CN114663405A - 用于农药生产企业的废水处理控制方法 - Google Patents
用于农药生产企业的废水处理控制方法 Download PDFInfo
- Publication number
- CN114663405A CN114663405A CN202210308082.0A CN202210308082A CN114663405A CN 114663405 A CN114663405 A CN 114663405A CN 202210308082 A CN202210308082 A CN 202210308082A CN 114663405 A CN114663405 A CN 114663405A
- Authority
- CN
- China
- Prior art keywords
- clustering
- image
- evaluation value
- flocculating
- maximum
- 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
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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明涉及废水处理控制技术领域,具体涉及一种用于农药生产企业的废水处理控制方法。该方法可以用于智能制造产业,包括:获得不同剂量的絮凝剂对应的不同混凝图像集;对不同混凝图像集中的各图像絮凝区域的最终的聚类结果进行分析获得不同剂量的絮凝剂对应的絮凝评价值,从而确定絮凝剂的最合适剂量;根据最合适剂量控制废水处理系统对各批次的废水进行处理时添加絮凝剂的剂量,达到对农药生产企业全厂的废水处理全面控制目的。本发明通过对混凝图像聚类的效果进行评价,使得聚类得到的絮凝体更加符合真实的絮凝体的特征,从而使得最后获得的絮凝评价值更加准确;获得了废水处理最合适的絮凝剂的剂量,能够使废水净化彻底且不造成絮凝剂的浪费。
Description
技术领域
本发明涉及废水处理控制技术领域,具体涉及一种用于农药生产企业的废水处理控制方法。
背景技术
日常生活中,农业种植方面对于农药的需求量是非常大的,这导致了农药生产企业需要生产大量的农药,在生产农药时会产生大量的废水,而这些废水中含有大量的污染物,如果不对生产农药产生的废水进行处理直接进行排放会对环境造成极大的污染;对于农药废水而言,混凝沉淀的主要作用是去除废水中的悬浮物和胶体粒子,对废水中大量的可溶性有机物去除率较低,因此该工艺主要运用于废水的预处理阶段,去除废水中的悬浮颗粒与胶体,降低色度。
在使用絮凝法处理农药废水时,由于不同农药产生的废水不同,即使是同一种农药产生的废水的浓度也不一定相同,因此在使用絮凝剂对废水进行处理时,添加多少剂量的絮凝剂是一个十分重要的问题,如果剂量过小会使混凝沉淀的效果变差,如果剂量过大不仅仅会造成絮凝剂的浪费,而且会使絮凝剂残留在废水中。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于农药生产企业的废水处理控制方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种用于农药生产企业的废水处理控制方法:采集加入不同剂量絮凝剂后废水的混凝沉淀过程中烧杯不同时刻的正面图像并灰度化,记为混凝图像;不同剂量絮凝剂对应的混凝图像组成不同的混凝图像集;对混凝图像进行图像分割获得絮凝区域和液体区域;
基于BIRCH算法利用不同的最大样本半径阈值对絮凝区域进行多次聚类,一个聚类簇为一个絮凝体,所述絮凝体为聚类区域;基于每次聚类后的类内元素的差异和类间的差异分别获得第一评价值和第二评价值;根据每次聚类后各絮凝体内像素点的分布情况获得第三评价值;利用第一、第二、第三评价值获得每次聚类的聚类效果评价值;最大聚类效果评价值对应的聚类结果为最终聚类结果;
根据混凝图像集中各图像的絮凝区域的最终聚类结果获得混凝沉淀过程中絮凝体的数量达到最大时的时长,为第一时长,且所有絮凝体中像素点的数量和与第一时长的比值为初期絮凝速度;根据混凝图像集中各图像与初始废水图像的灰度均值的差值、各图像中絮凝区域的面积与液体区域的面积的比值获得各混凝图像对应的浑浊程度;基于各混凝图像集对应的初期絮凝速度和最大的浑浊程度获得不同剂量的絮凝剂对应的絮凝评价值。
优选地,所述采集加入不同剂量絮凝剂后废水的混凝沉淀过程中烧杯不同时刻的正面图像并灰度化,记为混凝图像包括:采集同一批次的废水均匀分装与不同的烧杯中,在各烧杯中加入不同剂量的絮凝剂;采集不同烧杯中的废水混凝沉淀过程中不同时刻的烧杯的正面图像,利用均值法对图像灰度化获得混凝图像,所述混凝图像中只包含烧杯。
优选地,所述基于BIRCH算法利用不同的最大样本半径阈值对絮凝区域进行多次聚类包括:絮凝区域中的像素点的坐标和像素点的灰度值组成像素点的基本特征;设定最大样本半径阈值的初始值和范围,以预设步长对最大样本半径阈值进行更新获得不同的最大样本半径阈值;利用不同的最大样本半径阈值依据像素点的基本特征对絮凝区域的像素点进行多次聚类,并基于每次聚类得到的聚类簇获得聚类区域。
优选地,所述获得第一评价值包括:根据每次聚类后每个聚类区域的像素点之间的基本特征的差异获得每个聚类区域的类内差异;每次聚类后各聚类区域的类内差异的平均值为每次聚类的第一评价值。
优选地,所述第二评价值包括:根据每次聚类后各聚类区域中像素点的基本特征获得各聚类区域的平均基本特征;根据每次聚类后各聚类区域的平均基本特征之间的差异获得每次聚类的第二评价值。
优选地,所述根据每次聚类后各絮凝体内像素点的分布情况获得第三评价值包括:以最大样本半径阈值为半径得到絮凝体中的密度最大的圆,所述密度为像素点的数量与以最大样本半径阈值为半径的圆的面积的比值;不断增大密度最大的圆的半径,同时根据随着半径的变化密度的变化趋势获得最大半径;将密度最大的圆的半径变为最大半径后的圆为密度最大圆;基于各絮凝体的密度最大圆的半径、圆心与絮凝体中像素点的最大距离、密度最大圆在絮凝体中的部分中的像素点的数量和絮凝体其他部分像素点的数量获得第三评价值。
优选地,所述利用第一、第二、第三评价值获得每次聚类的聚类效果评价值包括:第一评价值与聚类效果评价值为负相关关系;第二评价值、第三评价值与聚类效果评价值为正相关关系。
优选地,所述浑浊程度为:
其中,D表示浑浊程度;g表示混凝图像的灰度均值,g′表示初始废水图像的灰度均值;o表示混凝图像中絮凝区域的面积,O表示混凝图像中液体区域面积。
本发明实施例至少具有如下有益效果:本发明实施例提供了一种用于农药生产企业的废水处理控制方法,获得在废水的混凝沉淀过程中加入不同剂量的絮凝剂对应的不同混凝图像集;对不同混凝图像集中的各图像絮凝区域的最终的聚类结果进行分析获得不同剂量的絮凝剂对应的絮凝评价值,从而确定絮凝剂的最合适剂量;根据最合适剂量控制废水处理系统对各批次的废水进行处理时添加絮凝剂的剂量,达到对农药生产企业全厂的废水处理全面控制目的。本发明通过对混凝图像聚类的效果进行评价,使得聚类得到的絮凝体更加符合真实的絮凝体的特征,从而使得最后获得的絮凝评价值更加准确;获得了废水处理最合适的絮凝剂的剂量,能够使废水净化彻底且不造成絮凝剂的浪费,且该方法能够应用于农药的智能制造产业。
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为用于农药生产企业的废水处理控制方法流程图。
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方法和系统,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术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于农药生产企业的废水处理控制方法的具体方案。
实施例
本发明的主要应用场景为:在农药生产企业生产农药时产生的废水预处理阶段,需要确定絮凝剂的剂量,针对不同农药产生的废水或者不同浓度的废水,用来混凝沉淀的絮凝剂的最合适的剂量不同,因此需要确定最合适的剂量。
请参阅图1,其示出了本发明一个实施例提供的一种用于农药生产企业的废水处理控制方法流程图,该方法包括以下步骤:
步骤一:采集加入不同剂量絮凝剂后废水的混凝沉淀过程中烧杯不同时刻的正面图像并灰度化,记为混凝图像;不同剂量絮凝剂对应的混凝图像组成不同的混凝图像集;对混凝图像进行图像分割获得絮凝区域和液体区域。
首先,对同批次需要处理的农药废水进行采集并均匀分装与不同的烧杯中,在烧杯的正面架设相机获得正面图像,并利用均值法对图像灰度化获得初始废水图像。
然后,在不同的烧杯中加入不同剂量的絮凝剂,加入絮凝剂后,废水开始进行混凝沉淀,在混凝沉淀过程中利用架设好的相机获得混凝沉淀过程中不同时刻的烧杯的正面图像并灰度化,获得混凝图像,不同烧杯中的废水混凝沉淀过程对应不同的多个混凝图像,即不同剂量的絮凝剂对应不同的多个混凝图像;每个剂量的絮凝剂对应的多个混凝图像按照时间顺序组成一个混凝图像集,不同剂量的絮凝剂对应不同的混凝图像集;其中,混凝图像集中各图像之间的时间间隔相同为a,时间间隔的具体数值根据实际情况确定,且混凝图像中只包含烧杯部分。
最后,对各个剂量的絮凝剂对应的混凝图像集中的混凝图像进行图像分割获得絮凝区域和液体区域,优选地,本实施例中使用的图像分割方法为大津阈值法,即通过大津阈值法依据混凝图像的灰度值将混凝图像分割成絮凝区域和液体区域。
步骤二:基于BIRCH算法利用不同的最大样本半径阈值对絮凝区域进行多次聚类,一个聚类簇为一个絮凝体,所述絮凝体为聚类区域;基于每次聚类后的类内元素的差异和类间的差异分别获得第一评价值和第二评价值;根据每次聚类后各絮凝体内像素点的分布情况获得第三评价值;利用第一、第二、第三评价值获得每次聚类的聚类效果评价值;最大聚类效果评价值对应的聚类结果为最终聚类结果。
首先,需要对混凝图像中的絮凝区域进行聚类,进一步的获得絮凝形成的絮凝体,根据聚类获得聚类簇进行图像分割获得聚类区域,每个聚类簇对应一个聚类区域,每个聚类区域为一个絮凝体,获得每个混凝图像中的絮凝体便于分析混凝沉降过程中絮凝剂的作用效果。
利用BIRCH算法对混凝图像中絮凝区域的像素点进行聚类,BIRCH算法的全称为利用层次方法的平衡迭代规约和聚类,针对大规模数据聚类速度快,只需单遍扫描数据集就能进行聚类,聚类特征和聚类特征树为其2个最主要的特征。然而,其聚类效果的好坏与设置的参数相关,在使用BIRCH算法进行聚类的时候,会构建一个CF-tree,上述所述第一个参数是每个内部节点的最大CF数B,第二个参数是每个叶子节点的最大CF数L,第三个参数是针对叶子节点中某个CF中的样本点来说的,它是叶节点每个CF的最大样本半径阈值T。
其中,最大样本半径阈值T的大小直接影响到聚类效果,通过改变最大样本半径阈值T获得最好的聚类效果,得到最理想的聚类结果。
然后,以一个混凝图像为例,需要以不同的最大样本半径阈值T进行聚类,并对每次的聚类结果进行评价,获得最优的聚类结果对应的最大样本半径阈值T,该最大样本半径阈值T对应的聚类的结果为混凝图像的絮凝区域对应的最终聚类结果。
获得混凝图像中絮凝区域的像素点的基本特征(x,y,g),其中,x和y分别为像素点的横坐标和纵坐标,g为像素点的灰度值;优选地,本实施例中设置B=6,L=7,其中,设置最大样本半径阈值T的初始值为1,T的变化范围为[1,10],且变化的步长为0.1;每次进行聚类时,最大样本半径阈值T的值都不相同。
以T取值1.5时对混凝图像聚类为例,获得每次聚类后的聚类簇,以及每个聚类簇对应的聚类区域,获得每个聚类区域的类内差异:
其中,Q表示每个聚类区域的类内差异;(xi、yi、gi)表示聚类区域内第i个像素点的基本特征;表示第聚类区域内像素点的平均基本特征;n表示聚类区域内像素点的数量;通过聚类区域内各像素点的基本特征与平均基本特征的差值表征聚类区域内各像素点之间的差异,求和后获得每个聚类区域的类内差异,也是每个聚类簇的类内差异;其中类内的差异越小表示聚类效果越好。
获得此次聚类通过类内差异获得评价值,记为第一评价值:
其中,C1表示第一评价值;Qj表示第j个聚类区域,也是第j个聚类簇,m表示聚类簇的数量。
进一步的,不仅仅需要考虑聚类簇的类内差异,还需要考虑聚类簇之间的差异,获得两个聚类簇之间的差异:
其中,W(1,2)表示第1个聚类簇对应的聚类区域与第2个聚类簇对应的聚类区域的之间的差异;表示第1个聚类区域的平均基本特征,表示第2个聚类区域的平均基本特征,平均基本特征为聚类区域内的像素点的基本特征的各元素的均值求得的。
设T[v]={(1,2),(1,3),(1,4),…,(1,m),(2,3),(2,4),…,(2,m),…,(m-1,m)},其中,v表示m个聚类区域之间需要比较的次数:
获得聚类簇的类间差异,记为第二评价值C2:
其中,C2表示第二评价值;WT[k]表示第k次比较的聚类簇之间的差异,如WT[1]表示第1个聚类区域与第2个聚类区域之间的差异;聚类簇对应的聚类区域之间的差异越大说明聚类效果越好。
接着,在聚类过程中每个聚类簇对应的聚类区域为一个絮凝体,所以每个聚类区域的特征接近于絮凝体的特征时说明聚类效果越好;根据对絮凝体进行分析,絮凝体中心密度很大,即絮凝体中心聚集的像素点的数量多,而在絮凝体周围聚集的絮凝体的数量特别少,针对这种特征,在一个聚类区域内,即在一个絮凝体内,以此时的最大样本半径阈值T=1.5为半径作圆,圆在聚类区域内不断移动,当圆内的像素点数量最多时,即密度ρ最大时,所述密度为圆内像素点的数量圆的面积的比值,固定圆的位置,该圆为密度最大的圆,获得此时的圆心为密度最大的圆心A;其中在寻找密度最大的圆时,若有许多位置的圆内的像素点的数量相同,圆心离聚类区域中心点距离最小的圆为密度最大的圆。
获取圆心A与絮凝体,即聚类区域中像素点的最大距离s1,同时获得密度最大的圆的半径不断增大时,密度的变化趋势,且增大的步长为1,其中半径变化的最大值为s1,根据半径变化过程中每个半径对应的密度值拟合曲线获得“半径-密度”曲线同时获得其函数关系式f(x),同时获得其导函数f′(x),获得半径增大过程中,每个半径对应的导数,最大的导数对应的半径为最大半径;以圆心A和最大半径获得密度最大圆,获得密度最大圆在絮凝体内部分中的像素点的数量l1和絮凝体其他部分的像素点的数量l2。
通过对最大半径与s1的差异,以及密度最大圆内像素点的数量与絮凝体内其他部分的像素点数量差异的分析,使得聚类区域特征符合絮凝体的特征;每个聚类区域,即每个絮凝体的特征表征值为:
同时获得以最大样本半径阈值T=1.5进行对混凝图像絮凝区域像素点进行聚类时的第三评价值C3:
其中,Zj表示第j个絮凝体的特征表征值;C3表示此次聚类的第三评价值;m表示絮凝体的数量即聚类区域的数量。
最后,获得以最大样本半径阈值T=1.5进行对混凝图像絮凝区域像素点进行聚类时的聚类效果评价值E:
至此,每张混凝图像的絮凝区域多次聚类时,获得每次聚类的聚类效果评价值,最大的聚类效果评价值对应的聚类结果为最终聚类结果。
步骤三:根据混凝图像集中各图像的絮凝区域的最终聚结果获得混凝沉淀过程中絮凝体的数量达到最大时的时长,为第一时长,且所有絮凝体中像素点的数量和与第一时长的比值为初期絮凝速度;根据混凝图像集中各图像与初始废水图像的灰度均值的差值、各图像中絮凝区域的面积与液体区域的面积的比值获得各混凝图像对应的浑浊程度;基于各混凝图像集对应的初期絮凝速度和最大的浑浊程度获得不同剂量的絮凝剂对应的絮凝评价值。
首先,以一个混凝图像集为例,获得每张混凝图像絮凝区域的最终聚类结果,根据最终聚类结果得到每张混凝图像对应的絮凝体的数量di和絮凝的中像素点的数量ui,在混凝图像集中的图像的絮凝区域济宁聚类时,絮凝体的数量最大的混凝图像e,根据相机拍摄图像的时间间隔获得拍摄第一张烧杯的正面图像到混凝图像e对应的正面图像的时长,将该时长记为第一时长t,根据第一时长和混凝图像e中絮凝区域所有絮凝体中像素点的数量之和获得初期絮凝速度vc:
其中,vc为该混凝图像集对应的初期絮凝速度,即该剂量的絮凝剂对应的初期絮凝速度;ui表示混凝图像e絮凝区域中第i个絮凝体中像素点的数量,m表示絮凝体的数量。至此可以获得所有混凝图像集对应的初期絮凝速度,也即是所有剂量的絮凝剂对应的初期絮凝速度,对初期絮凝速度进行归一化,使其值为0-1。
进一步的,由于絮凝体是不规则的,在混凝沉淀过末期,即在加入絮凝剂的废水变的十分浑浊时,絮凝体在混凝图像上是连成一片,无法提取颗粒的特征参数,此时无法再利用絮凝体的数量来对絮凝的过程进行评价了;故需要使用烧杯内加入絮凝剂的废水的浑浊程度对该剂量的絮凝剂进行描述;获得该混凝图像集中每张图像对应的浑浊程度:
其中,D表示混凝图像集中各混凝图像对应的浑浊程度;g表示混凝图像的灰度均值,g′表示初始废水图像的灰度均值;o表示混凝图像中絮凝区域的面积,O表示混凝图像中液体区域面积。通过比较混凝图像的灰度均值与废水处理前初始废水图像的灰度均值,进而确定该剂量的絮凝剂的絮凝效果,同时,絮凝区域面积越大说明絮凝的效果越好。
最后,获得混凝图像集中各图像对应的浑浊程度并归一化,获得值最大的一个浑浊程度Dmax,根据该混凝图像集对应的初期絮凝速度和最大浑浊程度获得该剂量的絮凝剂对应的絮凝评价值:
F=ω1Dmax+ω2v
其中,F表示絮凝评价值,ω1和ω2为权值,优选地,本实施例中ω1=0.4、ω2=0.6。
至此可以获得所有混凝图像集对应的絮凝评价值,即所有不同剂量的絮凝剂对应的絮凝评价值,在废水混凝沉淀过程中,初期絮凝速度越快,所用时间越短,絮凝效果越好,对于废水的净化越彻底。选取最大的絮凝评价值对应絮凝剂的剂量,作为该批次废水处理时需要添加的絮凝剂的剂量,在实际过程中因为烧杯内的废水体积与废水池内废水的体积不同,当通过烧杯获得确定的剂量后,要根据烧杯内的废水体积与废水池内废水的体积的比例关系同比增加加入废水池的絮凝剂的剂量。同时,不同批次的废水对应的最合适的絮凝剂的剂量是不同的,需要分批次进行寻找。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。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。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于农药生产企业的废水处理控制方法,其特征在于,该方法包括:采集加入不同剂量絮凝剂后废水的混凝沉淀过程中烧杯不同时刻的正面图像并灰度化,记为混凝图像;不同剂量絮凝剂对应的混凝图像组成不同的混凝图像集;对混凝图像进行图像分割获得絮凝区域和液体区域;
基于BIRCH算法利用不同的最大样本半径阈值对絮凝区域进行多次聚类,一个聚类簇为一个絮凝体,所述絮凝体为聚类区域;基于每次聚类后的类内元素的差异和类间的差异分别获得第一评价值和第二评价值;根据每次聚类后各絮凝体内像素点的分布情况获得第三评价值;利用第一、第二、第三评价值获得每次聚类的聚类效果评价值;最大聚类效果评价值对应的聚类结果为最终聚类结果;
根据混凝图像集中各图像的絮凝区域的最终聚类结果获得混凝沉淀过程中絮凝体的数量达到最大时的时长,为第一时长,且所有絮凝体中像素点的数量和与第一时长的比值为初期絮凝速度;根据混凝图像集中各图像与初始废水图像的灰度均值的差值、各图像中絮凝区域的面积与液体区域的面积的比值获得各混凝图像对应的浑浊程度;基于各混凝图像集对应的初期絮凝速度和最大的浑浊程度获得不同剂量的絮凝剂对应的絮凝评价值。
2.根据权利要求1所述的一种用于农药生产企业的废水处理控制方法,其特征在于,所述采集加入不同剂量絮凝剂后废水的混凝沉淀过程中烧杯不同时刻的正面图像并灰度化,记为混凝图像包括:采集同一批次的废水均匀分装与不同的烧杯中,在各烧杯中加入不同剂量的絮凝剂;采集不同烧杯中的废水混凝沉淀过程中不同时刻的烧杯的正面图像,利用均值法对图像灰度化获得混凝图像,所述混凝图像中只包含烧杯。
3.根据权利要求1所述的一种用于农药生产企业的废水处理控制方法,其特征在于,所述基于BIRCH算法利用不同的最大样本半径阈值对絮凝区域进行多次聚类包括:絮凝区域中的像素点的坐标和像素点的灰度值组成像素点的基本特征;设定最大样本半径阈值的初始值和范围,以预设步长对最大样本半径阈值进行更新获得不同的最大样本半径阈值;利用不同的最大样本半径阈值依据像素点的基本特征对絮凝区域的像素点进行多次聚类,并基于每次聚类得到的聚类簇获得聚类区域。
4.根据权利要求1所述的一种用于农药生产企业的废水处理控制方法,其特征在于,所述获得第一评价值包括:根据每次聚类后每个聚类区域的像素点之间的基本特征的差异获得每个聚类区域的类内差异;每次聚类后各聚类区域的类内差异的平均值为每次聚类的第一评价值。
5.根据权利要求1所述的一种用于农药生产企业的废水处理控制方法,其特征在于,所述第二评价值包括:根据每次聚类后各聚类区域中像素点的基本特征获得各聚类区域的平均基本特征;根据每次聚类后各聚类区域的平均基本特征之间的差异获得每次聚类的第二评价值。
6.根据权利要求1所述的一种用于农药生产企业的废水处理控制方法,其特征在于,所述根据每次聚类后各絮凝体内像素点的分布情况获得第三评价值包括:以最大样本半径阈值为半径得到絮凝体中的密度最大的圆,所述密度为像素点的数量与以最大样本半径阈值为半径的圆的面积的比值;不断增大密度最大的圆的半径,同时根据随着半径的变化密度的变化趋势获得最大半径;将密度最大的圆的半径变为最大半径后的圆为密度最大圆;基于各絮凝体的密度最大圆的半径、圆心与絮凝体中像素点的最大距离、密度最大圆在絮凝体中的部分中的像素点的数量和絮凝体其他部分像素点的数量获得第三评价值。
7.根据权利要求1所述的一种用于农药生产企业的废水处理控制方法,其特征在于,所述利用第一、第二、第三评价值获得每次聚类的聚类效果评价值包括:第一评价值与聚类效果评价值为负相关关系;第二评价值、第三评价值与聚类效果评价值为正相关关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308082.0A CN114663405B (zh) | 2022-03-27 | 2022-03-27 | 用于农药生产企业的废水处理控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308082.0A CN114663405B (zh) | 2022-03-27 | 2022-03-27 | 用于农药生产企业的废水处理控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663405A true CN114663405A (zh) | 2022-06-24 |
CN114663405B CN114663405B (zh) | 2022-12-06 |
Family
ID=82033265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210308082.0A Active CN114663405B (zh) | 2022-03-27 | 2022-03-27 | 用于农药生产企业的废水处理控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663405B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897905A (zh) * | 2022-07-14 | 2022-08-12 | 江苏欧盛液压科技有限公司 | 一种基于图像处理的液压阀生产控制方法 |
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 |
CN115345565A (zh) * | 2022-10-19 | 2022-11-15 | 南通金百吉五金制造有限公司 | 一种基于数据处理的废钢破碎料场盘库方法及装置 |
CN115353181A (zh) * | 2022-10-17 | 2022-11-18 | 南通海阳节能环保科技有限公司 | 一种用于造纸废水的凝絮剂剂量智能投放方法 |
CN115760852A (zh) * | 2023-01-06 | 2023-03-07 | 青岛市城市规划设计研究院 | 一种海洋污水排放处理方法 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN117237356A (zh) * | 2023-11-15 | 2023-12-15 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002076890A2 (de) * | 2001-03-27 | 2002-10-03 | Clausthaler Umwelttechnikinstitut Gmbh (Cutec-Institut) | Verfahren und messanordnung zur automatischen bestimmung des aufkonzentrierungsfaktors von konditioniertem klärschlamm |
CN101923653A (zh) * | 2010-08-17 | 2010-12-22 | 北京大学 | 一种基于多层次内容描述的图像分类方法 |
CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
US20170074793A1 (en) * | 2015-09-14 | 2017-03-16 | OptikTechnik LLC | Optical sensing device and method in a liquid treatment system |
CN107741738A (zh) * | 2017-10-20 | 2018-02-27 | 重庆华绿环保科技发展有限责任公司 | 一种污水处理过程监控智能预警云系统及污水处理监测预警方法 |
CN108319903A (zh) * | 2018-01-20 | 2018-07-24 | 北京新艺环保科技有限公司 | 一种絮凝效果评估的方法 |
CN110288260A (zh) * | 2019-07-02 | 2019-09-27 | 太原理工大学 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
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 |
CN110776067A (zh) * | 2019-09-27 | 2020-02-11 | 宁波国谱环保科技有限公司 | 基于图像识别的污水处理自动加药装置及其反馈机制 |
CN111199536A (zh) * | 2019-12-13 | 2020-05-26 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法及其装置 |
CN111268780A (zh) * | 2020-03-10 | 2020-06-12 | 中冶赛迪重庆信息技术有限公司 | 一种污水处理方法 |
CN111912752A (zh) * | 2020-09-07 | 2020-11-10 | 上海易清智觉自动化科技有限公司 | 絮凝检测装置、方法及污水处理系统 |
CN112919605A (zh) * | 2021-03-24 | 2021-06-08 | 四川康信科创农业有限公司 | 基于图像采集的污水处理系统及方法 |
CN113896356A (zh) * | 2021-11-17 | 2022-01-07 | 赤峰恒诚建筑工程有限公司 | 一种建筑施工用废水处理系统及方法 |
-
2022
- 2022-03-27 CN CN202210308082.0A patent/CN114663405B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002076890A2 (de) * | 2001-03-27 | 2002-10-03 | Clausthaler Umwelttechnikinstitut Gmbh (Cutec-Institut) | Verfahren und messanordnung zur automatischen bestimmung des aufkonzentrierungsfaktors von konditioniertem klärschlamm |
CN101923653A (zh) * | 2010-08-17 | 2010-12-22 | 北京大学 | 一种基于多层次内容描述的图像分类方法 |
CN102254303A (zh) * | 2011-06-13 | 2011-11-23 | 河海大学 | 遥感图像分割方法及遥感图像检索方法 |
US20170074793A1 (en) * | 2015-09-14 | 2017-03-16 | OptikTechnik LLC | Optical sensing device and method in a liquid treatment system |
CN107741738A (zh) * | 2017-10-20 | 2018-02-27 | 重庆华绿环保科技发展有限责任公司 | 一种污水处理过程监控智能预警云系统及污水处理监测预警方法 |
CN108319903A (zh) * | 2018-01-20 | 2018-07-24 | 北京新艺环保科技有限公司 | 一种絮凝效果评估的方法 |
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 |
CN110288260A (zh) * | 2019-07-02 | 2019-09-27 | 太原理工大学 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
CN110776067A (zh) * | 2019-09-27 | 2020-02-11 | 宁波国谱环保科技有限公司 | 基于图像识别的污水处理自动加药装置及其反馈机制 |
CN111199536A (zh) * | 2019-12-13 | 2020-05-26 | 深圳市瑞沃德生命科技有限公司 | 一种聚焦评价方法及其装置 |
CN111268780A (zh) * | 2020-03-10 | 2020-06-12 | 中冶赛迪重庆信息技术有限公司 | 一种污水处理方法 |
CN111912752A (zh) * | 2020-09-07 | 2020-11-10 | 上海易清智觉自动化科技有限公司 | 絮凝检测装置、方法及污水处理系统 |
CN112919605A (zh) * | 2021-03-24 | 2021-06-08 | 四川康信科创农业有限公司 | 基于图像采集的污水处理系统及方法 |
CN113896356A (zh) * | 2021-11-17 | 2022-01-07 | 赤峰恒诚建筑工程有限公司 | 一种建筑施工用废水处理系统及方法 |
Non-Patent Citations (6)
Title |
---|
AKSHAYA KUMAR VERMA ET AL: "A review on chemical coagulation/flocculation technologies for removal of colour from textile wastewaters", 《JOURNAL OF ENVIRONMENTAL MANAGEMENT》 * |
H. C. RONG ET AL: "Flocculation Effect Detection of Chemical Wastewater Based on Image Processing", 《ISCID》 * |
YANXIN WEI ET AL: "Magnesium Silicate Polymer as a Coagulant for Reactive Dye Removal from Wastewater: Considering the Intrinsic pH in Magnesium Silicate Polymer and Coagulation Behavior", 《ACCESS》 * |
王瑾: "凝剂在废水处理中的应用及絮凝体的降速研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅰ辑》 * |
王超: "基于图像处理技术的污水处理沉降速度测量", 《中国优秀硕士学位论文全文数据库》 * |
陈阳等: "在线絮凝控制技术在给水和废水处理中的应用", 《WATER&WASTEWATER ENGINEERING》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897905A (zh) * | 2022-07-14 | 2022-08-12 | 江苏欧盛液压科技有限公司 | 一种基于图像处理的液压阀生产控制方法 |
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 |
CN115353181A (zh) * | 2022-10-17 | 2022-11-18 | 南通海阳节能环保科技有限公司 | 一种用于造纸废水的凝絮剂剂量智能投放方法 |
CN115345565A (zh) * | 2022-10-19 | 2022-11-15 | 南通金百吉五金制造有限公司 | 一种基于数据处理的废钢破碎料场盘库方法及装置 |
CN115760852A (zh) * | 2023-01-06 | 2023-03-07 | 青岛市城市规划设计研究院 | 一种海洋污水排放处理方法 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN116823834B (zh) * | 2023-08-30 | 2023-11-24 | 江苏锡澄环境科学研究院有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN117237356A (zh) * | 2023-11-15 | 2023-12-15 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
CN117237356B (zh) * | 2023-11-15 | 2024-02-23 | 山东泗水丰田农药有限公司 | 用于农药生产的废水处理控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114663405B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114663405B (zh) | 用于农药生产企业的废水处理控制方法 | |
Wang et al. | Optimization of coagulation–flocculation process for a paper-recycling wastewater treatment using response surface methodology | |
CN111966053A (zh) | 一种智能絮凝剂决策系统 | |
CN115147617B (zh) | 基于计算机视觉的污水处理智能监控方法 | |
CN115353181B (zh) | 一种用于造纸废水的凝絮剂剂量智能投放方法 | |
CN114663684A (zh) | 一种絮凝反应实时智能分析的方法、系统及运算设备 | |
CN111612235A (zh) | 一种养殖污水处理磁分离工艺参数组合优化方法 | |
CN114506933B (zh) | 一种污水多级处理系统 | |
CN114956360B (zh) | 一种基于爬山算法的污水处理曝气充氧控制方法 | |
CN113705898A (zh) | 自来水混凝剂加药量的预测方法及系统 | |
CN115329661B (zh) | 一种智能投药模型建模、智能投药体系创建、投药方法 | |
CN112101352A (zh) | 水下矾花状态识别方法及监测装置、计算机设备和存储介质 | |
CN115271521A (zh) | 一种黑臭水体治理监测分析方法、系统及存储介质 | |
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 | |
CN115527628A (zh) | 城市污水化学除磷工艺的在线控制方法及系统 | |
CN110357236B (zh) | 一种基于突变反演出水预测模型的污水厂智慧操控方法 | |
Wang et al. | Predicting flocculant dosage in the drinking water treatment process using Elman neural network | |
CN115760852A (zh) | 一种海洋污水排放处理方法 | |
CN115272327A (zh) | 一种基于图像处理的污水多级处理方法及系统 | |
CN110717533A (zh) | 一种基于图像识别管道装置的水体净化方法 | |
CN115375009B (zh) | 一种建立混凝智能监控联动系统的方法 | |
Chang | Soft measurement modeling of turbidity in flocculation process of drinking water treatment using gaussian process regression | |
CN110706004A (zh) | 一种基于层次聚类的农田重金属污染物溯源方法 | |
Irani et al. | Use of a convolution neural network for the classification of E. Coli and V. Cholara bacteria in wastewater | |
CN115390460A (zh) | 一种重介旋流器的控制系统 |
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 |