具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为船用燃油含硫量检测仪，包括检测仪本体7和壳体，所述检测仪本体7内设有容纳腔，所述容纳腔内设有光源8、第一样品池4、第二样品池9、光谱仪5、LED显示屏6、数据分析模块3、蠕动泵2以及电源4，所述电源1设置在所述容纳腔的底板上，所述电源1上设有所述蠕动泵2；在本实施例中，优选的，光源8为LED光源，数据分析模块3为硫含量数据分析仪用于建立硫含量与荧光值之间的特征曲线，光谱仪5用于测量样品池中溶液的荧光强度以及显示含硫量数据的显示面板。

所述蠕动泵2的一侧设有所述数据分析模块3，另一侧设有所述第二样品池9；进一步地，所述第二样品池9为可拆卸结构。在本实施例中，所述第二样品池9可拆卸，可以与检测仪本体拆卸，便于清理。

所述数据分析模块3上设有所述光源8，所述光源8上设有所述第一样品池4，所述第一样品池4的一侧设有所述光谱仪5；所述LED显示屏6设置在所述壳体上。在本实施例中，优选的，所述第一样品池4为四通比色皿，所述光源8为LED激发光源，LED激发光源从一侧透过比色皿照射试剂使其产生荧光，产生的荧光透过比色皿通过与LED光源呈90度分布的光谱仪采集。

进一步地，所述蠕动泵2的入液口与所述第二样品池9连接，所述蠕动泵2的出液口与所述第一样品池4连接。

进一步地，所述第一样品池4分别与所述光源8和光谱仪5连接。

进一步地，所述数据分析模块3内搭载了船用燃油的痕量元素分析的算法。

如图2-7所示为船用燃油含硫量检测仪的检测方法，包括以下步骤：

S1：开启光源照射第一样品池中的溶液，启动蠕动泵向所述第一样品池中的溶液滴加含硫标定物，同时开启光谱仪实时采集第一样品池中的数据；在本实施例中，优选的，加入10次含硫标定物，经计算，每加入一滴液体会使样品池中的硫含量增加O.1％，加入10次分别测量其荧光强度，如图5所示，将多次滴加正丁基硫醚的曲线画在一张图中，由卷积神经网络识别特征。0.1％是硫在燃油中的质量分数，我们通过增加测试油样中硫的质量分数来增加总体硫含量。测试油样经稀释后加入到二氧化锡量子点中的油的质量是固定的，增加的是燃油中的硫的含量而不是按照硫的质量去增加硫。例如1g燃油中硫质量分数是3％，增加0.1％的硫，是增加1g燃油的0.1％。

S2：通过数据分析模块将S1中所述光谱仪中采集的第一样品池中的数据进行实时保存；在本实施例中，数据采集模块设置每间隔40s自动保存光谱仪采集的荧光值数据。在实际测量时，按下控制面板上的启动键，单片机发出外部控制信号同时触发蠕动泵自动滴加样品和光谱仪的数据采集工作。

S3：将S2中数据分析模块3保存的数据进行数据预处理，得到预处理的数据；在本实施例中，将预处理后的数据导入训练好的卷积神经网络中，对数据进行处理，数据预处理采用了max-min归一化、PCA与离散采样的方法将11×350的输入数据处理为1×150的预处理数据。

S4：将S3中预处理数据使用卷积神经网络进行分类与测试，得到分类测试的数据；在本实施例中，卷积神经网络部分采用了上述的网络结构并在输出层采用了Softmax函数作为激活函数进行多分类的任务。

S5：将S4中分类测试的数据使用卷积神经网络输出，得到分类的概率值；

S6：将S5中分类的概率值与真实浓度值进行加权和后输出类别序号与元素含量，得到待检燃油中的硫含量。在本实施例中，输出部分将卷积神经网络输出的类别概率值与真实浓度值进行了加权和，最后输出类别序号与元素含量，卷积神经网络经过初期大量样本的训练，提取不同硫含量数据集特征，实现对燃油中硫含量的测量。

进一步地，所述S3中所述数据预处理使用降维处理。在本实施例中，该算法首先对采集到的数据进行降维处理和GAMMA变换得以更好的提取数据特征。

进一步地，所述S1中所述第一样品池4中的溶液为二氧化锡量子点和经稀释处理的燃油溶液的混合溶液。

进一步地，所述稀释处理的燃油溶液使用酒精溶液稀释。在本实施例中，优选的，燃油通过酒精溶液稀释，其酒精溶液的使用量相对于燃油量的倍数为100倍。

在本实施例中，使用LED光源8的300nm吸收波长处的激发光源照射在第一样品池4中的二氧化锡量子点和稀释的燃油混合溶液中，使混合溶液产生荧光，同时通过光谱仪5采集荧光信号，将光信号转换为电信号。其中四通比色皿池与LED光源、光谱仪相连且LED光源与光谱仪成90°分布。蠕动泵的入液口与前面壳体的样品池相连，出液口连通于四通比色皿池。第二样品池9中放置正丁基硫醚溶液，通过单片机自动控制蠕动泵的转速，调节正丁基硫醚溶液的流速。由于二氧化锡的紫外吸收光谱的最大吸收波长为310nm左右，因此，选择300nm左右的激发光源的最大吸收波长作为二氧化锡光致发光的激发波长。

如图6和7所示为通过单片机作为人机交互板块，调动编写好的程序，通过外控模块实现蠕动泵2的启动关闭及调节转速功能、光谱仪5的采集数据功能。光谱仪5将采集到的光信号转化为电信号并传送到硫含量数据分析仪3中存储处理，硫含量数据分析仪作为数据分析模块3，搭载了专门用于船用燃油的痕量元素分析任务的算法，该算法首先对采集到的数据进行降维处理和GAMMA变换得以更好的提取数据特征，随后采用创新的多路卷积神经网络与非对称卷积核的思路针对收到的数据进行分类与测试，硫含量数据分析仪将测试结果反馈给单片机，由单片机人机交互界面显示硫含量以及是否合格。

算法以卷积神经网络为核心同时进行燃油的分类和痕量元素含量的估值任务。如图7所示，算法的总体结构包括：首先输入谱线数据；再对数据进行预处理；然后由卷积神经网络进行燃油分类和痕量元素含量估值；最后输出分析结果。参考了现有的MCNN多路卷积神经网络的算法结构，并在其基础之上分别选择了大小为1×3、1×7、1×9的三个卷积核。并在每一层卷积层后加入了池化核大小为1×2的池化层。首先，数据预处理本分采用了max-min归一化、PCA与离散采样的方法将11×350的输入数据处理为1×150的预处理数据。其次，卷积神经网络部分采用了上述的网络结构并在输出层采用了Softmax函数作为激活函数进行了多分类的任务。最后，输出部分将卷积神经网络输出的类别概率值与真实浓度值进行了加权和，最后输出类别序号与元素含量。

如图7所示为核心多路卷积神经网络MCNN的结构图，卷积神经网络是算法的核心，用来完成燃油的分类和痕量元素含量的估值任务。主要包括如下几个部分：首先是输入层，规模为矩阵化数据的维度；其次由多路卷积层进行特征提取；再由池化层保留重要的特征信息，减少计算复杂度；然后通过平坦层对特征重新组合；之后经过Dropout机制进入全链接层；最后进行燃油分类和痕量元素含量估值。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。