CN107758885B - 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
- CN107758885B CN107758885B CN201711058675.1A CN201711058675A CN107758885B CN 107758885 B CN107758885 B CN 107758885B CN 201711058675 A CN201711058675 A CN 201711058675A CN 107758885 B CN107758885 B CN 107758885B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- image data
- original image
- real
- 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.)
- Active
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000005273 aeration Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009835 boiling Methods 0.000 claims description 6
- 239000002360 explosive Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013527 convolutional neural network 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
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000003911 water pollution Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
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)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Water Supply & Treatment (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Hydrology & Water Resources (AREA)
- Image Analysis (AREA)
- Image Processing (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 (4)
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；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；
(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。
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 CN107758885A (zh) | 2018-03-06 |
| CN107758885B true 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) |
Families Citing this family (10)
| 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 |
| 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 |
| 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 |
| 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 |
| CN113159130B (zh) * | 2021-03-25 | 2022-11-15 | 中电建电力检修工程有限公司 | 一种施工污水处理的方法 |
| CN114180733B (zh) * | 2021-11-02 | 2022-08-09 | 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 |
| CN118062921B (zh) * | 2024-04-25 | 2024-08-06 | 青岛水务集团有限公司 | 一种垃圾渗沥液浓缩液处理设备的自纠方法及系统 |
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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107758885A (zh) | 2018-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107758885B (zh) | 一种实时污水曝气情况监测方法 | |
| CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
| Jeanmougin et al. | Fine-scale urbanization affects Odonata species diversity in ponds of a megacity (Paris, France) | |
| CN110208880B (zh) | 一种基于深度学习和卫星遥感技术的海雾检测方法 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN110727717A (zh) | 网格化大气污染强度的监控方法、装置、设备和存储介质 | |
| CN105208325A (zh) | 基于图像定点抓拍及比对分析的国土资源监控预警方法 | |
| CN111340843A (zh) | 基于环境自适应和小样本学习的电力场景视频检测方法 | |
| CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
| CN115372571A (zh) | 一种水环境智能监测系统 | |
| CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN114330858A (zh) | 一种水生态环境的评估系统 | |
| CN115311648A (zh) | 一种基于螺栓属性和位置的视觉不可分螺栓缺陷检测方法 | |
| CN114626965A (zh) | 一种区域生态承载力边界阈值检测方法及装置 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
| CN113673299A (zh) | 一种基于深度语义特征提取的配电房小动物检测方法 | |
| CN117726975A (zh) | 水质监测方法及系统 | |
| CN110826766B (zh) | 地表饮用水源集水区灾害情景下污染预测方法及系统 | |
| Cheng et al. | Text Detection of Transformer Based on Deep Learning Algorithm | |
| KR20230167856A (ko) | 트리 기반 기계학습 알고리즘과 기상 예측 자료를 이용한 시정 예측 방법 | |
| CN114358667A (zh) | 一种基于rbf网络学习的景区风险预测模型构建方法 | |
| CN113191170A (zh) | 公共设施二维码损毁巡检有效性预测方法及系统 | |
| CN112818836A (zh) | 一种变电站场景的人员目标检测方法及系统 | |
| CN118135424B (zh) | 基于遥感图像和gis的生态环境监管方法和装置 | |
| Kim et al. | Water economy with smart water system in the City of Carouge |
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 |
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 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |