具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本申请实施例,还提供了一种混凝剂投放量的确定方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算设备或者类似的运算装置中执行。图2示出了一种用于实现混凝剂投放量的确定方法的计算设备(或移动设备)的硬件结构框图。如图2所示,计算设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(BUS)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备10还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的混凝剂投放量的确定方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的混凝剂投放量的确定方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图2所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图2仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下,本申请提供了如图3所示的混凝剂投放量的确定方法,其中,图3是根据本申请实施例一的混凝剂投放量的确定方法的流程图。需要说明的是,本实施例所提供的方法可应用于水质净化系统中,其中,水质净化系统中至少包括絮凝池和沉淀池。另外,水质净化系统除包括上述的絮凝池和沉淀池之外,还包括用户终端,该用户终端在本实施例中用于确定预设时刻需要投入至絮凝池中的混凝剂的投放量,即用户终端可作为本实施例所提供的方法的执行主体。其中,用户终端可以为笔记本电脑、台式电脑、平板、手机等终端。由图3可知,本实施例所提供的方法包括如下步骤:
步骤S302,获取沉淀池中的待净化水质的水质数据。
在步骤S302中,待净化水质可以为原水,其中,原水为从水库运输至净水厂的水。沉淀池为水质净化系统中用来沉淀矾花晶体和杂质的蓄水池,矾花晶体为明矾水解之后与水质中的杂质吸附在一起所形成的絮状物。
需要说明的是,水质净化系统还包括数据采集设备,例如,水质监测仪,用于采集待净化水质的水质数据,其中,水质数据包括但不限于原水的水浊度、水温、PH值等。可选的,水质净化系统所包含的数据采集设备与用户终端进行通信,并将数据采集设备实时采集到的水质数据上传至用户终端,以使用户终端对水质数据进行分析,进而确定混凝剂的投放量。
步骤S304,采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质。
需要说明的是,水质净化系统中的数据采集设备还可以包括图像采集设备,例如,相机。其中,图像采集设备可以为水下相机,用于设置在待净化水质中,例如,在图4所示的图像采集设备的安装示意图中,图像采集设备设置在待净化水质中,以采集待处理视频图像,从而使用户终端能够根据待处理视频图像确定矾花晶体的生成状态。
需要说明的是,可通过矾花量化指标来表征矾花晶体的生成状态,其中,矾花量化指标包括但不限于矾花晶体的数量、权重信息以及面积信息等。另外,图像采集设备也可与用户终端之间进行通信连接,以使用户终端能够实时获取图像采集设备所采集到的待处理视频图像。另外,图像采集设备采集的是沉淀池入口处的待处理视频图像,容易注意到的是,如果仅通过经验或者肉眼观察的方式判断沉淀池出口处的水质浊度存在滞后性,而在本申请中,根据矾花晶体的生成状态可确定沉淀池出口处的水质浊度,从而避免了通过沉淀池的出口处的水质判断水质浊度所存在的滞后性的问题,降低了水厂工序成本,提高了水厂的净水效率。
步骤S306,通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度。
在步骤S306中,水质浊度为原水在沉淀池的浊度数据,即完成矾花物理沉降后原水的浊度。第一预设模型可设置在用户终端上,即在用户终端上可实现对矾花晶体的生成状态和水质数据对沉淀池的出口处的水质浊度影响程序的分析。另外,第一预设模型还可设置在云服务器上,在该场景中,水质净化系统还包括云服务器,其中,用户终端将得到的矾花晶体的生成状态以及水质数据上传至云服务器,云服务器即可采用第一预设模型来对矾花晶体的生成状态以及水质数据进行分析,得到在当前混凝剂的投放量下所对应的水质浊度。由此可见,在本实施例中,在确定当前混凝剂的投放量的情况下,通过步骤S306的方案即可确定该投放量所对应的水质浊度,而无需等待一段时间再通过人工经验的方式在沉淀池的出口处判断水质浊度,不仅提高了水质浊度确定的准确性,还保证了水质浊度确定的实时性。
此外,还需要说明的是,上述的第一预设模型可以为回归模型,例如,支持向量回归模型、随机树模型以及对应的集成模型、随机森林模型等。另外,上述第一预设模型还可以为支持向量回归模型、GBDT(Gradient Boosting Decision Tree,梯度提升树)模型以及其他Bagging(Bootstrap aggregating,引导聚集算法)模型或者其他集成模型。以上仅是对第一预设模型进行举例,任何可以实现对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析的模型均可作为第一预设模型。
步骤S308,通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
在步骤S308中,混凝剂为与原水中的相关离子结合生产矾花晶体的药剂。预设时刻为未来投放混凝剂的时间,例如,下一时刻。可选的,工作人员每隔相同的预设时长向絮凝池中投放一次混凝剂,则在该场景中,预设时刻为下一次投放混凝剂的时刻。即在本申请中,通过第二预设模型可以预测下一次投放混凝剂的投放量。
需要说明的是,上述第二预设模型也可以为回归模型,例如,多任务的回归模型、其他回归模型(例如,支持向量回归模型),还可以为GBDT模型以及其他Bagging模型或者其他集成模型。另外,在本实施例中,第二预设模型还可以为采用多层感知器BP(BackPropagation,)神经网络建立的模型。以上仅是对第二预设模型进行举例,任何可以实现预测预设时刻的混凝剂的投放量的模型均可作为第二预设模型。
基于上述步骤S302至步骤S308所限定的方案,可以获知,在本申请实施例中,采用多模态数据分析的方式,在获取沉淀池中的待净化水质的水质数据之后,通过采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定用于沉淀待净化水质中的杂质的矾花晶体的生成状态,然后通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到表征了对待净化水质进行物理沉降后的水质的纯净度的水质浊度,并通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的用于生成矾花晶体的混凝剂的投放量。
容易注意到的是,在上述过程中,通过第一预设模型来对矾花晶体的生成状态以及水质数据进行分析,以确定水质浊度,无需通过人工经验来判断水质浊度,从而避免了人工经验确定水质浊度所存在的不准确的问题。而且,在本申请中,水质浊度是根据沉淀池的入口处的待处理视频图像所确定矾花晶体的生成状态来确定的,而不是对沉淀池的出口处的水质进行判断得到的,从而避免了通过沉淀池的出口处的水质判断水质浊度所存在的滞后性的问题,降低了水厂工序成本,提高了水厂的净水效率。最后,在本申请中,还可通过第二预设模型来确定预设时刻所需要投入的混凝剂的投放量,从而实现了实时、准确的预测未来时刻需要投入的混凝剂的投放量,从而实现了准确的指导混凝剂的投放和后续净水工艺的生产参数,提高了水厂净水的效率。
由此可见,本申请所提供的方案达到了实时、准确的确定混凝剂的投放量的目的,从而实现了提高水厂净水效率的技术效果,进而解决了现有技术中无法实时、准确的确定在预设时刻混凝剂的投放量的技术问题。
在一种可选的实施例中,在图像采集设备采集到沉淀池入口处的待处理视频图像之后,用户终端根据待处理视频图像确定矾花晶体的生成状态。具体的,用户终端基于深度学习算法对待处理视频图像中的每帧图像进行分割处理,得到多个子图像,然后,根据矾花晶体的矾花类型确定在多个子图像中的每个子图像所对应的第一矾花量化指标,并对第一矾花量化指标进行时间量化,得到矾花晶体在时间维度上的目标矾花量化指标,其中,目标矾花量化指标表征了矾花晶体的生成状态。
在上述过程中,边缘机器可实现对待处理视频图像的采集以及水质数据的获取,可选的,如图5所示的边缘机器的功能示意图中,边缘机器包括工控系统和水下摄像头,其中,工控系统可以包括水质监测仪,用于采集水质数据;图像采集设备包括图5中的水下摄像头,水下摄像头可以自带SDK(Software Development Kit,软件开发工具包)。在本实施例中,如图5所示,边缘机器可实现多视角摄像头的图像采集、基于深度学习的图像分割、矾花晶体的特征提取以及算法前端的工程化部署。
需要说明的是,水下摄像头能够采集清晰可用的视频数据(即上述的待处理视频图像),或者通过RTSP(Real Time Streaming Protocol,实时流传输协议)视频流的方式获取视频数据。
在一种可选的实施例中,用户终端可基于深度学习来实现对待处理视频图像的分割。其中,深度学习算法可以为但不限于Mask-RCNN、SOLO算法以及Yolact算法等。可选的,图6示出了一种Mask-RCNN深度学习算法的算法框图,由图6可知,在Mask-RCNN深度学习算法中,首先待处理视频图像经过Mask-RCNN深度学习算法中的卷积层处理后,再进行特征提取,得到待处理视频图像所对应的特征图,然后再使用RPN(Region Proposal Network,区域生成网络)提取出特征图所对应的候选区域(如图6中的黑色区域),然后再在全连接层结合特征图对候选区域进行回归和分类预测,进而实现对待处理视频图像的分割,在如图7所示的待处理视频图像的分割示意图中,将待处理视频图像分为了四个子图像,每个子图像中对不同矾花类型进行了标注。
需要说明的是,在实际应用中,可根据矾花晶体的生成状态(即业务状态)以及对沉后水浊度的影响,可将矾花晶体分为蓬松矾花晶体、片状矾花晶体以及模糊矾花晶体。
进一步的,在将待处理视频图像分割为多个子图像之后,用户终端根据矾花晶体的矾花类型确定在多个子图像中的每个子图像所对应的第一矾花量化指标。具体的,用户终端获取每个矾花类型在每个子图像中所对应的矾花数量、权重信息以及面积信息,并根据矾花数量、权重信息以及面积信息确定每个矾花类型在每个子图像中的第一矾花量化指标。其中,权重信息至少包括如下之一:权重平均值、权重中位值,面积信息至少包括如下之一:每个矾花类型在每个子图像中的面积平均值以及面积中位值。
可选的,在如图8所示的矾花量化指标的确定示意图中,对不同的矾花类型的矾花量化指标进行统计。例如,在子图像1中,统计了每个矾花类型所对应的矾花数量(如图8中的个数),然后统计每个矾花类型所包含的每个矾花晶体的面积,并对当前矾花类型的所有矾花晶体的面积进行求平均计算,得到面积平均值;通过求取当前矾花类型的所有矾花晶体的面积的中位值,得到面积中位值。
可选的,矾花晶体的权重值可根据当前矾花晶体的面积在当前矾花类型所包含的矾花晶体的所有面积的比值来确定,即当前矾花晶体的面积越大,则当前矾花晶体所对应的权重值越大。即通过计算当前矾花晶体的面积与当前矾花类型所包含的矾花晶体的所有面积的比值来确定当前矾花晶体的权重值,然后计算在当前矾花类型所包含的所有矾花晶体的权重值进行求平均计算,得到权重平均值;通过求取当前矾花类型的所有矾花晶体的权重值的中位值,得到权重中位值。
需要说明的是,上述仅列举了一种矾花晶体的权重值的确定方法,在实际应用中,还可根据面积中位值来确定矾花晶体的权重值,即通过计算当前矾花晶体的面积与当前矾花类型所对应的面积中位值的比值来确定当前矾花晶体的权重值。另外,任何可确定矾花晶体的权重值的方式均可应用在本实施例中。
更进一步的,在得到每个子图像所对应的矾花量化指标(即第一矾花量化指标)之后,用户终端对第一矾花量化指标进行时间量化,得到矾花晶体在时间维度上的目标矾花量化指标。具体的,用户终端对第一矾花量化指标进行拼接处理,得到每帧图像所对应的第二矾花量化指标,然后按照待净化水质的更新频率对第二矾花量化指标进行抽取,得到第三矾花量化指标,并对第三矾花量化指标中的每个指标进行平均值计算,得到目标矾花量化指标。
可选的,用户终端将不同子图像中的矾花量化指标进行拼接,得到每帧图像所对应的矾花量化指标(即第二矾花量化指标),例如,当前帧的视频图像包含四个子图像,用户终端按照矾花晶体的矾花类型统计每个子图像所对应的矾花量化指标,即将每个子图像所对应的蓬松矾花晶体所对应的矾花量化指标进行统计,得到当前帧的视频图像所对应的蓬松矾花晶体的矾花量化指标。
需要说明的是,在对权重平均值、权重中位值、面积平均值以及面积中位值进行统计的过程中,可分别计算所有子图像的权重平均值、权重中位值、面积平均值以及面积中位值的平均值来得到当前帧的视频图像的权重平均值、权重中位值、面积平均值以及面积中位值。
进一步的,在对子图像的第一矾花量化指标进行拼接处理后,用户终端以实时原水数据的更新频率(即待净化水质的更新频率)为基准,对预设时间段内图像采集设备所采集到的待处理视频图像等间隔抽取一定数量帧的矾花量化指标,并进行求平均计算,即可得时间量化后的矾花量化指标(即上述的目标矾花量化指标)。
需要说明的是,在基于深度学习算法对待处理视频图像进行分割处理的过程中,用户终端还将待处理视频图像的相关数据以及分割结果回流至OSS(Operation supportsystems,系统即操作支持系统),以实现对深度学习算法所对应的模型进行实时更新,从而保证深度学习算法能够准确的对待处理视频图像进行分割。
在一种可选的实施例中,在确定了矾花晶体的生成状态之后,用户终端可通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度。具体的,在第一预设模型为线性模型时,用户获取线性模型所对应的预设系数,基于预设系数对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度,即如果第一预设模型为线性模型,则可通过线性模型的特征系数等方式分析出矾花晶体的生成状态对沉淀池的出口处的水质浊度的影响程度。
另外,在第一预设模型为树状模型时,获取树状模型所对应的节点的特征类别,并基于特征类别对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度。即如果第一预设模型为树状模型及其集成模型,则可通过分析树状模型的节点的特征类别和分裂系数等方式来分析出矾花晶体的生成状态对沉淀池的出口处的水质浊度的影响程度。
在一种可选的实施例中,用户终端在通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量的过程中,获取矾花晶体的生成状态、水质数据以及水质浊度,并通过第二预设模型对矾花晶体的生成状态、水质数据以及水质浊度进行分析,得到混凝剂的投放量。即在本实施例中,用户终端通过当前状态下的矾花晶体的生成状态、水质数据以及预测的沉淀池出口处的水质浊度,建立混凝剂投放量推荐服务的第二预设模型,以预测下一时刻混凝剂的投放量,优选的,在本实施例中,第二预设模型为采用多层感知器BP神经网络所建立的混凝剂投加量推荐模型。
在一种可选的实施例中,现有技术中的模型大部分进行离线部署,当天气、温度以及原水状态发生变化时,无法实时更新模型。在本实施例中,在检测到水质净化系统所在环境的环境信息发生变化时,用户终端还根据变化后的环境信息对第一预设模型和/或第二预设模型进行更新。其中,环境信息包括但不限于上述的天气、温度、湿度以及原水状态,原水状态包括但不限于水温、PH值等。
需要说明的是,在用户终端上还可设置数据库,以对数据采集设备所采集到的数据进行存储,在水质净化系统所在环境的环境信息发生变化时,用户终端可从数据库中获取历史数据,并基于历史数据对第一预设模型和/或第二数据模型进行在线更新,以提高大数据模型对数据变化的鲁棒性。
由上述内容可知,在本申请中,根据矾花晶体的业务形态的细粒度区分的基础上建立基于深度学习的图像检测分割模型、基于多模态数据的沉后水浊度预测模型(即第一预设模型)以及混凝剂投放量推荐模型(即第二预设模型),在沉淀池入水口处安装摄像头以检测矾花晶体的生成形态,提取矾花量化特征与当前原水特征(即水质数据),结合沉后水浊度预测模型(即第一预设模型)实时预测沉淀池出水口处水质浊度以及推荐下一时刻混凝剂投放量,指导混凝剂的投放和后续工艺的生产参数,提高了水质净化的效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的混凝剂投放量的确定方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种混凝剂投放量的确定方法,其中,该方法可应用于水质净化系统中,水质净化系统中至少包括絮凝池和沉淀池。另外,水质净化系统除包括上述的絮凝池和沉淀池之外,还包括云服务器,该云服务器在本实施例中用于确定预设时刻需要投入至絮凝池中的混凝剂的投放量,即云服务器可作为本实施例所提供的方法的执行主体。如图9所示,该方法包括:
步骤S902,云服务器接收客户终端上传的待净化水质的水质数据以及矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质,矾花晶体的生成状态由沉淀池的入口处的待处理视频图像确定。
在步骤S902中,待净化水质可以为原水,其中,原水为从水库运输至净水厂的水。沉淀池为水质净化系统中用来沉淀矾花晶体和杂质的蓄水池,矾花晶体为明矾水解之后与水质中的杂质吸附在一起所形成的絮状物。
需要说明的是,水质净化系统还包括数据采集设备,例如,水质监测仪和图像采集设备,其中,水质检测仪用于采集待净化水质的水质数据,水质数据包括但不限于原水的水浊度、水温、PH值等。可选的,水质净化系统所包含的数据采集设备与客户终端进行通信,并将数据采集设备实时采集到的水质数据上传至客户终端,以使客户终端对水质数据进行分析,进而确定混凝剂的投放量。图像采集设备可以为水下相机,用于设置在待净化水质中,例如,在图4所示的图像采集设备的安装示意图中,图像采集设备设置在待净化水质中,以采集待处理视频图像,从而使客户终端能够根据待处理视频图像确定矾花晶体的生成状态。
此外,还需要说明的是,可通过矾花量化指标来表征矾花晶体的生成状态,其中,矾花量化指标包括但不限于矾花晶体的数量、权重信息以及面积信息等。另外,图像采集设备也可与客户终端之间进行通信连接,以使客户终端能够实时获取图像采集设备所采集到的待处理视频图像。另外,图像采集设备采集的是沉淀池入口处的待处理视频图像,容易注意到的是,如果仅通过经验或者肉眼观察的方式判断沉淀池出口处的水质浊度存在滞后性,而在本申请中,根据矾花晶体的生成状态可确定沉淀池出口处的水质浊度,从而避免了通过沉淀池的出口处的水质判断水质浊度所存在的滞后性的问题,降低了水厂工序成本,提高了水厂的净水效率。
步骤S904,云服务器基于第一预设模型对水质数据以及矾花晶体的生成状态进行分析,确定沉淀池的出口处的水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度。
在步骤S904中,水质浊度为原水在沉淀池的浊度数据,即完成矾花物理沉降后原水的浊度。第一预设模型可设置在客户终端上,即在客户终端上可实现对矾花晶体的生成状态和水质数据对沉淀池的出口处的水质浊度影响程序的分析。另外,第一预设模型还可设置在云服务器上,在该场景中,水质净化系统还包括云服务器,其中,客户终端将得到的矾花晶体的生成状态以及水质数据上传至云服务器,云服务器即可采用第一预设模型来对矾花晶体的生成状态以及水质数据进行分析,得到在当前混凝剂的投放量下所对应的水质浊度。由此可见,在本实施例中,在确定当前混凝剂的投放量的情况下,通过步骤S904的方案即可确定该投放量所对应的水质浊度,而无需等待一段时间再通过人工经验的方式在沉淀池的出口处判断水质浊度,不仅提高了水质浊度确定的准确性,还保证了水质浊度确定的实时性。
此外,还需要说明的是,上述的第一预设模型可以为回归模型,例如,支持向量回归模型、随机树模型以及对应的集成模型、随机森林模型等。另外,上述第一预设模型还可以为支持向量回归模型、GBDT模型以及其他Bagging模型或者其他集成模型。以上仅是对第一预设模型进行举例,任何可以实现对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析的模型均可作为第一预设模型。
步骤S906,云服务器基于第二预设模型对水质浊度进行处理,确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
在步骤S906中,混凝剂为与原水中的相关离子结合生产矾花晶体的药剂。预设时刻为未来投放混凝剂的时间,例如,下一时刻。可选的,工作人员每隔相同的预设时长向絮凝池中投放一次混凝剂,则在该场景中,预设时刻为下一次投放混凝剂的时刻。即在本申请中,通过第二预设模型可以预测下一次投放混凝剂的投放量。
需要说明的是,上述第二预设模型也可以为回归模型,例如,多任务的回归模型、其他回归模型(例如,支持向量回归模型),还可以为GBDT模型以及其他Bagging模型或者其他集成模型。另外,在本实施例中,第二预设模型还可以为采用多层感知器BP(BackPropagation,)神经网络建立的模型。以上仅是对第二预设模型进行举例,任何可以实现预测预设时刻的混凝剂的投放量的模型均可作为第二预设模型。
步骤S908,云服务器向客户终端发送混凝剂的投放量。
在步骤S908中,在云服务器确定了下一时刻需向絮凝池中投入的混凝剂的投放量之后,云服务器将絮凝剂的投放量推送至客户终端,从而客户终端可根据投放量控制水质净化系统在预设时刻向絮凝池中投放混凝剂。
基于上述步骤S902至步骤S908所限定的方案,可以获知,在本申请实施例中,采用多模态数据分析的方式,在接收到客户终端上传的待净化水质的水质数据以及矾花晶体的生成状态之后,云服务器基于第一预设模型对水质数据以及矾花晶体的生成状态进行分析,确定沉淀池的出口处的水质浊度,并基于第二预设模型对水质浊度进行处理,确定预设时刻投入至絮凝池中的混凝剂的投放量,然后再向客户终端发送混凝剂的投放量,其中,矾花晶体的生成状态由沉淀池的入口处的待处理视频图像确定。
容易注意到的是,在上述过程中,通过第一预设模型来对矾花晶体的生成状态以及水质数据进行分析,以确定水质浊度,无需通过人工经验来判断水质浊度,从而避免了人工经验确定水质浊度所存在的不准确的问题。而且,在本申请中,水质浊度是根据沉淀池的入口处的待处理视频图像所确定矾花晶体的生成状态来确定的,而不是对沉淀池的出口处的水质进行判断得到的,从而避免了通过沉淀池的出口处的水质判断水质浊度所存在的滞后性的问题,降低了水厂工序成本,提高了水厂的净水效率。最后,在本申请中,还可通过第二预设模型来确定预设时刻所需要投入的混凝剂的投放量,从而实现了实时、准确的预测未来时刻需要投入的混凝剂的投放量,从而实现了准确的指导混凝剂的投放和后续净水工艺的生产参数,提高了水厂净水的效率。
由此可见,本申请所提供的方案达到了实时、准确的确定混凝剂的投放量的目的,从而实现了提高水厂净水效率的技术效果,进而解决了现有技术中无法实时、准确的确定在预设时刻混凝剂的投放量的技术问题。
在一种可选的实施例中,图10示出了一种可选的云边协同数据链路的示意图,由图10可知,在沉淀池入口处合适的高度安装摄像头(如图10中的水下摄像头),以多视角采集方式实时采集视频图像以监测入口处的原水,摄像头所采集到视频图像部署在客户终端所对应的GPU服务器上。GPU服务器可采用深度学习算法对待处理视频图像进行分割与特征提取,得到矾花晶体所对应的生成状态,同时GPU服务器还可通过水质监测仪等工控系统获取水质数据,并对矾花晶体的生成状态和水质数据进行数据汇总,并将汇总后的数据通过DTS(Data Transmission Service,数据传输服务)储存在云服务器的数据库(如图10中的GPU数据库)中。云服务器上部署有大数据分析服务,包括但不限于沉后水浊度预测服务(即第一预设模型)、大数据分析服务以及混凝剂投放量推荐服务(即第二预设模型)分别得到滞后状态下沉后水浊度(即水质浊度)、特征主要影响因子分析结果以及下一个时刻混凝剂的投放量,通过DTS回流到GPU服务器上,并将大数据分析结果、矾花晶体对应的生成状态以及摄像头采集视频图像渲染到web界面展示并指导工艺生产,同时云服务器还可存储历史数据(例如,视频图像的数据、矾花晶体对应的生成状态以及水质数据等)。当外界条件(例如,环境参数、工艺等)发生改变时,云服务器还可对深度学习算法和大数据算法进行更新,以提高系统的鲁棒性。
此外,在图10中,GPU服务器还将待处理视频图像的相关数据以及分割结果回流至云服务器上的OSS(Operation support systems,系统即操作支持系统),以实现在线训练平台以及离线模型的更新,进而实线对深度学习算法所对应的模型进行实时更新,从而保证深度学习算法能够准确的对待处理视频图像进行分割。
还需要说明的是,由图10所示的云边协同数据链路示意图可知,在云服务器上部署了基于多模态数据的大数据分析、大数据模型以及深度学习模型实时更新的服务。其中,图11示出了云服务器上的数据库与云服务之间的对应关系,即云服务器可通过数据库获取实时矾花晶体的生成状态、实时的水质数据、历史的待处理视频图像、历史的矾花晶体的生成状态以及历史的水质数据,云服务器可实现对水质浊度的预测服务、大数据分析服务、混凝剂投放量的推荐服务、大数据模型的自适应学习服务以及矾花特征分割模型(即深度学习算法所对应的模型)的更新服务等。
另外,根据沉淀池的入口处的待处理视频图像确定矾花晶体的生成状态的相关内容已在实施例1中进行说明,在此不再赘述。
在本实施例中,针对沉后水浊度监测以及加药量滞后性问题,使用机器视觉、大数据分析技术以及云边协同技术,实现沉淀池沉后水浊度在线监测以及混凝剂投加量推荐。该方案在净水工序的业务上能够实时监控沉淀池出口处水质浊度是否达标,也能根据当前矾花晶体的生成状态、水质数据来推荐下一个时刻混凝剂的投加量,而且,在该方案中还可实时将边缘数据(包括实时原水水质数据、水厂生产数据以及矾花晶体的生成状态)重新组织并汇总上云服务器,形成历史数据库,当天气、季节以及原水水质发生改变时,云服务器能够提取历史数据表并进行自适应学习,以保证水质浊度的预测以及混凝剂的投放量的推荐精度,同时,水厂工艺专家可从提取历史数据进行相应的业务或科研分析。
而且,本申请所提供的方案涉及多模态数据分析处理,即结合视频图像数据与水质数据等结构化数据进行分析,为了加快数据分析速度,减少视频图像数据传输过程中的延迟、提高系统可扩展性,使系统变得更加敏捷,本申请采用云边协同的混合方案进行系统开发,在边缘机器部署深度学习算法以及矾花晶体的生成状态的提取算法,矾花晶体的生成状态以及水质数据汇总后通过DTS数据传输至云服务器,在云服务器上部署的相关算法用来预测沉后水浊度和混凝剂投放量,通过DTS回流到边缘机器并在用户侧前端页面进行相应实时展示,以指导生产管理。
实施例3
根据本申请实施例,还提供了一种化合物投放量的确定方法,应用于水质净化系统中,如图12所示,该方法包括:
步骤S1202,在用户界面中显示在对待净化水质进行净化处理的过程中所采集到的待净化水质的水质数据以及待净化水质对应的待处理视频图像。
在步骤S1202中,用户界面可以为用户终端上的用于实现人机交互的图形用户界面,其中,用户终端可以为笔记本电脑、台式电脑、平板、手机等终端。
另外,待净化水质可以为原水,其中,原水为从水库运输至净水厂的水。上述的水质净化系统至少包括絮凝池和沉淀池,其中,沉淀池为水质净化系统中用来沉淀矾花晶体和杂质的蓄水池,矾花晶体为明矾水解之后与水质中的杂质吸附在一起所形成的絮状物。
需要说明的是,水质净化系统还包括数据采集设备,例如,水质监测仪和图像采集设备,其中,水质检测仪用于采集沉淀池中的待净化水质的水质数据,水质数据包括但不限于原水的水浊度、水温、PH值等。可选的,水质净化系统所包含的数据采集设备与用户终端进行通信,并将数据采集设备实时采集到的水质数据上传至用户终端,以使用户终端对水质数据进行分析,进而确定混凝剂的投放量。图像采集设备可以为水下相机,用于设置在待净化水质中,例如,在图4所示的图像采集设备的安装示意图中,图像采集设备设置在待净化水质中,以采集待处理视频图像,从而使用户终端能够根据待处理视频图像确定矾花晶体的生成状态。
此外,还需要说明的是,可通过矾花量化指标来表征矾花晶体的生成状态,其中,矾花量化指标包括但不限于矾花晶体的数量、权重信息以及面积信息等。另外,图像采集设备也可与用户终端之间进行通信连接,以使用户终端能够实时获取图像采集设备所采集到的待处理视频图像。另外,图像采集设备采集的是沉淀池入口处的待处理视频图像,容易注意到的是,如果仅通过经验或者肉眼观察的方式判断沉淀池出口处的水质浊度存在滞后性,而在本申请中,根据矾花晶体的生成状态可确定沉淀池出口处的水质浊度,从而避免了通过沉淀池的出口处的水质判断水质浊度所存在的滞后性的问题,降低了水厂工序成本,提高了水厂的净水效率。
步骤S1204,在用户界面展示对待净化水质中第一化合物的生成状态以及水质数据对水质浊度的影响程度进行分析所得到的水质浊度,其中,第一化合物用于沉淀待净化水质中的杂质。
在步骤S1204中,第一化合物可以为但不限于上述的矾花晶体,水质浊度为原水在沉淀池的浊度数据,即完成矾花物理沉降后原水的浊度,其中,水质浊度为沉淀池的出口处的待净化水质的数据信息。另外,在云服务器上设置有第一预设模型,第一预设模型可对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度。
可选的,用户终端将得到的矾花晶体的生成状态以及水质数据上传至云服务器,云服务器即可采用第一预设模型来对矾花晶体的生成状态以及水质数据进行分析,得到在当前混凝剂的投放量下所对应的水质浊度。由此可见,在本实施例中,在确定当前混凝剂的投放量的情况下,通过步骤S1204的方案即可确定该投放量所对应的水质浊度,而无需等待一段时间再通过人工经验的方式在沉淀池的出口处判断水质浊度,不仅提高了水质浊度确定的准确性,还保证了水质浊度确定的实时性。
此外,还需要说明的是,上述的第一预设模型可以为回归模型,例如,支持向量回归模型、随机树模型以及对应的集成模型、随机森林模型等。另外,上述第一预设模型还可以为支持向量回归模型、GBDT模型以及其他Bagging模型或者其他集成模型。以上仅是对第一预设模型进行举例,任何可以实现对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析的模型均可作为第一预设模型。
步骤S1206,在用户界面展示对水质浊度进行分析所确定的预设时刻投入第二化合物的投放量,其中,第二化合物用于生成第一化合物。
在步骤S1206中,第二化合物可以为但不限于混凝剂,混凝剂为与原水中的相关离子结合生产矾花晶体的药剂。预设时刻为未来投放混凝剂的时间,例如,下一时刻。可选的,工作人员每隔相同的预设时长向絮凝池中投放一次混凝剂,则在该场景中,预设时刻为下一次投放混凝剂的时刻。即在本申请中,通过云服务器上设置的第二预设模型可以预测下一次投放混凝剂的投放量。
需要说明的是,上述第二预设模型也可以为回归模型,例如,多任务的回归模型、其他回归模型(例如,支持向量回归模型),还可以为GBDT模型以及其他Bagging模型或者其他集成模型。另外,在本实施例中,第二预设模型还可以为采用多层感知器BP(BackPropagation,)神经网络建立的模型。以上仅是对第二预设模型进行举例,任何可以实现预测预设时刻的混凝剂的投放量的模型均可作为第二预设模型。
基于上述步骤S1202至步骤S1206所限定的方案,可以获知,在本申请实施例中,采用多模态数据分析的方式,在用户界面显示在对待净化水质进行净化处理的过程中所采集到的待净化水质的水质数据以及待净化水质对应的待处理视频图像,并展示待净化水质中第一化合物的生成状态以及水质数据对水质浊度的影响程度进行分析所得到的水质浊度,最后,展示对水质浊度进行分析所确定的第二化合物的投放量。
容易注意到的是,在上述过程中,通过对第一化合物的生成状态以及水质数据进行分析,以确定水质浊度,无需通过人工经验来判断水质浊度,从而避免了人工经验确定水质浊度所存在的不准确的问题。在本申请中,还可确定预设时刻所需要投入的第二化合物的投放量,从而实现了实时、准确的预测未来时刻需要投入的第二化合物的投放量,从而实现了准确的指导第二化合物的投放和后续净水工艺的生产参数,提高了水厂净水的效率。
由此可见,本申请所提供的方案达到了实时、准确的确定化合物的投放量的目的,从而实现了提高水厂净水效率的技术效果,进而解决了现有技术中无法实时、准确的确定在预设时刻化合物的投放量的技术问题。
在一种可选的实施例中,在获取到第二化合物的投放量之后,用户终端还响应控制指令,以控制水质净化系统按照投放量投放第二化合物。可选的,用户终端在获取到混凝剂的投放量之后,根据已向絮凝池投放混凝剂的投放时间确定下一次向絮凝池投放混凝剂的目标投放时间,并根据下次向絮凝池投放混凝剂的目标投放量以及目标投放时间生成控制指令,然后将控制指令发送至水质净化系统。水质净化系统在接收到控制指令之后,控制相关的设备在目标投放时间投放目标投放量的混凝剂。
需要说明的是,在本实施例中,矾花晶体的生成状态的确定方法,以及通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度的方法,以及通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量的方法可采用记载在实施例1中的方法和/或记载在实施例2中的方法,相关内容已在实施例1和/或实施例2中进行详细说明,在此不再赘述。
实施例4
根据本申请实施例,还提供了一种用于实施上述混凝剂投放量的确定方法的混凝剂投放量的确定装置,该装置应用于水质净化系统中,所述水质净化系统中至少包括絮凝池和沉淀池,如图13所示,该装置130包括:获取模块1301、采集模块1303、分析模块1305以及确定模块1307。
其中,获取模块1301,用于获取沉淀池中的待净化水质的水质数据;采集模块1303,用于采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质;分析模块1305,用于通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;确定模块1307,用于通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
此处需要说明的是,上述获取模块1301、采集模块1303、分析模块1305以及确定模块1307对应于实施例1中的步骤S302至步骤S308,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算设备10中。
实施例5
根据本申请实施例,还提供了一种用于实施上述混凝剂投放量的确定方法的混凝剂投放量的确定系统,该系统包括:处理器及存储器。
其中,存储器与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取沉淀池中的待净化水质的水质数据;采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质;通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
由上可知,在本申请实施例中,采用多模态数据分析的方式,在获取沉淀池中的待净化水质的水质数据之后,通过采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定用于沉淀待净化水质中的杂质的矾花晶体的生成状态,然后通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到表征了对待净化水质进行物理沉降后的水质的纯净度的水质浊度,并通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的用于生成矾花晶体的混凝剂的投放量。
容易注意到的是,在上述过程中,通过第一预设模型来对矾花晶体的生成状态以及水质数据进行分析,以确定水质浊度,无需通过人工经验来判断水质浊度,从而避免了人工经验确定水质浊度所存在的不准确的问题。而且,在本申请中,水质浊度是根据沉淀池的入口处的待处理视频图像所确定矾花晶体的生成状态来确定的,而不是对沉淀池的出口处的水质进行判断得到的,从而避免了通过沉淀池的出口处的水质判断水质浊度所存在的滞后性的问题,降低了水厂工序成本,提高了水厂的净水效率。最后,在本申请中,还可通过第二预设模型来确定预设时刻所需要投入的混凝剂的投放量,从而实现了实时、准确的预测未来时刻需要投入的混凝剂的投放量,从而实现了准确的指导混凝剂的投放和后续净水工艺的生产参数,提高了水厂净水的效率。
由此可见,本申请所提供的方案达到了实时、准确的确定混凝剂的投放量的目的,从而实现了提高水厂净水效率的技术效果,进而解决了现有技术中无法实时、准确的确定在预设时刻混凝剂的投放量的技术问题。
需要说明的是,根据沉淀池的入口处的待处理视频图像确定矾花晶体的生成状态的相关内容已在实施例1中进行说明,在此不再赘述。
实施例6
本申请的实施例可以提供一种计算设备,该计算设备可以是计算机终端群中的任意一个计算设备。可选地,在本实施例中,上述计算设备也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算设备可以执行混凝剂投放量的确定方法中以下步骤的程序代码:获取沉淀池中的待净化水质的水质数据;采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质;通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
可选地,图14是根据本申请实施例的一种计算设备的结构框图。如图14所示,该计算设备10可以包括:一个或多个(图中仅示出一个)处理器1402、存储器1404以及外设接口1406。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的混凝剂投放量的确定方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的混凝剂投放量的确定方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取沉淀池中的待净化水质的水质数据;采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质;通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
可选的,上述处理器还可以执行如下步骤的程序代码:基于深度学习算法对待处理视频图像中的每帧图像进行分割处理,得到多个子图像;根据矾花晶体的矾花类型确定在多个子图像中的每个子图像所对应的第一矾花量化指标;对第一矾花量化指标进行时间量化,得到矾花晶体在时间维度上的目标矾花量化指标,其中,目标矾花量化指标表征了矾花晶体的生成状态。
可选的,上述处理器还可以执行如下步骤的程序代码:获取每个矾花类型在每个子图像中所对应的矾花数量、权重信息以及面积信息,其中,权重信息至少包括如下之一:权重平均值、权重中位值,面积信息至少包括如下之一:每个矾花类型在每个子图像中的面积平均值以及面积中位值;根据矾花数量、权重信息以及面积信息确定每个矾花类型在每个子图像中的第一矾花量化指标。
可选的,上述处理器还可以执行如下步骤的程序代码:对第一矾花量化指标进行拼接处理,得到每帧图像所对应的第二矾花量化指标;按照待净化水质的更新频率对第二矾花量化指标进行抽取,得到第三矾花量化指标;对第三矾花量化指标中的每个指标进行平均值计算,得到目标矾花量化指标。
可选的,上述处理器还可以执行如下步骤的程序代码:在第一预设模型为线性模型时,获取线性模型所对应的预设系数,基于预设系数对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度;在第一预设模型为树状模型时,获取树状模型所对应的节点的特征类别,并基于特征类别对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度。
可选的,上述处理器还可以执行如下步骤的程序代码:获取矾花晶体的生成状态、水质数据以及水质浊度;通过第二预设模型对矾花晶体的生成状态、水质数据以及水质浊度进行分析,得到混凝剂的投放量。
可选的,上述处理器还可以执行如下步骤的程序代码:在检测到水质净化系统所在环境的环境信息发生变化时,根据变化后的环境信息对第一预设模型和/或第二预设模型进行更新。
可选的,上述处理器还可以执行如下步骤的程序代码:云服务器接收客户终端上传的待净化水质的水质数据以及矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质,矾花晶体的生成状态由沉淀池的入口处的待处理视频图像确定;云服务器基于第一预设模型对水质数据以及矾花晶体的生成状态进行分析,确定沉淀池的出口处的水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;云服务器基于第二预设模型对水质浊度进行处理,确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体;云服务器向客户终端发送混凝剂的投放量。
可选的,上述处理器还可以执行如下步骤的程序代码:在用户界面中显示在对待净化水质进行净化处理的过程中所采集到的水质数据以及待净化水质对应的待处理视频图像;在用户界面展示对待净化水质中第一化合物的生成状态以及水质数据对水质浊度的影响程度进行分析所得到的水质浊度,其中,第一化合物用于沉淀待净化水质中的杂质;在用户界面展示对水质浊度进行分析所确定的预设时刻投入第二化合物的投放量,其中,第二化合物用于生成第一化合物。
可选的,上述处理器还可以执行如下步骤的程序代码:响应控制指令,以控制水质净化系统按照投放量投放第二化合物。
本领域普通技术人员可以理解,图14所示的结构仅为示意,计算设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图14其并不对上述电子装置的结构造成限定。例如,计算设备10还可包括比图14中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图14所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例7
本申请的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例所提供的混凝剂投放量的确定方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算设备中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取沉淀池中的待净化水质的水质数据;采集沉淀池的入口处的待处理视频图像,并根据待处理视频图像确定矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质;通过第一预设模型分析矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度,得到水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;通过第二预设模型根据水质浊度确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:基于深度学习算法对待处理视频图像中的每帧图像进行分割处理,得到多个子图像;根据矾花晶体的矾花类型确定在多个子图像中的每个子图像所对应的第一矾花量化指标;对第一矾花量化指标进行时间量化,得到矾花晶体在时间维度上的目标矾花量化指标,其中,目标矾花量化指标表征了矾花晶体的生成状态。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取每个矾花类型在每个子图像中所对应的矾花数量、权重信息以及面积信息,其中,权重信息至少包括如下之一:权重平均值、权重中位值,面积信息至少包括如下之一:每个矾花类型在每个子图像中的面积平均值以及面积中位值;根据矾花数量、权重信息以及面积信息确定每个矾花类型在每个子图像中的第一矾花量化指标。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取每个矾花类型在每个子图像中所对应的矾花数量、权重信息以及面积信息,其中,权重信息至少包括如下之一:权重平均值、权重中位值,面积信息至少包括如下之一:每个矾花类型在每个子图像中的面积平均值以及面积中位值;根据矾花数量、权重信息以及面积信息确定每个矾花类型在每个子图像中的第一矾花量化指标。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在第一预设模型为线性模型时,获取线性模型所对应的预设系数,基于预设系数对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度;在第一预设模型为树状模型时,获取树状模型所对应的节点的特征类别,并基于特征类别对矾花晶体的生成状态以及水质数据对沉淀池的出口处的水质浊度的影响程度进行分析,得到水质浊度。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取矾花晶体的生成状态、水质数据以及水质浊度;通过第二预设模型对矾花晶体的生成状态、水质数据以及水质浊度进行分析,得到混凝剂的投放量。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在检测到水质净化系统所在环境的环境信息发生变化时,根据变化后的环境信息对第一预设模型和/或第二预设模型进行更新。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:云服务器接收客户终端上传的待净化水质的水质数据以及矾花晶体的生成状态,其中,矾花晶体用于沉淀待净化水质中的杂质,矾花晶体的生成状态由沉淀池的入口处的待处理视频图像确定;云服务器基于第一预设模型对水质数据以及矾花晶体的生成状态进行分析,确定沉淀池的出口处的水质浊度,其中,水质浊度表征了对待净化水质进行物理沉降后的水质的纯净度;云服务器基于第二预设模型对水质浊度进行处理,确定预设时刻投入至絮凝池中的混凝剂的投放量,其中,混凝剂用于生成矾花晶体;云服务器向客户终端发送混凝剂的投放量。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:在用户界面中显示在对待净化水质进行净化处理的过程中所采集到的水质数据以及待净化水质对应的待处理视频图像;在用户界面展示对待净化水质中第一化合物的生成状态以及水质数据对水质浊度的影响程度进行分析所得到的水质浊度,其中,第一化合物用于沉淀待净化水质中的杂质;在用户界面展示对水质浊度进行分析所确定的预设时刻投入第二化合物的投放量,其中,第二化合物用于生成第一化合物。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:响应控制指令,以控制水质净化系统按照投放量投放第二化合物。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。