CN107758885A - 一种实时污水曝气情况监测方法 - Google Patents
一种实时污水曝气情况监测方法 Download PDFInfo
- Publication number
- CN107758885A CN107758885A CN201711058675.1A CN201711058675A CN107758885A CN 107758885 A CN107758885 A CN 107758885A CN 201711058675 A CN201711058675 A CN 201711058675A CN 107758885 A CN107758885 A CN 107758885A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- raw image
- model
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 239000010865 sewage Substances 0.000 title claims abstract description 18
- 238000005273 aeration Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims abstract description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 claims abstract description 4
- 235000008434 ginseng Nutrition 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 244000207740 Lemna minor Species 0.000 claims description 3
- 235000006439 Lemna minor Nutrition 0.000 claims description 3
- 235000001855 Portulaca oleracea Nutrition 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003116 impacting effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 244000131316 Panax pseudoginseng Species 0.000 claims 1
- 241000208340 Araliaceae Species 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 238000005276 aerator Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F7/00—Aeration of stretches of water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/44—Time
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实时污水曝气情况监测方法，从各个污水池所配备的摄像设备采集原始图像数据；对原始的图像数据进行预处理，构建训练集和验证集；构建分类模型，根据数据集进行训练和调参；部署分类模型，对污水池进行实时监测；根据模型实际效果，针对性的采样新数据用以提升模型效果。本发明方法方便了污水曝气情况的实时监测，并具有较强泛用性。
Description
技术领域
本发明属于水处理领域，尤其涉及一种实时污水曝气情况监测方法。
背景技术
随着中国城市化、工业化的加速发展，工业污水和城市生活用水的排放量也在日益增加，远远超过了环境的自净能力。2017年6月27日，十二届全国人大常委会第二十八次会议以全票表决通过关于修改水污染防治法的决定。新版水污染防治法增加了关于实行河长制的规定，进一步完善水环境监测制度，强化中国各省、市、县、乡负责人对水污染防治、水环境治理的责任。强调排污单位必须持证排污，同时，持证单位要自行监测，重点排污单位还要安装污染物排放自动监测设备，与环保部门监控的平台联网，这些信息要实时向社会公开，对污水排放单位和相关监管部门提出了新的要求。
曝气氧化法是污水处理的主要方法之一，其中的一个重要指标就是曝气时间，污水处理厂曝气时间不足会导致缺氧，生物菌无法正常生存，出水水质发生变化；生物菌发生变化污泥膨胀，曝气池有泡沫产生；污泥颜色发生变化，有黄褐色变成暗色甚至发黑；曝气池气味由泥土清香味，变得略带臭味等不良影响。因此，对污水曝气情况(曝气设备是否开启、曝气时间)的实时监测对污水处理效果及污水监管都有着至关重要的作用。
发明内容
本发明的目的在于针对现有技术的不足，提供一种实时污水曝气情况监测方法。
本发明的目的是通过以下技术方案来实现的：一种实时污水曝气情况监测方法，包括以下步骤：
(1)从各个污水池所配备的摄像设备采集原始图像数据；
(2)对采集到的原始图像数据进行预处理，构建训练集和验证集，具体包括以下子步骤：
(2.1)对采集到的原始图像数据打标签，标记是否处于爆沸状态，标定爆沸状态起始时间和结束时间，再根据数据的时间戳进行状态的标注；
(2.2)将原始图像数据格式化为分类模型可接受的数据格式：读取原始图像数据，按照文件对应的编码格式，将单条数据转化为包含RGB三个通道的单精度三维数组，并重新对数据的长、宽、通道维度的顺序进行排列；
(2.3)将原始图像数据进行随机排序；
(2.4)随机抽取5％或10％的数据作为验证集，剩余数据作为训练集；
(3)构建分类模型，根据数据集进行训练和调参，具体包括以下子步骤：
(3.1)选择合适的参数，构建卷积神经网络模型，其中网络层数和卷积核及神经元个数，根据计算机内存限制、输入数据、模型效果进行调整，卷积核大小根据输入图片大小进行调整；并对网络各层参数进行初始化；
(3.2)若数据采集不够充分，则在输入数据之前对数据进行数据增强，对输入数据在语义不变的情况下进行翻转、拉伸、锐化、调节饱和度等操作，增加数据数量，以提高模型的健壮性；
(3.3)用交叉熵作为评估模型损失的指标，计算当前模型在训练数据上的交叉熵，再根据随机梯度下降算法和反向传播算法计算出交叉熵在各层参数方向上的偏导数，最后根据偏导数更新各层参数值；
(3.4)当模型在验证集上的准确率达到0.97-0.99区间内时停止训练；若模型出现过拟合的情况，则采用早停技术，即当验证集上的准确率开始下降时立刻停止训练过程；
(3.5)封装模型，供实时监测调用；
(4)部署分类模型，对污水池进行实时监测。
进一步地，所述步骤(2.2)中，还包括：原始图像数据采集自不同设备，污水池所在位置、比例和视角也各不相同，在必要的情况下需要对图像数据作裁剪，以保证图像数据的主体为污水池。
进一步地，所述步骤(2.2)中，还包括：原始图像数据采集自不同设备，图像长宽和像素分辨率不尽相同，需要将各条数据调整为固定的长宽和分辨率。
进一步地，所述步骤(2)的预处理过程还包括：若不同标签的数据比例相差过大，则对数据进行二次加权采样，以保证不同状态的数据数目大致相当，防止某一类别数据过多对结果造成影响。
进一步地，所述步骤(2.4)中，可以向验证集中补充加入特殊情况的采用数据，包括污水池中的倒影中出现云、水体表面覆盖有浮萍以及各种极端天气下的采样数据。
本发明的有益效果是：本发明将神经网络模型应用到曝气监测上。把爆气检测作为一个二分类问题，以摄像头拍摄到的图像作为输入，输入到卷积神经网络分类器。由于摄像头的位置不固定导致画面中会出现杂物，白天或夜晚的不同亮度会导致画面差异较大，均对曝气监测有很大影响。而使用神经网络则可以不用考虑时间和地点的因素，用同一个模型对多个污水池进行监测，有较强的鲁棒性、泛用性。
附图说明
图1为本发明实时污水曝气情况监测方法流程图。
具体实施方式
为使本发明实施例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、完整的表述。基于本发明中的实施例，本领域普通技术人员在没有付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，本发明提供的一种实时污水曝气情况监测方法，包括以下步骤：
(1)从各个污水池所配备的摄像设备采集原始图像数据；
(2)对采集到的原始图像数据进行预处理，构建训练集和验证集，具体包括以下子步骤：
(2.1)对采集到的原始图像数据打标签，标记是否处于爆沸状态，标定爆沸状态起始时间和结束时间，再根据数据的时间戳进行状态的标注；(打标签的时候以时间为界限，可以花费较少的人工标注大量图片)
(2.2)将原始图像数据格式化为分类模型可接受的数据格式：
读取原始图像数据，按照文件对应的编码格式，将单条数据转化为包含RGB三个通道的单精度三维数组，并重新对数据的长、宽、通道维度的顺序进行排列；
原始图像数据采集自不同设备，污水池所在位置、比例和视角也各不相同，在必要的情况下需要对图像数据作裁剪，以保证图像数据的主体为污水池。
原始图像数据采集自不同设备，图像长宽和像素分辨率不尽相同，需要将各条数据调整为固定的长宽和分辨率。
(2.3)原始图像数据中相邻数据相似度较高，为防止数据之间的顺序影响分类模型的训练，将原始图像数据进行随机排序；
(2.4)若不同标签的数据比例相差过大，则对数据进行二次加权采样，以保证不同状态的数据数目大致相当，防止某一类别数据过多对结果造成影响；
(2.5)随机抽取5％或10％的数据作为验证集，剩余数据作为训练集；验证集数据不直接参与训练，通过对分类模型在验证集上的表现评估模型的分类训练结果；同时可以向验证集中补充加入一些人们较为关心但不常见的情况，例如污水池中的倒影中出现云、水体表面覆盖有浮萍、以及各种极端天气下的采样数据。(向验证集里额外加入图片，评估模型的时候更准确)
(3)构建分类模型，根据数据集进行训练和调参，具体包括以下子步骤：
(3.1)选择合适的超参数，构建卷积神经网络模型，其中网络层数和卷积核及神经元个数，根据计算机内存限制、输入数据、模型效果进行调整，可取4层卷积层池化层，对每个池化层输出作dropout(概率取0.25-0.5)，将最后一层池化层输出拉平为一维向量后接少量全连接层，每层全连接层后也需作dropout(概率取0.3-0.7)，全连接层激活函数选relu或sigmoid函数，最后一层则以softmax作为激活函数；卷积核大小根据输入图片大小进行调整，通常为2×2或3×3，卷积核步长通常为1，卷积核个数通常取16、32、64、128等，通常取relu为卷积核的激活函数；池化步长通常为2×2或3×3；并对网络各层参数进行初始化，通常以截断高斯分布或平均分布作为初始方法，均值设为0，标准差为0.01-0.001；
(3.2)若数据采集不够充分，则在输入数据之前对数据进行数据增强，对输入数据在语义不变的情况下进行翻转、拉伸、锐化、调节饱和度等操作，增加数据数量，以提高模型的健壮性；
(3.3)用交叉熵作为评估模型损失的指标，计算当前模型在训练数据上的交叉熵，再根据随机梯度下降算法和反向传播算法计算出交叉熵在各层参数方向上的偏导数，最后根据偏导数更新各层参数值；
(3.4)当模型在验证集上的准确率达到0.97-0.99(视具体情况而定，可能更低)区间内时停止训练；若模型出现过拟合的情况，则可考虑采用早停技术，即当验证集上的准确率开始下降时立刻停止训练过程；
(3.5)封装模型，供实时监测调用；
(4)部署分类模型，对污水池进行实时监测；
(5)对模型预测效果较差的情况，采样新数据用以提升模型效果。
应当说明的是：以上实施例仅用以说明本发明的技术流程而不是对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应该涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种实时污水曝气情况监测方法，其特征在于，包括以下步骤：
(1)从各个污水池所配备的摄像设备采集原始图像数据；
(2)对采集到的原始图像数据进行预处理，构建训练集和验证集，具体包括以下子步骤：
(2.1)对采集到的原始图像数据打标签，标记是否处于爆沸状态，标定爆沸状态起始时间和结束时间，再根据数据的时间戳进行状态的标注；
(2.2)将原始图像数据格式化为分类模型可接受的数据格式：读取原始图像数据，按照文件对应的编码格式，将单条数据转化为包含RGB三个通道的单精度三维数组，并重新对数据的长、宽、通道维度的顺序进行排列；
(2.3)将原始图像数据进行随机排序；
(2.4)随机抽取5％或10％的数据作为验证集，剩余数据作为训练集；
(3)构建分类模型，根据数据集进行训练和调参，具体包括以下子步骤：
(3.1)选择合适的参数，构建卷积神经网络模型，其中网络层数和卷积核及神经元个数，根据计算机内存限制、输入数据、模型效果进行调整，卷积核大小根据输入图片大小进行调整；并对网络各层参数进行初始化；
(3.2)若数据采集不够充分，则在输入数据之前对数据进行数据增强，对输入数据在语义不变的情况下进行翻转、拉伸、锐化、调节饱和度等操作，增加数据数量，以提高模型的健壮性；
(3.3)用交叉熵作为评估模型损失的指标，计算当前模型在训练数据上的交叉熵，再根据随机梯度下降算法和反向传播算法计算出交叉熵在各层参数方向上的偏导数，最后根据偏导数更新各层参数值；
(3.4)当模型在验证集上的准确率达到0.97-0.99区间内时停止训练；若模型出现过拟合的情况，则采用早停技术，即当验证集上的准确率开始下降时立刻停止训练过程；
(3.5)封装模型，供实时监测调用；
(4)部署分类模型，对污水池进行实时监测。
2.根据权利要求1所述的一种实时污水曝气情况监测方法，其特征在于，所述步骤(2.2)中，还包括：原始图像数据采集自不同设备，污水池所在位置、比例和视角也各不相同，在必要的情况下需要对图像数据作裁剪，以保证图像数据的主体为污水池。
3.根据权利要求1所述的一种实时污水曝气情况监测方法，其特征在于，所述步骤(2.2)中，还包括：原始图像数据采集自不同设备，图像长宽和像素分辨率不尽相同，需要将各条数据调整为固定的长宽和分辨率。
4.根据权利要求1所述的一种实时污水曝气情况监测方法，其特征在于，所述步骤(2)的预处理过程还包括：若不同标签的数据比例相差过大，则对数据进行二次加权采样，以保证不同状态的数据数目大致相当，防止某一类别数据过多对结果造成影响。
5.根据权利要求1所述的一种实时污水曝气情况监测方法，其特征在于，所述步骤(2.4)中，可以向验证集中补充加入特殊情况的采用数据，包括污水池中的倒影中出现云、水体表面覆盖有浮萍以及各种极端天气下的采样数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711058675.1A CN107758885B (zh) | 2017-11-01 | 2017-11-01 | 一种实时污水曝气情况监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711058675.1A CN107758885B (zh) | 2017-11-01 | 2017-11-01 | 一种实时污水曝气情况监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107758885A true CN107758885A (zh) | 2018-03-06 |
| CN107758885B CN107758885B (zh) | 2020-05-12 |
Family
ID=61272162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711058675.1A Active CN107758885B (zh) | 2017-11-01 | 2017-11-01 | 一种实时污水曝气情况监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107758885B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108958033A (zh) * | 2018-07-27 | 2018-12-07 | 南宁学院 | 一种城市污水曝气处理智能控制方法 |
| CN110134826A (zh) * | 2019-04-25 | 2019-08-16 | 上海市政工程设计研究总院（集团）有限公司 | 一种污水处理厂生物反应池曝气状况视频智能识别分析系统及方法 |
| CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
| CN111222529A (zh) * | 2019-09-29 | 2020-06-02 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法 |
| CN112101454A (zh) * | 2020-09-15 | 2020-12-18 | 成都明控科技有限公司 | 一种污水曝气分析方法 |
| CN112200011A (zh) * | 2020-09-15 | 2021-01-08 | 深圳市水务科技有限公司 | 曝气池状态检测方法、系统、电子设备及存储介质 |
| CN113159130A (zh) * | 2021-03-25 | 2021-07-23 | 中电建电力检修工程有限公司 | 一种施工污水处理的方法 |
| CN114180733A (zh) * | 2021-11-02 | 2022-03-15 | 合肥中盛水务发展有限公司 | 基于视频分析算法的污水曝气量检测及曝气控制系统 |
| CN114926780A (zh) * | 2022-05-13 | 2022-08-19 | 合肥中盛水务发展有限公司 | 一种污水厂生化池运行状况视觉识别及智能分析算法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19827877A1 (de) * | 1998-06-23 | 2000-01-20 | Michael Bongards | Prozeßoptimierung einer nach dem Belebungsverfahren arbeitenden Kläranlage |
| CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
| CN106933174A (zh) * | 2017-03-10 | 2017-07-07 | 浙江威奇电气有限公司 | 一种农村污水智慧控制管理系统 |
| CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
-
2017
- 2017-11-01 CN CN201711058675.1A patent/CN107758885B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19827877A1 (de) * | 1998-06-23 | 2000-01-20 | Michael Bongards | Prozeßoptimierung einer nach dem Belebungsverfahren arbeitenden Kläranlage |
| CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
| CN106933174A (zh) * | 2017-03-10 | 2017-07-07 | 浙江威奇电气有限公司 | 一种农村污水智慧控制管理系统 |
| CN107274383A (zh) * | 2017-05-17 | 2017-10-20 | 南京邮电大学 | 一种基于深度学习的雾霾能见度检测方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108958033A (zh) * | 2018-07-27 | 2018-12-07 | 南宁学院 | 一种城市污水曝气处理智能控制方法 |
| CN110134826A (zh) * | 2019-04-25 | 2019-08-16 | 上海市政工程设计研究总院（集团）有限公司 | 一种污水处理厂生物反应池曝气状况视频智能识别分析系统及方法 |
| CN110134826B (zh) * | 2019-04-25 | 2023-05-12 | 上海市政工程设计研究总院（集团）有限公司 | 一种污水处理厂生物反应池曝气状况视频智能识别分析系统及方法 |
| CN110245880A (zh) * | 2019-07-02 | 2019-09-17 | 浙江成功软件开发有限公司 | 一种污染源在线监控数据作弊识别方法 |
| CN111222529A (zh) * | 2019-09-29 | 2020-06-02 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于GoogLeNet-SVM的污水曝气池泡沫识别方法 |
| CN112101454A (zh) * | 2020-09-15 | 2020-12-18 | 成都明控科技有限公司 | 一种污水曝气分析方法 |
| CN112200011A (zh) * | 2020-09-15 | 2021-01-08 | 深圳市水务科技有限公司 | 曝气池状态检测方法、系统、电子设备及存储介质 |
| CN112200011B (zh) * | 2020-09-15 | 2023-08-18 | 深圳市水务科技有限公司 | 曝气池状态检测方法、系统、电子设备及存储介质 |
| CN113159130A (zh) * | 2021-03-25 | 2021-07-23 | 中电建电力检修工程有限公司 | 一种施工污水处理的方法 |
| CN114180733A (zh) * | 2021-11-02 | 2022-03-15 | 合肥中盛水务发展有限公司 | 基于视频分析算法的污水曝气量检测及曝气控制系统 |
| CN114926780A (zh) * | 2022-05-13 | 2022-08-19 | 合肥中盛水务发展有限公司 | 一种污水厂生化池运行状况视觉识别及智能分析算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107758885B (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107758885A (zh) | 一种实时污水曝气情况监测方法 | |
| Kneese et al. | Managing water quality: economics, technology, institutions | |
| CN109508630B (zh) | 一种基于人工智能识别水尺水位的方法 | |
| Zhao et al. | A review of methodologies and success indicators for coastal wetland restoration | |
| CN107609742A (zh) | 一种水环境预警综合管理平台 | |
| CN106950197A (zh) | 排污口污染水体的遥感提取方法、装置和系统 | |
| CN107203810A (zh) | 一种基于深度网络的降水量预测方法 | |
| CN108617480A (zh) | 一种园林智能浇灌系统 | |
| CN107516103A (zh) | 一种影像分类方法和系统 | |
| Islam | Improving flood forecasting in Bangladesh using an artificial neural network | |
| CN111310322A (zh) | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 | |
| Zhang et al. | Integrated hydrological modelling of small-and medium-sized water storages with application to the upper Fengman Reservoir Basin of China | |
| CN109359864A (zh) | 滨海滩涂资源综合利用的可持续发展程度评价方法和系统 | |
| CN110119790A (zh) | 基于计算机视觉的共享单车数量统计和密度估计的方法 | |
| CN103870995A (zh) | 一种高寒沙地植被恢复潜力评估方法 | |
| CN106405030A (zh) | 一种基于rbf神经网络的出水总磷检测装置及检测方法 | |
| Kumari et al. | Sustainability assessment of jumar river in Ranchi district of Jharkhand using river sustainability Bayesian network (RSBN) model Approach | |
| CN115204688A (zh) | 排水系统健康性综合评价方法 | |
| CN113076893B (zh) | 一种基于深度学习的高速公路疏水管堵塞态势感知方法 | |
| Brando et al. | Reef Rescue Marine Monitoring Program: Using Remote Sensing for GBR Wide Water Quality: Final Report for 2008/09 Activities | |
| Wang et al. | The spatial variation of hydrological conditions and their impact on wetland vegetation in connected floodplain wetlands: Dongting Lake Basin | |
| Shafie et al. | Urban material flow analysis: An approach for Greater Kuala Lumpur | |
| CN109870551A (zh) | 一种海洋水质监测方法 | |
| Udono et al. | Modeling seawater desalination powered by waste incineration using a dynamic systems approach | |
| Nguyen | Drivers of change, adaptation and resilience of agricultural systems facing increased salinity intrusion in deltaic coastal areas of Vietnam |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A real-time monitoring method for sewage aeration situation Granted publication date: 20200512 Pledgee: Hangzhou United Rural Commercial Bank Limited by Share Ltd. Cambridge branch Pledgor: ZHEJIANG SUCCESSFUL SOFTWARE DEVELOPMENT CO.,LTD. Registration number: Y2024330000338 |