[发明专利]一种多物质参数的检测装置及方法

权利要求书

1.一种多物质参数的检测装置，其特征在于，包括：数据处理模块和电源模块；

所述数据处理模块包括光谱检测模组、信号处理系统和微控制器；其中，所述光谱检测模组包括紫外-可见光光谱模块、近红外光谱模块、中红外光谱模块和X射线荧光光谱模块中的至少一种；所述微控制器与所述电源模块连接，还通过所述信号处理系统与所述光谱检测模组连接。

2.根据权利要求1所述的装置，其特征在于，还包括无线传输模块，用于将所述微控制器的检测结果传输至相应的无线终端设备。

3.根据权利要求1所述的装置，其特征在于，还包括与所述微控制器连接的定位模块。

4.根据权利要求1所述的装置，其特征在于，还包括与所述微控制器连接的指示灯。

5.根据权利要求1所述的装置，其特征在于，还包括与所述微控制器连接的按键。

6.根据权利要求1至5任一项所述的装置，其特征在于，所述电源模块具体包括：电源管理模块、可充电电池和充电端口，所述电源管理模块与所述微控制器连接，所述充电端口通过所述可充电电池与所述电源管理模块连接。

7.一种基于如权利要求1-6任一项所述装置的多物质参数的检测方法，其特征在于，包括：

光谱检测模组采集物质的光谱信息，获取物质的光谱信号；

信号处理系统对所述光谱信号进行转换、放大和处理，并将处理后的光谱信号传输至所述微控制器；

微控制器基于搭载的光谱分析模型，实现对物质多参数的快速检测。

8.根据权利要求7所述的方法，其特征在于，所述光谱分析模型的建立方法包括：

预先研究光谱信息和物质含量之间的关系，应用算法提取所测物质的特征波长，并基于提取的特征变量和所分析物质的真实含量，建立与不同光谱模组相对应的预测模型。

9.根据权利要求8所述的方法，其特征在于，采用紫外-可见光光谱模块实现水质检测时，建立光谱分析模型的方法，具体包括：

采集或配置含有不同浓度待测物的水质样本，经0.45μm的膜过滤后，测量样本的紫外-可见光光谱数据，对应的光谱数据为A₁，A₂，A₃…A_n，分别测定样本的化学需氧量COD、总有机碳TOC、总氮和浊度；

基于采集的紫外-可见光谱数据及其对应的COD、TOC、总氮、浊度真实情况，采用连续投影算法提取特征吸收波长和相关影响因子的补偿波长λ₁，λ₂，λ₃…λ_n，将提取征波长对应的吸收强度作为输入变量，COD、TOC、总氮、浊度分别作为输出变量，将数据按照6∶3∶1的比例分为训练集、验证集和预测集，以提取的波长对应的光谱吸收强度作为自变量，COD、TOC、总氮、浊度作为因变量进行偏最小二乘回归拟合，拟合结果输出如下：

M content＝a₁*A_λ1+a₂*A_λ2+a₃*A_λ3+…+a_n*A_λn+k

其中M对应COD、TOC、总氮、浊度测量参数，A_λ1，A_λ2，A_λ3…A_λn为特征波长对应的光谱吸收强度，a₁，a₂，a₃，a_n为回归系数，k为调整系数。

10.根据权利要求8所述的方法，其特征在于，采用近红外光谱模块实现土壤水分、土壤TOC和土壤总氮含量时，建立光谱分析模型的方法，具体包括：

采集不同区域表层10-30cm的土壤，将土样自然风干后提出杂质、碾磨后过1mm孔隙的筛备用；

每种土样称取12等份50.00mg的土样，分别加入0g、2g、4g、6g、8g、10g、12g、14g、16g、20g、22g、24g直至含水饱和，充分混合均匀后应用近红外光谱模块测量其对应的漫反射光谱数据R₁，R₂，R₃…R_n；然后在105℃温度下烘干，差重法计算其重量含水率为θ₁，θ₂，θ₃…θ_n，烘干后土样采用元素分析仪测量其真实的土壤TOC和土壤全氮含量，记为C₁，C₂，C₃…C_n和N₁，N₂，N₃…N_n；

将漫反射光谱数据通过以下公式得到对应的吸收光谱：

其中R为漫反射强度，A为吸收强度，转换后对应的吸收光谱分别为：A₁，A₂，A₃…A_n；

基于采集的光谱数据和其对应的真实土壤含水率、土壤TOC和土壤全氮含量数据，采用遗传算法提取不同参数对应的特征波长λ₁，λ₂，λ₃…λ_n，将提取的特征波长对应的吸收强度作为输入变量，土壤含水率、土壤TOC和土壤全氮含量分别作为输出变量，将数据按照6∶3∶1的比例分为训练集、验证集和预测集；

应用具有3层拓扑结构包含3个神经元的反向传播神经网络BPNN算法进行训练，采用tansig激活函数，Levenberg-Marquardt作为优化算法建立光谱分析模型，通过多次迭代和优化，输出最优的模型为：

H₁＝tanh(0.5*(ω₁₁*A_λ1+ω₁₂*A_λ2+ω₁₃*A_λ3+…+ω_1n*A_λn)+b₁))

H₂＝tanh(0.5*(ω₂₁*A_λ1+ω₂₂*A_λ2+ω₂₃*A_λ3+…+ω_2n*A_λn)+b₂))

H₃＝tanh(0.5*(ω₃₁*A_λ1+ω₃₂*A_λ2+ω₃₃*A_λ3+…+ω_3n*A_λn)+b₃))

M content＝a₁*H₁+a₂*H₂+a₃*H₃+k

其中M对应土壤含水率、土壤TOC和土壤全氮参数，H₁，H₂，H₃为隐含层的每一层输出，ω对应每一层输入变量的权值，b₁，b₂，b₃为每一个隐含节点的调整系数，A_λ1，A_λ2，A_λ3…A_λn为特征波长对应的吸光强度，a₁，a₂，a₃为输出层的回归系数，k为输出层调整系数；基于每个检测参数通过BPNN算法训练，输出其相应的最优化模型；或者

采用偏最小二乘方法，选择最佳因子数量对应的输出模型：

M content＝a₁*A_λ1+a₂*A_λ2+a₃*A_λ3+…+a_n*A_λn+k

其中M对应土壤含水率、土壤TOC和土壤全氮参数，A_λ1，A_λ2，A_λ3…A_λn为特征波长对应的吸光强度，a₁，a₂，a₃，a_n为回归系数，k为调整系数。