一种水下微塑料采样浓度计算系统的制作方法

本发明属于水下微塑料采样，具体而言，涉及一种水下微塑料采样浓度计算系统。

背景技术：

1、近年来,随着人类活动的不断增加,海洋和淡水中的微塑料污染问题日益严重。塑料是一种非常常见且广泛使用的材料,其优良的性能使其在包装、日用品、工业制品等众多领域不可或缺。然而,塑料难以自然降解,在长期使用和不当处理后会残留在环境中,尤其是那些直径小于5毫米的微塑料颗粒。这些微塑料会随着河流、污水的流动进入湖泊、河流和海洋,造成水体污染。

2、微塑料颗粒具有较小的尺寸,能够被海洋生物摄食进入食物链,对生态系统造成严重威胁。此外,微塑料还可能吸附并富集一些持久性有机污染物和重金属离子等有毒有害物质,进一步加剧对生物体的危害。因此,及时有效地检测和监测水体中微塑料的浓度分布,对于预防和控制环境污染、保护海洋生态系统至关重要。

3、目前,检测水体中微塑料的主要方法包括:

4、1.取样过滤法:在水体中取样,使用不同孔径的滤膜过滤,然后对滤膜上残留的固体进行显微镜观察和人工鉴别。这种方法操作繁琐,分析效率低下,且对微塑料颗粒的数量和体积无法给出定量结果。

5、2.光谱分析法:利用红外光谱、拉曼光谱等技术对水样中的微塑料进行成分分析和鉴定。这种方法需要先人工分选出待测颗粒,无法实现快速在线检测。并且对于复合材质的微塑料,光谱特征容易被掩盖。

6、3.标记示踪法:在微塑料上标记荧光染料或者同位素等示踪剂,然后在水体中追踪示踪剂的分布情况。这种方法需要对所有微塑料颗粒进行人工标记,操作复杂且代价高昂。

7、以上现有技术均存在无法实现对水体中微塑料浓度的快速在线检测,需要人工取样、预处理和分析,效率低下的技术问题。

技术实现思路

1、有鉴于此，本发明提供一种水下微塑料采样浓度计算系统，能够解决现有技术无法实现对水体中微塑料浓度的快速在线检测,需要人工取样、预处理和分析,效率低下的技术问题。

2、本发明是这样实现的：

3、本发明的第一方面提供一种水下微塑料采样浓度计算系统，其中，包括水泵、黑管和控制芯片，所述水泵的输出端连接所述黑管的一端，所述黑管内依次设置有第一滤网、第二滤网、第三滤网、第四滤网、第五滤网以及第六滤网，所述第六滤网设置在所述黑管的另一端，所述第一滤网、第二滤网、第三滤网、第四滤网的网孔孔径逐步缩小，所述第四滤网、第五滤网、第六滤网网孔孔径尺寸相同，所述第四滤网、第五滤网和第六滤网之间形成第一腔室和第二腔室，所述第一腔室的外壁上设置有二氧化碳发生器，所述二氧化碳发生器产生的二氧化碳经过所述第一腔室外壁上的通孔导入到所述第一腔室内，所述第二腔室相对的侧壁上设置有多组激光收发器组，包括相对设置的激光发射器和激光传感器，所述激光发射器发出的激光束被所述激光传感器接收，所述激光传感器与所述控制芯片电连接并将接收到激光束后产生的激光信号发送给控制芯片；所述控制芯片内设置有水下微塑料浓度计算模块，用于根据多个激光传感器采集到的激光信号以及水泵输出参数，分析得到水中微塑料浓度；所述每个激光发射器发射的激光颜色不同。

4、本发明的第二方面提供一种水下微塑料采样浓度计算系统，所述水下微塑料浓度计算模块，用于执行以下步骤：

5、s10、获取多个激光传感器检测到的激光信号；

6、s20、根据每个激光发射器使用的不同激光颜色,对接收到的激光信号进行分类，包括直射信号、折射信号和散射信号；

7、s30、对三类激光信号进行滤波去噪,获得净直射激光信号、净折射激光信号和净散射激光信号；

8、s40、将净直射激光信号输入预训练模型,估算第二腔室内透过率；

9、s50、将净直射激光信号、净折射激光信号和净散射激光信号输入预训练好的激光-聚合体计算模型,估算第二腔室内微塑料-气泡聚合体的数量和体积；

10、s60、获取水泵的流量输出参数，根据第二腔室透过率、水泵流量、流速和微塑料-气泡聚合体数量体积,计算水样单位体积内的微塑料浓度值。

11、进一步的，所述对三类激光信号进行滤波去噪的方法为中值滤波或高斯滤波。

12、所述步骤s10,包括以下步骤:

13、步骤101、通过所述控制芯片与各个激光传感器建立通信连接,读取并获取每个激光传感器检测到的激光信号数据；

14、步骤102、所述控制芯片使用模数转换器将每个激光传感器输出的模拟信号转换为数字信号,并对数字信号进行采样和记录；

15、步骤103、在获取完所有激光传感器的信号数据后,所述控制芯片将这些信号数据暂时存储在内存中。

16、所述步骤s20,包括以下步骤:

17、步骤201、所述控制芯片读取内存中暂存的激光信号数据,根据每组激光发射器-传感器组合使用的激光颜色对信号数据进行分类；

18、步骤202、根据色散原理,利用传感器接收到的不同波长的激光信号的信号强度差异,将所有激光信号数据分为直射信号、折射信号和散射信号三类；

19、步骤203、所述控制芯片设置三个初始信号数组,用于暂存直射信号、折射信号和散射信号；

20、步骤204、遍历每个激光传感器的数据,将数据存入相应的直射信号数组、折射信号数组和散射信号数组中。

21、进一步的，所述获得净直射激光信号、净折射激光信号和净散射激光信号的方法是首先采用傅里叶变换将每种信号从时域信号转换为频域信号，在频域信号上进行滤波去噪，之后进行傅里叶逆变换的方式从频域信号恢复为时域信号。

22、所述步骤s30,包括以下步骤:

23、步骤301、所述控制芯片对上一步骤得到的直射信号数组、折射信号数组和散射信号数组分别使用数字信号处理技术进行滤波去噪处理；

24、步骤302、针对每个信号数组,所述控制芯片采用傅里叶变换的方法,将时域信号转换为频域信号；

25、步骤303、在频域上使用带通滤波器对有用信号频率分量保留,对无用噪声分量进行切除；

26、步骤304、对滤波后的频域信号进行逆变换,从而获得经过滤波处理后的净直射信号、净折射信号和净散射信号。

27、进一步的，所述预训练模型采用决策树回归模型，所述预训练模型的训练步骤，具体是：

28、建立第一训练数据集，包括多组第一历史实验数据，每一组第一历史实验数据包括s10-s30获取的净直射激光信号，以及实际实验测定的所述净直射激光信号对应的第二腔室内的透过率；

29、训练模型，具体是采用所述第一训练数据集训练一个决策树回归模型，得到所述预训练模型。

30、所述步骤s40,包括以下步骤:

31、步骤401、将净直射激光信号强度数据进行归一化处理,以获得0到1之间的相对强度值；

32、步骤402、将归一化后的直射信号强度值和对应的激光发射强度值作为输入,输入到一个预先训练好的回归模型中；

33、步骤403、所述回归模型的输出结果为估算的第二腔室透过率；

34、步骤404、所述回归模型采用支持向量机回归、决策树回归或神经网络等机器学习算法训练而成，优选决策树回归模型。

35、进一步的，所述激光-聚合体计算模型采用卷积神经网络模型，所述激光-聚合体计算模型的训练步骤，具体是：

36、建立第二训练数据集，包括多组第二历史实验数据，每一组第二历史实验数据包括s10-s30获取的净直射激光信号、净折射激光信号和净散射激光信号，以及采用实验方式得到的三个净信号对应的第二腔室内的微塑料-气泡聚合体的数量和体积；

37、训练模型，具体是采用所述第二训练数据集训练一个卷积神经网络，得到所述激光-聚合体计算模型。

38、所述步骤s50,包括以下步骤:

39、步骤501、将净直射激光信号、净折射信号和净散射信号作为输入特征,输入到一个预训练好的激光-聚合体计算模型中；

40、步骤502、所述激光-聚合体计算模型为基于卷积神经网络的深度学习模型；

41、步骤503、所述卷积神经网络包括用于自动特征提取的卷积层和池化层,以及用于压缩特征的全连接层；

42、步骤504、所述卷积神经网络的最后一层为回归输出层,输出聚合体的数量和不同体积的聚合体占比。

43、进一步的，所述计算水样单位体积内的微塑料浓度值的方法为：采用多组历史获取水泵的流量输出参数，根据第二腔室透过率、水泵流量、流速和微塑料-气泡聚合体数量体积，以及采用实验方式测量的对应的第二腔室内水样单位体积内的微塑料浓度值，训练一个神经网络回归模型，并将当前的水泵的流量输出参数，根据第二腔室透过率、水泵流量、流速和微塑料-气泡聚合体数量体积输入到所述神经网络回归模型，得到第二腔室内水样单位体积内的微塑料浓度值，也就是实际所述水下微塑料采样浓度计算系统所采集的水样的单位体积内的微塑料浓度值。

44、所述步骤s60,包括以下步骤:

45、步骤601、所述控制芯片获取水泵的实时流量输出参数,包括流速、流量等；

46、步骤602、根据已知的第二腔室尺寸和流速,计算水样在第二腔室内的停留时间；

47、步骤603、将步骤s50得到的聚合体数量和体积分布估算值、透过率估算值,以及上述流量参数作为输入特征；

48、步骤604、将上述输入特征输入预先训练好的神经网络回归模型,所述模型输出水样单位体积内的微塑料浓度值。

49、进一步的，还包括s70、对计算出的微塑料浓度值进行数字滤波,消除异常值的影响,得到最终微塑料浓度结果并输出。

50、所述步骤s70,包括以下步骤:

51、步骤701、所述控制芯片维护一个浓度值的环形缓冲区,用于暂存最近n个时间步长内计算出的浓度值；

52、步骤702、对于每一个新计算出的浓度值,先将其存入环形缓冲区中,然后对缓冲区内的所有浓度值执行数字滤波算法；

53、步骤703、所述数字滤波算法采用中值滤波或高斯滤波等非线性滤波方法；

54、步骤704、所述控制芯片将经过滤波处理后的微塑料浓度值作为最终结果输出。

55、其中，六层过滤网的孔径从左到右分别为5mm、1mm、500μm、300μm、300μm和300μm。

56、其中，所述激光收发器组的数量为8组。

57、与现有技术相比较，本发明提供的一种水下微塑料采样浓度计算系统的有益效果是：

58、1.实现对水体中微塑料浓度的快速在线检测。该系统直接在水下环境中对微塑料进行采样和分析,无需人工取样和预处理,大大提高了检测效率,可满足实时监测的需求。

59、2.检测结果具有良好的定量性。该系统利用激光信号分析与机器学习算法相结合,能够精确估算出水样中微塑料的数量、体积分布以及浓度值,为污染评估和治理提供了量化依据。

60、3.操作简单自动化程度高。该系统只需将其投放到待检测水域即可工作,无需复杂的人工操作,有利于大规模部署和推广应用。

61、综上所述，本发明的方案解决了现有技术无法实现对水体中微塑料浓度的快速在线检测,需要人工取样、预处理和分析,效率低下的技术问题。

技术特征：

1.一种水下微塑料采样浓度计算系统，其特征在于，包括水泵、黑管和控制芯片，所述水泵的输出端连接所述黑管的一端，所述黑管内依次设置有第一滤网、第二滤网、第三滤网、第四滤网、第五滤网以及第六滤网，所述第六滤网设置在所述黑管的另一端，所述第一滤网、第二滤网、第三滤网、第四滤网的网孔孔径逐步缩小，所述第四滤网、第五滤网、第六滤网网孔孔径尺寸相同，所述第四滤网、第五滤网和第六滤网之间形成第一腔室和第二腔室，所述第一腔室的外壁上设置有二氧化碳发生器，所述二氧化碳发生器产生的二氧化碳经过所述第一腔室外壁上的通孔导入到所述第一腔室内，所述第二腔室相对的侧壁上设置有多组激光收发器组，包括相对设置的激光发射器和激光传感器，所述激光发射器发出的激光束被所述激光传感器接收，所述激光传感器与所述控制芯片电连接并将接收到激光束后产生的激光信号发送给控制芯片；所述控制芯片内设置有水下微塑料浓度计算模块，用于根据多个激光传感器采集到的激光信号以及水泵输出参数，分析得到水中微塑料浓度；所述每个激光发射器发射的激光颜色不同。

2.一种水下微塑料采样浓度计算系统，所述水下微塑料浓度计算模块，用于执行以下步骤：

3.根据权利要求2所述的一种水下微塑料采样浓度计算系统，其特征在于，所述对三类激光信号进行滤波去噪的方法为中值滤波或高斯滤波。

4.根据权利要求2所述的一种水下微塑料采样浓度计算系统，其特征在于，所述获得净直射激光信号、净折射激光信号和净散射激光信号的方法是首先采用傅里叶变换将每种信号从时域信号转换为频域信号，在频域信号上进行滤波去噪，之后进行傅里叶逆变换的方式从频域信号恢复为时域信号。

5.根据权利要求2所述的一种水下微塑料采样浓度计算系统，其特征在于，所述预训练模型采用决策树回归模型，所述预训练模型的训练步骤，具体是：

6.根据权利要求2所述的一种水下微塑料采样浓度计算系统，其特征在于，所述激光-聚合体计算模型采用卷积神经网络模型，所述激光-聚合体计算模型的训练步骤，具体是：

7.根据权利要求2所述的一种水下微塑料采样浓度计算系统，其特征在于，所述计算水样单位体积内的微塑料浓度值的方法为：采用多组历史获取水泵的流量输出参数，根据第二腔室透过率、水泵流量、流速和微塑料-气泡聚合体数量体积，以及采用实验方式测量的对应的第二腔室内水样单位体积内的微塑料浓度值，训练一个神经网络回归模型，并将当前的水泵的流量输出参数，根据第二腔室透过率、水泵流量、流速和微塑料-气泡聚合体数量体积输入到所述神经网络回归模型，得到第二腔室内水样单位体积内的微塑料浓度值，也就是实际所述水下微塑料采样浓度计算系统所采集的水样的单位体积内的微塑料浓度值。

8.根据权利要求2所述的一种水下微塑料采样浓度计算系统，其特征在于，还包括s70、对计算出的微塑料浓度值进行数字滤波,消除异常值的影响,得到最终微塑料浓度结果并输出。

9.根据权利要求1所述的一种水下微塑料采样浓度计算系统，其特征在于，六层过滤网的孔径从左到右分别为5mm、1mm、500μm、300μm、300μm和300μm。

10.根据权利要求1所述的一种水下微塑料采样浓度计算系统，其特征在于，所述激光收发器组的数量为8组。

技术总结
本发明提供了一种水下微塑料采样浓度计算系统，属于水下微塑料采样技术领域，它由水泵、黑管和控制芯片组成。黑管内依次设置有6个滤网,网孔孔径逐步缩小。第四滤网与第五滤网、第六滤网之间形成两个腔室,第一腔室设有二氧化碳发生器,二氧化碳进入第一腔室。第二腔室设有多组激光收发器,激光传感器将接收到的激光信号发送给控制芯片。控制芯片内设有水下微塑料浓度计算模块,根据激光传感器信号和水泵输出参数计算出水中微塑料浓度。每个激光发射器发射不同颜色的激光。该装置可以实时监测水中微塑料的含量。解决了现有技术无法实现对水体中微塑料浓度的快速在线检测,需要人工取样、预处理和分析,效率低下的技术问题。

技术研发人员：王晓波,张国豪,林细线,李庆林
受保护的技术使用者：青岛道万科技有限公司
技术研发日：
技术公布日：2024/9/23