CN113111766A - 一种人工智能混凝投药信号反馈控制方法 - Google Patents

一种人工智能混凝投药信号反馈控制方法 Download PDF

Info

Publication number
CN113111766A
CN113111766A CN202110380814.2A CN202110380814A CN113111766A CN 113111766 A CN113111766 A CN 113111766A CN 202110380814 A CN202110380814 A CN 202110380814A CN 113111766 A CN113111766 A CN 113111766A
Authority
CN
China
Prior art keywords
image
convolution
training
layer
pooling
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
Application number
CN202110380814.2A
Other languages
English (en)
Inventor
朱国成
任伯帜
李晓尚
袁程
舒建卫
黄威
袁芳
纪倩楠
方海全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Environmental Protection Water Investment Co ltd
Xiangtan Zhonghuan Water Service Co ltd
Hunan University of Science and Technology
Original Assignee
China Environmental Protection Water Investment Co ltd
Xiangtan Zhonghuan Water Service Co ltd
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Environmental Protection Water Investment Co ltd, Xiangtan Zhonghuan Water Service Co ltd, Hunan University of Science and Technology filed Critical China Environmental Protection Water Investment Co ltd
Priority to CN202110380814.2A priority Critical patent/CN113111766A/zh
Publication of CN113111766A publication Critical patent/CN113111766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能混凝投药信号反馈控制方法，该方法对絮凝阶段的水体进行拍摄，对拍摄的图像进行预处理，并标注标签，图像和对应的标签构成训练样本，训练样本构成训练集；构建和训练卷积网络，卷积网络包括N卷积层、M池化层和Q全连接层；卷积网络各层的设置方式为：一个卷积层和一个池化层，接下来还是卷积层和二个池化层依次类推，最后是连续的Q个全连接层，采用训练集中的数据进行训练；对絮凝阶段的水体拍摄的待预测图像进行图像预处理后输入训练后的卷积网络，即可得到水体的分类结果。本方法通过人工智能方法对原始絮体图像的特征进行自主提取，避免增设额外絮体收集装置进行图像特征的人工提取，克服絮体模糊、破碎等产生的环境影响。

Description

一种人工智能混凝投药信号反馈控制方法
技术领域
本发明属于环保监测技术领域，具体涉及一种人工智能混凝投药信号反馈控制方法。
背景技术
随着饮用水厂的运行管理精细化的要求不断提高，在保证水量水质提升的基础之上，挖掘运行系统大量数据的潜在作用，达到节能降耗的目标，实现生产上增质提效，已成为当前研究的热点问题。目前，在国内水厂自动投药方面，大部分水厂正处于起步阶段，还是通过过量投药和人工手动投药满足到出水水质要求，这种较为落后的状况与现代产、供水要求及饮水品质要求差距较大，存在药耗高、经济效益差、水质不稳定、工人劳动强度大等一系列问题。因此，混凝投药的自动化控制研究在水处理行业具有必要性。
目前，前馈、反馈、复合控制是混凝投药自动化控制的基本模式。复合控制结合前馈与反馈过程，以出水浊度或中间参数作为反馈信号微调前馈给定量，从而达到整个处理工艺设计的要求，其应用广泛。反馈信号基本可划分为：电流信号、光信号与图像信号，存在的问题主要有：投药点与出水水质之间会引发时滞性问题、信号受环境干扰大、设备维护频繁等。图像信号是通过拍摄絮体图片计算絮体特征参数，作为投药调控的依据，其操作简单、成本低廉、设备维护方便，受环境条件影响小，但其不足有：图像特征抽取仍以手工提取为主，需要人工分析与计算，耗时、耗力；以絮体结构尺度为反馈信号，易受絮体破碎、模糊等影响，需增设絮体转移装置。
发明内容
针对现有技术存在的上述问题，本发明的要解决的技术问题是：如何避免环境干扰,准确预测水质的水浊度值。
为解决上述技术问题，本发明采用如下技术方案：一种人工智能混凝投药信号反馈控制方法，包括如下步骤：
S100:数据准备：采用电子摄像仪器对絮凝阶段的水体进行拍摄，对拍摄的图像进行预处理，然后根据水浊度值大小进行分类，将分类结果作为图像的标签，图像和对应的标签构成一个训练样本，所述训练样本构成训练集；
S200:构建和训练卷积网络
S210:构建卷积网络，所述卷积网络包括N卷积层、M池化层和Q全连接层；所述卷积层、池化层和全连接层设置方式为：一个卷积层和一个池化层，接下来继续是卷积层和二个池化层依次类推，最后是连续的Q个全连接层；
S220:卷积网络的训练
S221:预设迭代次数、学习效率、卷积核的大小和池化核的大小；
选定激活函数和分类器；
S222:将S100训练集中的训练样本输入所述卷积网络中，卷积网络输出分类的概率值，将最大概率值对应的分类作为预测分类，将预测分类与该训练样本标签之间的交叉熵作为损失值，采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新；
S223:将S100训练集中的训练样本输入所述卷积网络中，当迭代次数达到预设迭代次数时，训练结束得到训练后的卷积网络；
S300:水体分类预测，将对絮凝阶段的水体拍摄的待预测图像进行图像预处理，再将预处理后的图像输入训练后的卷积网络，即可得到待预测图像中水体的分类结果。
作为改进，所述S220中学习效率为动态调整，每30次迭代更换为初始值的0.1；所述激活函数为Relu，所述分类器为Softmax；所述卷积核大小为5，池化核大小为5。
作为改进，所述S220构建的卷积网络中，采用Dropout函数克服过拟合现象，其值设置为0.5。
作为改进，所述S100中图像预处理是指将图像裁剪为48x48像素大小尺度，然后归一化处理。
相对于现有技术，本发明至少具有如下优点：
1.本发明方法，完成絮体图像预测反馈前馈控制系统的信号目标，与传统算法显著不同：图像特征通过机器自主提取，有别于传统人工特征的选择，加速了信号反馈的速度。该方法从混凝过程的实际情况出发，掌握有效卷积特征及其有效学习机制，进一步深入掌握卷积特征的学习模型及其学习结构和调控机制，获得有效卷积网络模型及其学习效果好的内在原因。
2.基于卷积网络的深度学习机制，本发明将实验场景中获得的模型知识迁移到生产场景中应用，探索获得的科学规律和方法机制可避免模型重头训练、节约高昂的成本花费。
3.传统方法通过手工选择图像的特征，为避免运动絮体模糊、破碎带来分析的障碍，一般需要增设额外絮体收集装置进行图像特征的选取，但人工智能深度学习网络对原始絮体图像、即使存在模糊的条件下，也能够进行图像特征的自主提取，因此避免了絮体模糊、破碎等产生的环境影响。
附图说明
图1为一种卷积网络的框架结构，其中weight表示权值，bias表示偏差，kernel_size表示核大小，padding表示填充，stride表示步长，In_features表示输入特征大小，out_features表示输出特征大小，p表示概率。
图2为传统的数据采集结构。
图3为本发明的数据采集结构。
具体实施方式
下面对本发明作进一步详细说明。
卷积网络是专门用以处理具有类似网络结构数据的深度学习神经网络，具有稀疏交互、参数共享、等变表示的特征，通过卷积运算可机器提取图像中有意义的特征，实现图像的识别分类，在计算机视觉等多个领域取得了巨大成功。通过卷积自动计算图像像素值，因此不需要图像的尺度、结构特征等参数。因此，将卷积网络应用于絮体图像的处理不会为破碎、模糊等问题进行思考，避免了絮体数据采集与分析的障碍，可望加快图像处理的速度。
一种人工智能混凝投药信号反馈控制方法，包括如下步骤：
S100:数据准备：采用电子摄像仪器对絮凝阶段的水体进行拍摄，对拍摄的图像进行预处理，然后根据水浊度值大小进行分类，将分类结果作为图像的标签，图像和对应的标签构成一个训练样本，所述训练样本构成训练集。
S200:构建和训练卷积网络
S210:构建卷积网络，所述卷积网络包括N卷积层、M池化层和Q全连接层；所述卷积层、池化层和全连接层设置方式为：一个卷积层和一个池化层，接下来继续是卷积层和二个池化层依次类推，最后是连续的Q个全连接层。
S220:卷积网络的训练
S221:预设迭代次数、学习效率、卷积核的大小和池化核的大小，选定激活函数和分类器。所述学习效率为动态调整，每30次迭代更换为初始值的0.1；所述激活函数为Relu，所述分类器为Softmax；所述卷积核大小为5，池化核大小为5，Padding值为2，Stride值为2。
S222:将S100训练集中的训练样本输入所述卷积网络中，卷积网络输出分类的概率值，将最大概率值对应的分类作为预测分类，将预测分类与该训练样本标签之间的交叉熵作为损失值，采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新。
采用Dropout函数克服过拟合现象，其值设置为0.5。Dropout函数主要是通过减少训练过程中神经元的数量。由于减少了神经元数量可以提高网路的鲁棒性，避免过度拟合现象发生。过度拟合现象是指训练模型不能在测试阶段获得与训练模型一样有效的作用效果。本研究中Dropout函数仅仅用于训练过程。
S223:将S100训练集中的训练样本输入所述卷积网络中，当迭代次数达到预设迭代次数时，训练结束得到训练后的卷积网络。
具体训练过程为：(1)采集的样品图像原始数据从模型数据输入，进行裁剪为48x48像素大小尺度的图像，然后归一化处理；(2)将上述归一化后的数据图像输入进入卷积层，卷积层进行卷积运算，获得图像的卷积特征；(3)将上述卷积特征输入池化层，进行图像的池化处理，降低图像像素大小，形成池化后的低像素特征图像；(4)将上述池化后的低像素图像传入卷积层，进行图像特征提取，如此反复进行；(4)将最终池化后的高维图像特征像素值拉平转化线性低维数据，进入全连接层输入层；(5)再通过隐含层，设置Dropout值为0.5与Relu作为激活函数，进行反馈训练，经过Softmax分类器输出训练结果，通过交叉熵值评估训练作用效果，达到预期目标误差后，保存模型的网络结构与参数，以备后期预测使用。
S300:水体分类预测，将对絮凝阶段的水体拍摄的待预测图像进行图像预处理，再将预处理后的图像输入训练后的卷积网络，即可得到待预测图像中水体的分类结果，由于每个分类对应一个水质的浊度大小值，因此通过这种方法可以方便的得到水体的目前的浊度大小值。
本方法通过人工智能方法对原始絮体图像的特征进行自主提取，避免增设额外絮体收集装置进行图像特征的人工提取，克服絮体模糊、破碎等产生的环境影响。
实施例1-实施例5进行絮凝实验的实验条件为：采集1L饮用水厂中处理的水源水作为絮凝对象，采用六联电动搅拌器设置快速搅拌时间30-2分钟，快速搅拌速度150-250rpm，慢速搅拌时间2-16分钟与慢速搅拌强度30-150rpm，添加预先设定的聚合氯化铝絮凝剂(0.5mg/L-30mg/L)，pH值(5-8)，温度10-20℃进行絮凝实验。Gt值由搅拌速度、搅拌时间、水质粘度等计算获得。
采集絮体图像采集：
采用单因素(包括絮凝剂投药量、pH、Gt值、反应时间)、采用四因素四水平通过Box-Behnken模型设计试验组进行混凝实验，采用电子摄像仪器大量采集絮凝产生的图像数据。在不同试验组中，根据设置的时间大小从视频中采集絮体图像数据且被裁剪成48x48像素大小图像，采集数据控制的时间间隔为1s-5s，每个单因素每个水平的图像总数在1000张。本发明采集图像数据的方法不同于传统拍摄模式如图2，传统模式需要增设絮体收集装置，本发明不需要增设絮体采集装置，直接进行拍摄如图3。
实施例1
1)在絮凝反应过程中，设置絮体采用电子数字摄像机连续不间断地采集时变过程中的絮体样本图像，GT值6660絮凝反应时间为15分钟，温度20.7，pH值7.6，投药量0.5-32mg/L，浊度0.86-10.8NTU。
2)取上述絮体图像数据输入卷积网络。絮体图像数据设置80％为训练样本，校验与测试样本各占10％。卷积网络以浊度大小为信号类别，分为7个类别进行图像识别。模型框架为3个卷积层，3个池化层，2个全连接层，反馈模型中采用Relu激活函数与Dropout函数。
3)通过2)进行模型训练，获得训练后的模型进行预测。实施例预测反馈的浊度信号的准确度为97％。
实施例2
1)在絮凝反应过程中，设置絮体采用电子数字摄像机连续不间断地采集时变过程中的絮体样本图像，GT值6660絮凝反应时间为15分钟，温度11.8，pH值5-10，投药量16mg/L，浊度0.69-15.2NTU。
2)取上述絮体图像数据输入卷积网络。絮体图像数据设置80％为训练样本，校验与测试样本各占10％。卷积网络以浊度大小为信号类别，分为5个类别进行图像识别。模型框架为5个卷积层，5个池化层，1个全连接层，反馈模型中采用Relu激活函数与Dropout函数。
3)通过2)进行模型训练，获得训练后的模型进行预测。实施例预测反馈的浊度信号的准确度为96％。
实施例3
1)在絮凝反应过程中，设置絮体采用电子数字摄像机连续不间断地采集时变过程中的絮体样本图像，GT值450-7200，絮凝反应时间为1-16分钟，温度13.2，pH值7.7，投药量16mg/L，浊度0.32-3.09NTU。
2)取上述絮体图像数据输入卷积网络。絮体图像数据设置80％为训练样本，校验与测试样本各占10％。卷积网络以浊度大小为信号类别，分为6个类别进行图像识别。模型框架为4个卷积层，4个池化层，2个全连接层，反馈模型中采用Relu激活函数与Dropout函数。
3)通过2)进行模型训练，获得训练后的模型进行预测。实施例预测反馈的浊度信号的准确度为98％。
实施例4
1)在絮凝反应过程中，设置絮体采用电子数字摄像机连续不间断地采集时变过程中的絮体样本图像，GT值1530-17010，絮凝反应时间为15分钟，温度13.1，pH值7.5，投药量16mg/L，浊度0.45-1.48NTU。
2)取上述絮体图像数据输入卷积网络。絮体图像数据设置80％为训练样本，校验与测试样本各占10％。卷积网络以浊度大小为信号类别，分为6个类别进行图像识别。模型框架为4个卷积层，4个池化层，1个全连接层，反馈模型中采用Relu激活函数与Dropout函数。
3)通过2)进行模型训练，获得训练后的模型进行预测。实施例预测反馈的浊度信号的准确度为97％。
实施例5
1)在絮凝反应过程中，设置絮体采用电子数字摄像机连续不间断地采集时变过程中的絮体样本图像，GT值876-6132，絮凝反应时间为2-14分钟，温度13，pH值7.7，投药量4-28mg/L，浊度0.28-18.03NTU。
2)取上述絮体图像数据输入卷积网络。絮体图像数据设置80％为训练样本，校验与测试样本各占10％。卷积网络以浊度大小为信号类别，分为14个类别进行图像识别。模型框架为6个卷积层，6个池化层，2个全连接层，反馈模型中采用Relu激活函数与Dropout函数。
3)通过2)进行模型训练，获得训练后的模型进行预测。实施例预测反馈的浊度信号的准确度为97％。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种人工智能混凝投药信号反馈控制方法，其特征在于，包括如下步骤：
S100:数据准备：采用电子摄像仪器对絮凝阶段的水体进行拍摄，对拍摄的图像进行预处理，然后根据水浊度值大小进行分类，将分类结果作为图像的标签，图像和对应的标签构成一个训练样本，所述训练样本构成训练集；
S200:构建和训练卷积网络
S210:构建卷积网络，所述卷积网络包括N卷积层、M池化层和Q全连接层；所述卷积层、池化层和全连接层设置方式为：一个卷积层和一个池化层，接下来继续是卷积层和二个池化层依次类推，最后是连续的Q个全连接层；
S220:卷积网络的训练
S221:预设迭代次数、学习效率、卷积核的大小和池化核的大小；
选定激活函数和分类器；
S222:将S100训练集中的训练样本输入所述卷积网络中，卷积网络输出分类的概率值，将最大概率值对应的分类作为预测分类，将预测分类与该训练样本标签之间的交叉熵作为损失值，采用梯度下降法进行反向传播对所述卷积网络中的参数进行更新；
S223:将S100训练集中的训练样本输入所述卷积网络中，当迭代次数达到预设迭代次数时，训练结束得到训练后的卷积网络；
S300:水体分类预测，将对絮凝阶段的水体拍摄的待预测图像进行图像预处理，再将预处理后的图像输入训练后的卷积网络，即可得到待预测图像中水体的分类结果。
2.如权利要求1所述的人工智能混凝投药信号反馈控制方法，其特征在于，所述S220中学习效率为动态调整，每30次迭代更换为初始值的0.1；
所述激活函数为Relu，所述分类器为Softmax；
所述卷积核大小为5，池化核大小为5。
3.如权利要求1或2所述的人工智能混凝投药信号反馈控制方法，其特征在于，所述S220构建的卷积网络中，采用Dropout函数克服过拟合现象，其值设置为0.5。
4.如权利要求3或所述的人工智能混凝投药信号反馈控制方法，其特征在于，所述S100中图像预处理是指将图像裁剪为48x48像素大小尺度，然后归一化处理。
CN202110380814.2A 2021-04-09 2021-04-09 一种人工智能混凝投药信号反馈控制方法 Pending CN113111766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110380814.2A CN113111766A (zh) 2021-04-09 2021-04-09 一种人工智能混凝投药信号反馈控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110380814.2A CN113111766A (zh) 2021-04-09 2021-04-09 一种人工智能混凝投药信号反馈控制方法

Publications (1)

Publication Number Publication Date
CN113111766A true CN113111766A (zh) 2021-07-13

Family

ID=76715091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110380814.2A Pending CN113111766A (zh) 2021-04-09 2021-04-09 一种人工智能混凝投药信号反馈控制方法

Country Status (1)

Country Link
CN (1) CN113111766A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781249A (zh) * 2022-04-07 2022-07-22 浙江浙能台州第二发电有限责任公司 基于多维评分模型的高密度澄清池加药量预测及控制方法
CN115010232A (zh) * 2022-07-11 2022-09-06 湘潭中环水务有限公司 基于弱时滞神经网络模型的饮用水厂混凝投药预测方法
CN116161824A (zh) * 2023-03-22 2023-05-26 江苏省秦淮河水利工程管理处 一种清淤尾水处理装置、系统及处理方法
CN118307108A (zh) * 2024-06-11 2024-07-09 陕西省水务集团水处理设备有限公司 水处理过程中的加药控制方法及装置、介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299687A (zh) * 2018-09-18 2019-02-01 成都网阔信息技术股份有限公司 一种基于cnn的模糊异常视频识别方法
CN109325533A (zh) * 2018-09-18 2019-02-12 成都网阔信息技术股份有限公司 一种人工智能框架进行cnn迭代训练方法
CN109740605A (zh) * 2018-12-07 2019-05-10 天津大学 一种基于cnn的手写中文文本识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299687A (zh) * 2018-09-18 2019-02-01 成都网阔信息技术股份有限公司 一种基于cnn的模糊异常视频识别方法
CN109325533A (zh) * 2018-09-18 2019-02-12 成都网阔信息技术股份有限公司 一种人工智能框架进行cnn迭代训练方法
CN109740605A (zh) * 2018-12-07 2019-05-10 天津大学 一种基于cnn的手写中文文本识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈阳 等: "在线絮凝控制技术在给水和废水处理中的应用", 《给水排水》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781249A (zh) * 2022-04-07 2022-07-22 浙江浙能台州第二发电有限责任公司 基于多维评分模型的高密度澄清池加药量预测及控制方法
CN115010232A (zh) * 2022-07-11 2022-09-06 湘潭中环水务有限公司 基于弱时滞神经网络模型的饮用水厂混凝投药预测方法
CN116161824A (zh) * 2023-03-22 2023-05-26 江苏省秦淮河水利工程管理处 一种清淤尾水处理装置、系统及处理方法
CN116161824B (zh) * 2023-03-22 2024-01-02 江苏省秦淮河水利工程管理处 一种清淤尾水处理装置、系统及处理方法
CN118307108A (zh) * 2024-06-11 2024-07-09 陕西省水务集团水处理设备有限公司 水处理过程中的加药控制方法及装置、介质和电子设备

Similar Documents

Publication Publication Date Title
CN113111766A (zh) 一种人工智能混凝投药信号反馈控制方法
Zhang et al. Waste image classification based on transfer learning and convolutional neural network
Xue et al. A fast and easy method for predicting agricultural waste compost maturity by image-based deep learning
CN112819802A (zh) 基于风口信息深度学习的监督及预测高炉炉况异常的方法
Wen et al. Deep learning-based ash content prediction of coal flotation concentrate using convolutional neural network
CN107871136A (zh) 基于稀疏性随机池化的卷积神经网络的图像识别方法
CN107622236B (zh) 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法
CN115108617B (zh) 混凝加药方法及系统
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
CN113610035B (zh) 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法
CN117835500A (zh) 基于物联网技术的智慧城市照明智能控制系统及方法
CN117114448A (zh) 一种基于机器学习和物联网技术的农业生产管理系统及方法
CN116612435B (zh) 一种玉米高产栽培方法
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法
CN114549955A (zh) 一种高炉出铁终点在线智能识别方法及系统
CN116661530B (zh) 食用菌工厂化栽培中的智能控制系统及方法
CN113221913A (zh) 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置
CN116621409A (zh) 畜禽粪污资源化处理设备及方法
Sulistyo et al. Building a globally optimized computational intelligent image processing algorithm for on-site inference of nitrogen in plants
Cross-Zamirski et al. Self-supervised learning of phenotypic representations from cell images with weak labels
CN110119165A (zh) 一种水产养殖池塘溶解氧检测装置
CN116675277B (zh) 一种基于物联网的低能耗废水浓缩系统控制方法
Alshahrani et al. Chaotic Jaya optimization algorithm with computer vision-based soil type classification for smart farming
Hashan et al. Apple Leaf Disease Classification Using Image Dataset: a Multilayer Convolutional Neural Network Approach
Mahamudul Hashan et al. Apple leaf disease classification using image dataset: a multilayer convolutional neural network approach

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713