CN111192236A - 一种基于活性污泥相差显微图像的svi测量方法 - Google Patents
一种基于活性污泥相差显微图像的svi测量方法 Download PDFInfo
- Publication number
- CN111192236A CN111192236A CN201911283715.1A CN201911283715A CN111192236A CN 111192236 A CN111192236 A CN 111192236A CN 201911283715 A CN201911283715 A CN 201911283715A CN 111192236 A CN111192236 A CN 111192236A
- Authority
- CN
- China
- Prior art keywords
- image
- activated sludge
- svi
- model
- floc
- 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
- 239000010802 sludge Substances 0.000 title claims abstract description 90
- 238000000691 measurement method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 47
- 241000233866 Fungi Species 0.000 claims abstract description 29
- 241000894006 Bacteria Species 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 239000010865 sewage Substances 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000005273 aeration Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 9
- 238000004062 sedimentation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 244000005700 microbiome Species 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000004065 wastewater treatment Methods 0.000 claims description 3
- 241000589651 Zoogloea Species 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/2408—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures for measuring roundness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/04—Investigating sedimentation of particle suspensions
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Activated Sludge Processes (AREA)
Abstract
一种基于活性污泥相差显微图像的SVI测量方法，涉及污水处理领域，该方法包括活性污泥显微图像采集、絮体和丝状菌图像分割、絮体和丝状菌特征提取、SVI计算。其中，污泥样本取自曝气池出口，相差显微镜和CCD图像采集系统获取污泥样本的相差显微图像。使用深度卷积网络DeepLabv3+方法构建絮体和丝状菌图像分割模型，实现絮体和丝状菌的分割。分别从絮体和丝状菌分割图像，提取絮体和丝状菌形态学特征参数。基于所提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据，采用偏最小二乘和随机配置网络方法相结合，构建SVI测量模型，实现SVI计算。本发明融合活性污泥图像形态特征参数信息，为活性污泥体积指数SVI检测提供一种在线、可靠的测量手段。
Description
技术领域
本发明涉及一种污水处理测量控制方法，特别是涉及一种基于活性污泥相差显微图像的SVI测量方法。
背景技术
活性污泥法因为其经济、运行稳定的优点广泛应用于城市污水处理厂。活性污泥沉降性能直接决定污水处理厂出水水质和运行效率，尤其是污泥丝状菌膨胀故障工况严重危害污水处理厂的运行安全。污泥体积指数（SVI）是衡量污泥特性和沉降性能的重要指标，一般依赖于实验室离线化验获取，耗费大量人力和物力。因此，SVI在线测量是实现污水处理过程闭环控制和操作优化的前提，是提高污水出水水质、降低污水处理成本、提高处理效率的重要保证。
目前国内外已经有许多学者对污泥体积指数的测量进行了研究，北京工业大学韩红桂等人（CN 102494979A）提出了一种污泥沉降体积指数SVI软测量方法，通过构建自组织RBF神经网络模型，选择进水流量、BOD、COD、TN、曝气池溶解氧、pH作为自组织RBF神经网络输入，实现对SVI在线测量。随着显微镜技术和数字图像采集系统的普及，污水处理厂能够获取大量活性污泥微生物显微图像。活性污泥生物显微图像形态特征和污泥体积指数密切相关。上述方法没有考虑污泥显微图像形态学特征。
显微图像分析是评价污泥沉降性能的有力监测工具，本发明提出了一种基于活性污泥相差显微图像的SVI测量方法，本发明基于深度卷积网络DeepLabv3+方法构建絮体和丝状菌图像分割模型，实现絮体和丝状菌的分割和形态学特征参数提取，融合MLSS、DO、pH在线检测数据，采用偏最小二乘和随机配置网络方法相结合，构建SVI测量模型，实现SVI计算。本发明融合活性污泥图像形态特征参数信息和在线检测数据，为活性污泥体积指数SVI检测提供一种在线、可靠的测量手段。
发明内容
本发明的目的在于提供一种基于活性污泥相差显微图像的SVI测量方法，本发明用深度卷积网络DeepLabv3+方法构建絮体和丝状菌图像分割模型，实现絮体和丝状菌的分割。基于所提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据，采用偏最小二乘和随机配置网络方法相结合，构建SVI测量模型，实现SVI计算。融合活性污泥图像形态特征参数信息，为活性污泥体积指数SVI检测提供一种在线、可靠的测量手段。
本发明的目的是通过以下技术方案实现的：
一种基于活性污泥相差显微图像的SVI测量方法，包括下述步骤：
[01]步骤1：采集图像：本实施例中，所述污水处理过程采用活性污泥法；活性污泥样本来源于某石化废水处理厂，污泥样本在实验室活性污泥装置培养，实验室活性污泥工艺装置持续运行，活性污泥微生物图像采集系统包括倒置光学显微镜，工业数码相机和图像采集软件，显微镜的物镜具有10倍，20倍和40倍的放大率，数字图像大小为1024×768像素；
步骤2：图像处理：读入步骤1的显微图像，原始数字图像的尺寸为1024×768×3像素，基于原图标定絮体和丝状菌并将标定图与原图缩放至512×384。标定图为单通道，原图为三通道RGB图像。数据集包括絮体和丝状菌的输入图像和标签图像，分为训练、验证和测试数据；模型采用基于DCNN改进的DeepLabv3+模型，使用融合深度可分离卷积的Atrous空间金字塔池和解码器模块，前者即以空洞卷积级联或不同采样率空洞卷积并行架构，解决多尺度下的目标分割问题；后者改进解码器模块从而捕获更清晰的对象边界。以此结构训练与测试模型进而评估活性污泥图像分割的准确性；
步骤3：特征提取：读入步骤2分割好的对象（即絮体和丝状菌）与背景区分开，就可以计算出尺寸和形状相关的参数；提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据这些参数可以用于监测目的，以检测污泥（沉降）特征的变化等；
步骤4：SVI测量：将步骤3中 SVI模型的输入为活性污泥样本絮体和丝状菌形态学特征参数，以及在线检测数据MLSS、DO、PH，输出为实验室SVI化验值，这部分研究的目的是寻求图像分析信息和SVI之间的相关性， 考虑SCN-PLS模型，本发明通过对模型参数的调整，简单有效，具有测量精度高、实用性好等特点。
所述的一种基于活性污泥相差显微图像的SVI测量方法，所述污水处理过程采用活性污泥法，样本点取自曝气池出口；微生物图像采集系统包括倒置光学显微镜，工业数码相机和图像采集软件；显微镜的物镜具有10倍，20倍和40倍的放大率；取不同阶段和不同状态的活性污泥进行采样制成载玻片，在相差显微镜下观察，以获取完整活性污泥菌胶团为标准，拍照并采集图像。
所述的一种基于活性污泥相差显微图像的SVI测量方法，所述读入显微图像，将RGB图像转化为灰度图像，原始数字图像的尺寸为1024×768×3像素，絮体和丝状菌缩放到512×384单通道图像，数据集包括絮体和丝状菌的输入图像和标签，分为训练、验证和测试数据；输入改进的DeepLabv3+模型，通过采用编码器-解码器结构扩展了DeepLabv3，编码器模块通过在多个尺度上应用卷积对多尺度上下文信息进行编码，简单有效的解码器模块沿着目标边界细化分割结果，来执行训练和测试数据集以评估活性污泥图像分割的准确性。
所述的一种基于活性污泥相差显微图像的SVI测量方法，所述步骤3特征提取包括以下步骤：
步骤3.1：计算絮体面积A：目标区域的面积用该区域所包含的像素数表示；
步骤3.2：计算絮体周长Perimeter：目标区域的周长也就是区域的边界长度；
步骤3.3：计算丝状菌长度（F）：每个图像的丝状菌长度描述了丝状菌骨架的总长度；
步骤3.4：计算絮体欧拉数Euler Number：可作为识别物体的特征，欧拉数定义为连通成份数减去空洞数，这种拓扑特征具有平稳、旋转和比例不变特性；
步骤3.5：计算絮体等效圆直径：污泥絮凝物的大小是沉降性质的重要参数，絮体的大小表示为等效圆直径
，根据实际投影面积A计算：
步骤3.6：计算絮体形状因子（FF）：圆的FF等于1：
步骤3.7：计算絮体圆度(R)：它在0和1之间变化，一个圆的R等于1；
步骤3.8：计算絮体旋转半径（RG）：受物体伸长的影响，较长的絮体具有较大的RG，圆RG的值为
。
为二阶矩；
步骤3.9：计算絮体纵横比（AR）：该特征描述细胞外形关于中心对称的程度，它能够在一定程度上反映细胞外形关于中心对称的程度。
所述的一种基于活性污泥相差显微图像的SVI测量方法，所述步骤4包括下述步骤：
步骤4.1：模型训练数据集
SVI模型的输入为活性污泥样本絮体和丝状菌形态学特征参数，以及在线检测数据MLSS、DO、PH，输出为实验室SVI化验值；
步骤4.2：SCN模型初始化和隐含层参数配置
首次（L=1）构建SCN模型时，初始化模型误差
；设置最大随机配置次数
，分配不同权重范围输入权重
和偏差
，计算第
层的隐含层节点输出：
和不等式约束变量：
生成候选节点集合
，使不等式约束
最大时对应的参数为最优的输入权值
和偏差
；
步骤4.3：计算L个隐含层输出矩阵
；
步骤4.4：用PLS方法确定SCN模型输出权重
归一化隐含层输出矩阵
和输出
为零均值和单位方差；采用非线性迭代偏最小二乘（NIPALS）算法求解外部模型隐含层潜在向量
、
和输出层潜在向量
，内部模型采用最小二乘法计算隐含层和输出层潜在变量之间的回归模型系数
：
其中
分别是隐含层和输出层得分向量，
量
和
之间的线性回归模型：
其中潜在变量最小二乘系数
，标量
的对角线元素，输出权重
；
步骤4.5：计算SVI模型输出
。
本发明的优点与效果，即，本发明的创新主要体现在：
本发明使用深度卷积网络DeepLabv3+方法构建絮体和丝状菌图像分割模型，实现了絮体和丝状菌的分割。解决了多尺度下的目标分割问题，从而捕获更清晰的对象边界，提高活性污泥图像分割的准确性。
本发明基于所提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据，采用偏最小二乘和随机配置网络方法相结合，构建SVI测量模型，实现SVI计算。融合了活性污泥图像形态特征参数信息，为活性污泥体积指数SVI检测提供一种在线、可靠的测量手段。
附图说明
[01]图1为本发明的一种基于活性污泥相差显微图像的SVI测量方法的流程图；
[02]图2为本发明的SCN-PLS网络结构图。
具体实施方式
[03]下面将结合附图和具体实施方式，对本发明作进一步描述。
[04]如图1所示，为本发明的一种基于活性污泥相差显微图像的SVI测量方法的流程图。本发明的一种基于活性污泥相差显微图像的SVI测量方法，其特征在于，包括下述步骤：
[05]步骤1：采集图像
[06]本实施例中，所述污水处理过程采用活性污泥法。活性污泥样本来源于某石化废水处理厂，污泥样本在实验室活性污泥装置培养。实验室活性污泥工艺装置持续运行。活性污泥微生物图像采集系统包括倒置光学显微镜，工业数码相机和图像采集软件。显微镜的物镜具有10倍，20倍和40倍的放大率。数字图像大小为1024×768像素。
[07]步骤2：图像处理
[08]读入步骤1的显微图像，将RGB图像转化为灰度图像，原始数字图像的尺寸为1024×768×3像素，絮体和丝状菌缩放到512×384单通道图像。数据集包括絮体和丝状菌的输入图像和标签，分为训练、验证和测试数据。
[09]输入改进的DeepLabv3+模型，通过采用编码器-解码器结构扩DeepLabv3，编码器模块通过在多个尺度上应用卷积对多尺度上下文信息进行编码，简单有效的解码器模块沿着目标边界细化分割结果，来执行训练和测试数据集以评估活性污泥图像分割的准确性。
[10]步骤3：特征提取
[11]读入步骤2分割好的对象（即絮体和丝状菌）与背景区分开，就可以计算出尺寸和形状相关的参数；提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据这些参数可以用于监测目的，以检测污泥（沉降）特征的变化等；
[12]所述步骤3中，包括下述步骤：
[13]步骤3.1：计算絮体面积A：目标区域的面积用该区域所包含的像素数表示；
[14]步骤3.2：计算絮体周长Perimeter：目标区域的周长也就是区域的边界长度；
[15]步骤3.3：计算丝状菌长度（F）：每个图像的丝状菌长度描述了丝状菌骨架的总长度；
[16]步骤3.4：计算絮体欧拉数Euler Number：可作为识别物体的特征，欧拉数定义为连通成份数减去空洞数，这种拓扑特征具有平稳、旋转和比例不变特性；
[01]步骤3.5：计算絮体等效圆直径：污泥絮凝物的大小是沉降性质的重要参数，絮体的大小表示为等效圆直径
，污泥絮体大小按其平均直径可分为三等：大粒污泥絮体平均直径>500μm；中粒污泥絮体平均直径在150~500μm之间；细小污泥絮体平均直径<150μm，根据实际投影面积A计算：
[02]步骤3.6：计算絮体形状因子（FF）：圆的FF等于1：
[03]步骤3.7：计算絮体圆度(R)：主要受物体伸长的影响，可把近似圆形的絮体称为“圆形絮体”，与圆形截然不同的称为“不规则絮体”，它在0和1之间变化，一个圆的R等于1；
步骤3.8：计算絮体旋转半径（RG）：受物体伸长的影响，较长的絮体具有较大的RG，圆RG的值为
。
为二阶矩；
步骤3.9：计算絮体纵横比（AR）：该特征描述细胞外形关于中心对称的程度，它能够在一定程度上反映细胞外形关于中心对称的程度。
[04]步骤4：SVI测量
本发明所提出的学习模型是SCN-PLS算法，所述步骤4中，包括下述步骤：
步骤4.1：模型训练数据集
SVI模型的输入为活性污泥样本絮体和丝状菌形态学特征参数，以及在线检测数据MLSS、DO、PH，输出为实验室SVI化验值；
步骤4.2：SCN模型初始化和隐含层参数配置
首次（L=1）构建SCN模型时，初始化模型误差
；设置最大随机配置次数
，分配不同权重范围输入权重
和偏差
，计算第L层的隐含层节点输出：
和不等式约束变量：
生成候选节点集合
，使不等式约束
最大时对应的参数为最优的输入权值
和偏差
；
步骤4.3：计算L个隐含层输出矩阵
；
步骤4.4：用PLS方法确定SCN模型输出权重
归一化隐含层输出矩阵
和输出
为零均值和单位方差；采用非线性迭代偏最小二乘（NIPALS）算法求解外部模型隐含层潜在向量
和输出层潜在向量
，内部模型采用最小二乘法计算隐含层和输出层潜在变量之间的回归模型系数
：
其中
分别是隐含层和输出层得分向量，
和
分别表示隐含层和输出层潜在变量，
和
分别是隐含层和输出层残差矩阵；
是PLS模型保留的潜在变量个数；隐含层和输出层之间的内部模型是建立在每个潜在变量
和
之间的线性回归模型：
其中潜在变量最小二乘系数
，标量
的对角线元素，输出权重
；
步骤4.5：计算SVI模型输出
。
本发明利用训练数据对模型参数进行和修正，并利用测试数据对PLS-SCN模型的性能进行评价，所有数据均为零均值和单位方差。
[05]在SCN中测量模型有一个改进的残差，可以对具有L个隐藏节点的输出权值进行计算，在SCN-PLS模型中，除了隐藏节点的数量L，还需要考虑潜在变量的数量，用不同的参数独立进行50次运行,计算每个参数并测量均方根误差的平均值（RMSE）。
本发明包括活性污泥显微图像采集、絮体和丝状菌图像分割、絮体和丝状菌特征提取、SVI计算。使用深度卷积网络DeepLabv3+方法构建絮体和丝状菌图像分割模型，实现絮体和丝状菌的分割。基于所提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据，采用偏最小二乘和随机配置网络方法相结合，构建SVI测量模型，实现SVI计算。本发明融合活性污泥图像形态特征参数信息，为活性污泥体积指数SVI检测提供一种在线、可靠的测量手段。
Claims (5)
1.一种基于活性污泥相差显微图像的SVI测量方法，其特征在于，所述方法包括下述步骤：
步骤1：采集图像：污泥样本取自曝气池出口，相差显微镜和CCD图像采集系统获取污泥样本的相差显微图像；取不同阶段和不同状态的活性污泥进行采样制成载玻片，在不同倍数下的相差显微镜下进行观察，以获取完整活性污泥菌胶团为标准，拍照并采集图像；
步骤2：图像处理：读入步骤1的显微图像，原始数字图像的尺寸为1024×768×3像素，基于原图标定絮体和丝状菌并将标定图与原图缩放至512×384；标定图为单通道，原图为三通道RGB图像；数据集包括絮体和丝状菌的输入图像和标签图像，分为训练、验证和测试数据；模型采用基于DCNN改进的DeepLabv3+模型，使用融合深度可分离卷积的Atrous空间金字塔池和解码器模块，前者即以空洞卷积级联或不同采样率空洞卷积并行架构，解决多尺度下的目标分割问题；后者改进解码器模块从而捕获更清晰的对象边界；以此结构训练与测试模型进而评估活性污泥图像分割的准确性；
步骤3：特征提取：读入步骤2分割好的对象（即絮体和丝状菌）与背景区分开，就可以计算出形态学特征参数；提取的絮体和丝状菌特征参数和MLSS、DO、pH在线检测数据这些参数可以用于监测目的，以检测污泥（沉降）特征的变化等；
步骤4：SVI测量：将步骤3中 SVI模型的输入为活性污泥样本絮体和丝状菌形态学特征参数，以及在线检测数据MLSS、DO、PH，输出为实验室SVI化验值，寻求图像分析信息和SVI之间的相关性，考虑SCN-PLS模型，对模型参数调整。
2.根据权利要求1所述的一种基于活性污泥相差显微图像的SVI测量方法，其特征在于，所述方法污水处理过程采用活性污泥法；活性污泥样本来源于某石化废水处理厂，污泥样本在实验室活性污泥装置培养，实验室活性污泥工艺装置持续运行，活性污泥微生物图像采集系统包括倒置光学显微镜，工业数码相机和图像采集软件，显微镜的物镜具有10倍，20倍和40倍的放大率，数字图像大小为1024×768像素。
3.根据权利要求1所述的一种基于活性污泥相差显微图像的SVI测量方法，其特征在于，所述方法需要读入显微图像，将RGB图像转化为灰度图像，原始数字图像的尺寸为1024×768×3像素，絮体和丝状菌缩放到512×384单通道图像，数据集包括絮体和丝状菌的输入图像和标签，分为训练、验证和测试数据；输入改进的DeepLabv3+模型，通过采用编码器-解码器结构扩展了DeepLabv3，编码器模块通过在多个尺度上应用卷积对多尺度上下文信息进行编码，简单有效的解码器模块沿着目标边界细化分割结果，来执行训练和测试数据集以评估活性污泥图像分割的准确性。
4.根据权利要求1所述的一种基于活性污泥相差显微图像的SVI测量方法，其特征在于，上述步骤3的特征提取包括以下步骤：
步骤3.1：计算絮体面积A：目标区域的面积用该区域所包含的像素数表示；
步骤3.2：计算絮体周长Perimeter：目标区域的周长也就是区域的边界长度；
步骤3.3：计算丝状菌长度（F）：每个图像的丝状菌长度描述了丝状菌骨架的总长度；
步骤3.4：计算絮体欧拉数Euler Number：可作为识别物体的特征，欧拉数定义为连通成份数减去空洞数，这种拓扑特征具有平稳、旋转和比例不变特性；
步骤3.5：计算絮体等效圆直径：污泥絮凝物的大小是沉降性质的重要参数，絮体的大小表示为等效圆直径
，根据实际投影面积A计算：
步骤3.6：计算絮体形状因子（FF）：圆的FF等于1：
步骤3.7：计算絮体圆度(R)：它在0和1之间变化，一个圆的R等于1；
步骤3.8：计算絮体旋转半径（RG）：受物体伸长的影响，较长的絮体具有较大的RG，圆RG的值为
，
为二阶矩；
步骤3.9：计算絮体纵横比（AR）：该特征描述细胞外形关于中心对称的程度，它能够在一定程度上反映细胞外形关于中心对称的程度；
5.根据权利要求1所述的一种基于活性污泥相差显微图像的SVI测量方法，其特征在于，上述步骤4包括下述步骤：
步骤4.1：模型训练数据集
SVI模型的输入为活性污泥样本絮体和丝状菌形态学特征参数，以及在线检测数据MLSS、DO、PH，输出为实验室SVI化验值；
步骤4.2：SCN模型初始化和隐含层参数配置
首次（L=1）构建SCN模型时，初始化模型误差
；设置最大随机配置次数
，分配不同权重范围输入权重
和偏差
，计算第L层的隐含层节点输出：
和不等式约束变量：
生成候选节点集合
，使不等式约束
最大时对应的参数为最优的输入权值
和偏差
；
步骤4.3：计算L个隐含层输出矩阵
；
步骤4.4：用PLS方法确定SCN模型输出权重
归一化隐含层输出矩阵
和输出
为零均值和单位方差；采用非线性迭代偏最小二乘（NIPALS）算法求解外部模型隐含层潜在向量
和输出层潜在向量
，内部模型采用最小二乘法计算隐含层和输出层潜在变量之间的回归模型系数
：
其中
分别是隐含层和输出层得分向量，
和
分别表示隐含层和输出层潜在变量，
和
分别是隐含层和输出层残差矩阵；
是
模型保留的潜在变量个数；隐含层和输出层之间的内部模型是建立在每个潜在变量
和
之间的线性回归模型：
其中潜在变量最小二乘系数
，标量
为
的对角线元素，输出权重
；
步骤4.5：计算SVI模型输出
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911283715.1A CN111192236B (zh) | 2019-12-13 | 2019-12-13 | 一种基于活性污泥相差显微图像的svi测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911283715.1A CN111192236B (zh) | 2019-12-13 | 2019-12-13 | 一种基于活性污泥相差显微图像的svi测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111192236A true CN111192236A (zh) | 2020-05-22 |
| CN111192236B CN111192236B (zh) | 2023-12-01 |
Family
ID=70707409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911283715.1A Active CN111192236B (zh) | 2019-12-13 | 2019-12-13 | 一种基于活性污泥相差显微图像的svi测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111192236B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634347A (zh) * | 2021-01-07 | 2021-04-09 | 沈阳化工大学 | 一种活性污泥形态学和污泥体积指数svi软测量方法 |
| CN112767362A (zh) * | 2021-01-22 | 2021-05-07 | 沈阳化工大学 | 一种基于活性污泥相差显微图像污泥膨胀预测方法 |
| CN112907651A (zh) * | 2021-03-29 | 2021-06-04 | 山东捷瑞数字科技股份有限公司 | 基于语义分割网络的生蚝外部形态的测量方法 |
| CN113096087A (zh) * | 2021-04-06 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种磷回收产品纯度的软测量方法 |
| CN114858669A (zh) * | 2022-07-07 | 2022-08-05 | 江苏科德生态环保水处理有限公司 | 一种智能化污泥沉降比检测装置 |
| CN112767362B (zh) * | 2021-01-22 | 2024-07-02 | 沈阳化工大学 | 一种基于活性污泥相差显微图像污泥膨胀预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101898831A (zh) * | 2010-06-03 | 2010-12-01 | 北京城市排水集团有限责任公司 | 高污泥浓度微环境同步脱氮除磷污水处理装置及工艺 |
| US20110139714A1 (en) * | 2008-06-26 | 2011-06-16 | Akzo Nobel N.V. | Process for reducing bulking sludge in activated sludge wastewater treatment |
| CN103471991A (zh) * | 2013-09-26 | 2013-12-25 | 安徽工业大学 | 一种基于菌胶团显微图像分析的活性污泥特性确定方法 |
-
2019
- 2019-12-13 CN CN201911283715.1A patent/CN111192236B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110139714A1 (en) * | 2008-06-26 | 2011-06-16 | Akzo Nobel N.V. | Process for reducing bulking sludge in activated sludge wastewater treatment |
| CN101898831A (zh) * | 2010-06-03 | 2010-12-01 | 北京城市排水集团有限责任公司 | 高污泥浓度微环境同步脱氮除磷污水处理装置及工艺 |
| CN103471991A (zh) * | 2013-09-26 | 2013-12-25 | 安徽工业大学 | 一种基于菌胶团显微图像分析的活性污泥特性确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李振亮 等: "活性污泥絮体粒径分布与分形维数的影响因素" * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112634347A (zh) * | 2021-01-07 | 2021-04-09 | 沈阳化工大学 | 一种活性污泥形态学和污泥体积指数svi软测量方法 |
| CN112634347B (zh) * | 2021-01-07 | 2023-09-15 | 沈阳化工大学 | 一种活性污泥形态学和污泥体积指数svi软测量方法 |
| CN112767362A (zh) * | 2021-01-22 | 2021-05-07 | 沈阳化工大学 | 一种基于活性污泥相差显微图像污泥膨胀预测方法 |
| CN112767362B (zh) * | 2021-01-22 | 2024-07-02 | 沈阳化工大学 | 一种基于活性污泥相差显微图像污泥膨胀预测方法 |
| CN112907651A (zh) * | 2021-03-29 | 2021-06-04 | 山东捷瑞数字科技股份有限公司 | 基于语义分割网络的生蚝外部形态的测量方法 |
| CN113096087A (zh) * | 2021-04-06 | 2021-07-09 | 清华大学深圳国际研究生院 | 一种磷回收产品纯度的软测量方法 |
| WO2022213958A1 (zh) * | 2021-04-06 | 2022-10-13 | 清华大学深圳国际研究生院 | 一种磷回收产品纯度的软测量方法 |
| CN114858669A (zh) * | 2022-07-07 | 2022-08-05 | 江苏科德生态环保水处理有限公司 | 一种智能化污泥沉降比检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111192236B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111192236A (zh) | 一种基于活性污泥相差显微图像的svi测量方法 | |
| CN113256637B (zh) | 一种基于深度学习、上下文相关的尿液有形成分检测方法 | |
| CN111291937A (zh) | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 | |
| CN109902745A (zh) | 一种基于cnn的低精度训练与8位整型量化推理方法 | |
| CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
| CN111444865B (zh) | 一种基于逐步求精的多尺度目标检测方法 | |
| CN109657790A (zh) | 一种基于pso的递归rbf神经网络出水bod预测方法 | |
| CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
| CN109598704A (zh) | 一种基于bp神经网络的粪便显微图像清晰度评价方法 | |
| CN116051411A (zh) | 基于深度卷积网络的显微图像模糊核提取与离焦复原方法 | |
| CN112989704A (zh) | 一种基于de算法的irfm-cmnn出水bod浓度预测方法 | |
| CN110929809B (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
| CN114169403A (zh) | 混凝图片的拍摄装置、拍摄方法及控制絮凝的加药方法 | |
| Gallardo Garcia et al. | Efficient deep learning architectures for fast identification of bacterial strains in resource-constrained devices | |
| CN117392091A (zh) | 一种絮凝效果图像检测方法、系统、电子设备及介质 | |
| US11565946B2 (en) | Systems and methods for treating wastewater | |
| CN109470701A (zh) | 一种水处理在线生物监测的方法 | |
| CN112634347B (zh) | 一种活性污泥形态学和污泥体积指数svi软测量方法 | |
| CN110942448B (zh) | 一种基于卷积神经网络的定量相位图像识别方法 | |
| CN114818945A (zh) | 融入类别自适应度量学习的小样本图像分类方法及装置 | |
| CN101236649A (zh) | 图像处理方法 | |
| Wang | A new variable selection method for soft sensor based on deep learning | |
| CN112750174B (zh) | 基于空间编码的目标智能感知及识别系统及方法 | |
| CN114414495B (zh) | 基于双向长短时记忆网络的混合染液浓度检测方法 | |
| Li et al. | Plankton detection based on improved YOLOv5 |
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 |