CN115050023A - 一种基于卷积神经网络的进水风险类型识别方法 - Google Patents
一种基于卷积神经网络的进水风险类型识别方法 Download PDFInfo
- Publication number
- CN115050023A CN115050023A CN202210628921.7A CN202210628921A CN115050023A CN 115050023 A CN115050023 A CN 115050023A CN 202210628921 A CN202210628921 A CN 202210628921A CN 115050023 A CN115050023 A CN 115050023A
- Authority
- CN
- China
- Prior art keywords
- sludge
- water inlet
- water
- risk type
- neural network
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 239000010802 sludge Substances 0.000 claims abstract description 214
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000005273 aeration Methods 0.000 claims abstract description 8
- 238000012258 culturing Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 40
- 238000002474 experimental method Methods 0.000 claims description 31
- PAYRUJLWNCNPSJ-UHFFFAOYSA-N Aniline Chemical compound NC1=CC=CC=C1 PAYRUJLWNCNPSJ-UHFFFAOYSA-N 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 239000003344 environmental pollutant Substances 0.000 claims description 17
- 231100000719 pollutant Toxicity 0.000 claims description 17
- 229910001385 heavy metal Inorganic materials 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000013526 transfer learning Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims 2
- 238000010606 normalization Methods 0.000 claims 1
- 239000010865 sewage Substances 0.000 abstract description 13
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 20
- 230000006872 improvement Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 3
- 230000001687 destabilization Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 231100000614 poison Toxicity 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 239000003440 toxic substance Substances 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1806—Biological oxygen demand [BOD] or chemical oxygen demand [COD]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明涉及污水处理检测领域，特别涉及一种基于卷积神经网络的进水风险类型识别方法。其方法包括：S1.在SBR反应器的进水端分别替换为多种类型的异常进水，并对活性污泥持续培养多个周期；S2.在实验条件变化前后对活性污泥的监测指标和水质监测指标进行跟踪分析，并在每一周期的曝气阶段将泥样向实时在线显微图像捕获装置同步进样，捕捉收集活性污泥的显微图像；S3.搭建进水风险类型识别模型，将收集到的污泥图像输入进行训练，对污泥图像进行特征提取和分析；S4.训练完成后根据周期性输入图像中的污泥失稳状态，判断异常进水的类型。本发明根据污泥图像来判断污泥受到冲击的异常进水类型，对污水处理厂的进水风险控制提供预警技术支持。
Description
技术领域
本发明涉及污水处理检测领域，特别涉及一种基于卷积神经网络的进水风险类型识别方法。
背景技术
在传统的科学研究中，活性污泥状态的评价往往从传统水质参数(污染物的去除等)和污泥性质指标等进行分析；在基于核酸测序的分子生物学技术的高速发展背景下，利用宏基因组学技术、宏转录组学和单细胞基因组学等方法能够对活性污泥进行更深层、更多维的信息挖掘分析。虽然上述指标能够对污泥进行全面和深度的状态评价，但其检测往往耗时耗力，且具有巨大的延时性(短则小时计，多则月计)，应用于实际工程的日常监测难度很大。
相较而言，显微镜对污泥进行监测操作显得十分简单、高效，只需取样置于显微镜下，即可对活性污泥的健康状态进行初判断。但镜检项目在污水处理厂的日常运行中存在操作频次低、样本量小、对技术人员的要求高等问题，往往无法及时、敏锐地捕捉到污泥形态上的变化，也丧失了镜检的直观性优势。此外，目前也缺乏对污水厂的实际运行中对曝气池中活性污泥整体的健康状态进行科学、系统、客观且标准的污泥评价系统，自然也很难实时对污泥状态进行监测。
对污泥形态研究发现，活性污泥的微观形态特征与其理化性质乃至水质情况都有一定的相关性。基于研究认为活性污泥的图像与活性污泥的健康状态存在一定的相关性。
各种类型的异常污水对活性污泥的毒害影响都是多方面的，不仅能直接或间接地影响污泥的代谢活性，还能通过影响污泥的生理结构对污泥造成深度、不可逆的损伤。极度异常的进水往往能对活性污泥系统造成危害，轻则降低污水的处理效果，重则会严重影响污水处理厂的正常运行，造成巨额经济损失。因此，监测生物反应器系统中的进水情况至关重要，但在实际水厂运行过程中，往往不能及时感知各类进水的各参数含量而做出响应，往往是已经出现出水异常后才能发现污泥系统已经崩溃，尤其是在活性污泥的失稳态化过程较长的情况下。因此如何根据活性污泥的失稳态状况判断异常污水的类型成为进一步监测污水处理效果的方向。
发明内容
本发明提供一种基于卷积神经网络的进水风险类型识别方法，旨在根据活性污泥的失稳态状况判断异常污水的类型。
本发明提供一种基于卷积神经网络的进水风险类型识别方法，包括以下步骤：
S1.在SBR反应器的进水端通入正常进水，采用序批运行方式对活性污泥进行培养和实验；选取多种类型的异常进水分别作为实验变化条件，SBR反应器的进水端分别替换为多种类型的异常进水，并对活性污泥持续培养多个周期；
S2.在实验条件变化前后对活性污泥的监测指标和对污染物去除效果的水质监测指标进行跟踪分析，并在每一周期的曝气阶段将泥样向实时在线显微图像捕获装置同步进样，通过实时在线显微图像捕获装置捕捉收集活性污泥的显微图像；
S3.以卷积神经网络为主网络搭建进水风险类型识别模型，将收集到的污泥图像输入进水风险类型识别模型中进行训练，进水风险类型识别模型对污泥图像进行深度特征提取和分析；
S4.训练完成的进水风险类型识别模型根据周期性输入的活性污泥显微图像中的污泥失稳状态，判断异常进水的类型。
作为本发明的进一步改进，所述步骤S1、S4中，异常进水的类型包括含重金属Cu2+进水、含重金属Cr2+进水、pH过低进水、pH过高进水、含苯胺进水、高盐度进水。
作为本发明的进一步改进，所述步骤S2中，活性污泥的监测指标包括SV5、SV30、SVI和MLSS、MLVSS指标；水质监测指标包括COD、NH4 +-N、PO4 3--P。
作为本发明的进一步改进，所述进水风险类型识别模型的输入层将输入的显微图像数据随机裁剪至224×224，随机选择训练集中的图片进行水平方向的翻转，调用内置Normalize函数对图片数据进行标准化处理，将数据转换为标准高斯分布；
所述进水风险类型识别模型的输出层输出目标数量类别的一维向量，分别代表各输入图片的预测结果，最终输出各输入泥样的预测结果和相应的概率值，并取最大概率所对应的标签为分类结果。
作为本发明的进一步改进，所述步骤S2中，实时在线显微图像捕获装置具体图像收集过程包括：
在泥水充分混合阶段，即单个反应周期中的曝气阶段，设置为污泥的进样阶段，在此过程中将污泥图像以视频的形式记录下来，调整实时在线显微图像捕获装置进样速度，使得污泥在视野内以合适的速度稳速清晰通过；
对各个异常进水类型的子实验收集到的污泥视频按等间距抽取帧，获得原始污泥图片，并分析计算每张图片的直方图分布特征、图片熵值等特征进行图片数据的筛选；
同时创建多个标签文件夹分别作为多个异常进水类型冲击的污泥图像的容器；分别在各标签文件夹中存入筛选好的图片数据，作为输入进水风险类型识别模型的训练数据。
作为本发明的进一步改进，所述图片数据包括训练集数据、验证集数据、测试集数据，其中的验证集数据通过调用Pytorch内置函数在训练集数据中按比例随机抽取。
作为本发明的进一步改进，所述实时在线显微图像捕获装置在进行图像特征分析提取过程中，对图像进行包括ROI移动、模糊的操作。
作为本发明的进一步改进，所述步骤S1在实验过程中，同步运行三组SBR反应器：一个实验组，用于各类型进水冲击实验；一个对照组，用于排除运行周期变量的影响；一个用于污泥的储备驯化，用以补充在进行异常进水冲击实验中的污泥损失量。
作为本发明的进一步改进，所述步骤S3的训练过程中，通过迁移学习方法对进水风险类型识别模型进行训练，预训练模型的参数选择载入在数据集ImageNet上训练获得的权重信息。
作为本发明的进一步改进，搭建进水风险类型识别模型的卷积神经网络为EfficientNet B0网络模型。
本发明的有益效果是：通过活性污泥图像来识别进水异常类型为目标，通过对不同类型的异常冲击进水进行SBR反应器污泥实验，获取污泥图像的基础上，基于卷积神经网络的进水风险类型识别模型对污泥图像进行特征的分析和提取，来判断污泥受到冲击的异常进水类型，能在一定程度上对污水处理厂的进水风险控制提供预警技术支持。
附图说明
图1是本发明一种基于卷积神经网络的进水风险类型识别方法的流程图；
图2是本发明EfficientNet B0网络模型中MB conv结构的示意图；
图3是本发明EfficientNet B0网络模型中SE Net结构的示意图；
图4是本发明EfficientNet B0模型训练过程的效果图；
图5是本发明卷积神经网络EfficientNet B0模型对图像特征的提取图；
图6是本发明异常进水条件下反应器污染物去除率的变化图；
图7是本发明中活性污泥的性能变化图；
图8是本发明各类型异常进水造成的失稳态污泥图像；
图9是本发明EfficientNet B0模型在混淆矩阵中的预测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
实施例一：
如图1所示，本发明的一种基于卷积神经网络的进水风险类型识别方法，包括以下步骤：
S1.在SBR反应器(序批式反应器)的进水端通入正常进水，采用序批运行方式对活性污泥进行培养和实验；选取6种类型的异常进水分别作为实验变化条件，SBR反应器的进水端分别替换为6种类型的异常进水，并对活性污泥持续培养若干周期。
所研究的6类异常进水风险类型分别为：含重金属Cu2+进水、含重金属Cr2+进水、pH过低进水、pH过高进水、含苯胺进水、高盐度进水。
为了使污泥受到异常进水冲击前后的图像分析和对比结果更加具有可信度，在进行图像分析时主要采用前后对照。在实验过程中，会同步运行三个SBR反应器：一个实验组，用于各类型进水冲击实验；一个对照组，用于排除运行周期变量的影响；一个用于污泥的储备驯化，以补充在进行异常进水冲击实验中的污泥损失量。
实验采用人工配水模拟相应废水作为SBR反应器的进水，便于控制冲击因子、实现异常进水对SBR反应器的冲击，从而定向诱导活性污泥的失稳态现象出现。为了严格控制变量，使对污泥的研究具有更高的可靠性，在正式的异常进水冲击实验之前，都会提前对活性污泥进行正常进水的驯化培养，驯化时间约为一周，以监测的进出水水质指标、污泥指标稳定作为驯化成功的标志。
S2.在实验条件变化前后对活性污泥性质的监测指标和对污染物去除效果的水质监测指标进行跟踪分析，并在每一周期的曝气阶段通过蠕动泵将泥样向实时在线显微图像捕获装置同步进样，通过实时在线显微图像捕获装置捕捉收集活性污泥的显微图像。
实时在线显微图像捕获装置具体图像收集过程如下：
在泥水充分混合阶段，即单个反应周期(6h)中的曝气阶段(3h)，设置为污泥的进样阶段，在此过程中将污泥图像以视频的形式记录下来，每周期有效记录视频时长约2.5h，视频帧速率为60帧/秒，单周期的图片收集量达到540000张。调整实时在线显微图像捕获设备进样速度，使得污泥在视野内以合适的速度稳速清晰通过，最终选择了污泥在显微镜视野中的最大停留时间约为9s的移动速度，由于显微镜视野为圆形，故计算获得污泥平均停留时间8.2s，因此认为单周期可收集到不同视野污泥的图片达到1097张，可以比较地系统地代表该周期活性污泥的形态。
在进行图像特征分析提取过程中，也需要对图像进行ROI的移动、模糊等操作用以提高模型的鲁棒性，因此，除此不同视野内容的1097张以外的图片仍能作为改善模型效果的训练集图片参与训练。
将所有子实验收集到的污泥视频按等间距抽取帧，获得原始污泥图片，并分析计算每张图片的直方图分布特征、图片熵值等特征，以剔除画面中无目标污泥的无效帧。同时，创建标签文件夹BN、CR、CU、H、OH、SALT分别作为受苯胺、Cr2+、Cu2+、酸度、碱度和盐度冲击的污泥图像的容器。根据预实验训练情况，选定训练集和测试集数量比例为8:2，单标签图片数据总计1250张，实验总计调用图片7500张。
最后分别在各标签文件夹中存入筛选好的图片数据：训练集1000张(验证集占20％)，测试集250张，其中的验证集数据通过调用Pytorch内置函数在训练集中按比例随机抽取。
S3.以卷积神经网络为主网络搭建进水风险类型识别模型，将收集到的污泥图像输入进水风险类型识别模型中进行训练，进水风险类型识别模型对污泥图像进行深度特征提取和分析；
S4.训练完成的进水风险类型识别模型根据周期性输入的活性污泥显微图像中的污泥失稳状态，判断异常进水的类型。
以卷积神经网络为主网络搭建进水风险类型识别模型保持原网络主体结构，并调整图像的输入层和最后的全连接层便于结果的输出，具体调整如下所示：
输入层：将输入图片数据随机裁剪至224×224；随机选择训练集中的图片进行水平方向的翻转，充分避免了手动调整可能带来的主观因素对模型效果产生干扰；调用内置Normalize函数对图片数据进行标准化处理，将数据转换为标准高斯分布，目的是加快模型的收敛。
输出层：修改全连接层的节点为本论文所构建模型的分类数后，在输出层经Softmax函数，分别输出目标数量类别的一维向量，分别代表各输入图片的预测结果；最终输出各输入样本的预测结果和相应的概率值，并取最大概率所对应的标签为分类结果。
本发明优选EfficientNet B0网络模型作为进水风险类型识别模型的主网络模型，其具体的网络结构如表1所示。
表1 EfficientNet B0的模型结构
本模型最为核心的结构为移动倒置瓶颈卷积模块(Mobile Inverted BottleneckConv，MB Conv)，该结构交叉使用3×3和5×5的卷积核进行特征提取，相较于前述残差结构，倒残差中融入了注意力机制，增强了网络对目标的重要部分的关注和特征提取。其具体结构设计如图2所示。
其中，“SE”是压缩与激发网络模块(Squeeze and Excitation Network，SE Net)，是在视觉领域常用到的注意力机制模块，该模块可帮助网络重点关注信息量更大的通道特征，并抑制不重要的通道特征，进而提高模型的表现效果。SE Net的具体结构如图3所示。
为了加快模型收敛的速度，使用迁移学习方法来进行进水风险类型识别模型的训练，预训练模型的参数选择载入已经在数据集ImageNet上训练获得的权重信息。
模型中权重更新采用的是基于动量的随机梯度下降(SGD+Momentum)优化算法，单独使用SGD方法网络参数震荡幅度大，联合动量(Momentum)技术，可以减少训练过程中出现震荡，使网络的收敛更快也更加稳定，动量设置为0.9。
学习率是向成本函数的最小值递减的速率，设置初始学习率设置为0.001；迭代次数(Epoch)设置为20，在一次Epoch中，计算机将会使用数据库中的所有训练及数据完成一次训练；批处理数量(Batch size)是指在一次全职更新中选择的图像数量，一般根据显卡的大小和网络的规模进行初步设定设置，本实验经过具体实验，将Batch Size设置为64。
EfficientNet B0模型在具体训练过程中的准确率、损失函数以及学习率的变化如图4。EfficientNet B0的训练中，在首次迭代的正确率就已经到达了90％以上。
基于EfficientNet B0构建的网络模型为例，调用输出中间特征图数据，将部分层特征图展示如图5所示，分别是第1层、第40层和第60层卷积层输出结果。
浅层神经网络主要学习到的图像中活性污泥的浅层特征，例如污泥的颜色、污泥团边缘的轮廓信息和纹理特征等；较高层的神经网络则能够学习到更复杂、更完整的、具有区域性区分功能的特征，甚至是以部分区域为研究研究单位的特征，例如单个污泥团的形态、单个视野污泥团之间的距离；更高层的神经网络则能够学习到具有与目标语义更相关、语义信息更丰富的高阶特征，对目标任务的实现提供巨大的信息支持，例如单个视野中污泥之间的差异性、污泥在视野中的分布特征等。
在训练过程中，网络还会自动屏蔽掉一些重复出现、对目标分类任务没有指导作用的无用、干扰信息，例如在视野中出现的由于图像采集设备造成的横纹等会在网络的逐渐加深学习过程中被忽略掉而不作为任务所需的必要特征进行关注和计算。
实施例二：
实验过程中，对SBR反应器周期进出水水质进行监测，具体监测指标包括COD(化学需氧量)、NH4 +-N、PO4 3--P，目标为监测活性污泥的污水处理效果；同时，同步监测污泥SV5、SV30、SVI和MLSS、MLVSS等污泥指标，用于辅助评估周期内活性污泥的实际健康状态。不同类型进水冲击下，各项污染物去除效果的变化如图6所示。图6中(a)受到含高浓度苯胺进水后活性污泥对污染物的去除效果变化；(b)受到盐度为3％进水后活性污泥对污染物的去除效果变化；(c)受到含重金属Cu2+进水后活性污泥对污染物的去除效果变化；(d)受到含重金属Cr2+进水后活性污泥对污染物的去除效果变化；(e)受到低pH进水后活性污泥对污染物的去除效果变化；(f)受到高pH进水后活性污泥对污染物的去除效果变化。
整体上看，活性污泥在受到所选择的各类异常进水冲击后，活性污泥的代谢普遍受到不同程度抑制，主要体现为污泥对污染物的去除效果降低，COD、NH4 +-N、PO4 3--P出水浓度明显提高。全冲击过程的整体趋势大致呈现为：在冲击初期，对污染物的去除率降低，而随着培养驯化时间的延长，微生物逐渐适应环境的改变，系统对各冲击条件的承受能力不断提高，去除有机物、脱氮除磷的能力也逐渐增强。特别地，部分类型冲击进水中的毒害物质对活性污泥中的微生物起到了一定的选择作用，在随着污泥中部分微生物死亡的同时，相关优势菌种出现大量增殖，整体上表现为活性污泥的活性略微恢复，出水COD、NH4 +-N、PO4 3--P浓度略有降低，例如含苯胺进水、低pH进水和高盐度进水冲击。
活性污泥对不同类型进水冲击的响应方式和速度也不相同，这是因为不同冲击对污泥的毒害原理不同，导致作用效果大不相同。例如，在高碱性进水和含非微量重金属(Cu2+和Cr2+)进水的冲击下，活性污泥出现了严重的释磷现象，其中高pH冲击后的出水中PO4 3--P浓度较进水增长了7倍，重金属影响下的释磷效果仅使得出水PO4 3--P的浓度增加1倍；而酸性进水、高盐度进水冲击对释磷效果的影响较小，使得出水PO4 3--P的浓度仅增加了2％和4％；含苯胺进水冲击对PO4 3--P的去除率则没有太大影响。为了进一步对比各类型进水冲击对污染物去除率的影响效果区别，对不同类型进水冲击实验中对COD、NH4 +-N、PO4 3--P的响应程度进行排序，如表2所示。
表2各类型进水的对各污染物去除率影响的相对大小
可以看到，不同类型异常进水对各类型污染物的去除效果影响程度都略有差异，相较而言，某些异常进水对PO4 3--P的影响程度最大，而另一些异常进水则对COD的影响程度最大，这也可以作为区别异常进水风险类型区别的判别参考之一。例如，含有苯胺进水对污水有机物的去除影响效果是最大的，其次为对NH4 +-N去除，而对PO4 3--P去除的影响程度是最小的；相反，含有Cr2+进水对污水有机物的去除影响效果是最小的，其次为对NH4 +-N去除，而对PO4 3--P去除的影响程度是最大的。
对比各类型进水冲击实验中污染物去除效果变化的速度可以看到，含非微量重金属(Cu2+和Cr2+)进水、含苯胺进水和高pH进水冲击实验均是在改变进水的当周期即发生污染物去除率下降的现象，而酸度和盐度冲击的影响效应却是在改变进水的第二周期才开始显现，相较而言后者响应具有一定的滞后性。
进一步，以活性污泥为直接研究分析对象，分析各活性污泥指标在各类型进水冲击实验中的变化规律，各实验污泥的沉降性能的变化如图7所示。图7中(a)受到含高浓度苯胺进水冲击后活性污泥的性能变化；(b)受到盐度为3％进水冲击后活性污泥性能变化；(c)受到含重金属Cu2+进水冲击后活性污泥性能变化；(d)受到含重金属Cr2+进水冲击后活性污泥性能变化；(e)受到低pH进水冲击后活性污泥性能变化；(f)受到高pH进水冲击后活性污泥性能变化。
横向对比不同冲击类型之间的污泥性能变化差异，发现除了高碱度进水冲击外，其他各类冲击都有沉降性能提高的趋势。异常进水不仅能够对活性污泥的上述性能造成直接的影响，还能通过影响污泥浓度等其他相关指标对污泥性能造成间接影响，例如在高盐度进水实验中，出现了运行周期出水浑浊的情况，伴随着部分污泥的漏出，污泥浓度也存在一定程度的下降，进一步对SVI造成潜在的变化影响。
在对实时在线显微图像捕获装置收集的污泥图像分析中，由于在进行数据集的数据筛选时将各程度的失稳态污泥均纳入了单标签下，因此，标签内污泥图像的特征性强度并非一致，即部分污泥图像可区别性较强，而一部分污泥图像用肉眼则很难分辨出是受何种类型来水冲击造成的失稳态。为了直观地展示此六类污泥的形态，选择了各标签下具有代表性特征的失稳态污泥图像进行对比，如图8所示。
从图8中将各类型进水冲击下的失稳态污泥与健康污泥进行对比，分析各自的特异性特征如下：
(1)健康状态污泥：
视野内污泥絮体大小均匀，絮体结构密实，污泥整体比较饱满圆润，边缘清晰且呈现明显封闭状，颜色整体呈现为浅褐色
(2)含苯胺进水冲击下的活性污泥：
视野内活性污泥的絮体出现了严重的解体现象，污泥变得黏腻分区域出现，区域内部为大量的细碎化和成团污泥；污泥大小不均，颜色为浅褐色偏黄，且污泥溅颜色深浅差距大，污泥明显出现堆叠，堆叠部分显得更加密实；边缘不清晰且明显出现细碎物质，有棱角。
(3)含Cr2+进水冲击下的活性污泥：
视野内活性污泥絮体出现了严重的解体现象，孔隙率增加且空隙分布不均匀；污泥间的大小差异更大，污泥絮体颜色分布不均匀，透光度也有差异；污泥的边缘不清晰，且部分出现了棱角。
(4)含Cu2+进水冲击下的活性污泥：
视野内活性污泥絮体出现了严重的解体现象，孔隙率增加且空隙分布不均匀；污泥间的大小差异更大，污泥絮体颜色有浅褐色偏黄，也有深褐色偏黑；视野中污泥絮体的立体度降低，变得更加二维化，边缘清晰且颜色较絮体内部更深。
(5)低pH进水冲击下的活性污泥：
视野内活性污泥絮体出现了非常严重的解体现象，污泥极度散乱地分布于整个视野内；污泥间的大小差异更大，污泥絮体颜色整体偏黑灰色，透光度有差异；污泥的边缘部分颜色比絮体主体部分更淡、更不清晰，且有棱角。
(6)高pH进水冲击下的活性污泥：
视野内活性污泥的絮体出现了一定程度的解体现象，孔隙率增加且空隙分布不均匀；污泥间的大小不均匀，污泥絮体颜色整体为浅褐色偏黄；视野中污泥絮体的立体度降低，变得更加二维化，边缘清晰且颜色较絮体内部更深。
(7)高盐度进水冲击下的活性污泥：
视野内活性污泥的絮体出现了严重的解体现象，污泥变得黏腻分区域出现，区域内部为大量的细碎化和成团污泥；污泥大小不均，颜色为浅褐色偏黄，且污泥溅颜色深浅差距大，污泥明显出现堆叠，堆叠部分显得更加密实；边缘不清晰且明显出现细碎物质，有棱角。
将EfficientNet B0网络模型在训练集上训练获得的模型参数导出，调用模型结构对已准备好的测试集中1500张(6个类别，每个类别250张)图片进行预测，并结合图片的真实类别从混淆矩阵、准确度、精确度等各维度对模型进行综合评价。
基于EfficientNet B0模型对目标图片的预测结果，结合各图片的真实情况绘制混淆矩阵如图9所示，可以看到本模型对污泥受冲击类型识别过程具有优越的效果。根据混淆矩阵中的预测效果，对各类别的污泥识别正确率计算如表3所示。
表3各冲击类型污泥的识别正确率
从表中可以看到，本模型对各冲击类型的识别正确率均达到较高水平，除碱度冲击外，对其余各类型的识别率均在90％以上，特别是对受到苯胺、酸度冲击的污泥识别正确率高达100％。特别的，对受碱度冲击的污泥图像进行识别时显示正确率只有76％，其中有22.8％的图像被认为是由Cu2+冲击引起的，结合前述多模型的结果显示，该位置均出现了更大程度的错误识别，近一步证明了在碱度冲击下，污泥形态的变化在图像领域与Cu2+冲击有着相当程度的相似性。
表4 EfficientNet B0多指标评价
该模型的其他指标表现如表4所示，从表中可以看到，本模型的总体准确率高达94.4％，精确率达到94.9％。
本发明通过活性污泥图像来识别进水异常类型为目标，通过对含有重金属进水(Cu2+、Cr2+)、异常pH(pH过高、pH过低)、含有机物(苯胺)进水、高盐度进水六种不同类型的冲击进水进行SBR反应器污泥实验，获取污泥图像的基础上，基于卷积神经网络对污泥图像进行特征的分析和提取，得到以下结论：
(1)本实验过程中主要研究对象为污泥的显微图像，同步监测活性污泥的各类常规指标，包括进出水水质指标：COD、NH4 +-N、PO4 3--P，污泥指标：SV5、SV30、SVI和MLSS、MLVSS等，此系列传统指标辅助验证污泥的失稳态变化过程，结果显示污泥的显微图像与各类指标指向有一定相关性，即污泥图像时能够在一定程度上反映活性污泥的健康状态。
(2)比较不同来水冲击后的污泥性质发现，由于各类型毒害物质对污泥的影响机理不同，影响效果、影响方式也有很大区别，这些区别也造成了污泥图像在一定程度上的特征差异，使得能够通过图像的特征分析和计算对来自不同毒害的污泥进行识别。
(3)所构建的EfficientNet B0网络模型，主要表现为迭代收敛最快、训练效果最稳定，能够达到94.4％的分类准确率和94.9％精确率，有明显的优越性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于卷积神经网络的进水风险类型识别方法，其特征在于，包括以下步骤：
S1.在SBR反应器的进水端通入正常进水，采用序批运行方式对活性污泥进行培养和实验；选取多种类型的异常进水分别作为实验变化条件，SBR反应器的进水端分别替换为多种类型的异常进水，并对活性污泥持续培养多个周期；
S2.在实验条件变化前后对活性污泥的监测指标和对污染物去除效果的水质监测指标进行跟踪分析，并在每一周期的曝气阶段将泥样向实时在线显微图像捕获装置同步进样，通过实时在线显微图像捕获装置捕捉收集活性污泥的显微图像；
S3.以卷积神经网络为主网络搭建进水风险类型识别模型，将收集到的污泥图像输入进水风险类型识别模型中进行训练，进水风险类型识别模型对污泥图像进行深度特征提取和分析；
S4.训练完成的进水风险类型识别模型根据周期性输入的活性污泥显微图像中的污泥失稳状态，判断异常进水的类型。
2.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述步骤S1、S4中，异常进水的类型包括含重金属Cu2+进水、含重金属Cr2+进水、pH过低进水、pH过高进水、含苯胺进水、高盐度进水。
3.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述步骤S2中，活性污泥的监测指标包括SV5、SV30、SVI和MLSS、MLVSS指标；水质监测指标包括COD、NH4 +-N、PO4 3--P。
4.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述进水风险类型识别模型的输入层将输入的显微图像数据随机裁剪至224×224，随机选择训练集中的图片进行水平方向的翻转，调用内置Normalize函数对图片数据进行标准化处理，将数据转换为标准高斯分布；
所述进水风险类型识别模型的输出层输出目标数量类别的一维向量，分别代表各输入图片的预测结果，最终输出各输入泥样的预测结果和相应的概率值，并取最大概率所对应的标签为分类结果。
5.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述步骤S2中，实时在线显微图像捕获装置具体图像收集过程包括：
在泥水充分混合阶段，即单个反应周期中的曝气阶段，设置为污泥的进样阶段，在此过程中将污泥图像以视频的形式记录下来，调整实时在线显微图像捕获装置进样速度，使得污泥在视野内以合适的速度稳速清晰通过；
对各个异常进水类型的子实验收集到的污泥视频按等间距抽取帧，获得原始污泥图片，并分析计算每张图片的直方图分布特征、图片熵值等特征进行图片数据的筛选；
同时创建多个标签文件夹分别作为多个异常进水类型冲击的污泥图像的容器；分别在各标签文件夹中存入筛选好的图片数据，作为输入进水风险类型识别模型的训练数据。
6.根据权利要求5所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述图片数据包括训练集数据、验证集数据、测试集数据，其中的验证集数据通过调用Pytorch内置函数在训练集数据中按比例随机抽取。
7.根据权利要求5所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述实时在线显微图像捕获装置在进行图像特征分析提取过程中，对图像进行包括ROI移动、模糊的操作。
8.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述步骤S1在实验过程中，同步运行三组SBR反应器：一个实验组，用于各类型进水冲击实验；一个对照组，用于排除运行周期变量的影响；一个用于污泥的储备驯化，用以补充在进行异常进水冲击实验中的污泥损失量。
9.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，所述步骤S3的训练过程中，通过迁移学习方法对进水风险类型识别模型进行训练，预训练模型的参数选择载入在数据集ImageNet上训练获得的权重信息。
10.根据权利要求1所述基于卷积神经网络的进水风险类型识别方法，其特征在于，搭建进水风险类型识别模型的卷积神经网络为EfficientNet B0网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628921.7A CN115050023A (zh) | 2022-06-06 | 2022-06-06 | 一种基于卷积神经网络的进水风险类型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628921.7A CN115050023A (zh) | 2022-06-06 | 2022-06-06 | 一种基于卷积神经网络的进水风险类型识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115050023A true CN115050023A (zh) | 2022-09-13 |
Family
ID=83158682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210628921.7A Pending CN115050023A (zh) | 2022-06-06 | 2022-06-06 | 一种基于卷积神经网络的进水风险类型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115050023A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661129A (zh) * | 2022-11-21 | 2023-01-31 | 湖南视比特机器人有限公司 | 一种基于协同运动的视觉工件错漏装检测系统及方法 |
-
2022
- 2022-06-06 CN CN202210628921.7A patent/CN115050023A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661129A (zh) * | 2022-11-21 | 2023-01-31 | 湖南视比特机器人有限公司 | 一种基于协同运动的视觉工件错漏装检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Props et al. | Measuring the biodiversity of microbial communities by flow cytometry | |
| Beyenal et al. | Quantifying biofilm structure: facts and fiction | |
| JPH0627014A (ja) | 水質汚染監視装置及びその方法 | |
| CN115050023A (zh) | 一种基于卷积神经网络的进水风险类型识别方法 | |
| KR100965756B1 (ko) | 하수처리장 공정 운영 상태 진단을 위한 방법 및 장치 | |
| US11807551B2 (en) | Systems and methods for treating wastewater | |
| CN115019095A (zh) | 基于卷积神经网络的活性污泥状态在线监测方法 | |
| CN113393081A (zh) | 一种适用于再生水补给河流的健康评价方法 | |
| Huang et al. | A fast antibiotic detection method for simplified pretreatment through spectra-based machine learning | |
| Inbar et al. | Analyzing the secondary wastewater-treatment process using Faster R-CNN and YOLOv5 object detection algorithms | |
| Le et al. | Benchmarking and automating the image recognition capability of an In situ plankton imaging system | |
| CN112766384A (zh) | 一种基于深度学习的藻类絮体去除率评估方法 | |
| Yu et al. | Simultaneously monitoring the particle size distribution, morphology and suspended solids concentration in wastewater applying digital image analysis (DIA) | |
| CN115496716A (zh) | 基于深度学习的单双微核细胞图像检测方法及相关设备 | |
| Zhao et al. | Segmentation of Activated Sludge Phase Contrast Microscopy Images Using U-Net Deep Learning Model. | |
| Steele et al. | Assessment of FlowCam technology as a potential tool for rapid semi-automatic analysis of lacustrine Arcellinida (testate lobose amoebae) | |
| CN114005064A (zh) | 一种基于机器视觉技术的生物式水体污染预警方法及装置 | |
| CN113049593A (zh) | 一种利用智能成像与识别技术实现在线生物监测的方法 | |
| CN112508899A (zh) | 一种基于图像处理的污水预处理方法 | |
| Mesquita | Image analysis and chemometric techniques as monitoring tools to characterize aggregated and filamentous organisms in activated sludge processes | |
| Borzooei et al. | Prediction of Activated Sludge Settling Characteristics from Microscopy Images with Deep Convolutional Neural Networks and Transfer Learning | |
| CN116863339A (zh) | 一种预测活性污泥沉降性能的方法及装置 | |
| Witmer et al. | Iterative pseudo balancing for stem cell microscopy image classification | |
| Lee | A fast antibiotic detection method for simplified pretreatment through spectra-based machine learning | |
| CN118196786A (zh) | 一种类器官污染物识别方法、装置、存储介质及设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221013 Address after: 518000 Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: HARBIN INSTITUTE OF TECHNOLOGY (SHENZHEN) Applicant after: Heilongjiang University Address before: 518000 Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: HARBIN INSTITUTE OF TECHNOLOGY (SHENZHEN) |
|
| TA01 | Transfer of patent application right |