CN118130396B - 水质浊度检测方法、装置、浊度传感器及存储介质 - Google Patents
水质浊度检测方法、装置、浊度传感器及存储介质 Download PDFInfo
- Publication number
- CN118130396B CN118130396B CN202410553889.XA CN202410553889A CN118130396B CN 118130396 B CN118130396 B CN 118130396B CN 202410553889 A CN202410553889 A CN 202410553889A CN 118130396 B CN118130396 B CN 118130396B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- analysis
- water quality
- characteristic
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 233
- 238000001514 detection method Methods 0.000 title claims abstract description 146
- 238000001228 spectrum Methods 0.000 claims description 269
- 238000010183 spectrum analysis Methods 0.000 claims description 126
- 238000004458 analytical method Methods 0.000 claims description 95
- 239000003344 environmental pollutant Substances 0.000 claims description 70
- 231100000719 pollutant Toxicity 0.000 claims description 70
- 230000003595 spectral effect Effects 0.000 claims description 58
- 239000000356 contaminant Substances 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 48
- 238000013507 mapping Methods 0.000 claims description 44
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000001831 conversion spectrum Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000470 constituent Substances 0.000 claims description 9
- 238000012351 Integrated analysis Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013506 data mapping Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002189 fluorescence spectrum Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000008239 natural water Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002211 ultraviolet spectrum Methods 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
- G01N21/643—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" non-biological material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水质检测的技术领域，公开了一种水质浊度检测方法、装置、浊度传感器及存储介质，本发明通过对水质样本进行多轮加速来模拟水质样本在不同流速环境下的表现，从而获取水质样本在不同流速环境下的光谱特征，由于不同的污染物在不同的流速环境下的光谱表现不同，因此通过对水质样本在不同流速环境下的光谱特征的分析，可以得到水质样本中的浊度是由哪些污染物导致的，这些污染物的占比是如何的，解决了现有技术中在静置状态下对水质样本的检测无法高效地检测出浊度的污染物构成的问题。
Description
技术领域
本发明涉及水质检测的技术领域，尤其涉及一种水质浊度检测方法、装置、浊度传感器及存储介质。
背景技术
在水资源管理和环境监测领域，水质浊度的检测是一项基本而重要的任务。水质浊度通常被用作评估水体污染程度的指标之一，它反映了水体中悬浮颗粒物的数量和大小，这些悬浮颗粒物可能包括泥沙、微生物、有机物颗粒等。
在现有的技术手段中，通常在静置状态下对水质样本进行检测，这种检测方式无法有效地反馈在实际环境中流动形态下的浊度，同时对水质样本中的浊度的污染物构成也难以查明。
发明内容
本发明的目的在于提供一种水质浊度检测方法、装置、浊度传感器及存储介质，旨在解决现有技术中在静置状态下对水质样本的检测无法高效地检测出浊度的污染物构成的问题。
本发明是这样实现的，第一方面，本发明提供一种水质浊度检测方法，包括：
采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱；其中，所述水质样本的各个所述流动形态分别具有对应的流速属性；
根据各个所述检测光谱对应的所述流动形态的流速属性，将各个所述检测光谱进行排列处理，得到所述水质样本的连续流速分析序列；
基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列；其中，所述光谱分析特征序列包括若干个依次排列的光谱分析特征图谱，所述光谱分析特征图谱用于对所述检测光谱进行特征反馈，所述光谱差异特征序列包括若干个依次排列的光谱差异特征图谱，所述光谱差异特征图谱用于描述各个所述检测光谱之间的特征差异；
根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果；其中，所述浊度评估结果用于描述所述水质样本的浊度。
优选地，采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱的步骤包括：
采集所述水质样本；
重复使用液体加速装置对所述水质样本进行若干轮的加速，得到所述水质样本的各个所述流动形态；
每当所述水质样本处于一个所述流动形态时，驱动光谱检测装置对处于所述流动形态的所述水质样本进行光谱检测，得到所述水质样本在各个所述流动形态下的检测光谱。
优选地，基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列的步骤包括：
基于所述连续流速分析序列，对各个所述检测光谱进行光谱特征的分析处理，得到对应所述连续流速分析序列的各个所述检测光谱的若干光谱分析特征图谱，将各个所述光谱分析特征图谱进行依次排列，得到所述光谱分析特征序列；
基于所述光谱分析特征序列，对各个所述光谱分析特征图谱进行特征差异的分析处理，得到对应所述光谱分析特征序列的各个所述光谱分析特征图谱的若干光谱特征差异图谱，将各个所述光谱特征差异图谱进行依次排列，得到所述光谱特征差异序列。
优选地，基于所述连续流速分析序列，对各个所述检测光谱进行光谱特征的分析处理，得到对应所述连续流速分析序列的各个所述检测光谱的若干光谱分析特征图谱的步骤包括：
对所述检测光谱进行透明度特征的特征提取处理，得到所述检测光谱的透明度特征图谱；
获取所述检测光谱对应的流速属性，并从数据库中调取各个污染物对应当前的所述流速属性的流速影响参数；其中，所述流速影响参数用于描述所述污染物在当前的所述流速属性下的受影响程度；
根据各个所述污染物的流速影响参数构建对应的数据映射滤镜，以对所述检测光谱进行数据转换处理，得到对应所述检测光谱的转换光谱；其中，所述数据映射滤镜包括影像层、滤镜层以及原体层，所述影像层用于代入所述检测光谱，所述滤镜层用于代入所述流速影响参数，所述原体层用于根据所述滤镜层对所述影像层进行数据转换处理，从而得到对应所述检测光谱的转换光谱，所述转换光谱用于描述所述检测光谱在排除所述流速属性的影响下展现出的光谱数据；
从数据库中调取各个所述污染物对应的光谱表现特征，根据各个所述污染物对应的光谱表现特征对所述转换光谱进行成分组合的可能性分析处理，得到对应所述转换光谱的可能性成分图谱；其中，所述可能性成分图谱用于描述对应所述转换光谱的所述水质样本中各个污染物的若干可能性的成分配比；
将对应相同所述检测光谱的所述透明度特征图谱和所述可能性成分图谱共同作为所述检测光谱的光谱分析特征图谱。
优选地，基于所述光谱分析特征序列，对各个所述光谱分析特征图谱进行特征差异的分析处理，得到对应所述光谱分析特征序列的各个所述光谱分析特征图谱的若干光谱特征差异图谱的步骤包括：
对所述光谱分析特征序列的各个所述光谱分析特征图谱的透明度特征图谱进行变化分析处理，得到所述透明度特征图谱的透明度变化特征图谱；
对所述光谱分析特征序列的各个所述光谱分析特征图谱的可能性成分图谱进行差异分析处理，得到所述可能性成分图谱的可能性变化特征图谱；
将所述透明度变化特征图谱与所述可能性变化特征图谱共同作为所述光谱特征差异图谱。
优选地，根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果的步骤包括：
对所述光谱分析特征序列的各个所述透明度特征图谱进行整合分析，得到所述水质样本对应各个所述流速属性的外观浊度评估，将各个所述外观浊度评估按照对应的所述流速属性进行排列处理，得到外观浊度评估序列；
根据所述光谱分析特征序列的各个所述可能性成分图谱生成对应各个所述污染物的第一成分确信因子；其中，所述第一成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
根据所述光谱差异特征序列的各个所述透明度变化特征图谱生成对应各个所述污染物的第二成分确信因子；其中，所述第二成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
根据所述光谱差异特征序列的各个所述可能性变化特征图谱生成对应各个所述污染物的第三成分确信因子；其中，所述第三成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
基于所述第一成分确信因子、所述第二成分确信因子以及所述第三成分确信因子进行整合分析处理，得到所述污染物的成分因子；其中，所述成分因子用于描述所述污染物在所述水质样本中的占比；
将所述外观浊度评估序列和各个所述污染物的成分因子共同作为所述水质样本的浊度评估结果。
优选地，根据所述光谱差异特征序列的各个所述可能性变化特征图谱生成对应各个所述污染物的第三成分确信因子的步骤包括：
获取所述可能性变化特征图谱对应的两个可能性成分图谱的流速属性，将两个所述流速属性分别记录为第一属性和第二属性；
从数据库中调取各个所述污染物对应所述第一属性和所述第二属性的流速影响参数，并对各个所述污染物对应所述第一属性和所述第二属性的流速影响参数进行差异计算处理，得到各个所述污染物的流速影响变化特征；其中，所述流速影响变化特征用于描述当所述水质样本的所述流动形态经过所述第一属性和所述第二属性之间的变化时对所述污染物带来的影响；
将所述可能性变化特征图谱作为映射目标，将各个所述污染物的流速影响变化特征作为各个映射主体，对所述映射目标与各个所述映射主体进行映射关联性的计算处理，得到所述映射目标与各个所述映射主体之间的映射关联性；其中，所述映射关联性包括对应各个所述污染物的映射系数，所述映射系数用于描述所述污染物在所述水质样本中占比的可能性；
将所述污染物的所述映射系数作为所述第三成分确信因子。
第二方面，本发明提供一种水质浊度检测装置，包括：
光谱检测模块，用于采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱；其中，所述水质样本的各个所述流动形态分别具有对应的流速属性；
初步分析模块，用于根据各个所述检测光谱对应的所述流动形态的流速属性，将各个所述检测光谱进行排列处理，得到所述水质样本的连续流速分析序列；
深度分析模块，用于基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列；其中，所述光谱分析特征序列包括若干个依次排列的光谱分析特征图谱，所述光谱分析特征图谱用于对所述检测光谱进行特征反馈，所述光谱差异特征序列包括若干个依次排列的光谱差异特征图谱，所述光谱差异特征图谱用于描述各个所述检测光谱之间的特征差异；
水质评估模块，用于根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果；其中，所述浊度评估结果用于描述所述水质样本的浊度。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在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第一方面任一项所述的一种水质浊度检测方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如第一方面中任一项所述的一种水质浊度检测方法。
本发明提供了一种水质浊度检测方法，具有以下有益效果：
本发明通过对水质样本进行多轮加速来模拟水质样本在不同流速环境下的表现，从而获取水质样本在不同流速环境下的光谱特征，由于不同的污染物在不同的流速环境下的光谱表现不同，因此通过对水质样本在不同流速环境下的光谱特征的分析，可以得到水质样本中的浊度是由哪些污染物导致的，这些污染物的占比是如何的，解决了现有技术中在静置状态下对水质样本的检测无法高效地检测出浊度的污染物构成的问题。
附图说明
图1是本发明实施例提供的一种水质浊度检测方法的步骤示意图；
图2是本发明实施例提供的一种水质浊度检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的实现进行详细的描述。
参照图1、图2所示，为本发明提供较佳实施例。
第一方面，本发明提供一种水质浊度检测方法，包括：
S1：采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱；其中，所述水质样本的各个所述流动形态分别具有对应的流速属性；
S2：根据各个所述检测光谱对应的所述流动形态的流速属性，将各个所述检测光谱进行排列处理，得到所述水质样本的连续流速分析序列；
S3：基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列；其中，所述光谱分析特征序列包括若干个依次排列的光谱分析特征图谱，所述光谱分析特征图谱用于对所述检测光谱进行特征反馈，所述光谱差异特征序列包括若干个依次排列的光谱差异特征图谱，所述光谱差异特征图谱用于描述各个所述检测光谱之间的特征差异；
S4：根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果；其中，所述浊度评估结果用于描述所述水质样本的浊度。
具体地，在本发明提供的实施例的步骤S1中，从目标水体中采集水样，这一步骤需要确保样本能够代表性地反映水体的整体水质情况，避免污染和杂质的干扰。
更具体地，将水质样本放入一个能够产生加速流动的装置中，这种装置可以是离心机、泵或其他流体动力学设备，目的是通过加速驱动产生不同的流动形态，对样本进行若干轮次的加速驱动，每一轮的加速度或流速可以不同，以获取多种流动形态。
更具体地，对每个不同的流动形态分别进行光谱检测，这可以通过将流动的水样通过光谱仪的检测区域实现，光谱检测可以使用紫外/可见光谱、红外光谱、荧光光谱等多种光谱技术，以便全面分析水样中的物质成分。
更具体地，收集得到的各个流动形态的检测光谱数据，并进行分析，这一步骤通常需要软件支持，以识别和量化水样中的各种化合物。
可以理解的是，不同流动形态可以帮助区分在静态条件下难以分辨的物质，因为某些物质可能在特定流动条件下展现出更为明显的光谱特征，通过改变流动形态，可以调整样品中物质的聚集状态或解离状态，从而检测到更多种类的物质，加速驱动产生的不同流动形态可以模拟自然水体中的多种流动情况，使得样本检测结果更加接近自然水体的真实状况。
此外，还可以通过并行处理多个流动形态的样本，可以在较短的时间内完成大量样品的分析，提高了检测的效率。
具体地，在本发明提供的实施例的步骤S2中，在进行加速驱动产生不同流动形态时，准确记录每个状态下的流速或相应的流速属性（如流速大小、加速度等）。
更具体地，对每个流动形态下的水质样本进行光谱检测，同时将得到的光谱数据与其对应的流速属性相标记，确保每份光谱数据都能准确对应到其流速属性。
更具体地，根据记录的流速属性，将所有光谱检测结果按流速从低到高（或从高到低）的顺序进行排列，这一步骤需要专门的数据处理软件或脚本来自动化完成，通过上述排列处理，生成代表水质样本在不同流速条件下的光谱变化的连续流速分析序列。这个序列反映了样本随流速变化的动态特性。
可以理解的是，通过将光谱数据与流速属性相结合，形成的连续流速分析序列能更好地反映水样在动态条件下的物质组成和变化，提供了更连贯的数据视角，连续流速分析序列有助于识别在特定流速下突现的物质特征，增加了对微量污染物的检测能力，从而提升分析的精度，该方法便于监测水体在自然环境中由于流速变化而引起的水质变化，对于评估水体自净能力和污染物扩散具有重要意义，基于流速变化的连续光谱数据可以用于建立更精确的水质模型，有助于预测在特定环境条件下水质的变化趋势。
具体地，在本发明提供的实施例的步骤S3中，对连续流速分析序列中的每个检测光谱进行必要的预处理，包括噪声降低、基线校正、归一化等，以提高后续分析的准确性和可靠性，对每个预处理后的检测光谱进行特征提取，识别光谱中的关键特征，根据提取的特征，生成光谱分析特征图谱，每个图谱对应一个检测光谱的特征反馈。
更具体地，将所有光谱分析特征图谱依据其在连续流速分析序列中的位置顺序排列，形成光谱分析特征序列，分析连续流速分析序列中相邻检测光谱之间的特征差异，识别并量化这些差异，根据差异分析结果，生成光谱差异特征图谱，每个图谱描述两个相邻检测光谱之间的特征差异，将所有光谱差异特征图谱依据其在连续流速分析序列中的位置顺序排列，形成光谱差异特征序列。
可以理解的是，通过光谱分析特征序列和光谱差异特征序列，能够更细致地掌握水质样本随流速变化的具体物质组成及其变化趋势，增加了分析的维度和深度，光谱分析特征序列和光谱差异特征序列的建立，使得可以更准确地识别和跟踪随流速变化而表现出来的特定物质的特征，有助于揭示水质变化的微观机理。
具体地，在本发明提供的实施例的步骤S4中，使用光谱分析特征序列和光谱差异特征序列进行水质样本的浊度还原分析，得到浊度评估结果的过程，旨在利用光谱数据深入分析和预测水质的浊度。这种方法不仅能提高浊度评估的精确度，还能实现对水体浊度动态变化的实时监测。
本发明提供了一种水质浊度检测方法，具有以下有益效果：
本发明通过对水质样本进行多轮加速来模拟水质样本在不同流速环境下的表现，从而获取水质样本在不同流速环境下的光谱特征，由于不同的污染物在不同的流速环境下的光谱表现不同，因此通过对水质样本在不同流速环境下的光谱特征的分析，可以得到水质样本中的浊度是由哪些污染物导致的，这些污染物的占比是如何的，解决了现有技术中在静置状态下对水质样本的检测无法高效地检测出浊度的污染物构成的问题。
优选地，采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱的步骤包括：
S11：采集所述水质样本；
S12：重复使用液体加速装置对所述水质样本进行若干轮的加速，得到所述水质样本的各个所述流动形态；
S13：每当所述水质样本处于一个所述流动形态时，驱动光谱检测装置对处于所述流动形态的所述水质样本进行光谱检测，得到所述水质样本在各个所述流动形态下的检测光谱。
具体地，从指定水体中采集水质样本，在采集过程中确保样本的代表性，避免污染和混入不相关的物质，将水质样本置于液体加速装置中，例如离心机或其他能够产生流动的设备，对样本进行若干轮加速处理，每轮加速可能有不同的强度和持续时间，以模拟不同的流动形态。
更具体地，在每次加速后，当水质样本达到特定的流动形态时，使用光谱检测装置对样本进行光谱分析，光谱检测可能包括不同类型的光谱技术，如紫外/可见光谱、红外光谱、荧光光谱等，以全面捕捉样本的光谱特性，记录每个流动形态下的光谱数据，并对这些数据进行初步分析。
可以理解的是，通过在不同流动形态下对样本进行光谱检测，可以更全面地了解水质样本的物质组成和特性，不同流动形态模拟了自然环境中水体的各种条件，使得数据更具代表性，提高了分析的准确性，分析不同流动形态下的光谱变化，有助于理解流动条件如何影响水体中的化学物质分布和反应。
优选地，基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列的步骤包括：
S31：基于所述连续流速分析序列，对各个所述检测光谱进行光谱特征的分析处理，得到对应所述连续流速分析序列的各个所述检测光谱的若干光谱分析特征图谱，将各个所述光谱分析特征图谱进行依次排列，得到所述光谱分析特征序列；
S32：基于所述光谱分析特征序列，对各个所述光谱分析特征图谱进行特征差异的分析处理，得到对应所述光谱分析特征序列的各个所述光谱分析特征图谱的若干光谱特征差异图谱，将各个所述光谱特征差异图谱进行依次排列，得到所述光谱特征差异序列。
具体地，基于连续流速分析序列，对每一个检测光谱进行详细的分析，以识别出其光谱特征，这些光谱特征被用于生成光谱分析特征图谱，每个图谱代表一个特定流动形态下水质样本的光谱特性。
更具体地，将所有光谱分析特征图谱根据其在连续流速分析序列中的顺序进行排列，生成一个完整的光谱分析特征序列，这个序列展示了样本随流速变化的光谱特性变化趋势，接着，基于光谱分析特征序列，对每一对相邻的光谱分析特征图谱进行差异分析，识别并记录它们之间的光谱特征差异，这些差异被用于生成光谱特征差异图谱，每个图谱展示了相邻状态之间光谱特征的变化。
更具体地，将所有光谱特征差异图谱根据它们在光谱分析特征序列中的位置进行排列，形成一个光谱特征差异序列，这个序列直观地展示了样本的光谱特征如何随流速连续变化。
可以理解的是，通过光谱特征和差异的细致分析，可以更深入地理解水质样本在不同流动条件下的物质组成及其变化，有助于揭示更复杂的水质变化机制，光谱分析特征序列和光谱特征差异序列的建立，为样本在不同流动形态下的变化提供了清晰的连贯视图，使得分析结果更加直观和易于理解。
优选地，基于所述连续流速分析序列，对各个所述检测光谱进行光谱特征的分析处理，得到对应所述连续流速分析序列的各个所述检测光谱的若干光谱分析特征图谱的步骤包括：
S311：对所述检测光谱进行透明度特征的特征提取处理，得到所述检测光谱的透明度特征图谱；
S312：获取所述检测光谱对应的流速属性，并从数据库中调取各个污染物对应当前的所述流速属性的流速影响参数；其中，所述流速影响参数用于描述所述污染物在当前的所述流速属性下的受影响程度；
S313：根据各个所述污染物的流速影响参数构建对应的数据映射滤镜，以对所述检测光谱进行数据转换处理，得到对应所述检测光谱的转换光谱；其中，所述数据映射滤镜包括影像层、滤镜层以及原体层，所述影像层用于代入所述检测光谱，所述滤镜层用于代入所述流速影响参数，所述原体层用于根据所述滤镜层对所述影像层进行数据转换处理，从而得到对应所述检测光谱的转换光谱，所述转换光谱用于描述所述检测光谱在排除所述流速属性的影响下展现出的光谱数据；
S314：从数据库中调取各个所述污染物对应的光谱表现特征，根据各个所述污染物对应的光谱表现特征对所述转换光谱进行成分组合的可能性分析处理，得到对应所述转换光谱的可能性成分图谱；其中，所述可能性成分图谱用于描述对应所述转换光谱的所述水质样本中各个污染物的若干可能性的成分配比；
S315：将对应相同所述检测光谱的所述透明度特征图谱和所述可能性成分图谱共同作为所述检测光谱的光谱分析特征图谱。
具体地，对采集到的每个检测光谱进行透明度特征的提取，生成透明度特征图谱，这一步骤可以揭示水质样本的基本透明度条件，为进一步的分析提供基础信息。
更具体地，记录检测光谱时的流速属性，并从数据库中调取相应的污染物在当前流速属性下的流速影响参数，这些参数描述了污染物在特定流速下的受影响程度，为后续分析提供了重要的调整依据。
更具体地，利用流速影响参数构建数据映射滤镜，该滤镜包含影像层、滤镜层及原体层，通过这一复合结构对检测光谱进行数据转换，生成转换光谱。这一步骤旨在排除流速属性的影响，得到更为准确的污染物光谱数据。
更具体地，根据污染物的光谱表现特征，对转换光谱进行成分组合的可能性分析，生成可能性成分图谱，这个图谱描述了水质样本中各污染物的可能组合及其比例，为识别和量化污染物提供了依据。
更具体地，将透明度特征图谱和可能性成分图谱结合起来，共同作为该检测光谱的光谱分析特征图谱，这一综合图谱为后续的水质分析和评估提供了全面的信息。
可以理解的是，通过考虑流速的影响并进行相应的数据转换，可以更精确地分析水质样本中的污染物，从而提高水质评估的准确性和深度，利用可能性成分图谱，可以有效地识别和量化样本中的各种污染物，尤其是在复杂水体系统中，这种方法对于追踪和控制污染源具有重要价值，通过从原始光谱数据中排除流速的干扰，得到的转换光谱能够更真实地反映污染物的光谱特性，使得数据解释更为准确和可靠。
优选地，基于所述光谱分析特征序列，对各个所述光谱分析特征图谱进行特征差异的分析处理，得到对应所述光谱分析特征序列的各个所述光谱分析特征图谱的若干光谱特征差异图谱的步骤包括：
S321：对所述光谱分析特征序列的各个所述光谱分析特征图谱的透明度特征图谱进行变化分析处理，得到所述透明度特征图谱的透明度变化特征图谱；
S322：对所述光谱分析特征序列的各个所述光谱分析特征图谱的可能性成分图谱进行差异分析处理，得到所述可能性成分图谱的可能性变化特征图谱；
S323：将所述透明度变化特征图谱与所述可能性变化特征图谱共同作为所述光谱特征差异图谱。
具体地，对光谱分析特征序列中每个光谱分析特征图谱的透明度特征图谱进行变化分析，这个分析旨在识别透明度随时间或条件变化的趋势和特点，生成透明度变化特征图谱。
更具体地，对光谱分析特征序列中的可能性成分图谱进行差异分析，这一步骤关注的是不同光谱分析特征图谱间污染物成分比例的变化，旨在揭示污染物成分随条件变化的动态特性，生成可能性变化特征图谱。
更具体地，将得到的透明度变化特征图谱和可能性变化特征图谱结合，共同构成每个检测状态的光谱特征差异图谱，这些差异图谱提供了从透明度和成分两个维度观察水质变化的视角。
可以理解的是，通过同时观察透明度和污染物成分的变化，可以从更多维度理解水质的变化情况，增加分析的深度和广度，能够跟踪水质随时间或条件变化的具体趋势，对于实时监测和预测水质变化提供了强有力的工具，通过对比分析不同条件下的光谱数据，可以更准确地识别和量化水中的污染物，减少单一数据点分析可能产生的误差。
优选地，根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果的步骤包括：
S41：对所述光谱分析特征序列的各个所述透明度特征图谱进行整合分析，得到所述水质样本对应各个所述流速属性的外观浊度评估，将各个所述外观浊度评估按照对应的所述流速属性进行排列处理，得到外观浊度评估序列；
S42：根据所述光谱分析特征序列的各个所述可能性成分图谱生成对应各个所述污染物的第一成分确信因子；其中，所述第一成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
S43：根据所述光谱差异特征序列的各个所述透明度变化特征图谱生成对应各个所述污染物的第二成分确信因子；其中，所述第二成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
S44：根据所述光谱差异特征序列的各个所述可能性变化特征图谱生成对应各个所述污染物的第三成分确信因子；其中，所述第三成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
S45：基于所述第一成分确信因子、所述第二成分确信因子以及所述第三成分确信因子进行整合分析处理，得到所述污染物的成分因子；其中，所述成分因子用于描述所述污染物在所述水质样本中的占比；
S46：将所述外观浊度评估序列和各个所述污染物的成分因子共同作为所述水质样本的浊度评估结果。
具体地，通过整合分析光谱分析特征序列中的透明度特征图谱，评估不同流速属性下水质样本的外观浊度，将这些浊度评估根据流速属性进行排列，生成一个外观浊度评估序列。
更具体地，根据光谱分析特征序列中的可能性成分图谱，为每个污染物生成第一成分确信因子，反映各种污染物在水质样本中的占比可能性；利用光谱差异特征序列中的透明度变化特征图谱，为每个污染物生成第二成分确信因子，进一步描述污染物占比的可能性；基于光谱差异特征序列中的可能性变化特征图谱，生成每个污染物的第三成分确信因子，为污染物占比可能性提供更多细节。
需要说明的是，不同的污染物在水质样本中的不同占比会给水质样本的各项光谱表现带来不同的影响，因此在获取到水质样本的光谱表现后，可以进行逆推运算，从而得到水质样本中各种污染物的占比。
可以理解的是，由于不同污染物的在水质样本的不同占比存在着导致相同光谱表现的现象，因此需要采取多个状态下的光谱表现，根据多个状态下的光谱表现来进行共同推导，从而确定最终的结果。
更具体地，将第一、第二和第三成分确信因子进行整合分析，得到每个污染物的成分因子，这个因子综合描述了污染物在水质样本中的占比；可以理解的是，成分确信因子是水质样本中存在某种污染物的某种占比的可能性程度，每个成分确信因子均对该种污染物在水质样本中占据的各种占比进行对应的可能性的描述，因此将各个成分确信因子进行结合，即可得到该种污染物在水质样本中最具可能性的占比。
更具体地，结合外观浊度评估序列和所有污染物的成分因子，形成水质样本的综合浊度评估结果，这个结果为水质浊度和污染物成分提供了一个全面的视图。
可以理解的是，结合多个确信因子和外观浊度评估，可以更准确地反映水质样本的真实浊度情况，特别是在考虑到污染物成分的情况下，通过对污染物成分确信因子的分析，能够更有效地监测水中的污染物种类和浓度，有助于及时发现和处理水质问题。
优选地，根据所述光谱差异特征序列的各个所述可能性变化特征图谱生成对应各个所述污染物的第三成分确信因子的步骤包括：
S441：获取所述可能性变化特征图谱对应的两个可能性成分图谱的流速属性，将两个所述流速属性分别记录为第一属性和第二属性；
S442：从数据库中调取各个所述污染物对应所述第一属性和所述第二属性的流速影响参数，并对各个所述污染物对应所述第一属性和所述第二属性的流速影响参数进行差异计算处理，得到各个所述污染物的流速影响变化特征；其中，所述流速影响变化特征用于描述当所述水质样本的所述流动形态经过所述第一属性和所述第二属性之间的变化时对所述污染物带来的影响；
S443：将所述可能性变化特征图谱作为映射目标，将各个所述污染物的流速影响变化特征作为各个映射主体，对所述映射目标与各个所述映射主体进行映射关联性的计算处理，得到所述映射目标与各个所述映射主体之间的映射关联性；其中，所述映射关联性包括对应各个所述污染物的映射系数，所述映射系数用于描述所述污染物在所述水质样本中占比的可能性；
S444：将所述污染物的所述映射系数作为所述第三成分确信因子。
具体地，确定和记录可能性变化特征图谱对应的两个流速属性，分别作为第一属性和第二属性，从数据库中调取对应于第一属性和第二属性的污染物流速影响参数，然后，对这些参数进行差异计算，得出污染物的流速影响变化特征，这反映了污染物受流速变化影响的特性。
更具体地，将可能性变化特征图谱定位为映射目标，污染物的流速影响变化特征作为映射主体，计算它们之间的映射关联性，包括对应各个污染物的映射系数，这个映射系数用来描述污染物在水质样本中占比的可能性。
更具体地，基于映射系数，为每个污染物生成第三成分确信因子，这个确信因子综合反映了污染物在水质样本中的占比可能性。
可以理解的是，通过精确计算污染物的流速影响变化特征及其映射关联性，可以更准确地评估污染物在水质样本中的占比，从而提高水质评估的整体精度，此方法能够反映流速变化对污染物占比可能性的影响，有助于在动态变化的水质环境中进行有效监测。
参照图2所示，第二方面，本发明提供一种水质浊度检测装置，包括：
光谱检测模块，用于采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱；其中，所述水质样本的各个所述流动形态分别具有对应的流速属性；
初步分析模块，用于根据各个所述检测光谱对应的所述流动形态的流速属性，将各个所述检测光谱进行排列处理，得到所述水质样本的连续流速分析序列；
深度分析模块，用于基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列；其中，所述光谱分析特征序列包括若干个依次排列的光谱分析特征图谱，所述光谱分析特征图谱用于对所述检测光谱进行特征反馈，所述光谱差异特征序列包括若干个依次排列的光谱差异特征图谱，所述光谱差异特征图谱用于描述各个所述检测光谱之间的特征差异；
水质评估模块，用于根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果；其中，所述浊度评估结果用于描述所述水质样本的浊度。
在本实施例中，上述装置实施例中的各个模块的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在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第一方面任一项所述的一种水质浊度检测方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如第一方面中任一项所述的一种水质浊度检测方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种水质浊度检测方法，其特征在于，包括：
采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱；其中，所述水质样本的各个所述流动形态分别具有对应的流速属性；
根据各个所述检测光谱对应的所述流动形态的流速属性，将各个所述检测光谱进行排列处理，得到所述水质样本的连续流速分析序列；
基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列；其中，所述光谱分析特征序列包括若干个依次排列的光谱分析特征图谱，所述光谱分析特征图谱用于对所述检测光谱进行特征反馈，所述光谱差异特征序列包括若干个依次排列的光谱差异特征图谱，所述光谱差异特征图谱用于描述各个所述检测光谱之间的特征差异；
根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果；其中，所述浊度评估结果用于描述所述水质样本的浊度；
基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列的步骤包括：
基于所述连续流速分析序列，对各个所述检测光谱进行光谱特征的分析处理，得到对应所述连续流速分析序列的各个所述检测光谱的若干光谱分析特征图谱，将各个所述光谱分析特征图谱进行依次排列，得到所述光谱分析特征序列；
基于所述光谱分析特征序列，对各个所述光谱分析特征图谱进行特征差异的分析处理，得到对应所述光谱分析特征序列的各个所述光谱分析特征图谱的若干光谱特征差异图谱，将各个所述光谱特征差异图谱进行依次排列，得到所述光谱特征差异序列；
基于所述连续流速分析序列，对各个所述检测光谱进行光谱特征的分析处理，得到对应所述连续流速分析序列的各个所述检测光谱的若干光谱分析特征图谱的步骤包括：
对所述检测光谱进行透明度特征的特征提取处理，得到所述检测光谱的透明度特征图谱；
获取所述检测光谱对应的流速属性，并从数据库中调取各个污染物对应当前的所述流速属性的流速影响参数；其中，所述流速影响参数用于描述所述污染物在当前的所述流速属性下的受影响程度；
根据各个所述污染物的流速影响参数构建对应的数据映射滤镜，以对所述检测光谱进行数据转换处理，得到对应所述检测光谱的转换光谱；其中，所述数据映射滤镜包括影像层、滤镜层以及原体层，所述影像层用于代入所述检测光谱，所述滤镜层用于代入所述流速影响参数，所述原体层用于根据所述滤镜层对所述影像层进行数据转换处理，从而得到对应所述检测光谱的转换光谱，所述转换光谱用于描述所述检测光谱在排除所述流速属性的影响下展现出的光谱数据；
从数据库中调取各个所述污染物对应的光谱表现特征，根据各个所述污染物对应的光谱表现特征对所述转换光谱进行成分组合的可能性分析处理，得到对应所述转换光谱的可能性成分图谱；其中，所述可能性成分图谱用于描述对应所述转换光谱的所述水质样本中各个污染物的若干可能性的成分配比；
将对应相同所述检测光谱的所述透明度特征图谱和所述可能性成分图谱共同作为所述检测光谱的光谱分析特征图谱；
基于所述光谱分析特征序列，对各个所述光谱分析特征图谱进行特征差异的分析处理，得到对应所述光谱分析特征序列的各个所述光谱分析特征图谱的若干光谱特征差异图谱的步骤包括：
对所述光谱分析特征序列的各个所述光谱分析特征图谱的透明度特征图谱进行变化分析处理，得到所述透明度特征图谱的透明度变化特征图谱；
对所述光谱分析特征序列的各个所述光谱分析特征图谱的可能性成分图谱进行差异分析处理，得到所述可能性成分图谱的可能性变化特征图谱；
将所述透明度变化特征图谱与所述可能性变化特征图谱共同作为所述光谱特征差异图谱；
根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果的步骤包括：
对所述光谱分析特征序列的各个所述透明度特征图谱进行整合分析，得到所述水质样本对应各个所述流速属性的外观浊度评估，将各个所述外观浊度评估按照对应的所述流速属性进行排列处理，得到外观浊度评估序列；
根据所述光谱分析特征序列的各个所述可能性成分图谱生成对应各个所述污染物的第一成分确信因子；其中，所述第一成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
根据所述光谱差异特征序列的各个所述透明度变化特征图谱生成对应各个所述污染物的第二成分确信因子；其中，所述第二成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
根据所述光谱差异特征序列的各个所述可能性变化特征图谱生成对应各个所述污染物的第三成分确信因子；其中，所述第三成分确信因子用于描述所述污染物在所述水质样本中占比的各种可能性；
基于所述第一成分确信因子、所述第二成分确信因子以及所述第三成分确信因子进行整合分析处理，得到所述污染物的成分因子；其中，所述成分因子用于描述所述污染物在所述水质样本中的占比；
将所述外观浊度评估序列和各个所述污染物的成分因子共同作为所述水质样本的浊度评估结果。
2.如权利要求1所述的一种水质浊度检测方法，其特征在于，采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱的步骤包括：
采集所述水质样本；
重复使用液体加速装置对所述水质样本进行若干轮的加速，得到所述水质样本的各个所述流动形态；
每当所述水质样本处于一个所述流动形态时，驱动光谱检测装置对处于所述流动形态的所述水质样本进行光谱检测，得到所述水质样本在各个所述流动形态下的检测光谱。
3.如权利要求1所述的一种水质浊度检测方法，其特征在于，根据所述光谱差异特征序列的各个所述可能性变化特征图谱生成对应各个所述污染物的第三成分确信因子的步骤包括：
获取所述可能性变化特征图谱对应的两个可能性成分图谱的流速属性，将两个所述流速属性分别记录为第一属性和第二属性；
从数据库中调取各个所述污染物对应所述第一属性和所述第二属性的流速影响参数，并对各个所述污染物对应所述第一属性和所述第二属性的流速影响参数进行差异计算处理，得到各个所述污染物的流速影响变化特征；其中，所述流速影响变化特征用于描述当所述水质样本的所述流动形态经过所述第一属性和所述第二属性之间的变化时对所述污染物带来的影响；
将所述可能性变化特征图谱作为映射目标，将各个所述污染物的流速影响变化特征作为各个映射主体，对所述映射目标与各个所述映射主体进行映射关联性的计算处理，得到所述映射目标与各个所述映射主体之间的映射关联性；其中，所述映射关联性包括对应各个所述污染物的映射系数，所述映射系数用于描述所述污染物在所述水质样本中占比的可能性；
将所述污染物的所述映射系数作为所述第三成分确信因子。
4.一种水质浊度检测装置，其特征在于，用于实现权利要求1-3任意一项所述的一种水质浊度检测方法，包括：
光谱检测模块，用于采集水质样本，并对所述水质样本进行若干轮次的加速驱动，得到所述水质样本的若干个流动形态，对所述水质样本的各个所述流动形态分别进行光谱检测，得到所述水质样本的各个所述流动形态的检测光谱；其中，所述水质样本的各个所述流动形态分别具有对应的流速属性；
初步分析模块，用于根据各个所述检测光谱对应的所述流动形态的流速属性，将各个所述检测光谱进行排列处理，得到所述水质样本的连续流速分析序列；
深度分析模块，用于基于所述连续流速分析序列，对各个所述检测光谱进行光谱分析处理，得到光谱分析特征序列和光谱差异特征序列；其中，所述光谱分析特征序列包括若干个依次排列的光谱分析特征图谱，所述光谱分析特征图谱用于对所述检测光谱进行特征反馈，所述光谱差异特征序列包括若干个依次排列的光谱差异特征图谱，所述光谱差异特征图谱用于描述各个所述检测光谱之间的特征差异；
水质评估模块，用于根据所述光谱分析特征序列和所述光谱差异特征序列对所述水质样本进行浊度还原分析处理，得到所述水质样本的浊度评估结果；其中，所述浊度评估结果用于描述所述水质样本的浊度。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有可在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权利要求1至3任一项所述的一种水质浊度检测方法。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1-3中任一项所述的一种水质浊度检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410553889.XA CN118130396B (zh) | 2024-05-07 | 2024-05-07 | 水质浊度检测方法、装置、浊度传感器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410553889.XA CN118130396B (zh) | 2024-05-07 | 2024-05-07 | 水质浊度检测方法、装置、浊度传感器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118130396A CN118130396A (zh) | 2024-06-04 |
| CN118130396B true CN118130396B (zh) | 2024-07-09 |
Family
ID=91237969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410553889.XA Active CN118130396B (zh) | 2024-05-07 | 2024-05-07 | 水质浊度检测方法、装置、浊度传感器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118130396B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1090178A (ja) * | 1996-09-13 | 1998-04-10 | Matsushita Electric Works Ltd | 濁度検知装置 |
| CN105723206A (zh) * | 2013-11-24 | 2016-06-29 | 凯米罗总公司 | 过程流中阴离子电荷的光学测定 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE0202802D0 (sv) * | 2002-09-20 | 2002-09-20 | Astrazeneca Ab | New measuring technique |
| US20220018772A1 (en) * | 2009-03-17 | 2022-01-20 | Ecolab Usa Inc. | Method for Monitoring and Control of a Wastewater Process Stream |
| CN110887792A (zh) * | 2019-12-17 | 2020-03-17 | 深圳慧格科技服务咨询有限公司 | 一种基于无人机高光谱影像的河流水质快速监测系统 |
| WO2023230583A2 (en) * | 2022-05-25 | 2023-11-30 | Michigan Aerospace Corporation | System and method for optical remote measurement of water turbidity, bathymetry, and flow speed |
| CN117233116B (zh) * | 2023-11-09 | 2024-02-02 | 江西鼎智检测有限公司 | 一种基于机器视觉的水质分析方法及系统 |
-
2024
- 2024-05-07 CN CN202410553889.XA patent/CN118130396B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1090178A (ja) * | 1996-09-13 | 1998-04-10 | Matsushita Electric Works Ltd | 濁度検知装置 |
| CN105723206A (zh) * | 2013-11-24 | 2016-06-29 | 凯米罗总公司 | 过程流中阴离子电荷的光学测定 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118130396A (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chatzidakis et al. | Towards calibration-invariant spectroscopy using deep learning | |
| US7248370B2 (en) | Method to reduce background noise in a spectrum | |
| Place et al. | An introduction to the benchmarking and publications for non-targeted analysis working group | |
| Girod et al. | Aging of target lipid parameters in fingermark residue using GC/MS: effects of influence factors and perspectives for dating purposes | |
| CN112712108B (zh) | 一种拉曼光谱多元数据分析方法 | |
| Bödeker et al. | Peak finding and referencing in MCC/IMS-data | |
| Koss et al. | Dimensionality-reduction techniques for complex mass spectrometric datasets: application to laboratory atmospheric organic oxidation experiments | |
| CN117538492B (zh) | 建筑空间中污染物的在线检测方法及系统 | |
| JP2020101543A (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
| Lowe et al. | Predicting compound amenability with liquid chromatography-mass spectrometry to improve non-targeted analysis | |
| GB2561879A (en) | Spectroscopic analysis | |
| CN115420726B (zh) | 一种利用重构sers光谱快速识别目标物的方法 | |
| CN114544894A (zh) | 基于pmf模型的源解析不确定性分析方法及系统 | |
| Hohmann | Incorporating information on varying sedimentation rates into paleontological analyses | |
| CN118130396B (zh) | 水质浊度检测方法、装置、浊度传感器及存储介质 | |
| US9501822B2 (en) | Computer-implemented platform for automated fluorescence imaging and kinetic analysis | |
| Little et al. | Signal processing for molecular and cellular biological physics: an emerging field | |
| JP2021523385A (ja) | 化学分析装置及び方法 | |
| Szabo et al. | Online and Offline Prioritization of Chemicals of Interest in Suspect Screening and Non-targeted Screening with High-Resolution Mass Spectrometry | |
| Vosough et al. | Non-target screening in water analysis: recent trends of data evaluation, quality assurance, and their future perspectives | |
| Lennon et al. | Harmonized quality assurance/quality control provisions to assess completeness and robustness of MS1 data preprocessing for LC-HRMS-based suspect screening and non-targeted analysis | |
| Laursen et al. | Enhanced monitoring of biopharmaceutical product purity using liquid chromatography–mass spectrometry | |
| Aguilera et al. | Robustness in qualitative analysis: a practical approach | |
| CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
| Zhang et al. | Identification and confirmation algorithms for handheld analyzers |
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 |