乏力生长区平均拥有非本分乏力点数量记作L；为各个乏力点分别获得对应的乏力生长区后，分别计算乏力生长区的第一乏力参考FLDI：
；
其中ln(·)为自然常数e为底数的对数函数，RT_ZLw为乏力生长区中靶信值数值小于TInfFq的像素的数量与乏力生长区中像素的总量的比值；获得图像的靶物效用值TEIdx：
；
其中j1为累加变量，er_pixel代表各个像素的靶信值的方差，UpRnd(·)为向上取整函数，以与一个像素点域跨距最小的UpRnd(L)个乏力生长区作为该像素的乏力参照区，其中一个像素的点域跨距为一个像素与一个区域内各个像素的距离值构成的集合中的最大值，则DM<FLDI>j1为一个像素的第j1个乏力参照区的第一乏力参考与该像素与第j1个乏力参照区的点域跨距的比值。
2.根据权利要求1所述的一种固体液体样品二噁英检测预处理的智能控制机器人，其特征在于，在步骤S100中，所述通过智能控制机器人获取待测样品的方法具体为：智能控制机器人包括机械臂；其中二噁英吸附剂填充于吸附滤芯中，通过将吸附滤芯布置于液体污染物或者固体污染物中吸附污染物中二噁英类物质。
3.根据权利要求1所述的一种固体液体样品二噁英检测预处理的智能控制机器人，其特征在于，在步骤S500中，根据效用分析的分析结果进行吸附滤芯更替决策的方法是：图像序列中待测图像的数量为K，K个待测图像均获得靶物效用值TEIdx，各个待测图像分别有预设阈值；当任一待测图像的效用值大于等于对应待测图像的预设阈值，则判断该图像序列对应的吸附滤芯符合更替条件，将该吸附滤芯对应序号或者编号发送到服务器和管理人员的客户端；当各个待测图像的效用值均小于对应待测图像的预设阈值，则判断该图像序列对应的吸附滤芯不符合更替条件，继续进行吸附作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382284.0A CN117444960B (zh) | 2023-10-23 | 2023-10-23 | 一种固体液体样品二噁英检测预处理的智能控制机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382284.0A CN117444960B (zh) | 2023-10-23 | 2023-10-23 | 一种固体液体样品二噁英检测预处理的智能控制机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117444960A CN117444960A (zh) | 2024-01-26 |
| CN117444960B true CN117444960B (zh) | 2024-04-16 |
Family
ID=89590270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311382284.0A Active CN117444960B (zh) | 2023-10-23 | 2023-10-23 | 一种固体液体样品二噁英检测预处理的智能控制机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117444960B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117299076A (zh) * | 2023-10-23 | 2023-12-29 | 广州鑫材科技有限公司 | 一种新型复合黏土矿物改性制备二噁英吸附剂方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110069543A (ko) * | 2009-12-17 | 2011-06-23 | 신경수 | 게 껍질을 이용한 불소 이온 흡착 컬럼 및 불소 이온 제거 방법 |
| CN107451590A (zh) * | 2017-07-19 | 2017-12-08 | 哈尔滨工程大学 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
| CN114140693A (zh) * | 2019-11-15 | 2022-03-04 | 南昌木本医疗科技有限公司 | 一种基于fcm算法和图像处理的植物提取参数设置系统 |
| WO2022048196A1 (zh) * | 2020-09-03 | 2022-03-10 | 深圳前海微众银行股份有限公司 | 一种监测工业生产指数的方法及装置 |
| CN115713487A (zh) * | 2022-10-26 | 2023-02-24 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 用于x射线焊缝图像的缺陷识别方法、设备和存储介质 |
| FR3128887A1 (fr) * | 2021-11-10 | 2023-05-12 | Fabrice Mendez | Matériau filtrant et son application |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AUPS205202A0 (en) * | 2002-05-02 | 2002-06-06 | Flinders Technologies Pty Ltd | A method and system for computer aided detection of cancer |
| CA2632188A1 (en) * | 2005-11-10 | 2007-05-24 | Rosetta Inpharmatics Llc | Discover biological features using composite images |
| FR3114093A1 (fr) * | 2020-09-17 | 2022-03-18 | Suez Groupe | Procédé de traitement d’une eau avec renouvellement de l’adsorbant à un âge intermédiaire ciblé |
-
2023
- 2023-10-23 CN CN202311382284.0A patent/CN117444960B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110069543A (ko) * | 2009-12-17 | 2011-06-23 | 신경수 | 게 껍질을 이용한 불소 이온 흡착 컬럼 및 불소 이온 제거 방법 |
| CN107451590A (zh) * | 2017-07-19 | 2017-12-08 | 哈尔滨工程大学 | 基于高光谱红外图像的气体检测识别和浓度表示方法 |
| CN114140693A (zh) * | 2019-11-15 | 2022-03-04 | 南昌木本医疗科技有限公司 | 一种基于fcm算法和图像处理的植物提取参数设置系统 |
| WO2022048196A1 (zh) * | 2020-09-03 | 2022-03-10 | 深圳前海微众银行股份有限公司 | 一种监测工业生产指数的方法及装置 |
| FR3128887A1 (fr) * | 2021-11-10 | 2023-05-12 | Fabrice Mendez | Matériau filtrant et son application |
| CN115713487A (zh) * | 2022-10-26 | 2023-02-24 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 用于x射线焊缝图像的缺陷识别方法、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117444960A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117444960B (zh) | 一种固体液体样品二噁英检测预处理的智能控制机器人 | |
| Soong et al. | Soil properties explain tree growth and mortality, but not biomass, across phosphorus-depleted tropical forests | |
| Weindorf et al. | Use of portable X-ray fluorescence spectrometry for environmental quality assessment of peri-urban agriculture | |
| Sun et al. | Effects of flooding on changes in Eh, pH and speciation of cadmium and lead in contaminated soil | |
| Liu et al. | Causal inference between bioavailability of heavy metals and environmental factors in a large-scale region | |
| CN109614851B (zh) | 大气污染颗粒物形态参数的图像检测方法 | |
| Puente et al. | Ecological assessment of soft bottom benthic communities in northern Spanish estuaries | |
| Kharroubi et al. | Assessment of sediment quality in the Mediterranean Sea–Boughrara lagoon exchange areas (southeastern Tunisia): GIS approach-based chemometric methods | |
| Zhang et al. | Cd and Pb contents in soil, plants, and grasshoppers along a pollution gradient in Huludao City, Northeast China | |
| Desianti et al. | Sediment diatoms as environmental indicators in New Jersey coastal lagoons | |
| CN115239209B (zh) | 用于垃圾填埋场筛除含重金属腐殖土的方法、设备和系统 | |
| Reddy et al. | Heavy metal pollution monitoring with foraminifera in the estuaries of Nellore coast, East coast of India | |
| Yang et al. | Distribution of arsenic between the particulate and aqueous phases in surface water from three freshwater lakes in China | |
| Ji et al. | CMEIAS JFrad: a digital computing tool to discriminate the fractal geometry of landscape architectures and spatial patterns of individual cells in microbial biofilms | |
| Hao et al. | Spatial distribution and sources of trace elements in surface soils, Changchun, China: Insights from stochastic models and geostatistical analyses | |
| CN112347155A (zh) | 基于数据挖掘的场地污染特征因子识别和监测指标优化方法 | |
| Válega et al. | Mercury in salt marshes ecosystems: Halimione portulacoides as biomonitor | |
| Baldeck et al. | Phylogenetic turnover along local environmental gradients in tropical forest communities | |
| CN116930440A (zh) | 基于污水检测的处理方法、系统、存储介质及电子设备 | |
| Gheshlaghpoor et al. | The relationship between spatial patterns of urban land uses and air pollutants in the Tehran metropolis, Iran | |
| Osyczka et al. | Trace elements concentrations in selected moss and lichen species collected within Antarctic research stations | |
| CN112903945B (zh) | 一种基于常规水质参数的城市黑臭水体识别方法 | |
| Danius et al. | Regional material flow analysis and data uncertainties: can the results be trusted | |
| CN112798610A (zh) | 一种基于卫星遥感监测的“散乱污”企业分布识别方法 | |
| Acquavita et al. | Gaseous elemental mercury level and distribution in a heavily contaminated site: The ex-chlor alkali plant in torviscosa (Northern Italy) |
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 |