CN117451640B - 一种多波段拟合全光谱水质检测系统 - Google Patents
一种多波段拟合全光谱水质检测系统 Download PDFInfo
- Publication number
- CN117451640B CN117451640B CN202311454794.4A CN202311454794A CN117451640B CN 117451640 B CN117451640 B CN 117451640B CN 202311454794 A CN202311454794 A CN 202311454794A CN 117451640 B CN117451640 B CN 117451640B
- Authority
- CN
- China
- Prior art keywords
- signal
- full spectrum
- water quality
- target
- quality 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 115
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 35
- 239000007788 liquid Substances 0.000 claims description 22
- 238000002835 absorbance Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007493 shaping process Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 239000008213 purified water Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 abstract description 4
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000005304 optical glass Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 206010027146 Melanoderma Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 241000212749 Zesius chrysomallus Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 125000001477 organic nitrogen group Chemical group 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000000126 substance Substances 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
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
- 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
- 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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3148—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using three or more wavelengths
-
- 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
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3181—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths using LEDs
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种多波段拟合全光谱水质检测系统,属于水质检测技术领域,通过定制集成封装多波长LEDs,能够有效地提高光源的小型化水平和可控性,并且对关键波长点进行信号采集,然后拟合成全光谱曲线,并且采用机器学习的方法进行建模和测试,使得该方法在测试精度以及对不同类型水体的适应性上得到极大提升,具有成本低以及性能高的优点,能够满足更多的使用场景,使得光谱法水质测试能真正获得广泛应用,突破行业瓶颈。
Description
技术领域
本发明属于水质检测技术领域,具体涉及一种多波段拟合全光谱水质检测系统。
背景技术
随着社会经济的快速发展,环境污染日益威胁着人们的生命和健康,水污染已成为当今世界各国面临的严重问题之一。针对严重的水污染问题建立一个实时在线的水质检测系统具有重要的意义。现有水质测试方法包括单波长法、双波长法、多波长法以及全光谱法,测试精度及水体适应性:单波长法<双波长法<多波长法<全光谱法。成本:单波长法<双波长法<多波长法<全光谱法。但是现有技术中存在以下问题:现有全光谱法成本高;现有全光谱法设备体积大现场使用环境受限;现有单波长法、双波长法、多波长法测试精度差;现有单波长法、双波长法、多波长法复杂场景适应性差;现有光谱法设备供电方式单一,场景适应性差;现有光谱法设备售后维护量大的问题。
发明内容
本发明提供一种多波段拟合全光谱水质检测系统,用以解决现有技术中存在的问题。
一种多波段拟合全光谱水质检测系统,包括:光源组件、光学池、控制组件、光电探测组件以及信号处理组件;
所述光源组件用于接收控制组件的控制指令,以便向光学池发出多个不同波点对应的光源信号;
所述光学池用于承载被测液体,并将光源组件发出的光源信号传递至光电探测组件中,以使光电探测组件接收经过被测液体吸收过的光信号;
所述光电探测组件用于探测光学池所传递的光信号,并将探测得到的光信号转换为电信号之后,将电信号传输至信号处理组件中;
所述信号处理组件用于对光电探测组件传输的电信号进行处理,以使电信号转换为控制组件的输入数据类型,得到目标电信号;
所述控制组件用于将信号处理组件传输的目标电信号拟合为全光谱信号,并采用机器学习算法对全光谱信号进行建模,以确定被测液体的水质;
所述控制组件还用于向光源组件发出控制指令,以使光源组件向光学池发出多个不同波点对应的光源信号。
进一步地,所述光源组件包括多个不同波段LED光源构成的激发光源,并定制集成封装多波长LEDs;
每个所述LED光源独立点亮以及关闭,且点亮的电流独立调控。
进一步地,所述光学池的入口设置有滤网,以滤除被测液体中的杂质。
进一步地,所述光电探测组件设置为紫外波段、可见波段以及近红外波段的三段式LED光敏接收器,其包括至少三个光信号接收器,分别为第一光信号接收器、第二光信号接收器以及第三光信号接收器;
所述第一光信号接收器以及第二光信号接收器为紫外波段接收器;
所述第三光信号接收器为可见波段以及近红外波段复用的接收器。
进一步地,所述信号处理组件包括放大电路、整形电路、滤波电路以及模数转换电路;
所述放大电路用于对光电探测组件产生的电信号进行放大,以获取放大后的电信号;
所述整形电路用于对放大后的电信号进行整形,以获取整形后的电信号;
所述滤波电路用于对整形后的电信号进行滤波,以获取滤波后的电信号;
所述模数转换电路用于对滤波后的电信号进行模数转换,以获取目标电信号。
进一步地,将信号处理组件传输的目标电信号拟合为全光谱信号,并采用机器学习算法对全光谱信号进行建模,以确定被测液体的水质,包括:
获取信号处理组件传输的多组第一目标电信号,所述第一目标电信号用于表征光学池通入纯净水时所采集不同波点上的信号;
获取信号处理组件传输的多组第二目标电信号,所述第二目标电信号用于表征光学池通入被测液体时所采集不同波点上的信号;
对第一目标信号以及第二目标信号进行预处理,得到预处理后的第一目标信号以及第二目标信号,并根据预处理后的第一目标信号以及第二目标信号,获取各波点的吸光度值;
以所述各波点的吸光度值为基础,拟合全光谱信号,并对拟合的全光谱信号进行校验,以获取当前校验通过的全光谱信号;
获取历史校验通过的全光谱信号,并以所述历史校验通过的全光谱信号构建训练数据集;
采用机器学习算法构建水质检测模型,并以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型;
以当前校验通过的全光谱信号作为训练完成的水质检测模型的输入数据,以获取被测液体的水质。
进一步地,对第一目标信号以及第二目标信号进行预处理,得到预处理后的第一目标信号以及第二目标信号,包括:
针对多组第一目标电信号,获取第一目标电信号的第一平均值以及第一标准差,当第一目标电信号与第一平均值之间的第一偏差大于三倍第一标准差时,对第一目标电信号进行处理,获取预处理后的第一目标电信号;
针对多组第二目标电信号,获取第二目标电信号的第二平均值以及第二标准差,当第二目标电信号与第二平均值之间的第二偏差大于三倍第二标准差时,对第二目标电信号进行处理,获取预处理后的第二目标电信号。
进一步地,以所述各波点的吸光度值为基础,拟合全光谱信号,包括:
以不同波点对应的多组吸光度值构建数据矩阵,并以所述数据矩阵为基础,采用三次B-Spline进行数据拟合,获取全光谱信号。
进一步地,对拟合的全光谱信号进行校验,以获取当前校验通过的全光谱信号,包括:
通过全光谱水质分析仪获取真实全光谱信号,并获取真实全光谱信号与拟合的全光谱信号之间的相似度;
判断相似度是否大于设定阈值,若是,则确定对应拟合的全光谱信号校验通过,否则确定对应拟合的全光谱信号校验未通过;
获取当前校验通过的全光谱信号之后,还包括:对当前校验通过的全光谱信号进行插值处理;
获取历史校验通过的全光谱信号之后,还包括:对历史校验通过的全光谱信号进行插值处理;
以所述历史校验通过的全光谱信号构建训练数据集,包括:获取历史校验通过的全光谱信号对应的水质指标数据,以历史校验通过的全光谱信号以及存在对应关系的水质指标数据构建训练数据集。
进一步地,采用机器学习算法构建水质检测模型,并以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型,包括:
采用ANN算法构建水质检测模型;
以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型。
本发明提供的一种多波段拟合全光谱水质检测系统,通过定制集成封装多波长LEDs,能够有效地提高光源的小型化水平和可控性,并且对关键波长点进行信号采集,然后拟合成全光谱曲线,并且采用机器学习的方法进行建模和测试,使得该方法在测试精度以及对不同类型水体的适应性上得到极大提升,具有成本低以及性能高的优点,能够满足更多的使用场景,使得光谱法水质测试能真正获得广泛应用,突破行业瓶颈。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本发明实施例提供的一种多波段拟合全光谱水质检测系统的示意图。
图2为本发明实施例提供的光源组件以及光电探测组件的关系示意图。
图3为本发明实施例提供的一种多波段拟合全光谱水质检测系统的实际应用示例图。
其中,1-外壳、2-光源驱动板、3-玻璃片压板、4-水流冲洗块、5-光学玻璃片、6-光源接收板、7-安装管、8-滤网。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图详细说明本发明的实施例。
如图1所示,一种多波段拟合全光谱水质检测系统,包括:光源组件、光学池、控制组件、光电探测组件以及信号处理组件。
所述光源组件用于接收控制组件的控制指令,以便向光学池发出多个不同波点对应的光源信号,即在不同波段中以不同波长发出光源信号。
所述光学池用于承载被测液体,并将光源组件发出的光源信号传递至光电探测组件中,以使光电探测组件接收经过被测液体吸收过的光信号。
所述光电探测组件用于探测光学池所传递的光信号,并将探测得到的光信号转换为电信号之后,将电信号传输至信号处理组件中。
所述信号处理组件用于对光电探测组件传输的电信号进行处理,以使电信号转换为控制组件的输入数据类型,得到目标电信号。
所述控制组件用于将信号处理组件传输的目标电信号拟合为全光谱信号,并采用机器学习算法对全光谱信号进行建模,以确定被测液体的水质。
例如:对关键波长点进行信号采集,然后拟合成全光谱曲线,并且采用机器学习的方法进行建模和测试,使得该方法在测试精度、对不同类型水体的适应性上得到极大提升。
所述控制组件还用于向光源组件发出控制指令,以使光源组件向光学池发出多个不同波点对应的光源信号。
现有全光谱法需要用到专业的闪光氙灯光源和光谱仪,综合成本较高,规模化应用受较大限制,难以适应目前大规模应用需求。所用器件体积较大,设备体积也相应偏大,设备安装、维护的灵活性受限制。而本实施提供的技术方案具有低成本以及高性能的优点,能够满足更多的使用场景,使得光谱法水质测试能真正获得广泛应用,突破行业瓶颈。
在本实施例中,根据LED光源能耗低、易控制、小尺寸、经济性好等特点,定制高集成多波长LED光源模组,因此,所述光源组件可以包括多个不同波段LED光源构成的激发光源,并定制集成封装多波长LEDs。定制集成封装水质专用LED光源模组,提高光源的小型化水平和可控性。高度集成化的设计,对设备的自清洁或人工维护都更为便捷。
每个所述LED光源独立点亮以及关闭,且点亮的电流独立调控。
在本实施例中,所述光学池的入口设置有滤网,以滤除被测液体中的杂质。
在本实施例中,所述光电探测组件设置为紫外波段、可见波段以及近红外波段的三段式LED光敏接收器,其包括至少三个光信号接收器,分别为第一光信号接收器、第二光信号接收器以及第三光信号接收器。
所述第一光信号接收器以及第二光信号接收器为紫外波段接收器。
所述第三光信号接收器为可见波段以及近红外波段复用的接收器。
如图2所示,光源组件可以包括UVA(ultraviolet radiation a,长波黑斑效应紫外线)、UVB(ultraviolet radiation b,中波红斑效应紫外线)、UVC(ultravioletradiation c,短波黑斑效应紫外线)、RGB(可将光波段)以及IR(近红外波段)所对应的光源。
通过光敏检测器复用,有效减少检测器数量,集成度更高。例如,254nm、265nm、275nm、295nm、310nm、365nm、385nm以及395nm等紫外波段使用2个接收器,450nm、550nm、620nm等可见波段以及850nm近红外波段复用一个接收器。
在本实施例中,所述信号处理组件包括放大电路、整形电路、滤波电路以及模数转换电路。
所述放大电路用于对光电探测组件产生的电信号进行放大,以获取放大后的电信号。
所述整形电路用于对放大后的电信号进行整形,以获取整形后的电信号。
所述滤波电路用于对整形后的电信号进行滤波,以获取滤波后的电信号。
所述模数转换电路用于对滤波后的电信号进行模数转换,以获取目标电信号。
如图3所示,提供一种多波段拟合全光谱水质检测系统的示例,包括外壳1、光源驱动板2、玻璃片压板3、水流冲洗块4、光学玻璃片5、光源接收板6、安装管7以及滤网8。其中,光学玻璃片5是光学窗片,玻璃片压板3用于固定窗片,水流冲洗块4上面开有小孔,外接高压气流对窗片进行在线冲洗。
外壳1内设置有隔离的光学池,而光源驱动板2设置于光学池的一侧,光源接收板6设置于光学池的另一侧,光源驱动板2承载光源组件,光源接收板6用于承载控制组件、光电探测组件以及信号处理组件,安装管7以及滤网8分别设置于光学池的入口以及出口,从而承载被测液体。
在本实施例中,将信号处理组件传输的目标电信号拟合为全光谱信号,并采用机器学习算法对全光谱信号进行建模,以确定被测液体的水质,包括:
获取信号处理组件传输的多组第一目标电信号,所述第一目标电信号用于表征光学池通入纯净水时所采集不同波点上的信号。
获取信号处理组件传输的多组第二目标电信号,所述第二目标电信号用于表征光学池通入被测液体时所采集不同波点上的信号。
对第一目标信号以及第二目标信号进行预处理,得到预处理后的第一目标信号以及第二目标信号,并根据预处理后的第一目标信号以及第二目标信号,获取各波点的吸光度值。
吸光度值计算公式为:A=-log10((Is-Isd)/(Ir-Ird)),其中 A是吸光度,Is是样品在LED开启时的采样数据,Isd是样品在LED关闭时的采样数据,Ir是纯水在LED开启时的采样数据,Ird是纯水在LED关闭时的采样数据。
以所述各波点的吸光度值为基础,拟合全光谱信号,并对拟合的全光谱信号进行校验,以获取当前校验通过的全光谱信号。
获取历史校验通过的全光谱信号,并以所述历史校验通过的全光谱信号构建训练数据集。
采用机器学习算法构建水质检测模型,并以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型。
以当前校验通过的全光谱信号作为训练完成的水质检测模型的输入数据,以获取被测液体的水质。
在本实施例中,对第一目标信号以及第二目标信号进行预处理,得到预处理后的第一目标信号以及第二目标信号,包括:
针对多组第一目标电信号,获取第一目标电信号的第一平均值以及第一标准差,当第一目标电信号与第一平均值之间的第一偏差大于三倍第一标准差时,对第一目标电信号进行处理,获取预处理后的第一目标电信号。
针对多组第二目标电信号,获取第二目标电信号的第二平均值以及第二标准差,当第二目标电信号与第二平均值之间的第二偏差大于三倍第二标准差时,对第二目标电信号进行处理,获取预处理后的第二目标电信号。
可选的,对第一目标电信号进行处理以及对第二目标电信号进行处理均可以设置为异常值处理。例如:三个信号接收器通过复用,每组信号总共是12个波点,实测时对每个样品大量采样,即采多组数据,一般30~50组数据,这多组数据中如果某个波长点数据超出3个标准差,这一组数据都从样本中剔除,最后用剩余的数据进行建模或者计算。
在本实施例中,以所述各波点的吸光度值为基础,拟合全光谱信号,包括:
以不同波点对应的多组吸光度值构建数据矩阵,并以所述数据矩阵为基础,采用三次B-Spline(三次样条)进行数据拟合,获取全光谱信号。
在本实施例中,对拟合的全光谱信号进行校验,以获取当前校验通过的全光谱信号,包括:
通过全光谱水质分析仪获取真实全光谱信号,并获取真实全光谱信号与拟合的全光谱信号之间的相似度。
判断相似度是否大于设定阈值,若是,则确定对应拟合的全光谱信号校验通过,否则确定对应拟合的全光谱信号校验未通过。
获取当前校验通过的全光谱信号之后,还包括:对当前校验通过的全光谱信号进行插值处理。
可选的,插值处理可以为:将吸光度曲线进行插值,从240nm~840nm。每20nm一个数据点插值,共31个数据点。每5nm一个数据点插值,共151个数据点。每2nm一个数据点插值,共301个数据点。将上述所有数据点形成一个序列,共483个数据点,此即为用于建模和训练的特征光谱。
获取历史校验通过的全光谱信号之后,还包括:对历史校验通过的全光谱信号进行插值处理。
以所述历史校验通过的全光谱信号构建训练数据集,包括:获取历史校验通过的全光谱信号对应的水质指标数据,以历史校验通过的全光谱信号以及存在对应关系的水质指标数据构建训练数据集。
在插值之后,特征光谱与水质指标数据建立对应关系形成训练数据集,其中水质指标数据可以通过国标试剂法(如COD(化学耗氧量)、NH3-N(氨氮含量指标)、TN(无机和有机氮的总量)以及TP(总磷量)等)测得,或者通过全光谱法设备测得。
按照污染物分类标准(参考国民经济行业分类-GB T 4754-2017标准)将水样进行归类。根据所属类别将新的训练数据集加入到历史训练数据集中用于统一训练。根据训练后的模型文件对训练数据集里数据进行数据反算,进行数据反演误差分析。
在本实施例中,采用机器学习算法构建水质检测模型,并以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型,包括:
采用ANN(人工神经网络)算法构建水质检测模型。
以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型。
可选的,ANN的训练方法可以为:ANN采用多隐层结构,根据训练数据集大小自动调整ANN模型隐层层数及各隐层的神经元数目。隐层层数L=log10(N)+2,其中N为训练集特征光谱条数。隐层神经元数量M=L+1,其中L为隐层层数。对构建的神经网络进行训练,得到ANN网络模型。应用神经网络模型对训练集数据进行反演,并计算误差。对ANN结构进行调整,各隐层神经元数量分别增加或减少1个,再次进行模型训练并对训练数据集数据进行翻译,计算误差。将上述多个ANN结构反演数据进行评估,择取误差最小的作为最终模型。
本发明提供的一种多波段拟合全光谱水质检测系统,通过定制集成封装多波长LEDs,能够有效地提高光源的小型化水平和可控性,并且对关键波长点进行信号采集,然后拟合成全光谱曲线,并且采用机器学习的方法进行建模和测试,使得该方法在测试精度以及对不同类型水体的适应性上得到极大提升,具有成本低以及性能高的优点,能够满足更多的使用场景,使得光谱法水质测试能真正获得广泛应用,突破行业瓶颈。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (6)
1.一种多波段拟合全光谱水质检测系统,其特征在于,包括:光源组件、光学池、控制组件、光电探测组件以及信号处理组件;
所述光源组件用于接收控制组件的控制指令,以便向光学池发出多个不同波点对应的光源信号;
所述光学池用于承载被测液体,并将光源组件发出的光源信号传递至光电探测组件中,以使光电探测组件接收经过被测液体吸收过的光信号;
所述光电探测组件用于探测光学池所传递的光信号,并将探测得到的光信号转换为电信号之后,将电信号传输至信号处理组件中;
所述信号处理组件用于对光电探测组件传输的电信号进行处理,以使电信号转换为控制组件的输入数据类型,得到目标电信号;
所述控制组件用于将信号处理组件传输的目标电信号拟合为全光谱信号,并采用机器学习算法对全光谱信号进行建模,以确定被测液体的水质;
所述控制组件还用于向光源组件发出控制指令,以使光源组件向光学池发出多个不同波点对应的光源信号;
所述光源组件包括多个不同波段LED光源构成的激发光源,并定制集成封装多波长LEDs;
每个所述LED光源独立点亮以及关闭,且点亮的电流独立调控;
所述光电探测组件设置为紫外波段、可见波段以及近红外波段的三段式LED光敏接收器,其包括至少三个光信号接收器,分别为第一光信号接收器、第二光信号接收器以及第三光信号接收器;
所述第一光信号接收器以及第二光信号接收器为紫外波段接收器;
所述第三光信号接收器为可见波段以及近红外波段复用的接收器;
所述信号处理组件包括放大电路、整形电路、滤波电路以及模数转换电路;
所述放大电路用于对光电探测组件产生的电信号进行放大,以获取放大后的电信号;
所述整形电路用于对放大后的电信号进行整形,以获取整形后的电信号;
所述滤波电路用于对整形后的电信号进行滤波,以获取滤波后的电信号;
所述模数转换电路用于对滤波后的电信号进行模数转换,以获取目标电信号;
将信号处理组件传输的目标电信号拟合为全光谱信号,并采用机器学习算法对全光谱信号进行建模,以确定被测液体的水质,包括:
获取信号处理组件传输的多组第一目标电信号,所述第一目标电信号用于表征光学池通入纯净水时所采集不同波点上的信号;
获取信号处理组件传输的多组第二目标电信号,所述第二目标电信号用于表征光学池通入被测液体时所采集不同波点上的信号;
对第一目标信号以及第二目标信号进行预处理,得到预处理后的第一目标信号以及第二目标信号,并根据预处理后的第一目标信号以及第二目标信号,获取各波点的吸光度值;
以所述各波点的吸光度值为基础,拟合全光谱信号,并对拟合的全光谱信号进行校验,以获取当前校验通过的全光谱信号;
获取历史校验通过的全光谱信号,并以所述历史校验通过的全光谱信号构建训练数据集;
采用机器学习算法构建水质检测模型,并以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型;
以当前校验通过的全光谱信号作为训练完成的水质检测模型的输入数据,以获取被测液体的水质。
2.根据权利要求1所述的多波段拟合全光谱水质检测系统,其特征在于,所述光学池的入口设置有滤网,以滤除被测液体中的杂质。
3.根据权利要求1所述的多波段拟合全光谱水质检测系统,其特征在于,对第一目标信号以及第二目标信号进行预处理,得到预处理后的第一目标信号以及第二目标信号,包括:
针对多组第一目标电信号,获取第一目标电信号的第一平均值以及第一标准差,当第一目标电信号与第一平均值之间的第一偏差大于三倍第一标准差时,对第一目标电信号进行处理,获取预处理后的第一目标电信号;
针对多组第二目标电信号,获取第二目标电信号的第二平均值以及第二标准差,当第二目标电信号与第二平均值之间的第二偏差大于三倍第二标准差时,对第二目标电信号进行处理,获取预处理后的第二目标电信号。
4.根据权利要求3所述的多波段拟合全光谱水质检测系统,其特征在于,以所述各波点的吸光度值为基础,拟合全光谱信号,包括:
以不同波点对应的多组吸光度值构建数据矩阵,并以所述数据矩阵为基础,采用三次B-Spline进行数据拟合,获取全光谱信号。
5.根据权利要求4所述的多波段拟合全光谱水质检测系统,其特征在于,对拟合的全光谱信号进行校验,以获取当前校验通过的全光谱信号,包括:
通过全光谱水质分析仪获取真实全光谱信号,并获取真实全光谱信号与拟合的全光谱信号之间的相似度;
判断相似度是否大于设定阈值,若是,则确定对应拟合的全光谱信号校验通过,否则确定对应拟合的全光谱信号校验未通过;
获取当前校验通过的全光谱信号之后,还包括:对当前校验通过的全光谱信号进行插值处理;
获取历史校验通过的全光谱信号之后,还包括:对历史校验通过的全光谱信号进行插值处理;
以所述历史校验通过的全光谱信号构建训练数据集,包括:获取历史校验通过的全光谱信号对应的水质指标数据,以历史校验通过的全光谱信号以及存在对应关系的水质指标数据构建训练数据集。
6.根据权利要求5所述的多波段拟合全光谱水质检测系统,其特征在于,采用机器学习算法构建水质检测模型,并以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型,包括:
采用ANN算法构建水质检测模型;
以所述训练数据集对水质检测模型进行训练,获取训练完成的水质检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454794.4A CN117451640B (zh) | 2023-11-03 | 2023-11-03 | 一种多波段拟合全光谱水质检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454794.4A CN117451640B (zh) | 2023-11-03 | 2023-11-03 | 一种多波段拟合全光谱水质检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117451640A CN117451640A (zh) | 2024-01-26 |
CN117451640B true CN117451640B (zh) | 2024-04-26 |
Family
ID=89596322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311454794.4A Active CN117451640B (zh) | 2023-11-03 | 2023-11-03 | 一种多波段拟合全光谱水质检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451640B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
WO2019232448A1 (en) * | 2018-06-01 | 2019-12-05 | Orb Xyz, Inc. | Detecting an analyte in a medium |
CN112504986A (zh) * | 2021-02-05 | 2021-03-16 | 成都益清源科技有限公司 | 一种有效提升全光谱信号质量的光学探头 |
-
2023
- 2023-11-03 CN CN202311454794.4A patent/CN117451640B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019232448A1 (en) * | 2018-06-01 | 2019-12-05 | Orb Xyz, Inc. | Detecting an analyte in a medium |
CN109001136A (zh) * | 2018-09-20 | 2018-12-14 | 杭州绿洁水务科技股份有限公司 | 一种基于紫外—可见光吸收光谱的cod在线监测方法 |
CN112504986A (zh) * | 2021-02-05 | 2021-03-16 | 成都益清源科技有限公司 | 一种有效提升全光谱信号质量的光学探头 |
Also Published As
Publication number | Publication date |
---|---|
CN117451640A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106644974B (zh) | 一种水质检测装置及其检测方法 | |
CN106198424B (zh) | 一种基于全光谱水质在线监测设备及其监测方法 | |
CN102661923A (zh) | 一种复合型水质多参数在线自动监测仪 | |
CN203275288U (zh) | 一种集合光谱和传感器技术的水质多参数在线自动监测仪 | |
CN105606666A (zh) | 一种基于气体传感器的便携式开关柜局放检测装置及方法 | |
CN111351762A (zh) | 一种紫外-可见光全波长扫描污水水质在线快速检测方法和应用 | |
CN104165853A (zh) | 一种光谱法水体环境在线测量装置 | |
CN111487224B (zh) | 一种基于光能量积分球的水质检测监测系统装置及方法 | |
CN111650141B (zh) | 一种基于多波长吸光度的水质监测方法、仪器和系统 | |
CN110907375A (zh) | 一种全光谱水质在线监测装置与方法 | |
CN112504983A (zh) | 一种基于浊度色度补偿的硝酸盐浓度预测方法 | |
CN117451640B (zh) | 一种多波段拟合全光谱水质检测系统 | |
CN205958442U (zh) | 一种基于光谱测量技术的双光路水体环境在线测量装置 | |
CN113283072B (zh) | 一种适用于多场景条件的水体cod检测方法 | |
CN1580739A (zh) | Cod在线检测方法及仪器 | |
CN209349087U (zh) | 一种茶叶质量检测分类系统 | |
CN114739924A (zh) | 一种检测水质的补偿方法 | |
CN201503394U (zh) | 实时检测水体化学需氧量仪器 | |
CN212228727U (zh) | 一种水质在线监测系统 | |
CN116148200B (zh) | 水质分析仪 | |
CN108956511B (zh) | 适用于生活污水氨氮在线检测的设备及方法 | |
CN111965125A (zh) | 一种水质在线监测系统及监测方法 | |
CN111929262A (zh) | 水质cod预测方法 | |
CN204177735U (zh) | 一种光谱法水体环境在线测量装置 | |
CN108956517A (zh) | 一种实时在线连续监测硫酸根浓度的装置及其使用方法 |
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 |