CN115925076A - 一种基于机器视觉与深度学习的混凝自动投药方法与系统 - Google Patents

Abstract

本发明公开了一种基于机器视觉与深度学习的混凝自动投药方法与系统，属于水处理领域；方法包括：采集高藻水图像数据；采用卷积神经网络分别构建藻类分类模型和藻浓度预测模型；采集不同混凝条件下的絮体图像，且得到最佳投放量；结合藻类分类模型、藻浓度预测模型与混凝实验结果，构建混凝剂最佳投量预测模型；将不同混凝条件下的絮体图像的投放量与最佳投放量的差值作为样本标签；采用迁移学习的方式利用数据集进行训练，构建混凝剂调整量预测模型；本发明基于卷积神经网络和图像识别技术分析高藻水图像，判断原水中藻类类别及藻类浓度，预测混凝剂初次投加量，通过识别混凝后絮体图像进一步优化混凝剂投加量，实现混凝剂智能投放。

Description

一种基于机器视觉与深度学习的混凝自动投药方法与系统

技术领域

本发明涉及水处理领域，更具体地说，一种基于机器视觉与深度学习的混凝自动投药方法与系统。

背景技术

藻类问题给给水厂带来了极大的挑战，关系到城市供水的安全，而问题的根源在于传统混凝的去除效率不佳，导致后续工艺的压力太大，所以混凝剂的投量和种类选择显得尤为重要。当常规投量下高藻水的混凝效果不佳时，就需要水厂对混凝剂投量做出相应的调整。在实际生产中，工作人员往往通过烧杯实验并结合自身的经验调整混凝剂的投量，往往造成过量投加或是低剂量投加，严重影响了混凝的效果。所以对于突发性的藻类爆发，水厂管理人员往往不能及时地对混凝工艺做出相应的调整，这就会导致大量未被沉淀的藻类进入滤池，造成滤池的堵塞。更有甚者，部分藻类会穿透滤池进入管网，严重危害城市供水的安全。因此，在线絮凝控制技术有着大量的市场需求，且近年来随着智慧水厂概念的提出，水厂“智能化”，“无人值守”等理念更推动着絮体自动控制的发展。

藻类爆发一般没有任何征兆，现有阶段水厂内部不能够对水质中的藻类作出实时预警，水厂中依靠人工经验的混凝剂投加策略存在一定的滞后性和盲目性。对于常见的在线絮凝技术，流动电流控制技术、基于人工神经网络的絮凝控制方法和显示式絮凝控制系统等，同样存在不足。由于传统在线絮凝控制技术的不足——系统的普适性能较差，只能针对单一简单的水质环境进行絮凝投药控制，无法根据水质的变化或是絮体特征的变化做出调整。且由于含藻水水质的生物特殊性和藻类混凝过程产生的絮体的特殊性，加上藻类爆发时水质情况的不稳定性，传统在线絮凝控制无法预测高藻水的混凝效果，因此将传统在线絮凝控制技术引入高藻水的混凝自动控制中存在一定困难。

如流动电流自动加药系统对于混凝剂和原水水质有一定要求，混凝剂不能采用阳离子型高分子絮凝剂，同时原水的盐类含量和表明活性剂会影响测量的精度；系统的普适性较差，即使同一水质条件，不同季节条件下，测量的结果也会不同；很多国内的水厂虽然购置了流动电流控制装置，但是应用效果有好有坏，因此装置很多都处于闲置的状态。神经网络的预测虽然准确性较高，但是对建训练样本的质量要求较高，训练的样本必须准确，全面，具有很强的代表性，否则会造成网络性能变差，影响预测结果。显示式絮凝控制系统的发展虽然比较完善，但是也存在一些弊端；对于高浊度水的处理，水中絮体较多，系统无法识别重叠的絮体；其次上述图像处理方法为阈值分割，过程中不可避免地丢失了原始图像的色彩特征；这一系列弊端导致其在预测高藻水混凝过程的去除效果中表现较差。

本发明提出了一种基于机器视觉与深度学习的混凝自动投药方法与系统，实现藻类预警以及混凝剂投量预测。

发明内容

本发明的目的是提供一种基于机器视觉与深度学习的混凝自动投药方法与系统，以解决上述背景技术中提出的问题。

一种基于机器视觉与深度学习的混凝自动投药方法，包括如下步骤：

S1、利用高清摄像机采集不同季节多个水源不同光照条件下的高藻水原始图像数据，对高藻水原始图像数据进行数据增强形成高藻水图像数据；

S2、基于高藻水图像数据，采用卷积神经网络分别构建藻类分类模型和藻浓度预测模型；

S3、对含有不同藻类及不同藻浓度的水样进行混凝实验，采集不同混凝条件下产生的絮体图像，且得到每种条件下的最佳投放量；

S4、结合藻类分类模型、藻浓度预测模型与混凝实验结果，构建混凝剂最佳投量预测模型；

S5、将不同混凝条件下产生的絮体图像在对应条件下预测得到的投放量与实际最佳投放量的差值作为样本标签，建立絮体图像数据集；

S6、采用迁移学习的方式利用絮体图像数据集进行训练，构建混凝剂调整量预测模型。

优选地，所述S2中采用卷积神经网络分别构建藻类分类模型和藻浓度预测模型具体包括：

S21、在采集的高藻水原始图像的基础上进行拉伸、翻转、调整亮度及增加噪声等方式进行数据增强，进一步扩大数据集以及丰富样本多样性；对高藻水图像数据中藻类类别及藻类浓度一一进行标注，将高藻水图像数据分为训练集和测试集；

S22、以训练集作为深度学习模型的输入，其藻类类别及藻类浓度作为预测值，采用卷积神经网络VGGNet、ResNet和DenseNet分别构建藻类分类模型和藻浓度预测模型，通过混淆矩阵和精度表对模型识别准确性进行评价，选出精度最高的模型；

S23、利用测试集进行模型泛化性测试，验证其普适性，实现对高藻水中藻类类别及藻类浓度的预测。

优选地，所述S3中进行混凝实验具体包括：

分别投放不同浓度梯度的混凝剂对含有不同藻类及不同藻浓度的水样进行混凝处理，采集各水样在不同混凝条件下产生的絮体图像，且记录对应的去除率得到每种条件下的最佳投放量。

优选地，所述S4中构建混凝剂最佳投量预测模型具体包括：

以藻类类别及藻类浓度作为模型输入，最佳混凝剂投放量作为模型输出，采用支持向量机、随机森林和神经网络分别构建混凝剂最佳投量预测模型，使用五折交叉验证的R²得分对模型进行评估，选出精度最高的模型，进行混凝剂投加量预测。

优选地，所述S5中建立絮体图像数据集具体包括：

S51、对含有不同藻类类别及藻类浓度的水样进行混凝实验，基于建立的混凝剂最佳投量预测模型确定混凝剂投放量，采集加入模型预测得到的混凝剂投放量后的水样絮体图像，并记录对应的藻类类别、藻类浓度及混凝剂投放量；

S52、对水样再次进行不同浓度梯度的混凝实验以确定该藻类类别、藻类浓度下的混凝剂最佳投放量；

S53、将通过S52中实验得到的最佳投放量与S51中模型预测得到的投放量的差值作为样本标签，絮体图像作为输入，建立絮体图像数据集。

优选地，所述S6中构建混凝剂调整量预测模型具体包括：

采用迁移学习的方式，基于已训练好的VGG-16、ResNet-101、DenseNet-121模型，调整网络最后的全连接层利用絮体图像数据集进行训练，选出精度最高的模型，进行混凝剂调整量预测。

一种基于机器视觉与深度学习的混凝自动投药系统，包括最佳投加量控制系统；

所述最佳投加量控制系统包括上述所构建的藻类分类模型、藻浓度预测模型、混凝剂最佳投量预测模型和混凝剂调整量预测模型。

优选地，混凝自动投药系统还包括原水池高清摄像机、混凝处理池投药装置、混凝池末端高清摄像机；

所述原水池高清摄像机安装于原水池，用于采集高藻水图像，作为藻类分类模型和藻浓度预测模型的输入，分别预测得到藻类类别和藻类浓度；再以藻类类别和藻类浓度作为混凝剂最佳投量预测模型的输入，输出得到混凝投加量，以该混凝投加量作为初次投加量，控制混凝处理池投药装置的初次投加量；

所述混凝处理池投药装置安装于混凝处理池，用于投加絮凝剂；

所述混凝池末端高清摄像机安装于混凝池末端，用于采集絮体图像，作为混凝剂调整量预测模型的输入，输出得到混凝投加调整量，对混凝处理池投药装置的絮凝剂投加量进行调整，达到最佳投加量。

有益效果：

本发明所述的一种基于机器视觉与深度学习的混凝自动投药方法与系统，相比于现有技术，本发明的优点在于：

1、本发明基于不同季节多个水源不同光照条件下的高藻水图像训练卷积神经网络模型，充分考虑水样的多样性，覆盖不同环境条件，模型泛化能力强，能广泛适应不同场景。

2、本发明基于卷积神经网络和图像识别技术分析含藻水照片，判断原水中藻类类别及藻类浓度，预测混凝剂初次投加量，实现依据原水中藻类存在情况直接确定混凝剂投加量，使用范围广，无需人工干预，成本降低，且大大简化预测过程，缩短检测时间。

3、本发明通过混凝后的絮体图像进一步优化混凝剂投加量，达到负反馈调节作用，使整个混凝自动投药系统具有一定的自我调节能力，保证混凝效果，实现混凝剂智能投放，提高混凝剂投量预测的准确性。

附图说明

图1为本发明一种基于机器视觉与深度学习的混凝自动投药系统的流程示意图；

图2为本发明一种基于机器视觉与深度学习的混凝自动投药方法的藻类分类模型DenseNet网络训练结果图；

图3为本发明一种基于机器视觉与深度学习的混凝自动投药方法的藻浓度预测模型DenseNet网络训练结果图；

图4为本发明一种基于机器视觉与深度学习的混凝自动投药方法的混凝剂最佳投量随机森林训练结果图。

具体实施方式

下面将结合本发明实施例对本发明技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1：

一种基于机器视觉与深度学习的混凝自动投药方法，包括如下步骤：

S1、从不同水源地（河流、湖泊、水库）进行采样，并使用高清摄像头收集不同光照及环境下的含藻水照片，通过拉伸、翻转、调整亮度及增加噪声等数据增强方式扩充样本量到10000张照片，通过实验检测及人工识别，对这10000张照片中藻的类别及浓度进行标注，80%的照片组成训练集，20%组成测试集；

S2、以照片作为深度学习模型的输入，类别及浓度分别作为预测值，采用卷积神经网络VGGNet、ResNet和DenseNet分别构建藻类分类模型（模型一）和藻浓度预测模型（模型二）模型，通过混淆矩阵和精度表对模型识别准确性进行评价，并且优选出精度最高的模型；

进一步改进模型，并进行了模型泛化性测试，验证其普适性；最终实现对含藻水体中藻类类别及浓度的预测；

卷积神经网络是人工智能领域的一个重要研究内容，在语音识别、图像识别、图像分类方向有着十分优秀的表现，其准确性远高于传统的前馈神经网络。结构上来看卷积神经网络类似于传统的人工神经网络，只不过卷积神经网络结构上各层之间不再以全连接的方式，而是部分连接，即后一层的神经元仅仅和前一层的部分神经元相连，采用卷积的连接方式代替全连接。这种想法来源于人体的神经系统中的感受野（Receptive Field）机制。即神经元只接受特定区域的刺激信号。举例来说，当人们在接受视觉信息时，人脑会浮现事物的样貌，这个过程首先是由视网膜中的光感受器接收刺激，再将信号其传输至视觉皮层，但是感受野机制的存在使得并不是所有视觉皮层的神经元都会接受这一信号，神经元只会接受部分区域的信号刺激。这种机制的应用可以大大降低卷积神经网络的参数。不同的卷积神经网络其结构组成上会存在差异，但是大都是由卷积层、池化层、加上全连接层组成；

DenseNet网络在CVPR2017年的最佳文章中被提出，其思想在于不追求网络的深度和网络的宽度，而是从特征的角度切入，通过设置旁路和特征重用，减少了网络的参数量，且解决了深层网络的通病——训练退化和梯度消失。

DenseNet模型源于ResNet模型，ResNet模型的优秀源于它可以训练出更深的CNN模型，从而提高模型的准确度。而DenseNet模型延续了ResNet模型的思路，但不同于ResNet残差模块中的短路连接，它提出了一个密集连接机制，称为密集块，密集块中每个层需要接受前面所有层作为其额外输出。这样一来既保证了特征的传递还减少了参数的数目。

从结构上来看，DenseNet网络和ResNet类似，输入图像都是先经过一层7×7的卷积层，再经过全局池化层，不同的是后续的网络是由其特殊结构密集块构成，根据输入输出的大小分为4部分。每一部分之间都由转化层连接，转化层的结构由一层1×1的卷积层和池化层构成。模型的最后是分类层，包括全局池化层和一层全连接层。

模型选择上，比较了VGGNet、ResNet和DenseNet网络在结构上的优劣性。并通过混淆矩阵和精度表对模型识别准确性进行评价，并且优选出精度最高的模型。最后对改进后的DenseNet卷积神经网络模型进行了模型泛化性测试，验证其普适性。最终实现根据原水图像及絮体图像，预测混凝剂投加量。

藻类分类模型结果如图2所示，由实验结果可知DenseNet模型训练集和验证集在10轮迭代之后准确度就上升至90%左右，后续的训练集有波动，但是验证集的准确度稳定在90%。最终测试集的准确度为90%，说明该模型可以准确预测藻的类别。

藻浓度预测模型结果如图3所示，由实验结果可知DenseNet模型在较短时间内，训练集和验证集的准确性都迅速提升到80%~90%，经过50轮的训练，模型的验证集准确度达到了87%，测试集的准确度达到了81%，可准确预测藻类浓度。

S3、进行混凝实验，使用上述原水进行混凝实验，分别投放不同浓度梯度的混凝剂对原水进行混凝处理，采集高藻水在不同混凝条件下产生的絮体图像，记录对应的去除率，得到每种条件下的最佳投放量；

S4、结合模型一、模型二与混凝实验结果，以藻类类别及藻类浓度作为模型输入，最佳混凝剂投放量作为模型输出，采用SVM、随机森林和神经网络分别构建混凝剂最佳投量预测模型（模型三），使用五折交叉验证的R²得分对模型进行评估，并且优选出精度最高的模型，实现混凝剂投加量预测；

混凝剂最佳投量预测模型结果如图4所示，由实验结果可知随机森林模型测试集R²得分达到了0.8555，说明该模型可以准确预测混凝剂最佳投量。

S5、将高藻水在不同混凝条件下产生的絮体图像作为模型输入，该图像对应条件下的投放量与最佳投放量的差值作为样本标签，建立数据集；

对含有不同藻类类别及藻类浓度的水样进行混凝实验，基于上述建立的混凝剂最佳投量预测模型确定混凝剂投放量，通过高清摄像机采集混凝池末端的絮体图像，并记录对应的进水藻类特征及混凝剂投放量。对水样再次进行不同浓度梯度的混凝实验以确定该条件下的混凝剂最佳投放量。将通过实验得到的最佳投放量与模型预测得到的投放量的差值作为样本标签，絮体图像作为输入，建立絮体图像数据集；

S6、基于现有深度学习模型，采用迁移学习的方式对不同去除率对应的藻类絮体图像进行训练，构建混凝剂调整量预测模型（模型四），优化混凝剂投量。

直接利用深度学习模型架构对藻类絮体图像样本数据进行训练时，可能会由于样本量少、网络参数太多导致训练耗时且效果不佳。因此采用迁移学习的方式，基于已训练好的VGG-16、ResNet-101、DenseNet-121模型，调整网络最后的全连接层进行训练，选出精度最高的模型，进行混凝剂投加调整量预测。

实施例2：

基于机器视觉与深度学习的混凝自动投药系统，包括最佳投加量控制系统、原水池高清摄像机、混凝处理池投药装置、混凝池末端高清摄像机；

最佳投加量控制系统包括实施例1中所构建的藻类分类模型、藻浓度预测模型、混凝剂最佳投量预测模型和混凝剂调整量预测模型。

原水池高清摄像机安装于原水池，用于采集高藻水图像，作为藻类分类模型和藻浓度预测模型的输入，分别预测得到藻类类别和藻类浓度；再以藻类类别和藻类浓度作为混凝剂最佳投量预测模型的输入，输出得到混凝投加量，以该混凝投加量作为初次投加量，控制混凝处理池投药装置的初次投加量；

混凝处理池投药装置安装于混凝处理池，用于根据最佳投加量控制系统内所输出的投加量投加絮凝剂；

混凝池末端高清摄像机安装于混凝池末端，用于采集絮体图像，作为混凝剂调整量预测模型的输入，输出得到混凝投加调整量，对混凝处理池投药装置的絮凝剂投加量进行调整，达到最佳投加量。

参阅图1，采集高藻水进行最佳混凝剂投量预测实验流程如下：

使用原水池高清照相机拍摄高藻水图像，利用藻类分类模型、藻浓度预测模型确定实验高藻水水中藻类的类别及浓度。将预测的藻类类别及浓度作为输入值，利用混凝剂最佳投量预测模型确定混凝剂初次投加量。在高藻水中加入确定量的混凝剂，通过混凝实验进一步确定混凝剂投量是否合适。拍摄混凝后的絮体图像，将絮体图像作为输入，利用混凝剂调整量预测模型确认混凝剂调整量，基于预测结果调整混凝剂投加量，以保证混凝效果最佳。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于机器视觉与深度学习的混凝自动投药方法，其特征在于：包括如下步骤：

S1、利用高清摄像机采集不同季节多个水源不同光照条件下的高藻水原始图像数据，对高藻水原始图像数据进行数据增强形成高藻水图像数据；

S2、基于高藻水图像数据，采用卷积神经网络分别构建藻类分类模型和藻浓度预测模型；

S3、对含有不同藻类及不同藻浓度的水样进行混凝实验，采集不同混凝条件下产生的絮体图像，且得到每种条件下的最佳投放量；

S4、结合藻类分类模型、藻浓度预测模型与混凝实验结果，构建混凝剂最佳投量预测模型；

S5、将不同混凝条件下产生的絮体图像在对应条件下预测得到的投放量与实际最佳投放量的差值作为样本标签，建立絮体图像数据集；

S6、采用迁移学习的方式利用絮体图像数据集进行训练，构建混凝剂调整量预测模型。

2.根据权利要求1所述的一种基于机器视觉与深度学习的混凝自动投药方法，其特征在于：所述S2中采用卷积神经网络分别构建藻类分类模型和藻浓度预测模型具体包括：

S21、在采集的高藻水原始图像数据的基础上进行拉伸、翻转、调整亮度及增加噪声的方式进行数据增强，扩大数据集；对高藻水图像数据中藻类类别及藻类浓度一一进行标注，将高藻水图像数据分为训练集和测试集；

S22、以训练集作为深度学习模型的输入，其藻类类别及藻类浓度作为预测值，采用卷积神经网络VGGNet、ResNet和DenseNet分别构建藻类分类模型和藻浓度预测模型，通过混淆矩阵和精度表对模型识别准确性进行评价，选出精度最高的模型；

S23、利用测试集进行模型泛化性测试，验证其普适性。

3.根据权利要求1所述的一种基于机器视觉与深度学习的混凝自动投药方法，其特征在于：所述S3中进行混凝实验具体包括：

分别投放不同浓度梯度的混凝剂对含有不同藻类及不同藻浓度的水样进行混凝处理，采集各水样在不同混凝条件下产生的絮体图像，且记录对应的去除率得到每种条件下的最佳投放量。

4.根据权利要求1所述的一种基于机器视觉与深度学习的混凝自动投药方法，其特征在于：所述S4中构建混凝剂最佳投量预测模型具体包括：

以藻类类别及藻类浓度作为模型输入，最佳混凝剂投放量作为模型输出，采用支持向量机、随机森林和神经网络分别构建混凝剂最佳投量预测模型，使用五折交叉验证的R²得分对模型进行评估，选出精度最高的模型，进行混凝剂投加量预测。

5.根据权利要求1所述的一种基于机器视觉与深度学习的混凝自动投药方法，其特征在于：所述S5中建立絮体图像数据集具体包括：

S51、对含有不同藻类类别及藻类浓度的水样进行混凝实验，基于建立的混凝剂最佳投量预测模型确定混凝剂投放量，采集加入模型预测得到的混凝剂投放量后的水样絮体图像，并记录对应的藻类类别、藻类浓度及混凝剂投放量；

S52、对水样再次进行不同浓度梯度的混凝实验以确定该藻类类别、藻类浓度下的混凝剂最佳投放量；

S53、将通过S52中实验得到的最佳投放量与S51中模型预测得到的投放量的差值作为样本标签，絮体图像作为输入，建立絮体图像数据集。

6.根据权利要求1所述的一种基于机器视觉与深度学习的混凝自动投药方法，其特征在于：所述S6中构建混凝剂调整量预测模型具体包括：

采用迁移学习的方式，基于已训练好的VGG-16、ResNet-101、DenseNet-121模型，调整网络最后的全连接层利用絮体图像数据集进行训练，选出精度最高的模型，进行混凝剂调整量预测。

7.一种基于机器视觉与深度学习的混凝自动投药系统，其特征在于：包括最佳投加量控制系统；

所述最佳投加量控制系统包括权利要求1中所构建的藻类分类模型、藻浓度预测模型、混凝剂最佳投量预测模型和混凝剂调整量预测模型。

8.根据权利要求7所述的一种基于机器视觉与深度学习的混凝自动投药系统，其特征在于：还包括原水池高清摄像机、混凝处理池投药装置、混凝池末端高清摄像机；

所述原水池高清摄像机安装于原水池，用于采集高藻水图像，作为藻类分类模型和藻浓度预测模型的输入，分别预测得到藻类类别和藻类浓度；再以藻类类别和藻类浓度作为混凝剂最佳投量预测模型的输入，输出得到混凝投加量，以该混凝投加量作为初次投加量，控制混凝处理池投药装置的初次投加量；

所述混凝处理池投药装置安装于混凝处理池，用于投加絮凝剂；

所述混凝池末端高清摄像机安装于混凝池末端，用于采集絮体图像，作为混凝剂调整量预测模型的输入，输出得到混凝投加调整量，对混凝处理池投药装置的絮凝剂投加量进行调整，达到最佳投加量。

Images