一种土壤弱酸可溶态重金属检测方法与系统

技术领域

本发明涉及环境污染物检测领域，特别是涉及一种土壤弱酸可溶态重金属检测方法与系统。

背景技术

土壤重金属污染已成为目前较为突出的环境问题之一。土壤重金属污染信息的快速、准确获取是土壤重金属污染监控和治理的基本要求。

目前电化学检测设备的信号提取和数据分析性能还有待提高。当溶出伏安电位发生飘移时，这种算法就无法准确识别重金属的电流峰。还缺少高效的可溶性有机物干扰抑制方法和高效的多重金属离子交互干扰抑制方法。

此外，目前适用于弱酸可溶态重金属提取和溶出伏安检测的土壤样本前处理方法繁琐、费时、费力、且需要多种设备，无法满足土壤重金属的原位、快速、自动化检测。因此，开发一套土壤重金属一体式自动化检测设备，实现土壤弱酸可溶态铅和镉的快速、准确检测，对土壤重金属污染治理和防控具有重要意义。

发明内容

本发明的目的是提供一种土壤弱酸可溶态重金属检测方法与系统，可实现土壤弱酸可溶态重金属的快速准确检测。

为实现上述目的，本发明提供了如下方案：一种土壤弱酸可溶态重金属检测方法，所述方法包括：获取土壤浸提液；所述土壤浸提液是通过将土壤样本和浸提液按照设定固液比混合后，采用超声处理得到土壤混合液，再采用抽滤方法抽取并过滤所述土壤混合液，得到的土壤浸提上清液。

采用光解方法对所述土壤浸提液进行处理，得到光解溶液；所述光解溶液包括：可溶性有机物络合的重金属离子；所述重金属离子包括：铅离子和镉离子。

采用溶出伏安法对所述光解溶液中的重金属离子进行电化学分析，得到溶出伏安曲线。

采用峰信号获取算法根据所述溶出伏安曲线确定峰信号信息；所述峰信号信息包括：峰高和峰宽。

将所述峰信号信息输入至离子浓度计算模型中，得到所述重金属离子的浓度；所述离子浓度计算模型是采用机器学习的方法构建的。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种土壤弱酸可溶态重金属检测方法与系统，通过获取土壤浸提液；土壤浸提液是通过将土壤样本和浸提液按照设定固液比混合后，采用超声处理得到土壤混合液，再采用抽滤方法抽取并过滤土壤混合液，得到的土壤浸提上清液；采用光解方法对土壤浸提液进行处理，得到光解溶液；光解溶液包括：可溶性有机物络合的重金属离子；重金属离子包括：铅离子和镉离子；采用溶出伏安法对光解溶液中的重金属离子进行电化学分析得到溶出伏安曲线；采用峰信号获取算法根据溶出伏安曲线确定峰信号信息；将峰信号信息输入至离子浓度计算模型中，得到重金属离子的浓度；又由于离子浓度计算模型是采用机器学习的方法构建的，由此，可实现土壤弱酸可溶态重金属的快速准确检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为土壤弱酸可溶态重金属检测方法的流程图。

图2为左侧极小值点的示意图。

图3为右侧极小值点的示意图。

图4为左侧极小值点和右侧极小值点对应的峰值背景电流示意图。

图5为峰高峰宽的示意图。

图6为峰高峰宽不准确获取的示意图。

图7为峰高峰宽准确获取的示意图。

图8为实际应用中的溶出伏安测量的检测装置示意图。

图9为溶出伏安测量的电化学过程示意图。

图10为溶出伏安曲线的示意图。

图11为初始的溶出伏安曲线示意图。

图12为经过平滑处理的溶出曲线示意图。

图13为标准参比电极和磨损参比电极采集的溶出伏安电流曲线示意图。

图14为铜离子不存在时重金属剥离电流峰值背景电流示意图。

图15为铜离子存在时重金属剥离电流峰值的背景电流示意图。

图16为溶出电流峰-峰距离统计箱形图。

图17为恒电位仪的溶出伏安响应示意图。

图18为恒电位仪对不同浓度下Cd

图19为恒电位仪对不同浓度下Pb

图20为使用校准模型检测的Cd

图21为使用校准模型检测的Pb

图22为使用H-W-SVR模型采用建模集对Cd

图23为使用H-W-SVR模型采用验证集对Cd

图24为使用H-W-SVR模型采用建模集对Pb

图25为使用H-W-SVR模型采用验证集对Pb

具体实施方式

本发明的目的是提供一种土壤弱酸可溶态重金属检测方法与系统，可实现土壤弱酸可溶态重金属的快速准确检测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：如图1所示，本发明实施例提供了一种土壤弱酸可溶态重金属检测方法，该方法包括：步骤100：获取土壤浸提液。其中，土壤浸提液是通过将土壤样本和浸提液按照设定固液比混合后，采用超声处理得到土壤混合液，再采用抽滤方法抽取并过滤土壤混合液，得到的上清液。

步骤200：采用光解方法对土壤浸提液进行处理，得到光解溶液。其中，光解溶液包括：可溶性有机物络合的重金属离子；重金属离子包括：铅离子和镉离子。

步骤300：采用溶出伏安法对光解溶液中的重金属离子进行电化学分析，得到溶出伏安曲线。

步骤400：采用峰信号获取算法根据溶出伏安曲线确定峰信号信息。其中，峰信号信息包括：峰高和峰宽。

采用峰信号获取算法根据溶出伏安曲线确定峰信号信息，具体包括：将溶出伏安曲线进行平滑处理，得到溶出曲线；基于峰-峰距离确定溶出曲线上各个电流峰对应的峰类别；峰-峰距离是根据溶出电位漂移确定的恒定值；根据溶出曲线确定峰顶点；基于峰顶点确定候选点集；候选点集为与峰顶点在设定范围内相邻的电流峰的顶点的集合；候选点集包括：左侧候选点集和右侧候选点集；根据候选点集确定候选点连接线集合；候选点连接线集合包括多条连接线；连接线是由左侧候选点集中的任一电流点与右侧候选点集中的任一电流点连接的线段；对任一连接线，确定峰顶点的垂线与连接线的连接点；垂线为在溶出曲线上，峰顶点与横坐标的垂直连线；对任一连接点，计算峰顶点与连接点的距离，得到初始峰高；对所有的初始峰高进行数值比较，得到初始峰高的最大值，并将初始峰高的最大值确定为峰高；根据峰高对应的连接线计算线段长度，得到峰宽。

其中，根据溶出曲线确定峰顶点，具体包括：根据溶出曲线确定对应的函数表达式；对函数表达式进行一阶求导，得到求导函数表达式；根据求导函数表达式确定特征点集；特征点集包括n个特征点；特征点为极值点或零点；所述极值点包括：极大值点和极小值点；确定点集；点集包括：极大值点集、极小值点集和零点集；极大值点集为极大值点的集合；极小值点集为极小值点的集合；零点集为零点的集合；根据求导函数表达式和第i个特征点判断峰类型以及根据峰类型确定对应的峰点；峰点包括：顶点或者起点；其中，

其中，对第i个特征点，若第i个特征点在零点集内，且第i-1个特征点在极大值点集内，第i+1个特征点在极小值点集内，则第i个特征点处的峰类型为完整峰，且第i个特征点为完整峰的顶点。

对第i个特征点，若第i个特征点在极大值点集内，且第i+1个特征点在极小值点集内，第i个特征点的数值的绝对值小于第i+1个特征点的数值的绝对值，则第i个特征点处的峰类型为右肩峰，且第i个特征点为右肩峰的起点。

根据右肩峰和右肩峰的起点，确定右肩峰的终点；根据右肩峰的起点和右肩峰的终点计算中点，得到右肩峰的顶点；根据右肩峰的顶点按照设定条件确定杂散重金属离子的峰顶；杂散重金属离子包括铜离子；根据溶出曲线和杂散重金属离子的峰顶，确定峰顶点。

其中，将溶出伏安曲线进行平滑处理，得到溶出曲线，具体包括：将溶出伏安曲线进行初始平滑处理，得到溶出伏安处理曲线；采用S-G滤波算法对溶出伏安处理曲线进行高频噪声的过滤平滑处理，得到溶出曲线。

步骤500：将峰信号信息输入至离子浓度计算模型中，得到重金属离子的浓度。其中，离子浓度计算模型是采用机器学习的方法构建的。

其中，离子浓度计算模型的确定方法，具体包括：获取训练数据；训练数据包括：训练的峰信号信息和对应的标签数据；标签数据为重金属离子的浓度；将训练数据划分为训练集和验证集；构建机器学习神经网络；将训练集和对应的标签数据输入至机器学习神经网络，采用支持向量回归算法以误差最小为目标对所述机器学习神经网络中的检测参数进行训练，得到训练后的机器学习神经网络；检测参数包括：检测系数和均方根。

采用验证集和对应的标签数据对训练后的机器学习神经网络的检测参数进行调整，得到调整后的机器学习神经网络；将调整后的机器学习神经网络确定为离子浓度计算模型。

在实际应用中，采用峰信号获取算法根据溶出伏安曲线确定峰信号信息的操作步骤具体如下。

步骤1：获取重金属离子溶出伏安曲线的峰顶点。

步骤2：确定峰左侧候选的极小值点（N

左侧候选极小值点的范围是从该溶出电流峰的顶点到相邻左侧溶出电流峰的顶点；如果该峰是最左边的溶出电流峰值，则左边候选极小值点的范围是从该溶出电流峰的顶点到溶出电流曲线的起点。

右侧候选极小值点的范围是从该溶出电流峰的顶点到相邻的右侧溶出电流峰的顶点；如果该峰值是最右边的溶出电流峰值，则右侧候选极小值点的范围是从该溶出电流峰的顶点到溶出电流曲线的终点。

步骤3：选择右侧候选极小值点（P

步骤4：计算峰顶点到垂线与直线L

步骤5：保持i=1，从1到N

步骤6：通过将i从1步进到N

步骤7：求MH

步骤8：将MP

此外，在Cu

Zn

特别地，当Cu

因此，识别Cu

具体地，步骤1：计算S-G平滑后的溶出电流数据的一阶导数，将S-G平滑后的溶出电流数据记为f(x)，将其一阶导数记为

步骤2：计算并保存所有一阶导数特征点，记为p

步骤3：得到一阶导数所有局部极大值点的集合，记为S

步骤4：根据p

步骤5：根据p

步骤6：对于步骤5中得到的右肩峰，取p

步骤7：计算p

步骤8：计算P

步骤9：如果不满足步骤8，则寻找并判断下一个右肩峰值是否为Cu

步骤10：获得Cu

实施例2：本发明实施例提供了一种土壤弱酸可溶态重金属检测系统，该系统应用实施例1中的土壤弱酸可溶态重金属检测方法实现，该系统包括：云服务器、微处理器、超声波处理器、抽取过滤装置、紫外光解装置和恒电位仪；超声波处理器、抽取过滤装置、紫外光解装置和恒电位仪均与微处理器连接；云服务器与所述微处理器连接。

微处理器用于发出控制指令；超声波处理器用于根据控制指令对土壤样本和浸提液按照设定固液比混合后进行超声处理，得到土壤混合液；抽取过滤装置用于根据控制指令对土壤浸提液采用抽滤方式进行抽取和过滤，得到上清液，并将上清液作为土壤浸提液；紫外光解装置用于根据控制指令对土壤浸提液进行处理，得到光解溶液；光解溶液包括：可溶性有机物络合的重金属离子；重金属离子包括：铅离子和镉离子。

恒电位仪用于根据控制指令采用溶出伏安法对光解溶液中的重金属离子进行电化学分析，得到溶出伏安曲线；电化学分析包括：根据控制指令输出恒定负电压，对光解溶液中重金属离子的进行电化学沉积并根据控制指令输出激励电压信号，对沉积的重金属进行电化学溶出，得到溶出伏安曲线。

云服务器用于采用峰信号获取算法根据溶出伏安曲线确定峰信号信息；峰信号信息包括：峰高和峰宽。

云服务器还用于将峰信号信息输入至离子浓度计算模型中，得到重金属离子的浓度；离子浓度计算模型是采用机器学习的方法构建的。

在一种实施例中，该系统还包括：磁力搅拌器；磁力搅拌器与微处理器连接；磁力搅拌器用于根据控制指令搅拌土壤浸提液。

作为一种可选地实施方式，该系统还包括：定量蠕动泵和电化学分析池；定量蠕动泵分别与微处理器、紫外光解装置和电化学分析池连接；定量蠕动泵用于根据控制指令定量抽取光解溶液至电化学分析池。

在实际应用中，采用土壤含水率检测装置进行土壤样本的处理。其中土壤含水率检测装置由土壤取样器如环刀取土钻、土壤含水率传感器和电子称组成。土壤取样器用来采集一定体积V

首先，V

将土壤样本和浸提液按照1：40固液比加入到超声处理罐中，用一体式自动化检测系统完成土壤样本的前处理和土壤浸提液中铅和镉浓度的溶出伏安检测。最后，再根据1：40固液比将检测到的重金属溶液浓度转换为单位干燥土壤中弱酸可溶态重金属的含量。

在实际应用中，该检测系统可以由硬件设备、智能手机APP软件、云服务器和通讯模块构成。

其中硬件设备分别是型号为STM32的微处理器、超声波处理器、紫外光解装置、定量蠕动泵、磁力搅拌器、恒电位仪、三电极体系以及由真空泵和过滤装置构成的抽取过滤装置。

智能手机APP软件有两部分组成，分别是土壤样本前处理操作界面和溶出伏安检测操作界面。

云服务器主要完成三项工作，分别是溶出电流数据的平滑处理、Zn

智能手机APP软件通过蓝牙向微处理器发送指令，进而控制各个硬件设备工作；恒电位仪采集的溶出伏安数据也通过蓝牙发送给智能手机APP软件。智能手机APP软件也可以通过5G网络向云服务器发送溶出伏安数据；云服务器计算得到的铅离子和镉离子浓度再通过5G网络返回到智能手机APP软件，并在智能手机APP软件界面上显示。

超声处理模块由超声供电电路、超声波换能器和不锈钢杯状超声处理罐组成，用来超声提取土壤中弱酸可溶态重金属。超声波换能器型号可以选用CN2550-58HB4。

智能手机APP软件与蓝牙进行无线通讯，蓝牙将无线信号转化为有线信号，发送给微处理器。微处理器识别到控制超声处理模块的指令后，通过控制继电器的闭合来控制超声供电电路与电源的通断，进而控制超声波换能器的工作。

超声供电电路为超声波换能器提供电源，保证供电功率是150W，电压是220V。超声波换能器的功能是将输入的电功率转换成机械功率即超声波传递出去。用震头胶将不锈钢杯状超声处理罐固定到超声波换能器的震头上，将土壤样本和浸提液放入超声处理罐中，进行土壤重金属的超声处理。

为了高效、快速地提取土壤中弱酸溶性Cd

因此，超声供电电路为超声波换能器提供150W的电能，浸提液为0.3mol/L的乙酸缓冲液pH=5.0，微处理器通过控制继电器的闭合时间保证超声处理时间为30min。优化结果用于指导超声波装置的选择、开发以及重金属提取实验参数的设定。

抽取过滤装置由多个型号为S15M、额定电压12V的微型真空液泵相互级联并搭配不同孔径的过滤器组成，用来抽取、过滤超声处理后的土壤混合液，最终得到土壤浸提液；并将土壤浸提液抽取到紫外光解装置中。

电源模块为真空泵提供12V的电源。智能手机APP软件与蓝牙进行无线通讯，蓝牙将无线信号转化为有线信号，发送给微处理器。微处理器识别到控制真空泵装置的指令后，微处理器向真空泵连接端口输出高电平，控制真空泵工作。

使用三个微型真空液泵相互级联，与六个不同孔径的过滤器组合，完成土壤浸提液的抽吸和过滤。过滤器包括柱式过滤器和盘式过滤器。柱状过滤器是可拆卸的，并且其过滤棉芯可以更换。滤芯为孔径为9μm~11μm的过滤棉，该过滤棉包括石英纤维棉、玻璃纤维棉等。盘式过滤器的直径为25mm，过滤孔径包含20μm、10μm和4μm三种。过滤后的溶液泵入紫外光解装置中的光解池中。

紫外光解装置由真空紫外灯及供电电路和光解池组成，用来光解土壤浸提液中的可溶性有机物，释放可溶性有机物络合的重金属离子。

智能手机APP软件与蓝牙进行无线通讯，蓝牙将无线信号转化为有线信号，发送给微处理器。微处理器识别到控制紫外光解装置的指令后，控制数字开关，如PMOS管、NMOS管或者继电器接通，为紫外光解装置供电。真空紫外灯的供电电压为12V，电功率为14.4W、光解时间为20min。

定量蠕动泵用来定量抽取光解后的土壤浸提液到电化学分析池中。

智能手机APP软件与蓝牙进行无线通讯，蓝牙将无线信号转化为有线信号，发送给微处理器。微处理器识别到控制蠕动泵的指令后，开始控制蠕动泵工作。微处理器通过控制数字开关为蠕动泵供电，通过485总线控制蠕动泵的正转反转以及转速。蠕动泵定量抽取40mL光解后的土壤提取溶液至含有600 μg/L Bi

磁力搅拌器由步进电机和两块磁铁组成，搭配磁力搅拌子，用来在电化学沉积过程中搅拌土壤浸提液。

微处理器控制磁力搅拌器工作。微处理器的输出端口为步进电机供电，微处理器通过调节步进电机端口输出的PWM波的占空比来控制电机的转速，进而控制磁场的转速。

溶出伏安测量装置即进行电化学分析的装置，主要有自制的恒电位仪和三电极体系组成。自制的恒电位仪主要由第一微处理器、恒电位电路和I/V转换电路组成，其中第一微处理器内部自带ADC和DAC模块。

三电极体系由工作电极（working electrode，WE）、参比电极（referenceelectrode，RE）和对电极（counter electrode，CE）组成。参比电极为Ag/AgCl电极，对电极为铂丝电极，工作电极为原位电镀铋膜修饰的玻碳电极（Bi/GCE）。恒电位仪与三电极体系连接，用来执行土壤浸提液的溶出伏安测量。

溶出伏安测量的原理如图8-图10所示。首先，重金属离子在还原电势的作用下被沉积即预富集到工作电极表面，这一过程称为电化学沉积；之后，在氧化电势作用下，被还原的重金属从电极表面溶出到电解质溶液中，得到溶出电流，这一过程称为电化学溶出。不同重金属离子的溶出电位不同，而溶出电流与重金属浓度有关。

微处理器集成了16通道模数转换器和2通道数模转换器，可实现恒电位电路上激励电压信号的产生以及I/V转换器上的溶出伏安电流响应信号的采集。

恒电位电路的主要功能是维持参比电极和工作电极之间的恒定电位。为了保证参比电极没有电流流过，采用高输入阻抗运算放大器OPAI24构成电压跟随器，与对电极构成闭环负反馈调节系统。当电化学反应在电解池中产生电流时，参比电极的电位相对于工作电极的电位的任何偏差都会被负反馈系统校正，以获得恒定的电位。恒电位电路的输出电压范围为-2.0V～2.0V，电压分辨率为1mV。

I/V转换电路由超低输入型号为AD8628的偏置电流运算放大器、型号为700-MAX308EUE的模拟开关和范围为1kW–10MW的反馈电阻组成。工作电极输出的溶出电流经I/V转换器转换为电压信号，电压信号的范围0V~2.0V，分辨率1mV，经低通滤波电路滤波，再通过ADC转换为数字信号，然后被微处理器接收并存储。溶出电流的检测范围为±500μA，检测分辨率为0.1μA。

智能手机APP软件与蓝牙进行无线通讯，蓝牙将无线信号转化为有线信号，并发送给微处理器。微处理器识别溶出伏安测量指令后，开始控制恒电位仪和三电极体系执行溶出伏安测量。

在电化学沉积步骤中，第一微处理器利用内部DAC和定时器产生精确时间序列的恒定负电压信号，例如180s的-1.2V的电压，用来沉积重金属到工作电极表面。在电化学溶出步骤，利用内部DAC和定时器产生精确的时间序列方波激励电压信号。激励电压信号经恒电位电路转换整形后施加到工作电极上，引起重金属的电化学反应，电化学反应产生的电流通过I/V转换器进行转换和放大，得到溶出电流。

溶出电流被接收后，首先在云服务器以文本格式保存，然后云服务器控制微处理器对溶出伏电流进行SG平滑处理，再应用设计的溶出电流峰信号获取算法提取各重金属离子的溶出电流峰高和峰宽信号，最后将提取的峰高和峰宽信号代入训练好的机器学习模型中计算铅离子和镉离子的浓度。

此外，在实际应用中，该检测系统还包括：废液回收装置；废液回收装置由废液回收池和一个微型真空液泵构成。废液回收装置将溶出伏安检测后的土壤浸提液从电化学分析池中抽进废液回收池中。

当检测完毕后，向超声处理罐中加入去离子水，拆掉真空泵连接的所有过滤器。然后，操作智能手机APP软件与蓝牙进行无线通讯，蓝牙将无线信号转化为有线信号，并发送给微处理器。

STM32微处理器收到清洗指令后，首先控制恒电位仪向工作电极施加0.35V的恒定电位，以清除电极表面残留的重金属；然后，控制所有的真空泵和定量蠕动泵工作，清洗设备内所有容器及管道，依次清洗超声处理罐、真空泵管道、光解池、蠕动泵管道以及电化学分析池，然后废液流入废液回收池。

由于自制的恒电位仪电路中的寄生参数和高频振荡，原始的溶出电流曲线存在高频噪声，如图11所示。为此，采用Savitzky-Golay（SG）滤波算法对原始溶出电流曲线进行平滑处理。如图12所示，SG平滑后去除了溶出电流中的高频噪声。SG平滑处理有助于Zn

为了自动、准确地获取Zn

对于上述峰高和峰宽的采集，峰顶点的准确获取是第一步。使用S-G算法对溶出电流曲线进行平滑后，应用find_peaks函数即SciPy库中的内嵌函数来寻找溶出电流曲线上的峰顶点。Scipy是一个开源的Python算法库。为了避免一些小的噪声峰，峰阈值设置为最小峰高0.25和最小峰宽18。尽管如此，一些无信息如噪声的峰将被保留。因此，有必要准确识别每个保留峰的类别即识别Zn

如图13所示，与使用标准参比电极采集的溶出电流曲线相比，使用磨损参比电极采集的溶出电流曲线的溶出电位出现负向飘移。溶出电位的飘移导致应用溶出电位来识别峰类别的方法失效。但是，对于同一参比电极，溶出电位的飘移程度相对稳定，即溶出电流曲线上的所有电流峰具有相同程度的飘移，这确保了不同参比电极采集的溶出电流的峰-峰值距离是恒定的。因此，本发明试图建立一个参考峰即Bi

作为Bi/GCE电极修饰材料，600μg/L的Bi

确定Bi

在识别Zn

在运行溶出电流峰信号获取算法时，根据获取所有电流峰的顶点，再根据识别Zn

如果存在Cu

本发明应用自制恒电位仪，采集不同浓度的Cd

为了分析溶出伏安法在检测Cd

表1 64组正交试验的Zn

首先用图17-图19所示的直接校准模型检测上述64个样品在Zn

为了提高多离子交互干扰下Cd

在模型训练之前，将64个样本随机分为建模集44个样本和验证集20个样本。前者用于训练H-W-SVR模型，后者用来验证H-W-SVR模型的检测性能。采用验证集决定系数（R

。

。

其中，

在检测Cd

与直接校正模型相比，H-W-SVR模型将Cd

根据本发明的方法，分析一份土壤样品大概需要75分钟。

使用8份重金属污染的土壤样品来验证系统的检测性能。光解处理后8份土壤浸提液在254nm处的吸光度（A

本发明通过t检验方法将检测系统与BCR-ICP-MS的检测结果进行比较，如表2所示。Cd

。

其中，t

本发明设计一种不受电位飘移影响的、稳定且准确的溶出伏安信号获取算法，提高电化学检测设备的自动化程度、保证重金属离子的溶出伏安检测精度。在多重金属离子共存的条件下，分析其溶出伏安电流的峰高、峰宽的响应；解析多离子交互作用对多元溶出伏安信号的干扰规律；以多元溶出伏安信号为输入，建立机器学习模型抑制多重金属离子交互干扰，实现土壤弱酸浸提液中铅离子和镉离子的高精度检测。