一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法技术

本发明专利技术涉及水环境质量检测技术领域，尤其是一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法，具体步骤如下：测量水样的吸光度，根据吸光度判断是否需要对水样进行稀释；测量水样在紫外

【技术实现步骤摘要】
一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法


[0001]本专利技术涉及水环境质量检测
，尤其涉及一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法。

技术介绍

[0002]近年来，畜禽污水的排放已对环境造成比较严重的污染。化学需氧量(COD)是水体中还原性污染物被强氧化剂氧化所消耗的氧的数量。它作为污水中的主要污染因子，是评价水体被污染程度的一项重要综合性指标。总有机碳量(TOC)是水中有机物所含碳的总量，能完全反映有机物对水体的污染程度。
[0003]目前对COD的测定国内外标准方法主要采用高锰酸钾法和重铬酸钾法。此方法的不足在于需要消耗大量的化学药剂，分析成本高、时间长，重铬酸钾滴定的显色反应误差较大，易受到氯离子的干扰，而且不适宜对样品的批量分析和水质的在线监测。现代光谱技术可充分利用全谱段或多波长下的光谱数据进行定性或定量分析。TOC的测定主要利用燃烧氧化
‑
非分散红外吸收法，流程简单、重现性好、灵敏度高，在国内外被广泛采用。但是易受到水样中耐高温含碳物质的影响。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在在检测时，易受到水样中耐高温含碳物质的影响的缺点，而提出的一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]设计一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法，具体步骤如下：
[0007]步骤(1)、测量水样的吸光度，根据吸光度判断是否需要对水样进行稀释；
[0008]步骤(2)、测量水样在紫外
‑
可见光波长范围内的吸光度值；
[0009]步骤(3)、测量水样在红外波长范围内的吸光度值；
[0010]步骤(4)、将水样对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板；将水样对应的光谱值和COD标准值代入AI算法训练得出COD计算模板；
[0011]步骤(5)、建立起水样TOC和COD之间的关联关系模板；
[0012]步骤(6)、根据水样光谱值、TOC计算模板、TOC和COD之间的关联关系计算出水样的TOC/COD值。
[0013]优选的，在步骤(1)中，对水样进行稀释包括以下步骤：
[0014]A、选取水样在紫外光波长范围内的五个吸光度值作为初步浓度判断依据，若吸光度大于100COD标准溶液的吸光度值，则判断水样浓度超标，系统开始用稀释液对水样进行稀释；
[0015]B、若水样在初步浓度判断下，不超标，则选取水样在可见光波长范围内的五个吸光度值作为二次浓度判断依据，若吸光度大于100COD标准溶液在此波长的吸光度值，则判断水样浓度超标，则系统开始用稀释液对水样进行稀释；
[0016]C、若水样在二次浓度判断下，不超标，则选取水样在可见光波长范围内的五个吸光度值作为三次浓度判断依据，若吸光度大于100COD标准溶液在此波长的吸光度值，则判断水样浓度超标，则系统开始用稀释液对水样进行稀释；
[0017]D、若水样或稀释后的水样，同时在初次浓度判断、三次浓度判断下显示均不超标，则说明水样浓度适合，进行下一步测试。
[0018]优选的，在步骤(2)中，选取水样在100
‑
750nm波长范围内的全光谱吸光度值，通过AI训练学习，消除浊度对测量结果的影响。
[0019]优选的，在步骤(3)中，红外波长范围为750
‑
900nm。
[0020]优选的，在步骤(4)中，光谱值为吸光度，且光谱数据采集间隔为0.05
‑
5nm。
[0021]优选的，在步骤(6)中，水样的TOC/COD值需乘以水样稀释倍数。
[0022]本专利技术提出的一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法，有益效果在于：本专利技术利用稀释系统提升精确测量范围；利用紫外
‑
可见光谱的交叉计算消除浊度影响；利用AI深度学习直接建立起TOC和吸光度、COD与吸光度以及TOC与COD之间的关系模板，通过TOC与COD之间的交叉印证消除氯离子和耐高温含碳物质的影响，能够极大地提升水样TOC/COD测量的准确性，提升模板自身学习强化的能力，提供了一种基于光谱法和AI深度学习准确测量水中TOC/COD的新方法。本方法提高了测量范围、准确度和适用范围，在在线水质检测、智慧养殖场、无人污水处理厂、智能水厂等方面具有广泛的应用价值。
附图说明
[0023]图1为一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法的流程示意图。
[0024]图2为本专利技术TOC训练结果图。
[0025]图3为本专利技术COD训练结果图。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0027]参照图1
‑
3，一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法，包括以下步骤：
[0028]测量水样的吸光度，根据吸光度判断是否需要对水样进行稀释，吸光度的测量具有一定的测量仪器和测量标准，选择合适的光源和光谱仪测量即可；选取水样在紫外光波长范围内的五个吸光度值作为初步浓度判断依据，若吸光度大于100COD标准溶液的吸光度值，则判断水样浓度超标，系统开始用稀释液对水样进行稀释，稀释过程按照水样与稀释液体积1:1、1:2、1:3、
……
的方式进行；若水样在初步浓度判断下，不超标，则选取水样在可见光波长范围内的五个吸光度值作为二次浓度判断依据，若吸光度大于100COD标准溶液在此波长的吸光度值，则判断水样浓度超标，则系统开始用稀释液对水样进行稀释；若水样在二
次浓度判断下，不超标，则选取水样在可见光波长范围内的五个吸光度值作为三次浓度判断依据，若吸光度大于100COD标准溶液在此波长的吸光度值，则判断水样浓度超标，则系统开始用稀释液对水样进行稀释；若水样或稀释后的水样，同时在初次浓度判断、三次浓度判断下显示均不超标，则说明水样浓度适合，进行下一步测试。
[0029]测量水样在紫外
‑
可见光波长范围内的吸光度值；测量水样在近红外波长范围内的吸光度值。
[0030]将156个水样，选取125个作为训练样本，31个为测试样本，其对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板，根据线性相关度判断模板的契合度，图2为本专利技术所得TOC训练结果图，线性相关系数为0.989289，说明该TOC训练模板具有优异的契合度。
[0031]将128个水样，选取100个作为训练样本，28个为测试样本，其对应的光谱值和COD标准值代入AI算法训练得出COD计算模板，根据线性相关度判断模板的契合度，图3为本专利技术所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI深度学习的水质TOC和COD在线检测及交叉印证方法，其特征在于，具体步骤如下：步骤(1)、测量水样的吸光度，根据吸光度判断是否需要对水样进行稀释；步骤(2)、测量水样在紫外
‑
可见光波长范围内的吸光度值；步骤(3)、测量水样在红外波长范围内的吸光度值；步骤(4)、将水样对应的光谱值和TOC标准值代入AI算法训练得出TOC计算模板；将水样对应的光谱值和COD标准值代入AI算法训练得出COD计算模板；步骤(5)、建立起水样TOC和COD之间的关联关系模板；步骤(6)、根据水样光谱值、TOC计算模板、TOC和COD之间的关联关系计算出水样的TOC/COD值。2.根据权利要求1所述的基于AI深度学习的水质TOC和COD在线检测及交叉印证方法，其特征在于，在步骤(1)中，对水样进行稀释包括以下步骤：A、选取水样在紫外光波长范围内的五个吸光度值作为初步浓度判断依据，若吸光度大于100COD标准溶液的吸光度值，则判断水样浓度超标，系统开始用稀释液对水样进行稀释；B、若水样在初步浓度判断下，不超标，则选取水样在可见光波长范围内的五个吸光度值作为二次浓度判断依据，若吸光度大于100COD标准溶液在此波长的吸光度值，则判断水样浓度超标，则系统开始用稀释液对水样进...

【专利技术属性】
技术研发人员：刘剀，黄超逸，王伟，鲁昆昆，
申请(专利权)人：西湖大学，
类型：发明
国别省市：