CN114504867A - 一种农牧废水多级处理系统 - Google Patents

一种农牧废水多级处理系统 Download PDF

Info

Publication number
CN114504867A
CN114504867A CN202111664572.6A CN202111664572A CN114504867A CN 114504867 A CN114504867 A CN 114504867A CN 202111664572 A CN202111664572 A CN 202111664572A CN 114504867 A CN114504867 A CN 114504867A
Authority
CN
China
Prior art keywords
sewage
target image
cylinder
degree
ray
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
Application number
CN202111664572.6A
Other languages
English (en)
Other versions
CN114504867B (zh
Inventor
张伟
李振华
徐宇
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.)
Jiangsu Tianhe Water Equipment Co ltd
Original Assignee
Jiangsu Tianhe Water Equipment Co ltd
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 Jiangsu Tianhe Water Equipment Co ltd filed Critical Jiangsu Tianhe Water Equipment Co ltd
Priority to CN202111664572.6A priority Critical patent/CN114504867B/zh
Publication of CN114504867A publication Critical patent/CN114504867A/zh
Application granted granted Critical
Publication of CN114504867B publication Critical patent/CN114504867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/35—Filters with filtering elements which move during the filtering operation with multiple filtering elements characterised by their mutual disposition
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/06—Filters with filtering elements which move during the filtering operation with rotary cylindrical filtering surfaces, e.g. hollow drums
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/06—Filters with filtering elements which move during the filtering operation with rotary cylindrical filtering surfaces, e.g. hollow drums
    • B01D33/11—Filters with filtering elements which move during the filtering operation with rotary cylindrical filtering surfaces, e.g. hollow drums arranged for outward flow filtration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/35—Filters with filtering elements which move during the filtering operation with multiple filtering elements characterised by their mutual disposition
    • B01D33/41—Filters with filtering elements which move during the filtering operation with multiple filtering elements characterised by their mutual disposition in series connection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/44—Regenerating the filter material in the filter
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/80—Accessories
    • B01D33/804—Accessories integrally combined with devices for controlling the filtration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/80—Accessories
    • B01D33/804—Accessories integrally combined with devices for controlling the filtration
    • B01D33/806—Accessories integrally combined with devices for controlling the filtration by flow measuring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D33/00—Filters with filtering elements which move during the filtering operation
    • B01D33/80—Accessories
    • B01D33/804—Accessories integrally combined with devices for controlling the filtration
    • B01D33/808—Accessories integrally combined with devices for controlling the filtration by pressure measuring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D36/00—Filter circuits or combinations of filters with other separating devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Physical Water Treatments (AREA)

Abstract

本发明涉及一种农牧废水多级处理系统，属于废水处理技术领域；该农牧废水多级处理系统还包括农牧废水处理设备和农牧废水多级处理方法，农牧废水处理设备属于水污染等环境保护专用设备制造，农牧废水多级处理方法包括以下步骤：根据脏污累积程度和各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速，得到各污水筒对应的目标筒内压强和目标回转机构的转速；根据脏污累积程度、所述目标筒内压强和目标回转机构的转速，对各污水筒进行调节。本发明通过对各污水筒内安装磁驱回转机构，使安装磁驱回转机构之后的农牧废水多级处理设备不仅可以通过气压过滤脏污，还可以通过回转机构转动产生的离心力过滤脏污。

Description

一种农牧废水多级处理系统
技术领域
本发明涉及废水处理技术领域，具体涉及一种农牧废水多级处理系统。
背景技术
随着我国社会经济的快速发展，产生的废水越来越多，废水如果不经过处理直接排放不仅会给环境带来的破坏，还会浪费宝贵的水资源，因此对废水进行处理极为重要。
现有的CN 210885358对比文件中的农牧业废水处理设备，包括第一污水筒，焊接在第一污水筒一侧的第二污水筒，焊接在第二污水筒一侧的第三污水筒，以及与第三污水筒和第一污水筒之间焊接的第四污水筒，并且第一污水筒、第二污水筒、第三污水筒和第四污水筒之间呈环形阵列，第一污水筒的顶端连通有入水管，第一污水筒的底端通过泵管与第二污水筒顶端连通，第二污水筒底端通过泵管与第三污水筒顶端连通，第三污水筒的底端通过泵管与第四污水筒顶端连通。而现有的这种农牧业废水处理设备在过滤农牧废水时，只利用污水筒内空气的压力来实现对废水的过滤，这种过滤方式较为简单，且只利用了各污水筒内气压对废水进行过滤，没有关注在过滤过程中各污水筒内的脏污程度和在过滤过程中各污水筒的清理状况，使得在对农牧业废水过滤的过程中可靠性较低或者效率较低。
发明内容
本发明提供一种农牧废水多级处理系统，用于解决现有农牧废水多级处理系统在过滤废水的过程中可靠性较低的问题，所采用的技术方案具体如下：
一种农牧废水多级处理系统，包括农牧废水处理设备，所述农牧废水处理设备包括至少两个依次焊接的污水筒，每个污水筒均连接有气管，气管上设置有电磁阀，其特征在于，所述农牧废水处理设备还包括设置在各个污水筒内的回转机构，所述回转机构设置有过滤网；所述农牧废水多级处理系统还包括控制系统，所述控制系统包括控制器，以及与所述控制器信号连接的图像采集传感器、入水量传感器、出水量传感器、压强传感器和转速传感器；
所述图像采集传感器用于检测各污水筒内的图像，所述入水量传感器用于检测各污水筒入水管处的入水量，所述出水量传感器用于检测各污水筒出水管处的出水量，所述压强传感器用于检测各污水筒的筒内压强，所述转速传感器用于检测各污水筒内回转机构的转速；
所述控制器获取农牧废水处理过程中的各污水筒目标图像；获取农牧废水处理过程中各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速；之后过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线；根据所述各射线上的各像素点与对应的中心点的距离，构建得到各污水筒目标图像对应的各射线对应的像素点序列；然后根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度；根据所述脏污累积程度和所述各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速，得到各污水筒对应的目标筒内压强和目标回转机构的转速；最后根据所述目标筒内压强和目标回转机构的转速，对各污水筒进行调节。
获取农牧废水处理过程中的各污水筒目标图像；获取农牧废水处理过程中各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速；
过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线；
根据所述各射线上的各像素点与对应的中心点的距离，构建得到各污水筒目标图像对应的各射线对应的像素点序列；
根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度；
根据所述脏污累积程度和所述各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速，得到各污水筒对应的目标筒内压强和目标回转机构的转速；
根据所述脏污累积程度、所述目标筒内压强和目标回转机构的转速，对各污水筒进行调节。
有益效果：本发明通过对各污水筒内安装磁驱回转机构，使安装磁驱回转机构之后的农牧废水多级处理设备不仅可以通过气压过滤脏污，还可以通过回转机构转动产生的离心力过滤脏污，并且在各污水筒内布置的磁驱回转机构还可以使过滤的脏污比较均匀的分于在过滤网上，不会造成脏污的集中堵塞；本发明将各污水筒目标图像对应的脏污累积程度和各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速作为得到各污水筒对应的目标筒内压强和目标回转机构的转速作为得到各污水筒对应的目标筒内压强和目标回转机构的转速的依据；将脏污累积程度、目标筒内压强和目标回转机构的转速作为对各污水筒进行调节的依据；本发明能提高对农牧业废水过滤的过程中可靠性较低或者效率较低。
优选的，设置在各个污水筒内的回转机构的轴线与对应的污水筒的轴线重合。
优选的，过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线的方法，包括：
对所述各污水筒目标图像对应的污水筒连通域进行连通域分析，得到各污水筒目标图像对应的中心点位置；
利用边缘检测算法检测所述各污水筒目标图像对应的污水筒连通域的边缘；
以所述各污水筒目标图像对应的中心点为起点作与对应的污水筒目标图像对应的污水筒连通域边缘相交的一条射线；将所述以各污水筒目标图像对应的中心点为起点作与对应的各污水筒目标图像上污水筒边缘相交的一条射线记为各污水筒目标图像对应的起始射线；
将所述起始射线以固定角度按照顺时针方向进行旋转一周，得到各目标图像对应的各射线。
优选的，根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度的方法，包括：
获取各污水筒目标图像对应的污水筒过滤等级和各污水筒目标图像对应的标准脏污累积程度极限值；
利用k-means算法对所述各污水筒目标图像对应的各射线的像素点序列中各像素点对应的灰度值进行两次聚类；
根据所述两次聚类的结果，得到各污水筒目标图像对应的各射线的像素点序列对应的合理程度；
根据所述合理程度，确定各污水筒目标图像对应的各射线的像素点序列聚类的类别簇数；根据所述类别簇数，得到各污水筒目标图像对应的各射线的脏污程度；
根据各污水筒目标图像对应的污水筒过滤等级、标准脏污累积程度极限值和各污水筒目标图像对应的各射线的脏污程度，得到各污水筒目标图像对应的脏污累积程度。
优选的，根据所述两次聚类的结果，得到各污水筒目标图像对应的各射线的像素点序列对应的合理程度的方法，包括：
获取各污水筒目标图像对应的污水筒过滤等级和各污水筒目标图像对应的标准脏污累积程度极限值；
根据第一次聚类后得到的各污水筒目标图像对应的各射线对应的素点序列对应的各类别中各像素点的像素值和各类别对应的聚类中心的灰度值，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；
根据第二次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的各类别中各像素点的像素值和各类别对应的聚类中心的灰度值，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；
根据第一次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别对应的聚类中心的灰度值和各污水筒目标图像对应的各射线对应的像素点序列中的最大像素点灰度值和最小像素点灰度值，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；
根据第二次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别对应的聚类中心的灰度值和各污水筒目标图像对应的各射线对应的像素点序列中的最大像素点灰度值和最小像素点灰度值，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；
根据第一次聚类后所述离散程度，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；
根据第二次聚类后所述离散程度所述分离程度，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；
根据第一次聚类后所述分离程度，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；
根据第二次聚类后所述分离程度所述分离程度，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；
根据所述第一次聚类后所述类内合理程度、第二次聚类后所述类内合理程度、第一次聚类后所述类间合理程度和第二次聚类后所述类间合理程度，得到各污水筒目标图像对应的各射线对应的像素点序列对应的合理程度。
优选的，根据所述合理程度，确定各污水筒目标图像对应的各射线的像素点序列聚类的类别簇数；根据所述类别簇数，得到各污水筒目标图像对应的各射线的脏污程度的方法，包括：
判断所述合理程度的值是否小于预设合理程度值，若是，则判定所述像素点序列进行第二次聚类簇数比第一次聚类簇数的合理程度高；
计算所述像素点序列对应的像素点灰度值整体最小的类别对应的各像素点在对应的像素点序列中的最高次序与最低次序之间的差值；
将所述差值记为各污水筒目标图像对应的各射线的脏污程度。
优选的，根据各污水筒目标图像对应的污水筒过滤等级、标准脏污累积程度极限值和各污水筒目标图像对应的各射线的脏污程度，得到各污水筒目标图像对应的脏污累积程度的方法，包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为第
Figure 100002_DEST_PATH_IMAGE006
个污水筒目标图像对应的脏污累积程度，
Figure 100002_DEST_PATH_IMAGE008
为第
Figure 555615DEST_PATH_IMAGE006
个污水筒目标图像对应的第
Figure 100002_DEST_PATH_IMAGE010
条射线对应的脏污程度，
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 348121DEST_PATH_IMAGE006
个污水筒目标图像对应的射线的数量，
Figure 100002_DEST_PATH_IMAGE014
为超参数，
Figure 100002_DEST_PATH_IMAGE016
为第
Figure 3225DEST_PATH_IMAGE006
个污水筒目标图像对应的污水筒过滤等级，
Figure 100002_DEST_PATH_IMAGE018
为第
Figure 336117DEST_PATH_IMAGE006
个污水筒目标图像对应的标准脏污累积程度极限值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将
对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种农牧废水多级处理设备的俯视图；
图2为本发明一种农牧废水多级处理系统的控制原理图；
图3为本发明一种农牧废水多级处理方法的流程图；
图4为本发明的各目标图像对应的各射线的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种农牧废水多级处理系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
一种农牧废水多级处理系统，包括农牧废水处理设备，所述农牧废水处理设备包括至少两个依次焊接的污水筒，每个污水筒均连接有气管，气管上设置有电磁阀，农牧废水处理设备还包括设置在各个污水筒内的回转机构，所述回转机构设置有过滤网，过滤网设置在回转机构的外壁，并且各污水筒内的回转机构的轴线与对应的污水筒的轴线重合；农牧废水处理设备的俯视图如图1所示，1为第一污水筒、2为第二污水筒、3为第三污水筒、4为第四污水筒、5为连接第二污水筒底端的泵管以及连接第三污水筒顶端的泵管、6为与泵管5的底端连接的气管、7为第一污水筒对应的入水管、8为第四污水筒对应的出水管、9为第一污水筒内的回转机构。农牧废水处理设备中的各污水筒均对应一个入水管和出水管，各污水筒的顶端和底端均连接泵管，农牧废水处理设备中的各泵管的底端均连接气管，气管上均设置有电磁阀。
如图2所示，农牧废水多级处理系统还包括控制系统，所述控制系统包括控制器，以及与所述控制器信号连接的图像采集传感器、入水量传感器、出水量传感器、压强传感器和转速传感器；图像采集传感器用于检测各污水筒内的图像，入水量传感器用于检测各污水筒入水管处的入水量，出水量传感器用于检测各污水筒出水管处的出水量，压强传感器用于检测各污水筒的筒内压强，转速传感器用于检测各污水筒内回转机构的转速。
控制器可以为常规的控制芯片，比如单片机；控制器根据接收到的各个数据信息，执行如图3所示的一种农牧废水多级处理方法。该农牧废水多级处理方法具体步骤如下：
步骤S001，获取农牧废水处理过程中的各污水筒目标图像；获取农牧废水处理过程中各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转筒的转速。
本实施例中，农牧废水多级处理设备中共有四个污水筒，且各污水筒内需要利用空气压力来挤压废水，使各污水筒内的过滤网处能分离脏污，但是这种方式很容易使得过滤的脏污堆积在过滤网上；本实施例为了避免脏污的集中堵塞在过滤口，所以在各污水筒内安装磁驱回转机构，本实施例中各污水筒内安装的磁驱回转机构为回转筒，安装磁驱回转机构之后农牧废水多级处理设备不仅可以通过气压过滤脏污，还可以通过回转筒转动产生的离心力过滤脏污，并且在各污水筒内布置的磁驱回转机构还可以使过滤的脏污比较均匀的分于在过滤网上，不会造成脏污的集中堵塞。
本实施例中，随着农牧废水多级处理设备过滤废水量的增多，各污水筒内过滤出的脏污也越来越多，因此需要进一步调整各污水筒的筒内压强和回转筒的转速；并且在各污水筒对应的过滤网上的脏污累计到一定程度时，及时对各污水筒对应的过滤网上的脏污进行清理。本实施例中在对农牧废水的过滤过程所需要的各污水筒的筒内压强和回转筒的转速也是不同的，而各污水筒的筒内压强和回转筒的转速主要取决于累计在对应的各污水筒内的脏污程度，而本实施例各污水筒的筒内压强是根据与各污水桶连接的泵管的底端连通的气管上的电磁阀进行调控；因此本实施例需要根据各污水筒内的脏污程度，对各污水筒的筒内压强和回转筒的转速进行调节，避免由于各污水筒的筒内压强和回转筒的转速等参数的不恰当对农牧废水多级处理设备造成影响。本实施例中，农牧废水多级处理设备中各污水筒的筒盖为通明色，即在各污水筒的上方可以清楚的看到对农牧废水过滤过程中各污水筒内的脏污程度
本实施例中，将相机布置在各污水筒的正上方，采集农牧废水过滤过程中各污水筒的图像；对采集得到的各污水筒的图像进行灰度化处理，得到农牧废水过滤过程中各污水筒的灰度图像，并获取采集各污水筒的灰度图像时的采集时刻。本实施例中，相机采集图像的帧率需要根据实际情况设置，并且相机采集各污水筒的图像时帧率一致。
本实施例中，根据采集各污水筒的灰度图像时的采集时刻，获取在采集时刻各污水筒入水管处的入水量、各污水筒出水管处的出水量、各污水筒的筒内压强、各污水筒内回转筒的转速 。
本实施例中，利用语义分割网络对各污水筒的灰度图像进行处理，得到仅含有污水筒区域的各污水筒的灰度图像；具体过程为：语义分割网络为Encoder-Decoder结构，语义分割网络通过编码器进行卷积操作提取特征，编码器输出结果为特征图，特征图通过解码器操作，得到仅含有污水筒区域的灰度图像；语义感知网络的具体训练过程为：获取训练样本集，所述训练样本集包括多帧污水筒的样本灰度图像；将各污水筒的样本灰度图像中污水筒区域的像素点标注为1，其它区域标注为0，将各污水筒的样本灰度图像和标注数据输入至没有训练的语义分割网络网络中，并采用交叉熵损失函数进行进行迭代训练，不断更新网络参数。本实施例中，语义分割网络为现有技术，因此语义分割网络的具体结构和训练过程本实施例不做具体描述。
本实施例中，将得到的仅含有污水筒区域的各污水筒的灰度图像作为遮罩与对应的各污水筒的灰度图像进行相乘操作，将相乘操作之后得到的图像记为各污水筒目标图像。本实施例中，相机采集的帧率需要根据实际情况进行设置。
本实施例中，通过上述过程可以得到农牧废水处理过程中各污水筒目标图像和与各污水筒目标图像采集时刻对应的各污水筒入水管处的入水量、出水管处的出水量、污水筒的筒内压强和污水筒内回转筒的转速。
步骤S002，过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线。
本实施例中，过各污水筒目标图像上的中心点作与对应的各污水筒目标图像上污水筒边缘相交的射线，得到各污水筒目标图像对应的各射线；之后将各射线上各像素点与对应的中心点的距离作为分析得到各污水筒目标图像对应的各射线对应的像素点序列的基础。
本实施例中，通过对各污水筒目标图像对应的污水筒连通域进行连通域分析，得到各污水筒目标图像对应的中心点位置，所述各污水筒目标图像对应的中心点位置为各污水筒目标图像对应的污水筒连通域的中心点位置；利用边缘检测算法检测各污水筒目标图像对应的污水筒连通域的边缘；之后以各污水筒目标图像对应的中心点为起点作与对应的污水筒目标图像对应的污水筒连通域边缘相交的一条射线；将以各污水筒目标图像对应的中心点为起点作与对应的各污水筒目标图像上污水筒边缘相交的一条射线记为各污水筒目标图像对应的起始射线，如图4所示；将各污水筒目标图像对应的起始射线以固定角度按照顺时针方向进行旋转一周，得到各目标图像对应的各射线；如图4所示，1为任意污水筒目标图像对应的起始射线，2为该污水筒目标图像对应的起始射线与对应的污水筒连通域边缘相交的交点，3为该污水筒目标图像对应的中心点，4为该污水筒目标图像对应的污水筒连通域的边缘；本实施例中起始射线旋转的固定角度需要根据实际情况进行设置。
本实施例中，对连通域进行连通域分析得到连通域对应的中心点位置的过程以及利用边缘检测算法检测连通域边缘为现有技术，因此本实施例不作具体描述。
步骤S003，据所述各射线上的各像素点与对应的中心点的距离，构建得到各污水筒目标图像对应的各射线的像素点序列。
本实施例中，通过对各射线上的各像素点与对应的中心点的距离进行分析，得到各污水筒目标图像对应的各射线的像素点序列；将得到的像素点序列作为后续分析计算各污水筒目标图像对应的脏污累积程度的依据。
本实施例中，计算各目标图像对应的各射线上的各像素点与对应的中心点的距离，将计算得到的各目标图像对应的各射线上的各像素点与对应的中心点的距离按照从小到大的顺序排列，根据排列之后的顺序，构建得到各目标图像对应的各射线的像素点序列。
步骤S004，根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度。
本实施例中，通过对各目标图像对应的各射线的像素点序列进行分析，得到各污水筒目标图像对应的各射线对应的脏污程度；之后通过对各污水筒目标图像对应的各射线的脏污程度进行分析，得到各污水筒目标图像对应的脏污累积程度；将各污水筒目标图像对应的脏污累积程度作为后续分析得到各污水筒对应的目标筒内压强和目标回转筒转速的依据。
本实施例中，将各污水筒的筒沿位置刷上白漆，因此在各污水筒目标图像中污水筒的筒沿位置的灰度值较高，污水筒的筒底位置与筒沿位置相比会偏黑，因此污水筒的筒底位置的灰度值会小于筒沿位置的灰度值，而污水筒内回转筒的筒壁位置会附着较多的脏污，因此污水筒内回转筒的筒壁位置的灰度值最低；并且筒沿位置离污水筒的中心点最远，污水筒的筒底位置离污水筒的中心点最近。因此本实施例中需要对各目标图像对应的各射线的像素点灰度值序列进行分析，得到各污水筒目标图像对应的各射线对应的脏污程度。
本实施例中，利用k-means算法对各污水筒目标图像对应的各射线的像素点序列中各像素点对应的灰度值进行两次聚类；根据两次聚类的结果，得到各污水筒目标图像对应的各射线的像素点序列两次聚类的合理程度；根据各污水筒目标图像对应的各射线的像素点序列两次聚类的合理程度，确定各污水筒目标图像对应的各射线的像素点序列聚类的类别簇数；根据各污水筒目标图像对应的各射线的像素点序列聚类的类别簇数，得到各污水筒目标图像对应的各射线的脏污程度；本实施例得到各污水筒目标图像对应的各射线的脏污程度的具体过程为：两次聚类分别满足第一次聚类的簇数为2，即K1=2，第二次聚类的簇数为3，即K2=3；根据第一次聚类后得到的各污水筒目标图像对应的各射线对应的素点序列对应的各类别中各像素点的像素值和各类别对应的聚类中心的灰度值，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；根据第二次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的各类别中各像素点的像素值和各类别对应的聚类中心的灰度值，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；例如根据如下公式计算第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为第一次聚类后第
Figure 763206DEST_PATH_IMAGE006
个目标图像对应的第
Figure 54510DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure DEST_PATH_IMAGE024
个类别内的离散程度；
Figure DEST_PATH_IMAGE026
为第
Figure 196909DEST_PATH_IMAGE024
个类别中像素点的数量，
Figure DEST_PATH_IMAGE028
为第一次聚类后第
Figure 333493DEST_PATH_IMAGE006
个目标图像对应的第
Figure 205634DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure 667839DEST_PATH_IMAGE024
个类别中第
Figure DEST_PATH_IMAGE030
个像素点的灰度值，
Figure DEST_PATH_IMAGE032
为第一次聚类后第
Figure 828693DEST_PATH_IMAGE006
个目标图像对应的第
Figure 766038DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure 758264DEST_PATH_IMAGE024
个类别对应的聚类中心的灰度值；
Figure DEST_PATH_IMAGE034
的值越大，表明第一次聚类后第
Figure 594633DEST_PATH_IMAGE006
个目标图像对应的第
Figure 39521DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure 783486DEST_PATH_IMAGE024
个类别内的离散程度越高。
本实施例中，通过上述计算过程可以得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；按照上述同样的计算方式可以得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度。
本实施例中，根据第一次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别对应的聚类中心的灰度值和各污水筒目标图像对应的各射线对应的像素点序列中的最大像素点灰度值和最小像素点灰度值，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；根据第二次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别对应的聚类中心的灰度值和各污水筒目标图像对应的各射线对应的像素点序列中的最大像素点灰度值和最小像素点灰度值，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；例如根据如下公式计算第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度：
Figure DEST_PATH_IMAGE036
其中，
Figure DEST_PATH_IMAGE038
为第一次聚类后第
Figure 771165DEST_PATH_IMAGE006
个目标图像对应的第
Figure 575173DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure 772936DEST_PATH_IMAGE024
个类别和第
Figure DEST_PATH_IMAGE040
个类别之间的分离程度，
Figure DEST_PATH_IMAGE042
为第
Figure 983907DEST_PATH_IMAGE006
个目标图像对应的第
Figure 685147DEST_PATH_IMAGE010
条射线对应的像素点序列中的最大像素点灰度值，
Figure DEST_PATH_IMAGE044
为第
Figure 394477DEST_PATH_IMAGE006
个目标图像对应的第
Figure 813957DEST_PATH_IMAGE010
条射线对应的像素点序列中的最小像素点灰度值，
Figure DEST_PATH_IMAGE046
为第一次聚类后第
Figure 368566DEST_PATH_IMAGE006
个目标图像对应的第
Figure 189892DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure 601281DEST_PATH_IMAGE024
+1个类别对应的聚类中心灰度值；
Figure 508057DEST_PATH_IMAGE038
的值越大，表明第一次聚类后第
Figure 397516DEST_PATH_IMAGE006
个目标图像对应的第
Figure 73348DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第
Figure 655639DEST_PATH_IMAGE024
类别和第
Figure 46782DEST_PATH_IMAGE040
类别之间的分离程度越大。
本实施例中，通过上述计算过程可以得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；按照上述同样的计算方式也可以得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度。
本实施例中，根据第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；根据第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；例如根据如下公式计算第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE050
为第一次聚类后第
Figure 349718DEST_PATH_IMAGE006
个目标图像对应的第
Figure 614477DEST_PATH_IMAGE010
条射线对应的像素点序列对应的类内合理程度；
Figure 367670DEST_PATH_IMAGE050
的值越大，表明第一次聚类后第
Figure 983459DEST_PATH_IMAGE006
个目标图像对应的第
Figure 480299DEST_PATH_IMAGE010
条射线对应的像素点序列对应的类内合理程度越高。
本实施例中，通过上述计算过程可以得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；按照上述同样的计算方式也可以得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度。
本实施例中，根据第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；根据第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；例如根据如下公式计算第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE054
为第一次聚类后第
Figure 271669DEST_PATH_IMAGE006
个目标图像对应的第
Figure 933113DEST_PATH_IMAGE010
条射线对应的像素点序列对应的类间合理程度；
Figure 301777DEST_PATH_IMAGE054
的值越大，表明第一次聚类后第
Figure 71150DEST_PATH_IMAGE006
个目标图像对应的第
Figure 841660DEST_PATH_IMAGE010
条射线对应的像素点序列对应的类间合理程度越高。
本实施例中，通过上述计算过程可以得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；按照上述同样的计算方式也可以得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度。
本实施例中，根据第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度、第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度、第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度和第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度，得到各污水筒目标图像对应的各射线对应的像素点序列对应的合理程度；根据如下公式计算各污水筒目标图像对应的各射线对应的像素点序列对应的合理程度：
Figure DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE058
为第
Figure 812021DEST_PATH_IMAGE006
个目标图像对应的第
Figure 402403DEST_PATH_IMAGE010
条射线对应的像素点序列对应的合理程度，
Figure DEST_PATH_IMAGE060
为第二次聚类后第
Figure 709887DEST_PATH_IMAGE006
个目标图像对应的第
Figure 69324DEST_PATH_IMAGE010
条射线对应的像素点序列对应的类内合理程度，
Figure DEST_PATH_IMAGE062
为第二次聚类后第
Figure 538483DEST_PATH_IMAGE006
个目标图像对应的第
Figure 613231DEST_PATH_IMAGE010
条射线对应的像素点序列对应的类间合理程度。
本实施例中，判断
Figure 989985DEST_PATH_IMAGE058
的值是否大于0，若是，则表明第
Figure 469508DEST_PATH_IMAGE006
个目标图像对应的第
Figure 906306DEST_PATH_IMAGE010
条射线对应的像素点序列分为2类比分为3类更为合理，否则，则表明第
Figure 471279DEST_PATH_IMAGE006
个目标图像对应的第
Figure 386146DEST_PATH_IMAGE010
条射线对应的像素点序列分为3类比分为2类更为合理。
本实施例中，当判断第
Figure 720175DEST_PATH_IMAGE006
个目标图像对应的第
Figure 62295DEST_PATH_IMAGE010
条射线对应的像素点序列分为2类比分为3类更为合理时，表明第
Figure 114564DEST_PATH_IMAGE006
个目标图像对应的第
Figure 833122DEST_PATH_IMAGE010
条射线对应的像素点序列聚类的2个类别中的第一个类别为污水筒的筒底位置对应的像素点灰度值，对应的第一个类别为筒沿位置对应的像素点灰度值，这时第
Figure 21658DEST_PATH_IMAGE006
个目标图像对应的第
Figure 800258DEST_PATH_IMAGE010
条射线对应的脏污程度为0。当判断第
Figure 74244DEST_PATH_IMAGE006
个目标图像对应的第
Figure 611141DEST_PATH_IMAGE010
条射线对应的像素点序列分为3类比分为2类更为合理时，表明第
Figure 654183DEST_PATH_IMAGE006
个目标图像对应的第
Figure 338106DEST_PATH_IMAGE010
条射线对应的像素点序列聚类的3个类别中的第一类别为污水筒的筒底位置对应的像素点灰度值、第二类别为筒沿位置对应的像素点灰度值以及第三类别为回转筒的筒壁位置对应的像素点灰度值；之后对第
Figure 833809DEST_PATH_IMAGE006
个目标图像对应的第
Figure 159748DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第三类别对应的各像素点进行分析得到第
Figure 57297DEST_PATH_IMAGE006
个目标图像对应的第
Figure 177700DEST_PATH_IMAGE010
条射线对应的脏污程度。
本实施例中，通过对第
Figure 426278DEST_PATH_IMAGE006
个目标图像对应的第
Figure 24750DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第三类别对应的各像素点进行分析，得到第
Figure 42385DEST_PATH_IMAGE006
个目标图像对应的第
Figure 333689DEST_PATH_IMAGE010
条射线对应的脏污程度的具体过程为：获得第
Figure 803984DEST_PATH_IMAGE006
个目标图像对应的第
Figure 203217DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第三类别中的各像素点在对应的像素点序列中的最低次序和最高次序；求第
Figure 809779DEST_PATH_IMAGE006
个目标图像对应的第
Figure 271984DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第三类别中各像素点在对应的像素点序列中的最高次序与最低次序之间的差值，将第
Figure 229576DEST_PATH_IMAGE006
个目标图像对应的第
Figure 169850DEST_PATH_IMAGE010
条射线对应的像素点序列对应的第三类别对应的各像素点在对应的像素点序列中的最高次序与最低次序之间的差值记为第
Figure 896498DEST_PATH_IMAGE006
个目标图像对应的第
Figure 264025DEST_PATH_IMAGE010
条射线对应的脏污程度。
本实施例中，通过上述过程可以得到各目标图像对应的各射线对应的脏污程度。本实施例中，根据各目标图像对应的各射线对应的脏污程度，得到各污水筒目标图像对应的脏污累积程度；根据如下公式计算各污水筒目标图像对应的脏污累积程度：
Figure DEST_PATH_IMAGE002A
其中，
Figure 849858DEST_PATH_IMAGE004
为第
Figure 859403DEST_PATH_IMAGE006
个污水筒目标图像对应的脏污累积程度，
Figure 443486DEST_PATH_IMAGE008
为第
Figure 981915DEST_PATH_IMAGE006
个污水筒目标图像对应的第
Figure 179678DEST_PATH_IMAGE010
条射线对应的脏污程度，
Figure 461755DEST_PATH_IMAGE012
为第
Figure 162995DEST_PATH_IMAGE006
个污水筒目标图像对应的射线的数量，
Figure 872325DEST_PATH_IMAGE014
为超参数，
Figure 557384DEST_PATH_IMAGE016
为第
Figure 643152DEST_PATH_IMAGE006
个污水筒目标图像对应的污水筒过滤等级，
Figure 464477DEST_PATH_IMAGE018
为第
Figure 875867DEST_PATH_IMAGE006
个污水筒目标图像对应的标准脏污累积程度极限值。
本实施例中，先过滤废水的污水筒对应的过滤等级越高，将第一污水筒的等级设置为4，将第二污水筒的等级设置为3，将第三污水筒的等级设置为2，将第四污水筒的等级设置为1；将
Figure 517064DEST_PATH_IMAGE014
的值设置为0.5。本实施例中，污水筒目标图像对应的标准脏污累积程度极限值需要根据实际情况进行设置。
步骤S005，根据所述脏污累积程度和所述各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速，得到各污水筒对应的目标筒内压强和目标回转机构的转速。
本实施例中，通过对各污水筒目标图像对应的脏污累积程度和各污水筒目标图像采集时刻对应的各污水筒入水管处的入水量、出水管处的出水量、污水筒的筒内压强以及污水筒内回转筒的转速进行分析，得到各污水筒对应的目标筒内压强和目标回转筒转速；将得到的各污水筒对应的目标筒内压强和目标回转筒转速作为对对应的污水筒进行调节的基础。
本实施例中，首先将各污水筒目标图像对应的脏污累积程度和各污水筒目标图像采集时刻对应的各污水筒入水管处的入水量、出水管处的出水量、污水筒的筒内压强以及污水筒内回转筒的转速进行归一化处理；将归一化处理后的各污水筒目标图像对应的脏污累积程度和各污水筒目标图像采集时刻对应的各污水筒入水管处的入水量、出水管处的出水量、污水筒的筒内压强以及污水筒内回转筒的转速构建成各污水筒目标图像对应的5维向量，将各污水筒目标图像对应的5维向量输入到推理网络中，推理网络输出的为各污水筒对应的目标筒内压强和目标回转筒转速；推理网络采用全连接(FC)结构,输入层的神经元数量为输入参数的维度数5，输出层的神经元数量为2。
本实施例中，在推理网络的训练过程中，由于需要使用农牧废水多级处理设备，而在农牧废水多级处理设备运行时，需要由专职从业人员根据经验对农牧废水多级处理设备的参数进行调节，并记录的调节数据，所述调节的数据为中网络输出的目标筒内压强和目标回转筒转速。本实施例中，推理网络为现有技术，因此推理网络的训练过程和结构不做具体描述。
步骤S006，根据所述脏污累积程度、所述目标筒内压强和目标回转机构的转速，对各污水筒进行调节。
本实施例中，根据得到的各污水筒目标图像对应的脏污累积程度、目标筒内压强和目标回转筒的转速，对各污水筒进行调节；本实施例中，首先判断各污水筒目标图像对应的脏污累积程度的值是否大于1，若是对各污水筒目标图像对应的污水筒进行清理；若判断各污水筒目标图像对应的脏污累积程度的值小于1，之后判断各污水筒目标图像对应的筒内压强与对应的目标筒内压强之间差值的绝对值是否大于预设筒内压强阈值，若是利用电磁阀将对应的污水筒的筒内压强调整为对应的目标筒内压强，否则不对对应的污水筒的筒内压强进行调整；若判断各污水筒目标图像对应的脏污累积程度的值小于1，继续判断各污水筒目标图像对应的回转筒的转速与对应的目标回转筒的转速之间差值的绝对值是否大于预设转速阈值，若是将对应的回转筒的转速调整为目标回转筒的转速，否则不对对应的污水筒的回转筒的转速进行调整。本实施例中，根据实际情况对预设转速阈值和预设筒内压强阈值进行设置。
有益效果：本实施例通过对各污水筒内安装磁驱回转机构，使安装磁驱回转机构之后的农牧废水多级处理设备不仅可以通过气压过滤脏污，还可以通过回转机构转动产生的离心力过滤脏污，并且在各污水筒内布置的磁驱回转机构还可以使过滤的脏污比较均匀的分于在过滤网上，不会造成脏污的集中堵塞；本实施例将各污水筒目标图像对应的脏污累积程度和各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速作为得到各污水筒对应的目标筒内压强和目标回转机构的转速作为得到各污水筒对应的目标筒内压强和目标回转机构的转速的依据；将脏污累积程度、目标筒内压强和目标回转机构的转速作为对各污水筒进行调节的依据；本实施例能提高对农牧业废水过滤的过程中可靠性较低或者效率较低。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。

Claims (8)

1.一种农牧废水多级处理系统，包括农牧废水处理设备，所述农牧废水处理设备包括至少两个依次焊接的污水筒，每个污水筒均连接有气管，气管上设置有电磁阀，其特征在于，所述农牧废水处理设备还包括设置在各个污水筒内的回转机构，所述回转机构设置有过滤网；所述农牧废水多级处理系统还包括控制系统，所述控制系统包括控制器，以及与所述控制器信号连接的图像采集传感器、入水量传感器、出水量传感器、压强传感器和转速传感器；
所述图像采集传感器用于检测各污水筒内的图像，所述入水量传感器用于检测各污水筒入水管处的入水量，所述出水量传感器用于检测各污水筒出水管处的出水量，所述压强传感器用于检测各污水筒的筒内压强，所述转速传感器用于检测各污水筒内回转机构的转速；
所述控制器获取农牧废水处理过程中的各污水筒目标图像；获取农牧废水处理过程中各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速；之后过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线；根据所述各射线上的各像素点与对应的中心点的距离，构建得到各污水筒目标图像对应的各射线对应的像素点序列；然后根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度；根据所述脏污累积程度和所述各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速，得到各污水筒对应的目标筒内压强和目标回转机构的转速；最后根据所述目标筒内压强和目标回转机构的转速，对各污水筒进行调节。
2.一种农牧废水多级处理方法，其特征在于，该方法包括如下步骤：
获取农牧废水处理过程中的各污水筒目标图像；获取农牧废水处理过程中各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速；
过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线；
根据所述各射线上的各像素点与对应的中心点的距离，构建得到各污水筒目标图像对应的各射线对应的像素点序列；
根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度；
根据所述脏污累积程度和所述各污水筒对应的入水管处的入水量、出水管处的出水量、筒内压强以及回转机构的转速，得到各污水筒对应的目标筒内压强和目标回转机构的转速；
根据所述脏污累积程度、所述目标筒内压强和目标回转机构的转速，对各污水筒进行调节。
3.如权利要求1所述的一种农牧废水多级处理系统，其特征在于，所述设置在各个污水筒内的回转机构的轴线与对应的污水筒的轴线重合。
4.如权利要求2所述的一种农牧废水多级处理方法，其特征在于，所述过所述各污水筒目标图像上的中心点作与对应的污水筒目标图像上的污水筒边缘相交的一条射线；对所述射线进行旋转，得到各污水筒目标图像对应的各射线的方法，包括：
对所述各污水筒目标图像对应的污水筒连通域进行连通域分析，得到各污水筒目标图像对应的中心点位置；
利用边缘检测算法检测所述各污水筒目标图像对应的污水筒连通域的边缘；
以所述各污水筒目标图像对应的中心点为起点作与对应的污水筒目标图像对应的污水筒连通域边缘相交的一条射线；将所述以各污水筒目标图像对应的中心点为起点作与对应的各污水筒目标图像上污水筒边缘相交的一条射线记为各污水筒目标图像对应的起始射线；
将所述起始射线以固定角度按照顺时针方向进行旋转一周，得到各目标图像对应的各射线。
5.如权利要求2所述的一种农牧废水多级处理方法，其特征在于，所述根据所述像素点序列，得到所述各射线对应的脏污程度；根据所述脏污程度，得到各污水筒目标图像对应的脏污累积程度的方法，包括：
获取各污水筒目标图像对应的污水筒过滤等级和各污水筒目标图像对应的标准脏污累积程度极限值；
利用k-means算法对所述各污水筒目标图像对应的各射线的像素点序列中各像素点对应的灰度值进行两次聚类；
根据所述两次聚类的结果，得到各污水筒目标图像对应的各射线的像素点序列对应的合理程度；
根据所述合理程度，确定各污水筒目标图像对应的各射线的像素点序列聚类的类别簇数；根据所述类别簇数，得到各污水筒目标图像对应的各射线的脏污程度；
根据各污水筒目标图像对应的污水筒过滤等级、标准脏污累积程度极限值和各污水筒目标图像对应的各射线的脏污程度，得到各污水筒目标图像对应的脏污累积程度。
6.如权利要求5所述的一种农牧废水多级处理方法，其特征在于，所述根据所述两次聚类的结果，得到各污水筒目标图像对应的各射线的像素点序列对应的合理程度的方法，包括：
获取各污水筒目标图像对应的污水筒过滤等级和各污水筒目标图像对应的标准脏污累积程度极限值；
根据第一次聚类后得到的各污水筒目标图像对应的各射线对应的素点序列对应的各类别中各像素点的像素值和各类别对应的聚类中心的灰度值，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；
根据第二次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的各类别中各像素点的像素值和各类别对应的聚类中心的灰度值，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的各类别内的离散程度；
根据第一次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别对应的聚类中心的灰度值和各污水筒目标图像对应的各射线对应的像素点序列中的最大像素点灰度值和最小像素点灰度值，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；
根据第二次聚类后得到的各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别对应的聚类中心的灰度值和各污水筒目标图像对应的各射线对应的像素点序列中的最大像素点灰度值和最小像素点灰度值，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的相邻类别之间的分离程度；
根据第一次聚类后所述离散程度，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；
根据第二次聚类后所述离散程度所述分离程度，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类内合理程度；
根据第一次聚类后所述分离程度，得到第一次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；
根据第二次聚类后所述分离程度所述分离程度，得到第二次聚类后各污水筒目标图像对应的各射线对应的像素点序列对应的类间合理程度；
根据所述第一次聚类后所述类内合理程度、第二次聚类后所述类内合理程度、第一次聚类后所述类间合理程度和第二次聚类后所述类间合理程度，得到各污水筒目标图像对应的各射线对应的像素点序列对应的合理程度。
7.如权利要求6所述的一种农牧废水多级处理方法，其特征在于，所述根据所述合理程度，确定各污水筒目标图像对应的各射线的像素点序列聚类的类别簇数；根据所述类别簇数，得到各污水筒目标图像对应的各射线的脏污程度的方法，包括：
判断所述合理程度的值是否小于预设合理程度值，若是，则判定所述像素点序列进行第二次聚类簇数比第一次聚类簇数的合理程度高；
计算所述像素点序列对应的像素点灰度值整体最小的类别对应的各像素点在对应的像素点序列中的最高次序与最低次序之间的差值；
将所述差值记为各污水筒目标图像对应的各射线的脏污程度。
8.如权利要求5所述的一种农牧废水多级处理方法，其特征在于，所述根据各污水筒目标图像对应的污水筒过滤等级、标准脏污累积程度极限值和各污水筒目标图像对应的各射线的脏污程度，得到各污水筒目标图像对应的脏污累积程度的方法，包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个污水筒目标图像对应的脏污累积程度，
Figure DEST_PATH_IMAGE008
为第
Figure 446729DEST_PATH_IMAGE006
个污水筒目标图像对应的第
Figure DEST_PATH_IMAGE010
条射线对应的脏污程度，
Figure DEST_PATH_IMAGE012
为第
Figure 43933DEST_PATH_IMAGE006
个污水筒目标图像对应的射线的数量，
Figure DEST_PATH_IMAGE014
为超参数，
Figure DEST_PATH_IMAGE016
为第
Figure 16437DEST_PATH_IMAGE006
个污水筒目标图像对应的污水筒过滤等级，
Figure DEST_PATH_IMAGE018
为第
Figure 3985DEST_PATH_IMAGE006
个污水筒目标图像对应的标准脏污累积程度极限值。
CN202111664572.6A 2021-12-31 2021-12-31 一种农牧废水多级处理系统的处理方法 Active CN114504867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111664572.6A CN114504867B (zh) 2021-12-31 2021-12-31 一种农牧废水多级处理系统的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111664572.6A CN114504867B (zh) 2021-12-31 2021-12-31 一种农牧废水多级处理系统的处理方法

Publications (2)

Publication Number Publication Date
CN114504867A true CN114504867A (zh) 2022-05-17
CN114504867B CN114504867B (zh) 2022-12-23

Family

ID=81548025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111664572.6A Active CN114504867B (zh) 2021-12-31 2021-12-31 一种农牧废水多级处理系统的处理方法

Country Status (1)

Country Link
CN (1) CN114504867B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082721A (zh) * 2022-07-22 2022-09-20 南通仁源节能环保科技有限公司 一种含油污水气浮法除污的压力控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000182115A (ja) * 1998-12-21 2000-06-30 Toshiba Corp 紙葉類の状態識別装置と紙葉類の汚れ具合識別装置と紙葉類の印刷状態識別装置と紙葉類の表裏識別装置
JP2019209271A (ja) * 2018-06-06 2019-12-12 株式会社明電舎 汚水処理施設の水質判定装置及び水質判定方法
CN210885358U (zh) * 2019-09-28 2020-06-30 江苏天河水务设备有限公司 农牧业废水处理设备
CN111790251A (zh) * 2019-04-09 2020-10-20 深圳市家家分类科技有限公司 一种基于光的垃圾除臭控制方法及相关产品
CN113034522A (zh) * 2021-04-01 2021-06-25 上海市第一人民医院 一种基于人工神经网络的ct图像分割方法
CN113730983A (zh) * 2021-09-14 2021-12-03 忻州师范学院 一种基于浮游生物的水污染预警系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000182115A (ja) * 1998-12-21 2000-06-30 Toshiba Corp 紙葉類の状態識別装置と紙葉類の汚れ具合識別装置と紙葉類の印刷状態識別装置と紙葉類の表裏識別装置
JP2019209271A (ja) * 2018-06-06 2019-12-12 株式会社明電舎 汚水処理施設の水質判定装置及び水質判定方法
CN111790251A (zh) * 2019-04-09 2020-10-20 深圳市家家分类科技有限公司 一种基于光的垃圾除臭控制方法及相关产品
CN210885358U (zh) * 2019-09-28 2020-06-30 江苏天河水务设备有限公司 农牧业废水处理设备
CN113034522A (zh) * 2021-04-01 2021-06-25 上海市第一人民医院 一种基于人工神经网络的ct图像分割方法
CN113730983A (zh) * 2021-09-14 2021-12-03 忻州师范学院 一种基于浮游生物的水污染预警系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082721A (zh) * 2022-07-22 2022-09-20 南通仁源节能环保科技有限公司 一种含油污水气浮法除污的压力控制方法

Also Published As

Publication number Publication date
CN114504867B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN114504867B (zh) 一种农牧废水多级处理系统的处理方法
CN111966053A (zh) 一种智能絮凝剂决策系统
Qing et al. Automated detection and identification of white-backed planthoppers in paddy fields using image processing
CN114849316B (zh) 一种智能化反冲洗过滤的自动控制系统
CN114663405B (zh) 用于农药生产企业的废水处理控制方法
CN109636824A (zh) 一种基于图像识别技术的多目标计数方法
CN106630276A (zh) 一种污水循环处理智能系统
CN110111283A (zh) 一种复杂背景下红外疑似目标的提示方法及系统
CN115272327B (zh) 一种基于图像处理的污水多级处理方法及系统
CN113688751A (zh) 一种利用图像识别技术分析矾花特征的方法及装置
CN114549528A (zh) 一种微液滴数字pcr液滴检测方法及系统
CA3091337A1 (en) A real-time open water analysis system
CN116977827A (zh) 一种基于人工智能的铁矿石检测方法和系统
CN115631128A (zh) 基于圆幂定理的圆形药品数量检测方法
Dansawad et al. Machine learning toward improving the performance of membrane-based wastewater treatment: A review
CN116563768B (zh) 一种微塑料污染物智能检测方法及系统
CN115006901B (zh) 一种智能化反冲洗过滤器的自动控制方法及系统
CN115526285A (zh) 鱼计数装置及其计数方法、电子设备和储存介质
US6130956A (en) Continuous microbiotal recognition method
Xia et al. Retinal vessel segmentation via a coarse-to-fine convolutional neural network
CN205832769U (zh) 一种浮游动物分级过滤装置
US20160090617A1 (en) Concentration device for microorganisms in large volumes of turbid water and method therefor
CN116540538A (zh) 用水调节方法及系统
CN116413116A (zh) 一种微型无脊椎动物的自动检测方法
Gill et al. A review of enhancement and segmentation techniques for digital images

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