CN115100215A - 一种污水处理过程中溶解氧含量的预测方法及系统 - Google Patents
一种污水处理过程中溶解氧含量的预测方法及系统 Download PDFInfo
- Publication number
- CN115100215A CN115100215A CN202211038133.9A CN202211038133A CN115100215A CN 115100215 A CN115100215 A CN 115100215A CN 202211038133 A CN202211038133 A CN 202211038133A CN 115100215 A CN115100215 A CN 115100215A
- Authority
- CN
- China
- Prior art keywords
- image
- sewage
- suspended matter
- dissolved oxygen
- surface suspended
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 89
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 82
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 82
- 239000001301 oxygen Substances 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 title claims abstract description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013139 quantization Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004065 wastewater treatment Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 2
- 239000010802 sludge Substances 0.000 description 9
- 238000005273 aeration Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 239000006260 foam Substances 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- KEQXNNJHMWSZHK-UHFFFAOYSA-L 1,3,2,4$l^{2}-dioxathiaplumbetane 2,2-dioxide Chemical compound [Pb+2].[O-]S([O-])(=O)=O KEQXNNJHMWSZHK-UHFFFAOYSA-L 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006701 autoxidation reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及污水处理技术领域,具体涉及一种污水处理过程中溶解氧含量的预测方法。利用深度相机获取污水表面可见光图像、污水表面深度图像;根据所述污水表面可见光图像获取表面悬浮物二值图像;根据所述表面悬浮物二值图像获取表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像;获取影响水中溶解氧含量的环境因素;将所述表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像进行融合,得到污水表面特征图像;训练神经网络获取污水各个位置处的溶解氧含量值。该方法考虑到悬浮物的影响,提取的色彩特征表征能力强,可有效表示污水处理后表面的特性,预测精度高。
Description
技术领域
本发明涉及污水处理技术领域,具体涉及一种污水处理过程中溶解氧含量的预测方法及系统。
背景技术
当前中国的水资源稀缺,水污染日益严重。通过对中国主要流域的调查发现,河流具有严重的有机污染,主要湖泊出现富营养化。污水处理生化反应过程中的溶解氧是一个非常重要的控制参数。目前大多数国内外污水处理工艺都是使用小型溶解氧检测仪。检测溶解氧的仪器长期嵌人在污水当中,在其表面上很容易形成一层氧化膜,导致“钝化”,需要间隔一段时间后清理,同时还需要时常更换透氧膜,存在价格昂贵、各种配件难以获得等原因。也有基于机器学习对污水处理过程中溶解氧含量进行预测的方法,但都未考虑悬浮物的影响,且方法所依赖的色彩特征表征能力弱,导致预测精度较低。
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污水处理过程中溶解氧含量的预测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种污水处理过程中溶解氧含量的预测方法,该预测方法包括以下步骤:利用深度相机获取污水表面可见光图像、污水表面深度图像;根据所述污水表面可见光图像获取表面悬浮物二值图像;根据所述表面悬浮物二值图像与所述污水表面深度图像获取表面悬浮物高度图像;根据所述表面悬浮物二值图像与所述污水表面可见光图像获取表面悬浮物的纹理均匀性表示图像;根据所述表面悬浮物二值图像获取污水表面Lab图像,根据所述污水表面Lab图像获取污水像素的局部颜色一致性;根据所述污水像素的局部颜色一致性计算污水像素的色彩基准差,得到污水的色彩基准差表示图像;获取影响水中溶解氧含量的环境因素,同时将所述表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像进行融合,得到污水表面特征图像;训练神经网络获取图像的溶解氧含量矩阵,根据溶解氧含量矩阵获取污水各个位置处的溶解氧含量值。
进一步,所述表面悬浮物二值图像的获取方法为:基于阈值分割法进行图像分割,获取图像中污水的表面悬浮物,得到第一表面悬浮物二值图像,图像中表面悬浮物像素为1,其他像素为0,然后对第一表面悬浮物二值图像进行连通域提取,得到表面悬浮物的连通域,同时过滤较小面积的连通域,得到表面悬浮物二值图像,最终表面悬浮物连通域内的像素称为表面悬浮物像素。
进一步的,所述表面悬浮物高度图像的获取方法为:将表面悬浮物二值图像与深度图进行相乘,得到表面悬浮物的深度图像,然后将图像中非表面悬浮物的像素的所有深度进行求平均,得到污水表面平均深度值,该深度值作为基准值,然后将该基准值减去表面悬浮物的深度图像中的表面悬浮物像素的深度,得到每个表面悬浮物像素与水面的高度信息,得到的图像称为表面悬浮物高度图像。
进一步的,所述表面悬浮物的纹理均匀性表示图像的获取方法为:首先将表面悬浮物的污水图像进行灰度转换,得到表面悬浮物灰度图像;然后对表面悬浮物灰度图像进行灰度级量化,得到表面悬浮物灰度级量化图像;然后对表面悬浮物灰度级量化图像进行灰度共生矩阵的提取,所述灰度共生矩阵的提取中,两个像素灰度级共生概率的计算只针对表面悬浮物像素进行,最终计算得到灰度共生矩阵的ASM能量表示,将其作为表面悬浮物的纹理均匀性表示图像,其计算方法为:
其中k为量化级数,G(i,j)表示灰度共生矩阵第i行、第j列的值。
进一步的,所述污水像素的局部颜色一致性获取方法为:对表面悬浮物二值图像进行值域反向映射,即将图像中表面悬浮物像素为0,污水表面像素为1,得到污水表面图像;将污水表面图像与污水图像相乘,得到污水表面图像;然后对污水表面图像进行颜色空间转换,得到污水表面Lab图像,对于每一个污水像素,获取像素与其邻域像素相同量化级数的数量N,所述N通过下述方法获取:将污水表面图像进行灰度转换,得到污水表面灰度图像,对其进行量化,得到一张灰度量化图像,然后获取像素与其邻域像素相同量化级数的数量N;获取每个污水像素的局部颜色一致性U:
进一步的,污水的色彩基准差表示图像的获取方法为:
进一步的,所述污水表面特征图像的获取方法为:将所述表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像利用联合的方法进行通道融合。
进一步的,所述图像的溶解氧含量矩阵的获取方法为:对污水表面特征图像进行分块,得到块图像。每一个分块图像中放置一个溶解氧传感器;所述溶解氧传感器需要处在每个分块图像的中央位置,最终每一个分块图像都有一个溶解氧含量值,得到溶解氧含量矩阵。
进一步的,所述神经网络的结构及训练方法为:所述神经网络结构包含环境信息编码器、图像特征编码器、解码器;所述环境信息编码器,其输入为当前时刻污水所处环境的水温、氧分压、盐度,输出为环境信息特征向量,该编码器采用全连接层;图像特征编码器的输入为污水表面特征图像,其中的卷积层采用深度可分离卷积,最终输出特征图,然后将特征图与环境信息特征向量进行融合,得到融合后的特征图,所述特征向量与特征图数量需要保持一致;解码器的输入为融合后的特征图,最终输出溶解氧含量矩阵,表示每一个分块图像的溶解氧含量预测值。
第二方面,本发明另一个实施例提供了一种污水处理过程中溶解氧含量的预测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明实施例通过深度相机获取悬浮物深度信息、纹理均匀性信息,可有效反映污水处理后表面的特性,进而可以通过神经网络来拟合出与溶解氧含量的关系。
本发明方法相比水中检测溶解氧含量的设备具有成本低的特点,同时操作简单、精度高,便于维护。
本发明获取的色彩基准差,一方面可以表征局部色彩的一致性,另一方面也可以表征该像素与基准色彩的差异,可以让网络学习过程有一个参考,进而提高溶解氧含量预测的精度。
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为本发明一个实施例所提供的一种污水处理过程中溶解氧含量的预测方法流程图。
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污水处理过程中溶解氧含量的预测方法及系统,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污水处理过程中溶解氧含量的预测方法及系统的具体方案。
请参阅图1,其示出了本发明一种污水处理过程中溶解氧含量的预测方法,其特征在于,该方法包括以下步骤:
步骤一,利用深度相机获取污水表面可见光图像、污水表面深度图像。
部署深度相机,相机视角为正俯视,可以使得拍的图像更加统一与完整。所述数码相机拍摄污水处理厂经过污水处理工序后的污水,得到污水表面图像。
深度相机可以获取污水表面的深度信息。最终深度相机得到的图像为污水表面可见光图像(该图像为RGB图像)、污水表面深度图像(该图像为单通道图像)。
所述污水表面可见光图像需要经过预处理,以提高图像的质量,同时便于后续进行分析,此处进行预处理包含图像增强、图像滤波操作,属于图像处理中常见的步骤,这里不再赘述其具体细节。
步骤二,根据所述污水表面可见光图像获取表面悬浮物二值图像。
对于污水处理过程中:
正常运行的活性污泥一般呈黄褐色。在曝气池溶解氧不足时,厌氧微生物会相应滋生,含硫有机物在厌氧时分解释放出HS,污泥发黑、发臭,污水颜色变黑,当曝气池溶解氧过高或进水过淡、负荷过低时,污泥中微生物可因缺乏营养而自身氧化,污泥色泽转淡,污水颜色同时变淡。
在污泥负荷适当、运行正常时,曝气池中的污泥絮体呈悬浮状态,且分布均匀,此时,曝气池表面泡沫的分散也较为均匀,较轻,一吹即散,泡沫外观呈新鲜的乳白色;一旦曝气池运行异常时,会使得污泥絮体分布状态发生变化,从而影响到污水表面气泡的形态,这时会发生气泡变大或结群。
由以上可知,随着溶解氧从不足到过量的变化,污水颜色也由发黑变为了正常的黄褐色,最后颜色变淡。因此溶解氧的含量是与图像中污水的颜色强相关的。
污水水体图像中含有大量污泥絮体、气泡。污泥絮体、气泡与污水本身在颜色上存在着明显的差异,因此此处基于阈值分割法进行图像分割,获取图像中污水的表面悬浮物(污泥絮体、气泡),得到第一表面悬浮物二值图像,图像中表面悬浮物像素为1,其他像素为0,然后对表面悬浮物进行连通域提取,得到表面悬浮物的连通域,所述连通域提取可以过滤噪声,同时过滤较小面积的连通域,最终表面悬浮物连通域内的像素称为表面悬浮物像素。经过连通域提取后的图像称为表面悬浮物二值图像。所述阈值分割、连通域提取为图像处理的常见算法,这里不再赘述其细节。
步骤三,根据所述表面悬浮物二值图像与所述污水表面深度图像获取表面悬浮物高度图像。
当污水表面发生异常情况时,都可反映出污水中溶解氧的浓度处在什么样的范围,如污泥膨胀现象,可能会反映出污水中的溶解氧过低(DO<0.7~2mg/L)。溶解氧过低会引起的丝状菌过度繁殖,进而导致污泥膨胀。
对于污水深度图像而言,其存在表面悬浮物时,污水表面的深度会发生变化,因此进行下述处理:
将表面悬浮物二值图像与污水表面深度图像进行相乘,得到表面悬浮物的深度图像。然后将污水表面的像素(即图像中非表面悬浮物的像素)的所有深度进行求平均,得到污水表面平均深度值,该深度值作为基准值,然后将该基准值减去表面悬浮物的深度图像中的表面悬浮物像素的深度,得到每个表面悬浮物像素与水面的高度信息,得到的图像称为表面悬浮物高度图像。
步骤四,根据所述表面悬浮物二值图像与所述污水表面可见光图像获取表面悬浮物的纹理均匀性表示图像。
将表面悬浮物二值图像与污水表面可见光图像进行相乘,得到表面悬浮物图像。
进一步的,提取表面悬浮物的纹理均匀信息,其方法为:
首先将表面悬浮物图像进行灰度转换,得到表面悬浮物灰度图像。其表面悬浮物的纹理均匀性可以表示当前污水处理设备的情况,进而从一定程度上反映出溶解氧的含量信息。
然后对表面悬浮物灰度图像进行灰度级量化,所述灰度级量化经验值为16,最终使得像素值都为1-16中的数字,即原始灰度16个值都变为1个值,如0-16灰度值,都变为像素值1。最终得到表面悬浮物灰度级量化图像。
然后对表面悬浮物灰度级量化图像进行灰度共生矩阵的提取,所述灰度共生矩阵的提取中,两个像素灰度级共生概率的计算只针对表面悬浮物像素进行,灰度共生矩阵提取方法为周知的,这里不再赘述。最终得到灰度共生矩阵的ASM能量表示,其计算方法为:
其中k为量化级数,为16,G(i,j)表示灰度共生矩阵第i行、第j列的值,表示i、j的共生概率。
最终得到表面悬浮物的纹理均匀性表示图像。如果共生矩阵的所有值均相等,则ASM值小;相反,如果其中一些值大而其它值小,则ASM值大。当共生矩阵中元素集中分布时,此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。
步骤五,根据所述表面悬浮物二值图像获取污水表面Lab图像,根据所述污水表面Lab图像获取污水像素的局部颜色一致性;根据所述污水像素的局部颜色一致性计算污水像素的色彩基准差,得到污水的色彩基准差表示图像。
同时,获取污水表面的颜色特征:
对表面悬浮物二值图像进行值域反向映射,即使得图像中表面悬浮物像素为0,污水表面像素为1。得到污水表面图像。
将污水表面图像与污水图像相乘,得到污水表面图像。
然后对污水表面图像进行颜色空间转换,得到污水表面Lab图像,对于每一个污水像素,获取像素与其邻域像素相同量化级数的数量N,所述N通过下述方法获取:将污水表面图像进行灰度转换,得到污水表面灰度图像,对其进行量化,其经验值为k=16,得到一张灰度量化图像,然后获取像素与其邻域像素相同量化级数的数量N。
进一步的,获取每个污水像素的局部颜色一致性U。
所述为色差公式。其中为该像素第i个邻域像素的Lab值, 为该像素的Lab值,n为邻域像素数量。w1为映射系数,经验值为3。N值越大代表局部颜色越一致,由于不同RGB值可能会得到相同灰度值,因此与色差值相结合。只通过色差和,不能有效反映邻域存在单个或少数色差值大,使得色差和的值较大,然而其邻域色彩分布是比较接近的情况。最终使得U值越小,表明该像素与邻近像素色彩越一致。
然后计算污水像素的色彩基准差T:
为基准色彩值,经验值为纯黑色色彩时的Lab值。w2为映射系数,经验值为1.5。添加基准色彩,可以使得网络学习有一个参照,即不同色彩的图像可能存在相同的局部色彩一致性。最终使得T值越接近1,污水图像的色彩分布越趋近于纯基准色彩分布。
最终得到污水的色彩基准差表示图像。该图像中污水像素的像素值为色彩基准差T,非污水像素的像素值为0。
步骤六,获取影响水中溶解氧含量的环境因素,同时将所述表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像进行融合,得到污水表面特征图像。
影响水中溶解氧的含量的环境因素主要有水温,氧分压,盐度因素。
在氧气分压,含盐量一定时,溶解氧的饱和含量随着水温的升高而降低;在水温,氧分压一定时,水的含盐量越高,水中溶解氧的饱和含量越小;在水温含盐量一定时,水中溶解氧的饱和含盐量随着液面上氧气分压的增大而增大。
因此环境因素也需要考虑,才能更精确的预测溶解氧含量。上述环境因素都可通过化学或传感器的方法测量,具体方法为本领域技术人员周知的,这里不再赘述
表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像进行通道融合后的图像,通道融合采用Concat(联合)方法,最终得到污水表面特征图像。
步骤七,训练神经网络获取图像的溶解氧含量矩阵,根据溶解氧含量矩阵获取污水各个位置处的溶解氧含量值。
进一步的,对特征图像进行分块,将图像进行经验值为Q*Q大小的分块,如512*512的图像,划分为32*32大小的块图像,Q为32,总共划分256个32*32大小的块图像。每一个分块图像中放置一个溶解氧传感器。传感器也可运用在线检测仪器或便携式溶解氧检测仪。所述在线监测仪器需要处在每个分块图像的中央位置,以提高网络预测DO值的准确性。最终每一个分块图像都有一个OD值,得到OD矩阵。OD值即溶解氧含量值。
然后构建神经网络模型,进行训练:
所述网络包含环境信息编码器、图像特征编码器、解码器。
所述环境信息编码器,其输入为当前时刻污水所处环境的水温,氧分压,盐度。输出为环境信息特征向量。该编码器采用全连接层。
图像特征编码器的输入为污水表面特征图像。图像特征编码器可采用ResNet结构,其中的卷积层采用深度可分离卷积,可以实现不同特征分别进行拟合,避免量纲及反映的溶解氧规律不同导致网络收敛效果差。最终输出特征图,然后将特征图与环境信息特征向量进行融合,所述融合方法采用multiply(相乘)。最终得到融合后的特征图,所述特征向量与特征图数量需要保持一致。
然后解码器的输入为融合后的特征图,最终输出OD矩阵。表示每一个分块图像的OD预测值。解码器可参考Unet神经网络的解码器结构。
所述神经网络的损失函数采用均方差,网络训练采用Adam方法进行参数优化。
至此,即可完成神经网络训练,然后即可通过上述方法基于神经网络来获取污水中溶解氧的含量。
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 (10)
1.一种污水处理过程中溶解氧含量的预测方法,其特征在于,该预测方法包括以下步骤:
利用深度相机获取污水表面可见光图像、污水表面深度图像;
根据所述污水表面可见光图像获取表面悬浮物二值图像;
根据所述表面悬浮物二值图像与所述污水表面深度图像获取表面悬浮物高度图像;
根据所述表面悬浮物二值图像与所述污水表面可见光图像获取表面悬浮物的纹理均匀性表示图像;
根据所述表面悬浮物二值图像获取污水表面Lab图像,根据所述污水表面Lab图像获取污水像素的局部颜色一致性;根据所述污水像素的局部颜色一致性计算污水像素的色彩基准差,得到污水的色彩基准差表示图像;
获取影响水中溶解氧含量的环境因素,同时将所述表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像进行融合,得到污水表面特征图像;
训练神经网络获取图像的溶解氧含量矩阵,根据溶解氧含量矩阵获取污水各个位置处的溶解氧含量值。
2.根据权利要求1所述的一种污水处理过程中溶解氧含量的预测方法,其特征在于,所述表面悬浮物二值图像的获取方法为:
基于阈值分割法进行图像分割,获取图像中污水的表面悬浮物,得到第一表面悬浮物二值图像,图像中表面悬浮物像素为1,其他像素为0,然后对第一表面悬浮物二值图像进行连通域提取,得到表面悬浮物的连通域,同时过滤较小面积的连通域,得到表面悬浮物二值图像,最终表面悬浮物连通域内的像素称为表面悬浮物像素。
3.根据权利要求1所述的一种污水处理过程中溶解氧含量的预测方法,其特征在于,所述表面悬浮物高度图像的获取方法为:
将表面悬浮物二值图像与深度图进行相乘,得到表面悬浮物的深度图像,然后将图像中非表面悬浮物的像素的所有深度进行求平均,得到污水表面平均深度值,该深度值作为基准值,然后将该基准值减去表面悬浮物的深度图像中的表面悬浮物像素的深度,得到每个表面悬浮物像素与水面的高度信息,得到的图像称为表面悬浮物高度图像。
5.根据权利要求1所述的一种污水处理过程中溶解氧含量的预测方法,其特征在于,所述污水像素的局部颜色一致性获取方法为:
对表面悬浮物二值图像进行值域反向映射,即将图像中表面悬浮物像素为0,污水表面像素为1,得到污水表面图像;
将污水表面图像与污水图像相乘,得到污水表面图像;
然后对污水表面图像进行颜色空间转换,得到污水表面Lab图像,对于每一个污水像素,获取像素与其邻域像素相同量化级数的数量N,所述N通过下述方法获取:
将污水表面图像进行灰度转换,得到污水表面灰度图像,对其进行量化,得到一张灰度量化图像,然后获取像素与其邻域像素相同量化级数的数量N;
获取每个污水像素的局部颜色一致性U:
7.根据权利要求1所述的一种污水处理过程中溶解氧含量的预测方法,其特征在于,所述污水表面特征图像的获取方法为:将所述表面悬浮物高度图像、表面悬浮物的纹理均匀性表示图像、污水的色彩基准差表示图像利用联合的方法进行通道融合。
8.根据权利要求1所述的一种污水处理过程中溶解氧含量的预测方法,其特征在于,所述图像的溶解氧含量矩阵的获取方法为:
对污水表面特征图像进行分块,得到块图像,每一个分块图像中放置一个溶解氧传感器;所述溶解氧传感器需要处在每个分块图像的中央位置,最终每一个分块图像都有一个溶解氧含量值,得到溶解氧含量矩阵。
9.根据权利要求1所述的一种污水处理过程中溶解氧含量的预测方法,其特征在于,所述神经网络的结构及训练方法为:
所述神经网络结构包含环境信息编码器、图像特征编码器、解码器;
所述环境信息编码器,其输入为当前时刻污水所处环境的水温、氧分压、盐度,输出为环境信息特征向量,该编码器采用全连接层;
图像特征编码器的输入为污水表面特征图像,其中的卷积层采用深度可分离卷积,最终输出特征图,然后将特征图与环境信息特征向量进行融合,得到融合后的特征图,所述特征向量与特征图数量需要保持一致;
解码器的输入为融合后的特征图,最终输出溶解氧含量矩阵,表示每一个分块图像的溶解氧含量预测值。
10.一种污水处理过程中溶解氧含量的预测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038133.9A CN115100215A (zh) | 2022-08-29 | 2022-08-29 | 一种污水处理过程中溶解氧含量的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038133.9A CN115100215A (zh) | 2022-08-29 | 2022-08-29 | 一种污水处理过程中溶解氧含量的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100215A true CN115100215A (zh) | 2022-09-23 |
Family
ID=83300719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211038133.9A Pending CN115100215A (zh) | 2022-08-29 | 2022-08-29 | 一种污水处理过程中溶解氧含量的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100215A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272327A (zh) * | 2022-09-28 | 2022-11-01 | 南通西田环保科技有限公司 | 一种基于图像处理的污水多级处理方法及系统 |
CN115403152A (zh) * | 2022-11-02 | 2022-11-29 | 潍坊恒远环保水处理设备有限公司 | 一种智能污水净化处理系统 |
CN116135797A (zh) * | 2023-04-19 | 2023-05-19 | 江苏海峡环保科技发展有限公司 | 污水处理智能控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846312A (zh) * | 2017-01-22 | 2017-06-13 | 西安建筑科技大学 | 一种基于色彩空间的监测污泥系统水力条件变化的方法 |
CN109269993A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
US20210027442A1 (en) * | 2019-07-25 | 2021-01-28 | Palo Alto Research Center Incorporated | System and method for automated surface assessment |
CN113658052A (zh) * | 2021-06-30 | 2021-11-16 | 西人马帝言(北京)科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
-
2022
- 2022-08-29 CN CN202211038133.9A patent/CN115100215A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846312A (zh) * | 2017-01-22 | 2017-06-13 | 西安建筑科技大学 | 一种基于色彩空间的监测污泥系统水力条件变化的方法 |
CN109269993A (zh) * | 2018-10-15 | 2019-01-25 | 广州地理研究所 | 一种溶解氧的识别方法、装置、存储介质及设备 |
US20210027442A1 (en) * | 2019-07-25 | 2021-01-28 | Palo Alto Research Center Incorporated | System and method for automated surface assessment |
CN113658052A (zh) * | 2021-06-30 | 2021-11-16 | 西人马帝言(北京)科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272327A (zh) * | 2022-09-28 | 2022-11-01 | 南通西田环保科技有限公司 | 一种基于图像处理的污水多级处理方法及系统 |
CN115403152A (zh) * | 2022-11-02 | 2022-11-29 | 潍坊恒远环保水处理设备有限公司 | 一种智能污水净化处理系统 |
CN115403152B (zh) * | 2022-11-02 | 2023-01-17 | 潍坊恒远环保水处理设备有限公司 | 一种智能污水净化处理系统 |
CN116135797A (zh) * | 2023-04-19 | 2023-05-19 | 江苏海峡环保科技发展有限公司 | 污水处理智能控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100215A (zh) | 一种污水处理过程中溶解氧含量的预测方法及系统 | |
JP3131661B2 (ja) | 水質汚染監視装置及びその方法 | |
CN114758185B (zh) | 一种基于灰度色差的注塑参数控制方法与系统 | |
CN111259827A (zh) | 一种面向城市河道监管的水面漂浮物自动检测方法及装置 | |
CN115273078A (zh) | 基于图像数据的污水处理方法及系统 | |
CN115272327B (zh) | 一种基于图像处理的污水多级处理方法及系统 | |
US11807551B2 (en) | Systems and methods for treating wastewater | |
Satoh et al. | Deep learning-based morphology classification of activated sludge flocs in wastewater treatment plants | |
Jenné et al. | Towards on-line quantification of flocs and filaments by image analysis | |
CN115035293A (zh) | 一种无监督深度学习的sar影像海水养殖智能提取方法 | |
Leontyev et al. | Application of assimilation and filtration methods for satellite water sensing data for plankton population evolution processes predictive modeling | |
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 | |
CN115410016B (zh) | 基于图像频域分析的微生物污水池污水高效处理方法 | |
CN114676771A (zh) | 一种基于自监督和相似度抑制的在线目标检测提升算法 | |
Liping et al. | Prediction and Realization of DO in sewage Treatment based on Machine Vision and BP Neural Network | |
CN112668591A (zh) | 智能河涌水处理方法及相关装置 | |
CN108318434B (zh) | 一种污水净化的监测方法 | |
JPH032037B2 (zh) | ||
CN108298665B (zh) | 提高污水净化可靠性的方法 | |
Liping et al. | Research on dissolved oxygen classification based-on image processing and neural network | |
CN117876286B (zh) | 一种水下机器人用智能船舶清洗系统 | |
CN114956287B (zh) | 一种污水除磷方法 | |
KR20100034717A (ko) | 선박 밸러스트 워터 미생물 처리 시스템 및 그 방법 | |
CN117237773B (zh) | 一种基于多模态的污水净化分析方法及系统 | |
CN116434062A (zh) | 一种利用ai算法的漂浮物图像识别方法 |
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 |