CN115557550B - 一种污水预处理方法及系统 - Google Patents
一种污水预处理方法及系统 Download PDFInfo
- Publication number
- CN115557550B CN115557550B CN202211052655.4A CN202211052655A CN115557550B CN 115557550 B CN115557550 B CN 115557550B CN 202211052655 A CN202211052655 A CN 202211052655A CN 115557550 B CN115557550 B CN 115557550B
- Authority
- CN
- China
- Prior art keywords
- holes
- sewage
- neural network
- network model
- inner diameters
- 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.)
- Active
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 72
- 238000002203 pretreatment Methods 0.000 title claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 239000002351 wastewater Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 239000008187 granular material Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- C02F1/001—Processes for the treatment of water whereby the filtration technique is of importance
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Hydrology & Water Resources (AREA)
- Biomedical Technology (AREA)
- Organic Chemistry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biological Treatment Of Waste Water (AREA)
- Physical Water Treatments (AREA)
Abstract
本发明提供了一种污水预处理方法及系统,通过基于双目摄像头采集的污水颗粒图像、多个格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,这样可以针对每个污染颗粒的大小和数量选择最合适的格栅,进而一方面可以有效预处理,另一方面不会因格栅太小而使得预处理过程过长。
Description
技术领域
本发明涉及污水预处理技术领域,更具体的,涉及一种污水预处理方法及系统。
背景技术
随着人们生活水平的提高,我国对环境保护越来越重视。为了适应提标改造日益提升的高标准要求,国家、地方、行业、企业投入大量经费进行科研攻关,取得一大批研究成果,使得常规技术日益成熟,改良工艺纷纷涌现。如臭氧催化氧化工艺、工艺兼氧膜生物反应器(FMBR)工艺、移动床生物膜反应器(MBBR)工艺等一系列改良技术就获得了快速发展。
但是目前对于污水的预处理缺少研究,目前针对污水的预处理大多是简单的用格栅去除污水颗粒或细沙,格栅过大则预处理不完全,格栅过小则预处理速度慢,而预处理速度直接影响整个一体化污水处理进程,因此需要解决上述污水预处理中的不足。
发明内容
本发明的目的在于提供一种污水预处理方法,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面实施例提供一种污水预处理方法,包括:
基于双目摄像头采集的污水颗粒图像、多个格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令;其中每个格栅均设置于污水预处理通道内,每个格栅上形成有多个贯通的通孔,相同格栅上的通孔内径相同,多个格栅的通孔内径呈梯度增长设置,且每个格栅上包括有伸缩机构;
将所述伸缩机构控制指令发送至对应的伸缩机构,以使对应的格栅伸出或收缩,以通过对应格栅过滤所述污水中的颗粒;
根据多个格栅的通孔内径差,对所述神经网络模型进行二次规划;
所述根据多个格栅的通孔内径差,对所述神经网络模型进行二次规划,包括:
利用所述格栅的通孔内径差,生成每个编号之间的回归系数;
利用所述回归系数和其他编号对应的回归系数以及训练数据,预估本编号的训练数据;
利用标记本编号的预估得到的训练数据再次训练所述神经网络模型,得到回归后的神经网络模型;
所述利用所述格栅的通孔内径差,生成每个编号之间的回归系数,包括:
计算多个格栅的通孔内径差,并对每个通孔内径进行排序,生成通孔内径序列;
间隔选取多个通孔内径序列中的通孔内径,并随机选取一通孔内径,以该通孔内径和间隔选取的多个通孔内径组合形成通孔内径组;
对通孔内径组中的各通孔内径取平均,得到回归平均数;
计算每个通孔内径与该回归平均数的比值,得到每个编号的回归系数。
在优选的实施例中,每个格栅的通孔间隔2厘米。
在优选的实施例中,所述基于双目摄像头采集的污水颗粒图像、多个格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,包括:
识别所述污水颗粒图像中的污水颗粒,并记录所述污水颗粒的平均粒径和粒径总数;
将所述污水颗粒的平均粒径和粒径总数输入至所述神经网络模型,所述神经网络模型输出格栅的标识编号;
基于所述格栅的标识编号生成对应的伸缩机构控制指令。
在优选的实施例中,还包括:
建立所述神经网络模型;
结合预设范围,利用数据爆炸得到随机平均粒径和随机粒径总数;
对多组训练数据标记格栅编号,每组训练数据包括一随机平均粒径和一随机粒径;
利用多组训练数据训练所述神经网络模型,直至所述神经网络模型收敛。
本申请第二方面实施例提供一种污水预处理系统,包括:
多个格栅、双目摄像头以及处理器;
每个格栅上形成有多个贯通的通孔,相同格栅上的通孔内径相同,多个格栅的通孔内径呈梯度增长设置,且每个格栅上包括有伸缩机构;每个格栅均设置于污水预处理通道内;
所述处理器基于双目摄像头采集的污水颗粒图像、各格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,以指示匹配的格栅过滤所述污水中的颗粒。
本申请第三方面实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的预处理方法。
本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述的预处理方法。
本发明的有益效果
本发明提供了一种污水预处理方法及系统,通过基于双目摄像头采集的污水颗粒图像、多个格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,这样可以针对每个污染颗粒的大小和数量选择最合适的格栅,进而一方面可以有效预处理,另一方面不会因格栅太小而使得预处理过程过长。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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他的附图。
图1是本发明实施例提供的污水预处理方法示意图。
图2是本申请实施例提供的污水预处理系统的结构示意图。
图3是适用于本申请的计算机设备示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
以下公开内容提供了许多用于实现本发明的不同特征的不同实施方式或实例。下面描述了组件和布置的具体实例以简化本发明。当然,这些仅仅是实例,而不旨在限制本发明。例如,以下描述中,在第二部件上方或者上形成第一部件可以包括第一部件和第二部件直接接触形成的实施方式,并且也可以包括在第一部件和第二部件之间可以形成额外的部件,从而使得第一部件和第二部件可以不直接接触的实施方式;同样的,以下描述中,第一部件和第二部件的“耦接”,可以包括第一部件和第二部件直接接触形成的实施方式,并且也可以包括在第一部件和第二部件之间可以形成额外的部件,从而使得第一部件和第二部件可以不直接接触的实施方式。
而且,为便于描述,在本发明中涉及“第一”、“第二”等的描述仅设置为描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的研究背景进行简单说明。
目前对于污水的预处理缺少研究,目前针对污水的预处理大多是简单的用格栅2去除污水颗粒或细沙,格栅2过大则预处理不完全,格栅2过小则预处理速度慢,而预处理速度直接影响整个一体化污水处理进程,因此需要解决上述污水预处理中的不足。
请参阅图1,本发明一实施例提供一种污水预处理方法,包括:
S1:基于双目摄像头1采集的污水颗粒图像、多个格栅2上通孔21的内径以及预设的神经网络模型生成伸缩机构控制指令;其中每个格栅2均设置于污水预处理通道内,每个格栅2上形成有多个贯通的通孔21,相同格栅2上的通孔21内径相同,每个格栅2的通孔21内径呈梯度增长设置,且每个格栅2上包括有伸缩机构;
S2:将所述伸缩机构控制指令发送至对应的伸缩机构,以使对应的格栅2伸出或收缩,以通过对应格栅2过滤所述污水中的颗粒。
本发明提供了一种污水预处理方法,通过基于双目摄像头1采集的污水颗粒图像、多个格栅2上通孔21的内径以及预设的神经网络模型生成伸缩机构控制指令,这样可以针对每个污染颗粒的大小和数量选择最合适的格栅2,进而一方面可以有效预处理,另一方面不会因格栅2太小而使得预处理过程过长。
在优选的实施例中,每个格栅2的通孔21间隔2厘米。
在优选的实施例中,所述基于双目摄像头1采集的污水颗粒图像、多个格栅2上通孔21的内径以及预设的神经网络模型生成伸缩机构控制指令,包括:
识别所述污水颗粒图像中的污水颗粒,并记录所述污水颗粒的平均粒径和粒径总数;
将所述污水颗粒的平均粒径和粒径总数输入至所述神经网络模型,所述神经网络模型输出格栅2的标识编号;
基于所述格栅2的标识编号生成对应的伸缩机构控制指令。
在优选的实施例中,还包括:
建立所述神经网络模型;
结合预设范围,利用数据爆炸得到随机平均粒径和随机粒径总数;
对多组训练数据标记格栅2编号,每组训练数据包括一随机平均粒径和一随机粒径;
利用多组训练数据训练所述神经网络模型,直至所述神经网络模型收敛。
在优选的实施例中,还包括:
根据每个格栅2的通孔21内径差,对所述神经网络模型进行二次规划。
在优选的实施例中,根据每个格栅2的通孔21内径差,对所述神经网络模型进行二次规划,包括:
利用所述格栅2的通孔21内径差,生成每个编号之间的回归系数;
利用所述回归系数和其他编号对应的回归系数以及训练数据,预估本编号的训练数据;
利用标记本编号的预估得到的训练数据再次训练所述神经网络模型,得到回归后的神经网络模型。
该实施例中,提供了一种二次规划的方法方式,即“修正”模型的方式,利用回归系数来进行修正,从而在模型收敛的基础上,进一步使得模型更为平滑且相关,进一步降低了模型的计算误差,通过每个回归系数可以形成相互校验,从而保证了模型的精准性。
在优选的实施例中,所述利用所述格栅2的通孔21内径差,生成每个编号之间的回归系数,包括:
计算每个格栅2的通孔21内径差,并对每个通孔21内径进行排序,生成通孔21内径序列;
间隔选取多个通孔21内径序列中的通孔21内径,并随机选取一通孔21内径,以该通孔21内径和间隔选取的多个通孔21内径组合形成通孔21内径组;
对通孔21内径组中的各通孔21内径取平均,得到回归平均数;
计算每个通孔21内径与该回归平均数的比值,得到每个编号的回归系数。
进一步的,本实施例提供了回归系数的生成方式,通过内径序列及平均数从而使得回归系数与每个通孔21息息相关。
本发明提供了一种污水预处理方法,通过基于双目摄像头1采集的污水颗粒图像、多个格栅2上通孔21的内径以及预设的神经网络模型生成伸缩机构控制指令,这样可以针对每个污染颗粒的大小和数量选择最合适的格栅2,进而一方面可以有效预处理,另一方面不会因格栅2太小而使得预处理过程过长。
进一步的,如图2所示,本申请第二方面实施例提供一种污水预处理系统,包括:
多个格栅2、双目摄像头1以及处理器;
每个格栅2上形成有多个贯通的通孔21,相同格栅2上的通孔21内径相同,每个格栅2的通孔21内径呈梯度增长设置,且每个格栅2上包括有伸缩机构;每个格栅2均设置于污水预处理通道内;
所述处理器基于双目摄像头1采集的污水颗粒图像、各格栅2上通孔21的内径以及预设的神经网络模型生成伸缩机构控制指令,以指示匹配的格栅2过滤所述污水中的颗粒。
本发明提供了一种污水预处理系统,通过基于双目摄像头采集的污水颗粒图像、多个格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,这样可以针对每个污染颗粒的大小和数量选择最合适的格栅,进而一方面可以有效预处理,另一方面不会因格栅太小而使得预处理过程过长。
从硬件层面来说,为了本发明提供一种用于实现所述污水预处理方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现服务器、装置、分布式消息中间件集群装置、各类数据库以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例中的污水预处理方法的实施例,以及,污水预处理装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图3为本发明实施例的电子设备9600的系统构成的示意框图。如图3所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图3是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,污水预处理功能可以被集成到中央处理器9100中。
在另一个实施方式中,污水预处理装置可以与中央处理器9100分开配置,例如可以将污水预处理配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现污水预处理功能。
如图3所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图3中所示的所有部件;此外,电子设备9600还可以包括图3中没有示出的部件,可以参考现有技术。
如图3所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本发明的实施例还提供能够实现上述实施例中的执行主体可以为服务器的污水预处理方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的污水预处理方法的全部步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施方式或示例。
此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已,并不用于限制本说明书实施方式。对于本领域技术人员来说,本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施方式的权利要求范围之内。
Claims (6)
1.一种污水预处理方法,其特征在于,包括:
基于双目摄像头采集的污水颗粒图像、多个格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,包括:识别所述污水颗粒图像中的污水颗粒,并记录所述污水颗粒的平均粒径和粒径总数;将所述污水颗粒的平均粒径和粒径总数输入至所述神经网络模型,所述神经网络模型输出格栅的标识编号;基于所述格栅的标识编号生成对应的伸缩机构控制指令;
其中每个格栅均设置于污水预处理通道内,每个格栅上形成有多个贯通的通孔,相同格栅上的通孔内径相同,多个格栅的通孔内径呈梯度增长设置,且每个格栅上包括有伸缩机构;
将所述伸缩机构控制指令发送至对应的伸缩机构,以使对应的格栅伸出或收缩,以通过对应格栅过滤所述污水中的颗粒;
根据多个格栅的通孔内径差,对所述神经网络模型进行二次规划,包括:
利用所述格栅的通孔内径差,生成每个编号之间的回归系数,包括:计算多个格栅的通孔内径差,并对每个通孔内径进行排序,生成通孔内径序列;间隔选取多个通孔内径序列中的通孔内径,并随机选取一通孔内径,以该通孔内径和间隔选取的多个通孔内径组合形成通孔内径组;对通孔内径组中的各通孔内径取平均,得到回归平均数;计算每个通孔内径与该回归平均数的比值,得到每个编号的回归系数:
利用所述回归系数和其他编号对应的回归系数以及训练数据,预估本编号的训练数据;
利用标记本编号的预估得到的训练数据再次训练所述神经网络模型,得到回归后的神经网络模型。
2.根据权利要求1所述的污水预处理方法,其特征在于, 多个格栅的通孔内径呈梯度增长,间隔2厘米。
3.根据权利要求2所述的污水预处理方法,其特征在于,还包括:
建立所述神经网络模型;
结合预设范围,利用数据爆炸得到随机平均粒径和随机粒径总数;
对多组训练数据标记格栅编号,每组训练数据包括一随机平均粒径和一随机粒径;
利用多组训练数据训练所述神经网络模型,直至所述神经网络模型收敛。
4.一种污水预处理系统,其特征在于,所述污水预处理系统采用权利要求1-3任一项所述的污水预处理方法,包括:
多个格栅、双目摄像头以及处理器;
每个格栅上形成有多个贯通的通孔,相同格栅上的通孔内径相同,多个格栅的通孔内径呈梯度增长设置,且每个格栅上包括有伸缩机构;每个格栅均设置于污水预处理通道内;
所述处理器基于双目摄像头采集的污水颗粒图像、各格栅上通孔的内径以及预设的神经网络模型生成伸缩机构控制指令,以指示匹配的格栅过滤所述污水中的颗粒。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至3任一项所述的预处理方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至3任一项所述的预处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052655.4A CN115557550B (zh) | 2022-08-31 | 2022-08-31 | 一种污水预处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211052655.4A CN115557550B (zh) | 2022-08-31 | 2022-08-31 | 一种污水预处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115557550A CN115557550A (zh) | 2023-01-03 |
CN115557550B true CN115557550B (zh) | 2024-02-23 |
Family
ID=84739801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211052655.4A Active CN115557550B (zh) | 2022-08-31 | 2022-08-31 | 一种污水预处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115557550B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130022002A (ko) * | 2011-08-24 | 2013-03-06 | 에스와이종합건설 주식회사 | 다중 여과용 침전조 |
CN206384952U (zh) * | 2016-12-08 | 2017-08-08 | 天津市嘉腾环保设备有限公司 | 一种污水处理装置 |
CN108898215A (zh) * | 2018-07-18 | 2018-11-27 | 北京工业大学 | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 |
CN210568343U (zh) * | 2019-08-22 | 2020-05-19 | 上海南汇压力容器厂有限公司 | 一种连续排污膨胀器的排污水过滤装置 |
CN112508899A (zh) * | 2020-11-30 | 2021-03-16 | 西安万木春信息技术有限公司 | 一种基于图像处理的污水预处理方法 |
CN213295101U (zh) * | 2020-08-31 | 2021-05-28 | 简阳希望创美环保有限公司 | 一种污水处理系统 |
WO2021223410A1 (zh) * | 2020-09-21 | 2021-11-11 | 青岛海尔空调器有限总公司 | 空气循环装置及其控制方法 |
WO2022004773A1 (ja) * | 2020-07-02 | 2022-01-06 | オムロン株式会社 | モデル生成装置、回帰装置、モデル生成方法、及びモデル生成プログラム |
CN114462292A (zh) * | 2021-11-22 | 2022-05-10 | 广州大学 | 一种基于sqp算法的电路参数优化方法 |
CN114804550A (zh) * | 2022-06-10 | 2022-07-29 | 安徽新宇环保科技股份有限公司 | 一种基于神经网络模型的污水处理调控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461304B (zh) * | 2020-03-31 | 2023-09-15 | 北京小米松果电子有限公司 | 分类神经网络的训练方法、文本分类方法、装置及设备 |
-
2022
- 2022-08-31 CN CN202211052655.4A patent/CN115557550B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130022002A (ko) * | 2011-08-24 | 2013-03-06 | 에스와이종합건설 주식회사 | 다중 여과용 침전조 |
CN206384952U (zh) * | 2016-12-08 | 2017-08-08 | 天津市嘉腾环保设备有限公司 | 一种污水处理装置 |
CN108898215A (zh) * | 2018-07-18 | 2018-11-27 | 北京工业大学 | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 |
CN210568343U (zh) * | 2019-08-22 | 2020-05-19 | 上海南汇压力容器厂有限公司 | 一种连续排污膨胀器的排污水过滤装置 |
WO2022004773A1 (ja) * | 2020-07-02 | 2022-01-06 | オムロン株式会社 | モデル生成装置、回帰装置、モデル生成方法、及びモデル生成プログラム |
CN213295101U (zh) * | 2020-08-31 | 2021-05-28 | 简阳希望创美环保有限公司 | 一种污水处理系统 |
WO2021223410A1 (zh) * | 2020-09-21 | 2021-11-11 | 青岛海尔空调器有限总公司 | 空气循环装置及其控制方法 |
CN112508899A (zh) * | 2020-11-30 | 2021-03-16 | 西安万木春信息技术有限公司 | 一种基于图像处理的污水预处理方法 |
CN114462292A (zh) * | 2021-11-22 | 2022-05-10 | 广州大学 | 一种基于sqp算法的电路参数优化方法 |
CN114804550A (zh) * | 2022-06-10 | 2022-07-29 | 安徽新宇环保科技股份有限公司 | 一种基于神经网络模型的污水处理调控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115557550A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064359A (zh) | 一种基于手机app的智慧班牌管理系统及其方法 | |
US11587560B2 (en) | Voice interaction method, device, apparatus and server | |
CN205210968U (zh) | 一种基于物联网的智能校园考勤装置 | |
CN103905598A (zh) | 铃声处理方法及装置 | |
CN104683591A (zh) | 基于移动终端的消息免打扰方法及其移动终端 | |
CN106952519A (zh) | 一种思想政治教育智能教学系统 | |
CN105262601A (zh) | 群成员信息的处理方法和系统 | |
CN111367988A (zh) | 数据导入方法及装置 | |
CN103246837B (zh) | 提供验证码的方法及用户设备 | |
CN108986813A (zh) | 唤醒词的更新方法、装置及电子设备 | |
CN107682568A (zh) | 一种提醒方法和设备、终端及可读存储介质 | |
CN115557550B (zh) | 一种污水预处理方法及系统 | |
DE102017120698A1 (de) | Sprachliche Ausgabe von schriftlichen Kommunikationen in einer Stimme eines Senders | |
CN113746840A (zh) | Json格式报文生成方法及装置 | |
CN105959466A (zh) | 音频数据的处理方法和装置 | |
CN204721386U (zh) | 基于二维码实现绑定微信客户端的装置 | |
CN114840576A (zh) | 数据标准匹配方法及装置 | |
CN113434423A (zh) | 接口测试方法及装置 | |
CN103856535A (zh) | 一种获取用户数据的方法和装置 | |
CN104023114A (zh) | 一种信息处理的方法及电子设备 | |
CN108512731B (zh) | 一种设备参数的配置方法、移动终端及设备 | |
CN103166831B (zh) | 数据处理方法、终端及系统 | |
CN111048063A (zh) | 音频合成方法及装置 | |
CN109725725A (zh) | 智能交互终端、以及智能交互终端的信息处理方法 | |
Yeung et al. | The Science of Information |
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 |