CN116135797B - 污水处理智能控制系统 - Google Patents
污水处理智能控制系统 Download PDFInfo
- Publication number
- CN116135797B CN116135797B CN202310420334.3A CN202310420334A CN116135797B CN 116135797 B CN116135797 B CN 116135797B CN 202310420334 A CN202310420334 A CN 202310420334A CN 116135797 B CN116135797 B CN 116135797B
- Authority
- CN
- China
- Prior art keywords
- surface state
- feature vector
- semantic feature
- context
- vector
- 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 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 85
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 34
- 231100000719 pollutant Toxicity 0.000 claims abstract description 34
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 25
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 25
- 239000001301 oxygen Substances 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 248
- 239000011159 matrix material Substances 0.000 claims description 55
- 239000000203 mixture Substances 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004065 wastewater treatment Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 244000005700 microbiome Species 0.000 abstract description 48
- 230000000694 effects Effects 0.000 abstract description 46
- 230000004060 metabolic process Effects 0.000 abstract description 31
- 230000008859 change Effects 0.000 abstract description 21
- 239000002699 waste material Substances 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000813 microbial effect Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 46
- 239000000356 contaminant Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000005273 aeration Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002503 metabolic effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000002306 biochemical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000009388 chemical precipitation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000011197 physicochemical method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- C02F3/006—Regulation methods for biological treatment
-
- 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
-
- 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
- C02F3/34—Biological treatment of water, waste water, or sewage characterised by the microorganisms used
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Microbiology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Water Supply & Treatment (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Activated Sludge Processes (AREA)
Abstract
本发明公开了一种污水处理智能控制系统，涉及智能化控制技术领域，获取由摄像头采集的被处理污染物的表面状态监控视频；采用基于深度学习的人工智能技术，挖掘污染物表面的状态特征随时间维度的动态变化特征分布信息，以此对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率。这样，可以优化微生物活性且避免不必要的氧气浪费。
Description
技术领域
本发明涉及智能化控制技术领域，并且更具体地，涉及一种污水处理智能控制系统。
背景技术
城市污水处理是指为改变污水性质，使其对环境水域不产生危害而采取的措施。城市污水处理一般分为三级：一级处理，系应用物理处理法去除污水中不溶解的污染物和寄生虫卵；二级处理，系应用生物处理法将污水中各种复杂的有机物氧化降解为简单的物质；三级处理，系应用化学沉淀法、生物化学法、物理化学法等，去除污水中的磷、氮、难降解的有机物、无机盐等。
在二级处理的过程中，主要是由曝气池和二次沉淀池构成，利用曝气风机及专用曝气装置向曝气池内供氧，主要目的是通过微生物的新陈代谢将污水中的大部分污染物变成CO2和H2O，这也就是耗氧技术。但是，目前在实际向曝气池内供氧的过程中，常常只是将供氧速率调整至固定的范围，并没有关注到微生物的活性因素，造成氧气的严重浪费。
因此，期望一种优化的污水处理智能控制系统。
发明内容
为了解决上述技术问题，本发明的实施例提供了一种污水处理智能控制系统，获取由摄像头采集的被处理污染物的表面状态监控视频；采用基于深度学习的人工智能技术，挖掘污染物表面的状态特征随时间维度的动态变化特征分布信息，以此对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率。这样，可以优化微生物活性且避免不必要的氧气浪费。
第一方面，提供了一种污水处理智能控制系统，其包括：
状态视频采集模块，用于获取由摄像头采集的被处理污染物的表面状态监控视频；
关键帧提取模块，用于从所述表面状态监控视频提取至少一个表面状态监控关键帧；
表面状态语义特征提取模块，用于将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量；
时序全局关联编码模块，用于将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及
供养速率控制模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供养速率的推荐值。
在上述污水处理智能控制系统中，所述关键帧提取模块，用于：以预定采样频率对所述表面状态监控视频进行关键帧采样，以从所述表面状态监控视频提取至少一个表面状态监控关键帧。
在上述污水处理智能控制系统中，所述表面状态语义特征提取模块，包括：图像分块单元，用于将所述至少一个表面状态监控关键帧进行图像分块处理，以得到至少一个图像块的序列；嵌入化单元，用于使用所述ViT模型的图像块嵌入层分别对所述至少一个图像块的序列中各个图像块进行嵌入化以得到至少一个嵌入化表面状态向量；以及，编码单元，用于将所述至少一个嵌入化表面状态向量通过所述包含图像块嵌入层的ViT模型以得到所述至少一个表面状态语义特征向量。
在上述污水处理智能控制系统中，所述时序全局关联编码模块，包括：上下文编码单元，用于将所述至少一个表面状态语义特征向量输入所述基于转换器的上下文编码器以得到至少一个上下文表面状态语义特征向量；高斯混合模型构建单元，用于计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，所述高斯混合模型的均值向量为所述至少一个上下文表面状态语义特征向量的按位置均值向量，所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；优化加权系数计算单元，用于分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到至少一个高斯概率密度分布距离指数；加权优化单元，用于以所述至少一个高斯概率密度分布距离指数作为权重，对所述至少一个上下文表面状态语义特征向量进行加权以得到至少一个优化上下文表面状态语义特征向量；以及，级联单元，用于将所述至少一个优化上下文表面状态语义特征向量进行级联以得到所述解码特征向量。
在上述污水处理智能控制系统中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述至少一个表面状态语义特征向量进行一维排列以得到全局表面状态特征向量；
自注意子单元，用于计算所述全局表面状态特征向量与所述至少一个表面状态语义特征向量中各个表面状态语义特征向量的转置向量之间的乘积以得到至少一个自注意力关联矩阵；标准化子单元，用于分别对所述至少一个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到至少一个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述至少一个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到至少一个概率值；以及，注意力施加子单元，用于分别以所述至少一个概率值中各个概率值作为权重对所述至少一个表面状态语义特征向量中各个表面状态语义特征向量进行加权以得到所述至少一个上下文表面状态语义特征向量。
在上述污水处理智能控制系统中，所述高斯混合模型构建单元，用于：使用如下高斯公式计算所述至少一个上下文表面状态语义特征向量的高斯混合模型；其中，所述高斯公式为：
其中，
表示所述至少一个上下文表面状态语义特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述至少一个上下文表面状态语义特征向量中各个位置的特征值之间的方差。
在上述污水处理智能控制系统中，所述优化加权系数计算单元，用于：以如下优化公式分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述至少一个高斯概率密度分布距离指数；其中，所述优化公式为：
其中，
是所述至少一个上下文表面状态语义特征向量中的第/>
个上下文表面状态语义特征向量，/>
和/>
是所述高斯混合模型的均值向量和协方差矩阵，所述至少一个上下文表面状态语义特征向量和所述高斯混合模型的均值向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
表示所述至少一个高斯概率密度分布距离指数中的第/>
个高斯概率密度分布距离指数，/>
表示向量的转置向量。
在上述污水处理智能控制系统中，所述供养速率控制模块，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
，/>
表示所述解码特征向量，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
与现有技术相比，本发明提供的污水处理智能控制系统，获取由摄像头采集的被处理污染物的表面状态监控视频；采用基于深度学习的人工智能技术，挖掘污染物表面的状态特征随时间维度的动态变化特征分布信息，以此对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率。这样，可以优化微生物活性且避免不必要的氧气浪费。
附图说明
为了更清楚地说明本发明实施例的技术方案，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他的附图。
图1为根据本发明实施例的污水处理智能控制系统的应用场景图。
图2为根据本发明实施例的污水处理智能控制系统的框图。
图3为根据本发明实施例的污水处理智能控制系统中所述表面状态语义特征提取模块的框图。
图4为根据本发明实施例的污水处理智能控制系统中所述时序全局关联编码模块的框图。
图5为根据本发明实施例的污水处理智能控制系统中所述上下文编码单元的框图。
图6为根据本发明实施例的污水处理智能控制方法的流程图。
图7为根据本发明实施例的污水处理智能控制方法的系统架构的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。
在本发明实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，在二级处理的过程中，主要是由曝气池和二次沉淀池构成，利用曝气风机及专用曝气装置向曝气池内供氧，主要目的是通过微生物的新陈代谢将污水中的大部分污染物变成CO2和H2O，这也就是耗氧技术。但是，目前在实际向曝气池内供氧的过程中，常常只是将供氧速率调整至固定的范围，并没有关注到微生物的活性，造成氧气的严重浪费。因此，期望一种优化的污水处理智能控制系统。
相应地，考虑到在实际利用曝气风机及专用曝气装置向曝气池内供氧的过程中，对于供养速率的控制应适配于微生物的新陈代谢的活动特性变化情况，也就是说，基于微生物的新陈代谢活性变化特征来自适应地调整供养速率。但是，由于微生物的新陈代谢活性难以通过传统的方式进行获取，这给微生物的活性监测和供养速率控制带来了难度。基于此，在本发明的技术方案中，通过摄像头所采集的污染物表面的状态来间接地反映微生物的新陈代谢的活动特性，继而基于此特征来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。在此过程中，难点在于如何充分且准确地挖掘出所述污染物表面的状态特征随时间维度的动态变化特征分布信息，以此来对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述污染物表面的状态特征随时间维度的动态变化特征分布信息提供了新的解决思路和方案。
具体地，在本发明的技术方案中，首先，通过摄像头采集被处理污染物的表面状态监控视频。接着，考虑到在所述被处理污染物的表面状态监控视频中，所述被处理污染物的表面状态特征可以间接地反映微生物的新陈代谢的活动特性特征，而所述被处理污染物的表面状态的时序动态变化特征可以通过所述表面状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述被处理污染物的表面状态特征的时序动态变化情况，以此来得到微生物的新陈代谢的活动特性特征的时序动态情况。但是，考虑到由于所述被处理污染物的表面状态监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述被处理污染物的表面状态监控视频进行关键帧采样，以从所述表面状态监控视频提取至少一个表面状态监控关键帧。
然后，考虑到由于所述至少一个表面状态监控关键帧都为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述至少一个表面状态监控关键帧的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。因此，在本发明的技术方案中，将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型中进行编码，以提取出所述各个表面状态监控关键帧中关于所述被处理污染物的表面状态隐含语义特征，从而得到至少一个表面状态语义特征向量。特别地，这里，嵌入化的实现过程是先将每个所述表面状态监控关键帧进行图像分块处理，以将各个所述表面状态监控关键帧中关于所述被污染物的表面状态隐藏小尺度特征信息转变为各个图像块中的大尺度特征信息，有利于后续对于所述被处理污染物的表面状态检测；接着，再分别将各个所述图像块的所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化，从而得到至少一个嵌入化表面状态向量。应可以理解，ViT可以像Transformer一样直接通过自注意机制处理所述表面状态监控关键帧，以此来分别提取出每个所述表面状态监控关键帧中各个图像块的关于所述被处理污染物的表面状态的隐含关联语义特征信息。
进一步地，考虑到由于所述各个表面状态监控关键帧中关于所述被处理污染物的表面状态的隐含语义特征在时间维度上具有着时序的动态关联特征信息。因此，为了能够对于所述被处理污染物的表面状态的时序动态变化特征进行充分地提取，以此来对于微生物新陈代谢活性进行准确地监测，在本发明的技术方案中，进一步将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个表面状态监控关键帧中关于所述被处理污染物的表面状态特征基于时序全局的动态关联特征分布信息，即所述微生物新陈代谢活性状态的时序动态变化特征信息，从而得到解码特征向量。
接着，进一步再将所述解码特征向量通过解码器中进行解码回归，以得到用于表示当前时间点的供养速率的推荐值的解码值。也就是，以所述被处理污染物的表面状态特征基于时序全局的动态关联特征分布信息通过解码器中进行解码，以此来对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。
特别地，在本发明的技术方案中，这里，在至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量时，是将所述至少一个表面状态语义特征向量通过转换器得到的至少一个上下文表面状态语义特征向量直接级联以得到所述解码特征向量，这样，会使得所述解码特征向量在作为目标分类维度的所述至少一个上下文表面状态语义特征向量的融合特征维度上具有较差的一致性和相关性，从而影响所述解码特征向量通过解码器得到的解码值的准确性。
因此，期望收敛所述至少一个上下文表面状态语义特征向量之间在高斯概率密度层面的差异，具体地，首先计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，再进一步计算每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数，表示为：
其中，
是第/>
个上下文表面状态语义特征向量，/>
和/>
是高斯混合模型的均值向量和协方差矩阵，即/>
表示所述至少一个上下文表面状态语义特征向量的加权均值向量，且/>
表示所述至少一个上下文表面状态语义特征向量自身的方差矩阵的加权和均值方差矩阵，其中向量为列向量。
这里，通过计算所述每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于所述高斯混合模型表示的联合高斯概率密度分布的特征分布距离，通过以其分别对所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量进行加权，就可以提高级联得到的所述解码特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在作为目标分类维度的所述至少一个上下文表面状态语义特征向量的融合特征维度上的一致性和相关性，以提升所述解码特征向量通过解码器得到的解码值的准确性。这样，能够对于微生物的新陈代谢的活动特性进行准确地检测，从而实时准确地基于实际的微生物新陈代谢活性来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。
图1为根据本发明实施例的污水处理智能控制系统的应用场景图。如图1所示，在该应用场景中，首先，获取由摄像头采集的被处理污染物（例如，如图1中所示意的M）的表面状态监控视频（例如，如图1中所示意的C）；然后，将获取的表面状态监控视频输入至部署有污水处理智能控制算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于污水处理智能控制算法对所述表面状态监控视频进行处理，以生成用于表示当前时间点的供养速率的推荐值的解码值。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
在本发明的一个实施例中，图2为根据本发明实施例的污水处理智能控制系统的框图。如图2所示，根据本发明实施例的污水处理智能控制系统100，包括：状态视频采集模块110，用于获取由摄像头采集的被处理污染物的表面状态监控视频；关键帧提取模块120，用于从所述表面状态监控视频提取至少一个表面状态监控关键帧；表面状态语义特征提取模块130，用于将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量；时序全局关联编码模块140，用于将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及，供养速率控制模块150，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供养速率的推荐值。
具体地，在本发明实施例中，所述状态视频采集模块110，用于获取由摄像头采集的被处理污染物的表面状态监控视频。
相应地，考虑到在实际利用曝气风机及专用曝气装置向曝气池内供氧的过程中，对于供养速率的控制应适配于微生物的新陈代谢的活动特性变化情况，也就是说，基于微生物的新陈代谢活性变化特征来自适应地调整供养速率。但是，由于微生物的新陈代谢活性难以通过传统的方式进行获取，这给微生物的活性监测和供养速率控制带来了难度。基于此，在本发明的技术方案中，通过摄像头所采集的污染物表面的状态来间接地反映微生物的新陈代谢的活动特性，继而基于此特征来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。在此过程中，难点在于如何充分且准确地挖掘出所述污染物表面的状态特征随时间维度的动态变化特征分布信息，以此来对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述污染物表面的状态特征随时间维度的动态变化特征分布信息提供了新的解决思路和方案。
具体地，在本发明的技术方案中，首先，通过摄像头采集被处理污染物的表面状态监控视频。
具体地，在本发明实施例中，所述关键帧提取模块120，用于从所述表面状态监控视频提取至少一个表面状态监控关键帧。接着，考虑到在所述被处理污染物的表面状态监控视频中，所述被处理污染物的表面状态特征可以间接地反映微生物的新陈代谢的活动特性特征，而所述被处理污染物的表面状态的时序动态变化特征可以通过所述表面状态监控视频中相邻监控帧之间的差分来表示。
也就是，通过相邻图像帧的图像表征来表示所述被处理污染物的表面状态特征的时序动态变化情况，以此来得到微生物的新陈代谢的活动特性特征的时序动态情况。但是，考虑到由于所述被处理污染物的表面状态监控视频中相邻帧的差异较小，存在大量数据冗余。
因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述被处理污染物的表面状态监控视频进行关键帧采样，以从所述表面状态监控视频提取至少一个表面状态监控关键帧。
具体地，在本发明实施例中，所述表面状态语义特征提取模块130，用于将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量。然后，考虑到由于所述至少一个表面状态监控关键帧都为图像数据，因此，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述至少一个表面状态监控关键帧的特征挖掘，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互。
因此，在本发明的技术方案中，将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型中进行编码，以提取出所述各个表面状态监控关键帧中关于所述被处理污染物的表面状态隐含语义特征，从而得到至少一个表面状态语义特征向量。图3为根据本发明实施例的污水处理智能控制系统中所述表面状态语义特征提取模块的框图，如图3所示，所述表面状态语义特征提取模块130，包括：图像分块单元131，用于将所述至少一个表面状态监控关键帧进行图像分块处理，以得到至少一个图像块的序列；嵌入化单元132，用于使用所述ViT模型的图像块嵌入层分别对所述至少一个图像块的序列中各个图像块进行嵌入化以得到至少一个嵌入化表面状态向量；以及，编码单元133，用于将所述至少一个嵌入化表面状态向量通过所述包含图像块嵌入层的ViT模型以得到所述至少一个表面状态语义特征向量。
特别地，这里，嵌入化的实现过程是先将每个所述表面状态监控关键帧进行图像分块处理，以将各个所述表面状态监控关键帧中关于所述被污染物的表面状态隐藏小尺度特征信息转变为各个图像块中的大尺度特征信息，有利于后续对于所述被处理污染物的表面状态检测；接着，再分别将各个所述图像块的所有像素位置的像素值排列为一维向量，然后使用全连接层对该一维向量进行全连接编码以实现嵌入化，从而得到至少一个嵌入化表面状态向量。
应可以理解，ViT可以像Transformer一样直接通过自注意机制处理所述表面状态监控关键帧，以此来分别提取出每个所述表面状态监控关键帧中各个图像块的关于所述被处理污染物的表面状态的隐含关联语义特征信息。
具体地，在本发明实施例中，所述时序全局关联编码模块140，用于将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量。进一步地，考虑到由于所述各个表面状态监控关键帧中关于所述被处理污染物的表面状态的隐含语义特征在时间维度上具有着时序的动态关联特征信息。
因此，为了能够对于所述被处理污染物的表面状态的时序动态变化特征进行充分地提取，以此来对于微生物新陈代谢活性进行准确地监测，在本发明的技术方案中，进一步将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个表面状态监控关键帧中关于所述被处理污染物的表面状态特征基于时序全局的动态关联特征分布信息，即所述微生物新陈代谢活性状态的时序动态变化特征信息，从而得到解码特征向量。
图4为根据本发明实施例的污水处理智能控制系统中所述时序全局关联编码模块的框图，如图4所示，所述时序全局关联编码模块140，包括：上下文编码单元141，用于将所述至少一个表面状态语义特征向量输入所述基于转换器的上下文编码器以得到至少一个上下文表面状态语义特征向量；高斯混合模型构建单元142，用于计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，所述高斯混合模型的均值向量为所述至少一个上下文表面状态语义特征向量的按位置均值向量，所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；优化加权系数计算单元143，用于分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到至少一个高斯概率密度分布距离指数；加权优化单元144，用于以所述至少一个高斯概率密度分布距离指数作为权重，对所述至少一个上下文表面状态语义特征向量进行加权以得到至少一个优化上下文表面状态语义特征向量；以及，级联单元145，用于将所述至少一个优化上下文表面状态语义特征向量进行级联以得到所述解码特征向量。
图5为根据本发明实施例的污水处理智能控制系统中所述上下文编码单元的框图，如图5所示，所述上下文编码单元141，包括：查询向量构造子单元1411，用于将所述至少一个表面状态语义特征向量进行一维排列以得到全局表面状态特征向量；自注意子单元1412，用于计算所述全局表面状态特征向量与所述至少一个表面状态语义特征向量中各个表面状态语义特征向量的转置向量之间的乘积以得到至少一个自注意力关联矩阵；标准化子单元1413，用于分别对所述至少一个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到至少一个标准化后自注意力关联矩阵；关注度计算子单元1414，用于将所述至少一个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到至少一个概率值；以及，注意力施加子单元1415，用于分别以所述至少一个概率值中各个概率值作为权重对所述至少一个表面状态语义特征向量中各个表面状态语义特征向量进行加权以得到所述至少一个上下文表面状态语义特征向量。
应可以理解，上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选的，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
进一步地，所述高斯混合模型构建单元142，用于：使用如下高斯公式计算所述至少一个上下文表面状态语义特征向量的高斯混合模型；其中，所述高斯公式为：
其中，
表示所述至少一个上下文表面状态语义特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述至少一个上下文表面状态语义特征向量中各个位置的特征值之间的方差。
特别地，在本发明的技术方案中，这里，在至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量时，是将所述至少一个表面状态语义特征向量通过转换器得到的至少一个上下文表面状态语义特征向量直接级联以得到所述解码特征向量，这样，会使得所述解码特征向量在作为目标分类维度的所述至少一个上下文表面状态语义特征向量的融合特征维度上具有较差的一致性和相关性，从而影响所述解码特征向量通过解码器得到的解码值的准确性。
因此，期望收敛所述至少一个上下文表面状态语义特征向量之间在高斯概率密度层面的差异，具体地，首先计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，再进一步计算每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数，表示为：以如下优化公式分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述至少一个高斯概率密度分布距离指数；其中，所述优化公式为：
其中，
是所述至少一个上下文表面状态语义特征向量中的第/>
个上下文表面状态语义特征向量，/>
和/>
是所述高斯混合模型的均值向量和协方差矩阵，所述至少一个上下文表面状态语义特征向量和所述高斯混合模型的均值向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
表示所述至少一个高斯概率密度分布距离指数中的第/>
个高斯概率密度分布距离指数，/>
表示向量的转置向量。
这里，通过计算所述每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于所述高斯混合模型表示的联合高斯概率密度分布的特征分布距离，通过以其分别对所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量进行加权，就可以提高级联得到的所述解码特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在作为目标分类维度的所述至少一个上下文表面状态语义特征向量的融合特征维度上的一致性和相关性，以提升所述解码特征向量通过解码器得到的解码值的准确性。这样，能够对于微生物的新陈代谢的活动特性进行准确地检测，从而实时准确地基于实际的微生物新陈代谢活性来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。
具体地，在本发明实施例中，所述供养速率控制模块150，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供养速率的推荐值。接着，进一步再将所述解码特征向量通过解码器中进行解码回归，以得到用于表示当前时间点的供养速率的推荐值的解码值。
也就是，以所述被处理污染物的表面状态特征基于时序全局的动态关联特征分布信息通过解码器中进行解码，以此来对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率，以优化微生物活性且避免不必要的氧气浪费。
其中，所述供养速率控制模块150，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
，/>
表示所述解码特征向量，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
综上，基于本发明实施例的污水处理智能控制系统100被阐明，获取由摄像头采集的被处理污染物的表面状态监控视频；采用基于深度学习的人工智能技术，挖掘污染物表面的状态特征随时间维度的动态变化特征分布信息，以此对于微生物的新陈代谢的活动特性进行准确地检测，从而基于实际的微生物新陈代谢活性来自适应地调整供养速率。这样，可以优化微生物活性且避免不必要的氧气浪费。
如上所述，根据本发明实施例的污水处理智能控制系统100可以实现在各种终端设备中，例如用于污水处理智能控制的服务器等。在一个示例中，根据本发明实施例的污水处理智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该污水处理智能控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该污水处理智能控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该污水处理智能控制系统100与该终端设备也可以是分立的设备，并且该污水处理智能控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本发明的一个实施例中，图6为根据本发明实施例的污水处理智能控制方法的流程图。如图6所示，根据本发明实施例的污水处理智能控制方法，其包括：210，获取由摄像头采集的被处理污染物的表面状态监控视频；220，从所述表面状态监控视频提取至少一个表面状态监控关键帧；230，将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量；240，将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及，250，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供养速率的推荐值。
图7为根据本发明实施例的污水处理智能控制方法的系统架构的示意图。如图7所示，在所述污水处理智能控制方法的系统架构中，首先，获取由摄像头采集的被处理污染物的表面状态监控视频；然后，从所述表面状态监控视频提取至少一个表面状态监控关键帧；接着，将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量；然后，将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及，最后，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供养速率的推荐值。
在一个具体示例中，在上述污水处理智能控制方法中，从所述表面状态监控视频提取至少一个表面状态监控关键帧，包括：以预定采样频率对所述表面状态监控视频进行关键帧采样，以从所述表面状态监控视频提取至少一个表面状态监控关键帧。
在一个具体示例中，在上述污水处理智能控制方法中，将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量，包括：将所述至少一个表面状态监控关键帧进行图像分块处理，以得到至少一个图像块的序列；使用所述ViT模型的图像块嵌入层分别对所述至少一个图像块的序列中各个图像块进行嵌入化以得到至少一个嵌入化表面状态向量；以及，将所述至少一个嵌入化表面状态向量通过所述包含图像块嵌入层的ViT模型以得到所述至少一个表面状态语义特征向量。
在一个具体示例中，在上述污水处理智能控制方法中，将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量，包括：将所述至少一个表面状态语义特征向量输入所述基于转换器的上下文编码器以得到至少一个上下文表面状态语义特征向量；计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，所述高斯混合模型的均值向量为所述至少一个上下文表面状态语义特征向量的按位置均值向量，所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到至少一个高斯概率密度分布距离指数；以所述至少一个高斯概率密度分布距离指数作为权重，对所述至少一个上下文表面状态语义特征向量进行加权以得到至少一个优化上下文表面状态语义特征向量；以及，将所述至少一个优化上下文表面状态语义特征向量进行级联以得到所述解码特征向量。
在一个具体示例中，在上述污水处理智能控制方法中，将所述至少一个表面状态语义特征向量输入所述基于转换器的上下文编码器以得到至少一个上下文表面状态语义特征向量，包括：将所述至少一个表面状态语义特征向量进行一维排列以得到全局表面状态特征向量；计算所述全局表面状态特征向量与所述至少一个表面状态语义特征向量中各个表面状态语义特征向量的转置向量之间的乘积以得到至少一个自注意力关联矩阵；分别对所述至少一个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到至少一个标准化后自注意力关联矩阵；将所述至少一个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到至少一个概率值；以及，分别以所述至少一个概率值中各个概率值作为权重对所述至少一个表面状态语义特征向量中各个表面状态语义特征向量进行加权以得到所述至少一个上下文表面状态语义特征向量。
在一个具体示例中，在上述污水处理智能控制方法中，计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，所述高斯混合模型的均值向量为所述至少一个上下文表面状态语义特征向量的按位置均值向量，所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差，包括：使用如下高斯公式计算所述至少一个上下文表面状态语义特征向量的高斯混合模型；其中，所述高斯公式为：
其中，
表示所述至少一个上下文表面状态语义特征向量之间的按位置均值向量，且/>
的每个位置的值表示所述至少一个上下文表面状态语义特征向量中各个位置的特征值之间的方差。
在一个具体示例中，在上述污水处理智能控制方法中，分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到至少一个高斯概率密度分布距离指数，包括：以如下优化公式分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述至少一个高斯概率密度分布距离指数；其中，所述优化公式为：
其中，
是所述至少一个上下文表面状态语义特征向量中的第/>
个上下文表面状态语义特征向量，/>
和/>
是所述高斯混合模型的均值向量和协方差矩阵，所述至少一个上下文表面状态语义特征向量和所述高斯混合模型的均值向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
表示所述至少一个高斯概率密度分布距离指数中的第/>
个高斯概率密度分布距离指数，/>
表示向量的转置向量。
在一个具体示例中，在上述污水处理智能控制方法中，将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供养速率的推荐值，包括：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：
，/>
表示所述解码特征向量，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘。
本领域技术人员可以理解，上述污水处理智能控制方法中的各个步骤的具体操作已经在上面参考图1到图5的污水处理智能控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本发明还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本发明的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本发明的实施例可提供为方法、系统或计算机程序产品。因此，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，可采用在一个或至少一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。
本发明实施例的方法、系统和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/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至少一个流程和/或框图一个方框或至少一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至少一个流程和/或框图一个方框或至少一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至少一个流程和/或框图一个方框或至少一个方框中指定的功能的步骤。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了至少一个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种污水处理智能控制系统，其特征在于，包括：
状态视频采集模块，用于获取由摄像头采集的被处理污染物的表面状态监控视频；
关键帧提取模块，用于从所述表面状态监控视频提取至少一个表面状态监控关键帧；
表面状态语义特征提取模块，用于将所述至少一个表面状态监控关键帧分别通过包含图像块嵌入层的ViT模型以得到至少一个表面状态语义特征向量；
时序全局关联编码模块，用于将所述至少一个表面状态语义特征向量通过基于转换器的上下文编码器以得到解码特征向量；以及
供氧速率控制模块，用于将所述解码特征向量通过解码器以得到解码值，所述解码值用于表示当前时间点的供氧速率的推荐值；
所述时序全局关联编码模块，包括：
上下文编码单元，用于将所述至少一个表面状态语义特征向量输入所述基于转换器的上下文编码器以得到至少一个上下文表面状态语义特征向量；
高斯混合模型构建单元，用于计算所述至少一个上下文表面状态语义特征向量的高斯混合模型，所述高斯混合模型的均值向量为所述至少一个上下文表面状态语义特征向量的按位置均值向量，所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差；
优化加权系数计算单元，用于分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到至少一个高斯概率密度分布距离指数；
加权优化单元，用于以所述至少一个高斯概率密度分布距离指数作为权重，对所述至少一个上下文表面状态语义特征向量进行加权以得到至少一个优化上下文表面状态语义特征向量；以及
级联单元，用于将所述至少一个优化上下文表面状态语义特征向量进行级联以得到所述解码特征向量。
2.根据权利要求1所述的污水处理智能控制系统，其特征在于，所述关键帧提取模块，用于：以预定采样频率对所述表面状态监控视频进行关键帧采样，以从所述表面状态监控视频提取至少一个表面状态监控关键帧。
3.根据权利要求2所述的污水处理智能控制系统，其特征在于，所述表面状态语义特征提取模块，包括：
图像分块单元，用于将所述至少一个表面状态监控关键帧进行图像分块处理，以得到至少一个图像块的序列；
嵌入化单元，用于使用所述ViT模型的图像块嵌入层分别对所述至少一个图像块的序列中各个图像块进行嵌入化以得到至少一个嵌入化表面状态向量；以及
编码单元，用于将所述至少一个嵌入化表面状态向量通过所述包含图像块嵌入层的ViT模型以得到所述至少一个表面状态语义特征向量。
4.根据权利要求3所述的污水处理智能控制系统，其特征在于，所述上下文编码单元，包括：
查询向量构造子单元，用于将所述至少一个表面状态语义特征向量进行一维排列以得到全局表面状态特征向量；
自注意子单元，用于计算所述全局表面状态特征向量与所述至少一个表面状态语义特征向量中各个表面状态语义特征向量的转置向量之间的乘积以得到至少一个自注意力关联矩阵；
标准化子单元，用于分别对所述至少一个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到至少一个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述至少一个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到至少一个概率值；以及
注意力施加子单元，用于分别以所述至少一个概率值中各个概率值作为权重对所述至少一个表面状态语义特征向量中各个表面状态语义特征向量进行加权以得到所述至少一个上下文表面状态语义特征向量。
5.根据权利要求4所述的污水处理智能控制系统，其特征在于，所述高斯混合模型构建单元，用于：使用如下高斯公式计算所述至少一个上下文表面状态语义特征向量的高斯混合模型；
其中，所述高斯公式为：
其中，
表示所述至少一个上下文表面状态语义特征向量之间的按位置均值向量，且
的每个位置的值表示所述至少一个上下文表面状态语义特征向量中各个位置的特征值之间的方差。
6.根据权利要求5所述的污水处理智能控制系统，其特征在于，所述优化加权系数计算单元，用于：以如下优化公式分别计算所述至少一个上下文表面状态语义特征向量中的每个上下文表面状态语义特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述至少一个高斯概率密度分布距离指数；
其中，所述优化公式为：
其中，
是所述至少一个上下文表面状态语义特征向量中的第/>
个上下文表面状态语义特征向量，/>
和/>
是所述高斯混合模型的均值向量和协方差矩阵，所述至少一个上下文表面状态语义特征向量和所述高斯混合模型的均值向量均为列向量形式，/>
表示矩阵的指数运算，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，/>
表示按位置减法，/>
表示矩阵乘法，/>
表示所述至少一个高斯概率密度分布距离指数中的第/>
个高斯概率密度分布距离指数，/>
表示向量的转置向量。
7.根据权利要求6所述的污水处理智能控制系统，其特征在于，所述供氧速率控制模块，用于：使用所述解码器以如下解码公式对所述解码特征向量进行解码回归以得到所述解码值；
其中，所述解码公式为：
，/>
表示所述解码特征向量，/>
表示解码值，/>
表示权重矩阵，/>
表示偏置向量，/>
表示矩阵乘法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310420334.3A CN116135797B (zh) | 2023-04-19 | 2023-04-19 | 污水处理智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310420334.3A CN116135797B (zh) | 2023-04-19 | 2023-04-19 | 污水处理智能控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116135797A CN116135797A (zh) | 2023-05-19 |
| CN116135797B true CN116135797B (zh) | 2023-07-04 |
Family
ID=86333704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310420334.3A Active CN116135797B (zh) | 2023-04-19 | 2023-04-19 | 污水处理智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116135797B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116820052B (zh) * | 2023-07-13 | 2024-02-02 | 滁州优胜高分子材料有限公司 | Pbt材料生产设备及其控制方法 |
| CN117138588B (zh) * | 2023-10-27 | 2024-02-13 | 克拉玛依曜诚石油科技有限公司 | 反渗透系统的智能在线清洗方法及其系统 |
| CN117138455B (zh) * | 2023-10-31 | 2024-02-27 | 克拉玛依曜诚石油科技有限公司 | 液体的自动过滤系统及其方法 |
| CN117314709A (zh) * | 2023-11-30 | 2023-12-29 | 吉林省拓达环保设备工程有限公司 | 污水处理进度的智能监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003071256A (ja) * | 2001-08-30 | 2003-03-11 | Sumitomo Heavy Ind Ltd | 膜洗浄方法及び被処理液の処理方法 |
| CN114245206A (zh) * | 2022-02-23 | 2022-03-25 | 阿里巴巴达摩院(杭州)科技有限公司 | 视频处理方法及装置 |
| CN114387641A (zh) * | 2021-12-21 | 2022-04-22 | 中山大学 | 基于多尺度卷积网络和ViT的虚假视频检测方法及系统 |
| CN114677687A (zh) * | 2022-04-14 | 2022-06-28 | 大连大学 | 一种融合ViT与卷积神经网络的毛笔字体类型快速识别方法 |
| CN115424331A (zh) * | 2022-09-19 | 2022-12-02 | 四川轻化工大学 | 基于全局和局部注意力机制的人脸亲属关系特征提取验证方法 |
| CN115423781A (zh) * | 2022-09-05 | 2022-12-02 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于ai识别的3d打印机缺陷检测装置 |
| US11521379B1 (en) * | 2021-09-16 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Method for flood disaster monitoring and disaster analysis based on vision transformer |
| WO2022258666A1 (en) * | 2021-06-08 | 2022-12-15 | Deepmind Technologies Limited | Multimodal few-shot learning with frozen language models |
| CN115527064A (zh) * | 2022-09-21 | 2022-12-27 | 华侨大学 | 基于多阶段ViT与对比学习的毒蘑菇细粒度图像分类方法 |
| JP2022190995A (ja) * | 2021-06-15 | 2022-12-27 | 合同会社Ｈ．Ｕ．グループ中央研究所 | コンピュータプログラム、情報処理方法、学習モデル生成方法及び情報処理装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109857056A (zh) * | 2019-03-08 | 2019-06-07 | 中冶华天南京电气工程技术有限公司 | 一种智能污水处理控制系统 |
| US11126855B2 (en) * | 2019-08-08 | 2021-09-21 | Robert Bosch Gmbh | Artificial-intelligence powered ground truth generation for object detection and tracking on image sequences |
| CN112634347B (zh) * | 2021-01-07 | 2023-09-15 | 沈阳化工大学 | 一种活性污泥形态学和污泥体积指数svi软测量方法 |
| JP2022142749A (ja) * | 2021-03-16 | 2022-09-30 | 株式会社東芝 | 水処理システム |
| EP4095758A1 (en) * | 2021-05-28 | 2022-11-30 | Google LLC | Training large-scale vision transformer neural networks |
| CN114943917B (zh) * | 2022-05-13 | 2023-09-19 | 合肥中盛水务发展有限公司 | 一种视觉识别污水厂好氧池曝气量的算法 |
| CN115100215A (zh) * | 2022-08-29 | 2022-09-23 | 南通市赛孚环保科技有限公司 | 一种污水处理过程中溶解氧含量的预测方法及系统 |
| CN115273078A (zh) * | 2022-09-30 | 2022-11-01 | 南通炜秀环境技术服务有限公司 | 基于图像数据的污水处理方法及系统 |
| CN115594293A (zh) * | 2022-10-19 | 2023-01-13 | 成都兴天水环境治理有限公司（Cn） | 一种城市污水处理用曝气系统及控制方法 |
| CN115896817B (zh) * | 2023-03-08 | 2023-05-19 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
-
2023
- 2023-04-19 CN CN202310420334.3A patent/CN116135797B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003071256A (ja) * | 2001-08-30 | 2003-03-11 | Sumitomo Heavy Ind Ltd | 膜洗浄方法及び被処理液の処理方法 |
| WO2022258666A1 (en) * | 2021-06-08 | 2022-12-15 | Deepmind Technologies Limited | Multimodal few-shot learning with frozen language models |
| JP2022190995A (ja) * | 2021-06-15 | 2022-12-27 | 合同会社Ｈ．Ｕ．グループ中央研究所 | コンピュータプログラム、情報処理方法、学習モデル生成方法及び情報処理装置 |
| US11521379B1 (en) * | 2021-09-16 | 2022-12-06 | Nanjing University Of Information Sci. & Tech. | Method for flood disaster monitoring and disaster analysis based on vision transformer |
| CN114387641A (zh) * | 2021-12-21 | 2022-04-22 | 中山大学 | 基于多尺度卷积网络和ViT的虚假视频检测方法及系统 |
| CN114245206A (zh) * | 2022-02-23 | 2022-03-25 | 阿里巴巴达摩院(杭州)科技有限公司 | 视频处理方法及装置 |
| CN114677687A (zh) * | 2022-04-14 | 2022-06-28 | 大连大学 | 一种融合ViT与卷积神经网络的毛笔字体类型快速识别方法 |
| CN115423781A (zh) * | 2022-09-05 | 2022-12-02 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于ai识别的3d打印机缺陷检测装置 |
| CN115424331A (zh) * | 2022-09-19 | 2022-12-02 | 四川轻化工大学 | 基于全局和局部注意力机制的人脸亲属关系特征提取验证方法 |
| CN115527064A (zh) * | 2022-09-21 | 2022-12-27 | 华侨大学 | 基于多阶段ViT与对比学习的毒蘑菇细粒度图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进ViT的红外人体图像步态识别方法研究;杨彦辰;云利军;梅建华;卢琳;应用光学;44(001);第71-78页 * |
| 基于视觉转换器和图卷积网络的光学遥感场景分类;王嘉楠;高越;史骏;刘子琦;光子学报;50(011);第314-321页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116135797A (zh) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116135797B (zh) | 污水处理智能控制系统 | |
| CN109241536B (zh) | 一种基于深度学习自注意力机制的句子排序方法 | |
| CN116168352B (zh) | 基于图像处理的电网障碍物识别处理方法及系统 | |
| CN108960342B (zh) | 基于改进Soft-Max损失函数的图像相似度计算方法 | |
| CN116046810B (zh) | 基于rpc盖板破坏荷载的无损检测方法 | |
| CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN115690152A (zh) | 一种基于注意力机制的目标追踪方法 | |
| CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
| CN116310565A (zh) | 尿频尿急的中药制作方法及装置 | |
| CN116621409A (zh) | 畜禽粪污资源化处理设备及方法 | |
| CN117006654A (zh) | 基于边缘计算的空调负荷控制系统及其方法 | |
| CN117421591A (zh) | 一种基于文本引导图像块筛选的多模态表征学习方法 | |
| CN116577464A (zh) | 用于大气污染的智能监测系统及其方法 | |
| Chen et al. | Learning multiscale consistency for self-supervised electron microscopy instance segmentation | |
| Liu et al. | A novel hybrid model to predict dissolved oxygen for efficient water quality in intensive aquaculture | |
| Chunhao et al. | Enhanced high‐order information extraction for multiphase batch process fault monitoring | |
| CN115953394B (zh) | 基于目标分割的海洋中尺度涡检测方法及系统 | |
| CN116595551A (zh) | 银行交易数据管理方法及系统 | |
| CN112016403B (zh) | 一种视频异常事件检测方法 | |
| CN115422388A (zh) | 一种视觉对话方法及系统 | |
| Wang et al. | IFTSDNet: An Interact-Feature Transformer Network with Spatial Detail Enhancement Module for Change Detection | |
| CN113792550A (zh) | 预测答案的确定方法及装置、阅读理解方法及装置 | |
| Xie et al. | Multi-channel convolutional neural networks with adversarial training for few-shot relation classification (student abstract) | |
| CN116524416B (zh) | 医疗实验用动物血清提取设备 | |
| CN116870654B (zh) | 工业废气处理系统及其方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |