CN109919012A - 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 - Google Patents
一种基于卷积神经网络的污水处理指示性微生物图像识别方法 Download PDFInfo
- Publication number
- CN109919012A CN109919012A CN201910078083.9A CN201910078083A CN109919012A CN 109919012 A CN109919012 A CN 109919012A CN 201910078083 A CN201910078083 A CN 201910078083A CN 109919012 A CN109919012 A CN 109919012A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional
- network
- convolution
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000010865 sewage Substances 0.000 title claims abstract description 39
- 244000005700 microbiome Species 0.000 title claims abstract description 38
- 238000011282 treatment Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 24
- 239000011248 coating agent Substances 0.000 claims description 12
- 238000000576 coating method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003475 lamination Methods 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims 3
- 230000008859 change Effects 0.000 claims 2
- 239000000284 extract Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 235000015170 shellfish Nutrition 0.000 claims 1
- 239000010802 sludge Substances 0.000 abstract description 16
- 238000000386 microscopy Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000004065 wastewater treatment Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 11
- 241000894007 species Species 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000013499 data model Methods 0.000 description 5
- 241000233866 Fungi Species 0.000 description 4
- 241000589651 Zoogloea Species 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000002906 microbiologic effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000700141 Rotifera Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000016615 flocculation Effects 0.000 description 1
- 238000005189 flocculation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Abstract
本发明涉及一种基于卷积神经网络的污水处理指示性微生物图像识别方法,包括污水厂活性污泥取样、镜检、拍照方法,利用卷积神经网络训练模型识别镜检照片中的微生物,研究各种微生物极其组合对应的业务含义,对污水厂运行提出前瞻性建议。污水厂生化处理工艺多样,过程复杂,指示性微生物的种类、数量、活性、个体大小等信息对污水处理效果具有决定作用,通过快速掌握镜检结果,可及时处理污水处理过程中的问题。其具有快速反应、操作简便、可视化强性能可靠稳定、能够被广泛推广使用等优点。
Description
技术领域
本发明涉及城市污水处理微生物镜检分析技术领域,尤其涉及一种基于卷积神经网络的 污水处理指示性微生物图像识别技术应用。
背景技术
随着经济的发展以及城市化进程的不断加快,水资源日渐匮乏,水污染问题也越来越严 重,人们对环保问题越来越重视,污水处理行业在城市环境保护中的地位日渐凸显。
虽然污水处理有多种方式,但100多年来,活性污泥法以其经济、运行稳定的优势占据 城市生活污水处理的主导地位。活性污泥法是在人工充氧条件下,对污水中各种微生物群体 进行连续混合培养,形成活性污泥,利用活性污泥的生物凝聚、吸附和氧化作用,分解去除 污水中的有机污染物。为了准确了解活性污泥系统的运行质量,运行人员需要定期对活性污 泥进行取样和显微观察,随时掌握指示性微生物的种类、数量、大小、活性,以协助作出准 确的工艺调控判断。
活性污泥中指示性微生物种类繁多,包括钟虫、轮虫、楯纤虫、吸管虫、太阳虫等,常 见的有几十种之多,这些微生物的状态代表着活性污泥在污水中的不同处理效果,及时准确 的镜检可起到预先判断作用,对污水处理调控过程十分有利。但是,由于指示性微生物种类 多,有些类似虫体不易区分,镜检人员如无长时间的经验积累较容易误判,加之镜检过程不 规范易造成图像模糊,给判断造成更大困难。在此情况下,规范取样、镜检、拍照过程,采 用经过专家判断和标注的图片训练的数据模型进行图像识别,快速给出统计结果和对应的业 务指导建议,对污水厂运行具有重要意义。
发明内容
针对污水厂活性污泥法镜检识别过程和指示性微生物判定经验的不足,本发明的目的在 于:提供一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用,其具有设计合 理、操作简便、可视化强、性能可靠稳定、能够被广泛推广使用等优点。
为了达到上述目的,本发明采用如下技术方案:
一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用,该应用包括一套污 水厂取样、镜检、拍照标准化方法,将污水厂活性污泥镜检结果与大数据算法工具结合起来, 实现31种指示性微生物的种类识别数据模型,可生成针对目标图片集的指示性微生物种类、 数量、虫体大小计算结果。运用指示性微生物种类、数量、虫体大小识别结果和丝状菌丰度、 菌胶团密实度图像识别结果,总结分析各种组合下表征的业务意义,提出工艺调控预判建议。
作为上述方案的进一步优化,所述的在训练指示性微生物数据模型的同时,同步进行丝 状菌丰度和菌胶团密实度训练,可同步输出计算结果。
本发明是基于卷积神经网络的污水处理指示性微生物图像识别技术应用,数据算法内容 包括:
1.对训练图片和视频进行包括像素处理、图片翻转、图片变形、视频取帧等预处理;
2.使用深度卷积网络训练提取整幅图片的特征,该层为深度残差网络和特征金字塔网络 的结合。深度残差网络结构包括:
1)残差单元C1,结构为使用7*7卷积的64维卷积层,连接使用3*3卷积的64维最大池化层,C1单元需要串接1个;
2)残差单元C2,结构为使用1*1卷积的64维卷积层,连接使用3*3卷积的64维卷积层,再连接使用1*1卷积的256维卷积层,C2单元需要串接N1个,N1初始值为3;
3)残差单元C3,结构为使用1*1卷积的128维卷积层,连接使用3*3卷积的128维卷积层,再连接使用1*1卷积的512维卷积层,C3单元需要串接N2个,N2初始值为4;
4)残差单元C4,结构为使用1*1卷积的256维卷积层,连接使用3*3卷积的256维卷积层,再连接使用1*1卷积的1024维卷积层,C4单元需要串接N3个,N3初始值为23;
5)残差单元C5,结构为使用1*1卷积的512维卷积层,连接使用3*3卷积的512维卷积层,再连接使用1*1卷积的2048维卷积层,C5单元需要串接N4个,N4初始值为3;
6)残差单元C1至C5依次串接,形成了第一深度残差网络层。其中N1、N2、N3、N4在第六贝叶斯优化参数层经优化后确定。C1-C5自底向上,代表了卷积网络的前向方向。C2-C5形成了4组不同尺寸的特征向量。其中N1、N2、N3、N4的层数为待训练参数。
3.在生成残差网络的同时,生成特征金字塔网络P2、P3、P4、P5和P6,用于识别多尺度目标检测,这样就能够天然地利用卷积神经网络的层级特征,从单尺度的单张输入图像,生成在所有尺度上都具有强语义信息的特征,同时不产生明显的代价,便于后面进行实例分 割。具体的生成过程如下:
C5经过1*1卷积网络,得到M5。M5经过2倍放大上采样处理,加和经过1*1卷积网络处理的C4,得到M4。同样,M4经过2倍放大上采样处理,加和经过1*1卷积网络处理的C3, 得到M3;M3经过2倍放大上采样处理,加和经过1*1卷积网络处理的C2,得到M2。M2-M5 经过3*3卷积的卷积层,得到相应的P2-P5层,P5经过1*1的最大池化,得到P6。P2-P6送 入后续区域推荐网络,同时P2-P5送入后续区域检测网络进行校正切割目标。
4.P2-P6进入区域推荐网络后,处理生成目标框信息,包含每个目标框的前景/背景得 分信息及每个目标框的坐标修正信息。目标框框体围绕每个中心点生成固定的3个框,框的 宽高比例分别为1:1、1:2、2:1,特征层的每个像素为一个中心点,目标框产生重叠以覆盖 尽可能多的图像。
定义IoU为模型产生的目标框DR和原始图片标记框GT的交叠率:
其中DR∩GT表示两个框的重叠部分,DR∪GT表示两个框全部覆盖到的部分。IoU大于0.7的目标框定义为前景,IoU小于0.3的目标框定义为后景。
每个目标框的前景/背景得分信息通过1*1的卷积层,使用softmax函数激活,该部分训 练的损失采用具有整数目标的分类交叉熵损失函数,定义为Lrpn_cls:
Lrpn_cls=-log2(p*q+(1-p)*(1-q)) (2)
其中p表示预测值,q表示真实值。
每个目标框的坐标修正信息通过1*1的卷积层,使用线性激活。坐标修正是对于前景一 开始无法在对象上完美居中的调整。因此,需要估计增量(目标框中心坐标和目标框的宽度、 高度的变化百分比),以细化目标框更好地适应对象。该部分训练的损失采用光滑L1损失函 数,定义为Lrpn_box:
其中ti和分别为目标框四角坐标中第i个坐标的预测值和真实值。为光 滑L1函数,(i=1,2,3,4),定义如下:
对目标框优化其位置和大小时,保留一个具有最高前景得分的目标框,并采用非极大值 抑制NMS算法丢弃IoU大于等于0.3且小于等于0.7的目标框。之后,我们将初级推荐区域 (即感兴趣的区域)传递到下一阶段。
5.目标区域筛选层根据目标框的大小分配不同级的特征金字塔网络层P2、P3、P4、P5、 P6池化,以k代表对应的层数2,3,4,5,6,则k由下式决定:
其中,k0等于5为基准值,224为图片输入标准值,w和h为图片归一化后的宽度和高度, 表示向下取整。
然后使用双线性内插法进行区域特征聚集,利用特征图上距离采样点最近的四个像素得 到其像素值。对于每张图片,我们得到每个感兴趣区域目标框的坐标、粗分类情况、坐标粗 修和真正有意义的位置坐标。
采用双线性内插法回传梯度训练区域损失函数L的反向传播公式如下:
这里,损失函数lROI是本层总损失,即分类误差、目标框误差和分割误差之和,ui代表池 化前特征图上第i个像素点,vrj代表池化后的第r个候选区域的第j个点;i*(r,j)代表点vrj像素值的来源即最大池化的时候选出的最大像素值所在点的坐标,d表示两点之间的距离,Δh 和Δw表示ui与横纵坐标的差值,这里作为双线性内插的系数乘在原始的梯度上。
6.对目标框使用两层全连接卷积网络进行目标类别的分类训练和目标框四角坐标的回 归训练。第一层全连接层卷积使用目标框特征图尺寸,输出为1024维,然后串接批量规范化 层和ReLU激活层;继续串接第二层全连接层,使用1*1卷积,输出1024维,然后串接批量 规范化层和ReLU激活层。最后,目标分类信息通过softmax激活函数输出结果,目标框四角 坐标通过线性激活函数输出结果。
对目标框中目标的识别。首先根据目标框特征图的尺寸,利用公式(2)计算所需的特征 金字塔网络。然后串接4个卷积网络,每个网络包括1个3*3的256维卷积层,1个批量规范化层,1个ReLU激活层。然后串接一个2*2的256维反卷积层,1个ReLU激活层。最后串 接1个1*1,维度为模型设定微生物识别分类数的卷积层,使用sigmoid激活函数输出最后 掩影位置信息,分割出待识别微生物。
目标分类信息的损失Lcls定义同公式(2),是二分类交叉熵损失函数。
目标四角坐标信息的损失Lbox定义同公式(3),是光滑L1损失函数。
目标掩影信息的损失Lregion使用平均二值交叉熵损失函数,通过逐像素的Sigmoid函数计 算得到:
其中y表示预测值,y*表示真实值,n是训练数据的总数,x是所有的训练输入。
7.起始学习率Learning Rate设为0.001,权值衰减Weight Decay设为0.0001,动量 Monentum设为0.9。使用随机梯度下降训练整个模型,得到模型和总损失L:
L=Lrpn_cls+Lrpn_box+Lcls+Lbox+Lregion (8)
对总损失L和确定的模型参数,再次使用高斯过程的贝叶斯优化超参数残差网络单元个 数θ(四维向量,包括N1、N2、N3、N4,起始值分别为3,4,23,3):
其中L(θ)符合如下GP高斯过程:
L(θ):GP(m(θ),k(θ,θ′)) (10)
m(θ)表示样本L(θ)的数学期望,k(θ,θ′)核函数表示θ的协方差。
经贝叶斯优化后的各残差单元数量θ(N1、N2、N3、N4),作为最终的卷积网络模型结构。 N1、N2、N3、N4均为正数,它们的和不超过1000。
与现有技术中人工检测微生物图片相比,采用本发明的一种基于卷积神经网络的污水处 理指示性微生物图像识别技术应用具有如下优点:
(1)本发明能够自动快速准确识别多达31种微生物镜检图像,快速给出统计结果和对 应的业务指导建议,对污水厂运行具有重要意义。
(2)将基于卷积神经网络的污水处理指示性微生物图像识别模型封装成为一套完整的软 测量检测系统,将理论成果转化为实际可视、可操作及多功能的软件系统。实现软测量理论 方法向实际污水处理过程中推广应用。
附图说明
图1是本发明一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用的整体 流程示意图。
图2是本发明一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用算法模 型示意图。
图3是本发明一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用在一个 具体应用实施例中的识别前后示意图。
具体实施方式
下面结合图1-3对本发明一种基于卷积神经网络的污水处理指示性微生物图像识别技术 应用作以详细说明,并结合一具体实施例对检测方法的效果作以说明。
针对污水厂活性污泥法镜检识别过程和指示性微生物判定经验的不足,本发明的目的在 于:提供一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用,其具有设计合 理、操作简便、可视化强、性能可靠稳定、能够被广泛推广使用等优点。
为了达到上述目的,本发明采用如下技术方案:
一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用,该应用包括一套污 水厂取样、镜检、拍照标准化方法,将污水厂活性污泥镜检结果与大数据算法工具结合起来, 实现30余种指示性微生物的种类识别数据模型,可生成针对目标图片集的指示性微生物种类、 数量、虫体大小计算结果。运用指示性微生物种类、数量、虫体大小识别结果和丝状菌丰度、 菌胶团密实度图像识别结果,总结分析各种组合下表征的业务意义,提出工艺调控预判建议。
作为上述方案的进一步优化,所述的在训练指示性微生物数据模型的同时,同步进行丝 状菌丰度和菌胶团密实度训练,可同步输出计算结果。
本发明是基于卷积神经网络的污水处理指示性微生物图像识别技术应用,数据算法内容 包括:
1.对训练图片和视频进行包括像素处理、图片翻转、图片变形、视频取帧等预处理;
2.使用深度卷积网络训练提取整幅图片的特征,该层为深度残差网络和特征金字塔网络 的结合。深度残差网络结构包括:
1)残差单元C1,结构为使用7*7卷积的64维卷积层,连接使用3*3卷积的64维最大池化层,C1单元需要串接1个;
2)残差单元C2,结构为使用1*1卷积的64维卷积层,连接使用3*3卷积的64维卷积层,再连接使用1*1卷积的256维卷积层,C2单元需要串接N1个,N1初始值为3;
3)残差单元C3,结构为使用1*1卷积的128维卷积层,连接使用3*3卷积的128维卷积层,再连接使用1*1卷积的512维卷积层,C3单元需要串接N2个,N2初始值为4;
4)残差单元C4,结构为使用1*1卷积的256维卷积层,连接使用3*3卷积的256维卷积层,再连接使用1*1卷积的1024维卷积层,C4单元需要串接N3个,N3初始值为23;
5)残差单元C5,结构为使用1*1卷积的512维卷积层,连接使用3*3卷积的512维卷积层,再连接使用1*1卷积的2048维卷积层,C5单元需要串接N4个,N4初始值为3;
6)残差单元C1至C5依次串接,形成了第一深度残差网络层。其中N1、N2、N3、N4在第六贝叶斯优化参数层经优化后确定。C1-C5自底向上,代表了卷积网络的前向方向。C2-C5形成了4组不同尺寸的特征向量。其中N1、N2、N3、N4的层数为待训练参数。
3.在生成残差网络的同时,生成特征金字塔网络P2、P3、P4、P5和P6,用于识别多尺度目标检测,这样就能够天然地利用卷积神经网络的层级特征,从单尺度的单张输入图像,生成在所有尺度上都具有强语义信息的特征,同时不产生明显的代价,便于后面进行实例分 割。具体的生成过程如下:
C5经过1*1卷积网络,得到M5。M5经过2倍放大上采样处理,加和经过1*1卷积网络处理的C4,得到M4。同样,M4经过2倍放大上采样处理,加和经过1*1卷积网络处理的C3, 得到M3;M3经过2倍放大上采样处理,加和经过1*1卷积网络处理的C2,得到M2。M2-M5 经过3*3卷积的卷积层,得到相应的P2-P5层,P5经过1*1的最大池化,得到P6。P2-P6送 入后续区域推荐网络,同时P2-P5送入后续区域检测网络进行校正切割目标。
4.P2-P6进入区域推荐网络后,处理生成目标框信息,包含每个目标框的前景/背景得 分信息及每个目标框的坐标修正信息。目标框框体围绕每个中心点生成固定的3个框,框的 宽高比例分别为1:1、1:2、2:1,特征层的每个像素为一个中心点,目标框产生重叠以覆盖 尽可能多的图像。
定义IoU为模型产生的目标框DR和原始图片标记框GT的交叠率:
其中DR∩GT表示两个框的重叠部分,DR∪GT表示两个框全部覆盖到的部分。IoU大于0.7的目标框定义为前景,IoU小于0.3的目标框定义为后景。
每个目标框的前景/背景得分信息通过1*1的卷积层,使用softmax函数激活,该部分训 练的损失采用具有整数目标的分类交叉熵损失函数,定义为Lrpn_cls:
Lrpn_cls=-log2(p*q+(1-p)*(1-q)) (2)
其中p表示预测值,q表示真实值。
每个目标框的坐标修正信息通过1*1的卷积层,使用线性激活。坐标修正是对于前景一 开始无法在对象上完美居中的调整。因此,需要估计增量(目标框中心坐标和目标框的宽度、 高度的变化百分比),以细化目标框更好地适应对象。该部分训练的损失采用光滑L1损失函 数,定义为Lrpn_box:
其中ti和分别为目标框四角坐标中第i个坐标的预测值和真实值。为光 滑L1函数,(i=1,2,3,4),定义如下:
对目标框优化其位置和大小时,保留一个具有最高前景得分的目标框,并采用非极大值 抑制NMS算法丢弃IoU大于等于0.3且小于等于0.7的目标框。之后,我们将初级推荐区域 (即感兴趣的区域)传递到下一阶段。
5.目标区域筛选层根据目标框的大小分配不同级的特征金字塔网络层P2、P3、P4、P5、 P6池化,以k代表对应的层数2,3,4,5,6,则k由下式决定:
其中,k0等于5为基准值,224为图片输入标准值,w和h为图片归一化后的宽度和高度, 表示向下取整。
然后使用双线性内插法进行区域特征聚集,利用特征图上距离采样点最近的四个像素得 到其像素值。对于每张图片,我们得到每个感兴趣区域目标框的坐标、粗分类情况、坐标粗 修和真正有意义的位置坐标。
采用双线性内插法回传梯度训练区域损失函数L的反向传播公式如下:
这里,损失函数lROI是本层总损失,即分类误差、目标框误差和分割误差之和,ui代表池 化前特征图上第i个像素点,vrj代表池化后的第r个候选区域的第j个点;i*(r,j)代表点vrj像素值的来源即最大池化的时候选出的最大像素值所在点的坐标,d表示两点之间的距离,Δh 和Δw表示ui与横纵坐标的差值,这里作为双线性内插的系数乘在原始的梯度上。
6.对目标框使用两层全连接卷积网络进行目标类别的分类训练和目标框四角坐标的回 归训练。第一层全连接层卷积使用目标框特征图尺寸,输出为1024维,然后串接批量规范化 层和ReLU激活层;继续串接第二层全连接层,使用1*1卷积,输出1024维,然后串接批量 规范化层和ReLU激活层。最后,目标分类信息通过softmax激活函数输出结果,目标框四角 坐标通过线性激活函数输出结果。
对目标框中目标的识别。首先根据目标框特征图的尺寸,利用公式(2)计算所需的特征 金字塔网络。然后串接4个卷积网络,每个网络包括1个3*3的256维卷积层,1个批量规范化层,1个ReLU激活层。然后串接一个2*2的256维反卷积层,1个ReLU激活层。最后串 接1个1*1,维度为模型设定微生物识别分类数的卷积层,使用sigmoid激活函数输出最后 掩影位置信息,分割出待识别微生物。
目标分类信息的损失Lcls定义同公式(2),是二分类交叉熵损失函数。
目标四角坐标信息的损失Lbox定义同公式(3),是光滑L1损失函数。
目标掩影信息的损失Lregion使用平均二值交叉熵损失函数,通过逐像素的Sigmoid函数计 算得到:
其中y表示预测值,y*表示真实值,n是训练数据的总数,x是所有的训练输入。
7.起始学习率Learning Rate设为0.001,权值衰减Weight Decay设为0.0001,动量 Monentum设为0.9。使用随机梯度下降训练整个模型,得到模型和总损失L:
L=Lrpn_cls+Lrpn_box+Lcls+Lbox+Lregion (8)
对总损失L和确定的模型参数,再次使用高斯过程的贝叶斯优化超参数残差网络单元个 数θ(四维向量,包括N1、N2、N3、N4,起始值分别为3,4,23,3):
其中L(θ)符合如下GP高斯过程:
L(θ):GP(m(θ),k(θ,θ′)) (10)
m(θ)表示样本L(θ)的数学期望,k(θ,θ′)核函数表示θ的协方差。
经贝叶斯优化后的各残差单元数量θ(N1、N2、N3、N4),作为最终的卷积网络模型结构。 N1、N2、N3、N4均为正数,它们的和不超过1000。
基于北京市某大型水务集团海量真实镜检图片进行分析,共收集图片上万张,识别微生 物种类共31种,以及每种微生物在图片中覆盖的面积。
(1)可识别的微生物种类及其形态和指示意义如表1-表4所示。
表1常见非活性污泥类原生动物
表2常见中间性活性污泥类原生动物
表3常见活性污泥类原生动物
表4常见后生动物
(2)对某水样运用该发明方法识别种类的具体数据如表5所示。
表5具体微生物识别内容一览表
Claims (6)
1.一种基于卷积神经网络的污水处理指示性微生物图像识别方法,其特征在于,建立了以下模型,识别出污水处理指示性微生物图像,该模型包括:
1)第一深度残差网络层,用于训练提取整幅原始输入图片的特征;
2)第二特征金字塔网络层,用于识别多尺度目标检测,接收第一深度残差网络层的输出,生成在所有尺度上都具有强语义信息的特征;
3)第三区域推荐网络层,用于生成供筛选的推荐目标区域,将第二特征金字塔网络层的输出处理生成推荐目标框信息并优化其位置和大小;
4)第四目标区域筛选层,对于第三区域推荐网络层输出的每张图片生成筛选目标区域,以及该筛选目标区域方形框的四角坐标值、分类值以及筛选目标区域内目标的具体位置坐标;
5)第五多任务输出层,使用第四目标区域筛选层提供的待检测目标,进行目标类别的分类训练、目标框四角坐标的回归训练和生成覆盖目标的平面掩影;
6)第六贝叶斯优化参数层,对于第五多任务输出层生成的模型,使用高斯过程的贝叶斯优化第一深度残差网络层的超参数后,作为最终的卷积网络模型结构。
2.如权利要求1所述的方法,其特征在于,所述第一深度残差网络层包括:
1)残差单元C1,结构为使用7*7卷积的64维卷积层,连接使用3*3卷积的64维最大池化层,C1单元需要串接1个;
2)残差单元C2,结构为使用1*1卷积的64维卷积层,连接使用3*3卷积的64维卷积层,再连接使用1*1卷积的256维卷积层,C2单元需要串接N1个,N1初始值为3;
3)残差单元C3,结构为使用1*1卷积的128维卷积层,连接使用3*3卷积的128维卷积层,再连接使用1*1卷积的512维卷积层,C3单元需要串接N2个,N2初始值为4;
4)残差单元C4,结构为使用1*1卷积的256维卷积层,连接使用3*3卷积的256维卷积层,再连接使用1*1卷积的1024维卷积层,C4单元需要串接N3个,N3初始值为23;
5)残差单元C5,结构为使用1*1卷积的512维卷积层,连接使用3*3卷积的512维卷积层,再连接使用1*1卷积的2048维卷积层,C5单元需要串接N4个,N4初始值为3;
6)残差单元C1至C5依次串接,形成了第一深度残差网络层;其中N1、N2、N3、N4在第六贝叶斯优化参数层经优化后确定。
3.如权利要求2所述的方法,其特征在于,所述第二特征金字塔网络层包括P2、P3、P4、P5、P6层,生成规则如下:C5经过1*1卷积网络,得到M5;M5经过2倍放大上采样处理,和经过1*1卷积网络处理的C4矩阵相加,得到M4;同样,M4经过2倍放大上采样处理,和经过1*1卷积网络处理的C3矩阵相加,得到M3;M3经过2倍放大上采样处理,和经过1*1卷积网络处理的C2矩阵相加,得到M2;M2、M3、M4、M5分别经过3*3卷积网络,得到相应的P2、P3、P4、P5层,P5经过1*1卷积的最大池化层,得到P6。
4.如权利要求1所述的方法,其特征在于,所述第三区域推荐网络层处理生成目标框的信息包括:
1)定义IoU为目标框DR和原始图片标记框GT的交叠率:
其中DR∩GT表示两个框的重叠部分,DR∪GT表示两个框全部覆盖到的部分;IoU大于0.7的目标框定义为前景,IoU小于0.3的目标框定义为后景;
2)每个目标框的前景/背景得分信息,该部分训练的损失采用具有整数目标的分类交叉熵损失函数;
3)每个目标框的坐标修正信息,该部分训练的损失采用光滑L1损失函数;
4)对目标框优化其位置和大小时,保留一个具有最高前景得分的目标框,并采用非极大值抑制NMS算法丢弃IoU大于等于0.3且小于等于0.7的目标框。
5.如权利要求3所述的方法,其特征在于,所述第四目标区域筛选层包括:根据目标框的大小分配不同级的特征金字塔网络层P2、P3、P4、P5、P6池化,以k代表对应的层数2,3,4,5,6,则k由下式决定:
其中,k0等于5为基准值,224为图片输入标准值,w和h为图片归一化后的宽度和高度,表示向下取整,并使用双线性内插法进行区域特征聚集。
6.如权利要求1所述的方法,其特征在于,所述第五多任务输出层包括:
1)对目标框使用两层全连接卷积网络进行目标类别的分类训练和目标框四角坐标的回归训练;第一层全连接层卷积使用目标框特征图尺寸,输出为1024维,然后串接批量规范化层和ReLU激活层;继续串接第二层全连接层,使用1*1卷积,输出1024维,然后串接批量规范化层和ReLU激活层;最后,目标分类信息通过softmax激活函数输出结果,目标框四角坐标通过线性激活函数输出结果;
2)对目标框中目标的识别;首先根据目标框特征图的尺寸,利用公式(2)计算所需的特征金字塔网络;然后串接4个卷积网络,每个网络包括1个3*3的256维卷积层,1个批量规范化层,1个ReLU激活层;然后串接一个2*2的256维反卷积层,1个ReLU激活层;最后串接1个1*1,维度为模型设定微生物识别分类数的卷积层,使用sigmoid激活函数输出最后掩影位置信息,分割出待识别微生物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078083.9A CN109919012A (zh) | 2019-01-28 | 2019-01-28 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078083.9A CN109919012A (zh) | 2019-01-28 | 2019-01-28 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919012A true CN109919012A (zh) | 2019-06-21 |
Family
ID=66960863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078083.9A Pending CN109919012A (zh) | 2019-01-28 | 2019-01-28 | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919012A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675374A (zh) * | 2019-09-17 | 2020-01-10 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN110751138A (zh) * | 2019-09-09 | 2020-02-04 | 浙江工业大学 | 一种基于yolov3和CNN的盘头标识识别方法 |
CN110889418A (zh) * | 2019-11-04 | 2020-03-17 | 数量级(上海)信息技术有限公司 | 一种气体轮廓识别方法 |
CN111428669A (zh) * | 2020-03-31 | 2020-07-17 | 成都之维安科技股份有限公司 | 一种基于多维数据应用的企业环境管理评估系统 |
CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置,电子设备及存储介质 |
CN112149612A (zh) * | 2020-10-12 | 2020-12-29 | 海略(连云港)科技有限公司 | 一种基于深度神经网络的海洋生物识别系统及识别方法 |
CN115273078A (zh) * | 2022-09-30 | 2022-11-01 | 南通炜秀环境技术服务有限公司 | 基于图像数据的污水处理方法及系统 |
CN116092078A (zh) * | 2023-04-11 | 2023-05-09 | 深圳市信远环保水务有限公司 | 一种污水处理智能控制系统 |
US11972571B2 (en) | 2020-07-30 | 2024-04-30 | Infervision Medical Technology Co., Ltd. | Method for image segmentation, method for training image segmentation model |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874894A (zh) * | 2017-03-28 | 2017-06-20 | 电子科技大学 | 一种基于区域全卷积神经网络的人体目标检测方法 |
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
CN109213805A (zh) * | 2018-09-07 | 2019-01-15 | 东软集团股份有限公司 | 一种实现模型优化的方法及装置 |
-
2019
- 2019-01-28 CN CN201910078083.9A patent/CN109919012A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874894A (zh) * | 2017-03-28 | 2017-06-20 | 电子科技大学 | 一种基于区域全卷积神经网络的人体目标检测方法 |
CN108648191A (zh) * | 2018-05-17 | 2018-10-12 | 吉林大学 | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 |
CN108734143A (zh) * | 2018-05-28 | 2018-11-02 | 江苏迪伦智能科技有限公司 | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 |
CN109213805A (zh) * | 2018-09-07 | 2019-01-15 | 东软集团股份有限公司 | 一种实现模型优化的方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨麟,: "基于协同显著性检测的图像分割方法研究", 《信息科技辑》, no. 2018, pages 138 - 1774 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751138A (zh) * | 2019-09-09 | 2020-02-04 | 浙江工业大学 | 一种基于yolov3和CNN的盘头标识识别方法 |
CN110675374A (zh) * | 2019-09-17 | 2020-01-10 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN110675374B (zh) * | 2019-09-17 | 2022-05-03 | 电子科技大学 | 一种基于生成对抗网络的二维图像污水流量检测方法 |
CN110889418A (zh) * | 2019-11-04 | 2020-03-17 | 数量级(上海)信息技术有限公司 | 一种气体轮廓识别方法 |
CN111428669A (zh) * | 2020-03-31 | 2020-07-17 | 成都之维安科技股份有限公司 | 一种基于多维数据应用的企业环境管理评估系统 |
CN111899245A (zh) * | 2020-07-30 | 2020-11-06 | 北京推想科技有限公司 | 图像分割、模型的训练方法及装置,电子设备及存储介质 |
US11972571B2 (en) | 2020-07-30 | 2024-04-30 | Infervision Medical Technology Co., Ltd. | Method for image segmentation, method for training image segmentation model |
CN112149612A (zh) * | 2020-10-12 | 2020-12-29 | 海略(连云港)科技有限公司 | 一种基于深度神经网络的海洋生物识别系统及识别方法 |
CN115273078A (zh) * | 2022-09-30 | 2022-11-01 | 南通炜秀环境技术服务有限公司 | 基于图像数据的污水处理方法及系统 |
CN116092078A (zh) * | 2023-04-11 | 2023-05-09 | 深圳市信远环保水务有限公司 | 一种污水处理智能控制系统 |
CN116092078B (zh) * | 2023-04-11 | 2023-06-09 | 深圳市信远环保水务有限公司 | 一种污水处理智能控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919012A (zh) | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 | |
CN106980858B (zh) | 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法 | |
CN112991354B (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN109948165A (zh) | 基于混合注意力网络的细粒度情感极性预测方法 | |
CN107766894A (zh) | 基于注意力机制和深度学习的遥感图像自然语言生成方法 | |
CN108805833B (zh) | 基于条件对抗网络的字帖二值化背景噪声杂点去除方法 | |
CN105654135A (zh) | 一种基于递归神经网络的图像文字序列识别系统 | |
CN107688701A (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
CN102262147A (zh) | 一种废水处理系统出水cod的软测量方法和系统 | |
CN111192236B (zh) | 一种基于活性污泥相差显微图像的svi测量方法 | |
CN105975457A (zh) | 基于全自动学习的信息分类预测系统 | |
CN110059765B (zh) | 一种矿物智能识别分类系统与方法 | |
CN107870321A (zh) | 基于伪标签学习的雷达一维距离像目标识别方法 | |
CN108765374A (zh) | 一种宫颈涂片图像中异常核区域筛查的方法 | |
Lobry et al. | Visual question answering from remote sensing images | |
Wang et al. | A full-view management method based on artificial neural networks for energy and material-savings in wastewater treatment plants | |
CN116621409A (zh) | 畜禽粪污资源化处理设备及方法 | |
CN101976343B (zh) | 湖泊沉积物硅藻识别技术与装置 | |
CN114548268A (zh) | 基于原型网络的小样本垃圾图像分类方法 | |
CN111204867B (zh) | 膜生物反应器-mbr膜污染智能决策方法 | |
Leontyev et al. | Application of assimilation and filtration methods for satellite water sensing data for plankton population evolution processes predictive modeling | |
CN104063800B (zh) | 适用于氨氮排放指标有偿使用价格的核算方法 | |
Zhang et al. | Three-stream and double attention-based DenseNet-BiLSTM for fine land cover classification of complex mining landscapes | |
Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
Park et al. | Knowledge Distillation with Feature Self Attention |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190621 |