CN116874002A - 污水处理设备的自动加药系统及其方法 - Google Patents
污水处理设备的自动加药系统及其方法 Download PDFInfo
- Publication number
- CN116874002A CN116874002A CN202311045160.3A CN202311045160A CN116874002A CN 116874002 A CN116874002 A CN 116874002A CN 202311045160 A CN202311045160 A CN 202311045160A CN 116874002 A CN116874002 A CN 116874002A
- Authority
- CN
- China
- Prior art keywords
- classification
- feature
- channel
- feature map
- characteristic
- 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 102
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000007788 liquid Substances 0.000 claims description 105
- 238000010586 diagram Methods 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 65
- 230000009467 reduction Effects 0.000 claims description 62
- 238000004811 liquid chromatography Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 239000007791 liquid phase Substances 0.000 claims description 11
- 238000004065 wastewater treatment Methods 0.000 claims description 11
- 230000000873 masking effect Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 15
- 238000009826 distribution Methods 0.000 description 28
- 239000003344 environmental pollutant Substances 0.000 description 20
- 231100000719 pollutant Toxicity 0.000 description 20
- 238000000605 extraction Methods 0.000 description 12
- 239000000126 substance Substances 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 229910021645 metal ion Inorganic materials 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 229910002651 NO3 Inorganic materials 0.000 description 6
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 239000000645 desinfectant Substances 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 239000007800 oxidant agent Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 3
- 206010021143 Hypoxia Diseases 0.000 description 3
- 229910019142 PO4 Inorganic materials 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 150000001720 carbohydrates Chemical class 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000011203 carbon fibre reinforced carbon Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000012851 eutrophication Methods 0.000 description 3
- 239000003925 fat Substances 0.000 description 3
- 239000008394 flocculating agent Substances 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000000050 nutritive effect Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 description 3
- 239000010452 phosphate Substances 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 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
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 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
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- 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
- C02F1/50—Treatment of water, waste water, or sewage by addition or application of a germicide or by oligodynamic treatment
-
- 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
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
-
- 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
- C02F1/66—Treatment of water, waste water, or sewage by neutralisation; pH adjustment
-
- 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
- C02F1/72—Treatment of water, waste water, or sewage by oxidation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2201/00—Apparatus for treatment of water, waste water or sewage
- C02F2201/002—Construction details of the apparatus
- C02F2201/007—Modular design
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2303/00—Specific treatment goals
- C02F2303/14—Maintenance of water treatment installations
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Physical Water Treatments (AREA)
Abstract
本申请涉及污水自动化处理领域,其具体公开了一种污水处理设备的自动加药系统及其方法,其采用基于深度学习的人工智能检测技术,通过对污水的液相色谱图进行降噪后,提取出在空间上的特征位置信息以及在通道上的内容关联特征信息来识别出所述污水的液相色谱图中关于污染物的含量特征分布,并将上述特征分布通过分类器以得到分类结果,所述分类结果用于表示当前污水的污染程度是否需要加药。这样,可以根据实际情况,自动控制药剂的时间,确保药剂的投加时间准确,从而提高处理效果和节约药剂成本。
Description
技术领域
本申请涉及污水自动化处理领域,且更为具体的涉及一种污水处理设备的自动加药系统及其方法。
背景技术
污水中污染物质的处理通常需要加药来去除。污染物质包括主要包括有机物、无机物等。有机物是指含有碳的化合物,如蛋白质、脂肪、糖类等,这些有机物会消耗氧气,导致水体缺氧。无机物是指不含碳-碳键的物质,包括金属离子、氨氮、硝酸盐、磷酸盐等。这些无机物的含量高低直接影响到污水的性质和处理难度。例如,氨氮和硝酸盐是污水中常见的营养盐,如果它们的含量过高,会导致水体富营养化,引发藻类大量繁殖,从而影响水质和生态环境。另外,金属离子也是污水中常见的污染物之一,如果超标,会对生态环境和人体健康造成危害。因此,在污水处理过程中,通常需要加入各种药剂来去除污染物,如氧化剂、消毒剂、絮凝剂、pH调节剂等。传统的手动加药方式存在着加药时间不稳定、操作繁琐等问题,容易导致处理效果不佳或者药剂浪费。
因此,期待一种污水处理设备的自动加药系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种污水处理设备的自动加药系统及其方法,其采用基于深度学习的人工智能检测技术,通过对污水的液相色谱图进行降噪后,提取出在空间上的特征位置信息以及在通道上的内容关联特征信息来识别出所述污水的液相色谱图中关于污染物的含量特征分布,并将上述特征分布通过分类器以得到分类结果,所述分类结果用于表示当前污水的污染程度是否需要加药。这样,可以根据实际情况,自动控制药剂的时间,确保药剂的投加时间准确,从而提高处理效果和节约药剂成本。
根据本申请的一个方面,提供了一种污水处理设备的自动加药系统,其包括:
数据获取模块,用于获取待检测污水的液相色谱图;
降噪模块,用于将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图;
空间注意力施加模块,用于将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图;
通道注意力施加模块,用于将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图;
融合模块,用于融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;
优化模块,用于对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图;以及
结果生成模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
在上述的污水处理设备的自动加药系统中,所述降噪模块,用于:
将所述液相色谱图输入所述基于自动编解码器的降噪模块的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;以及
将所述图像特征输入所述基于自动编解码器的降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后液相色谱图。
在上述的污水处理设备的自动加药系统中,所述自动编解码器的图像编码器包括至少一个卷积层,所述自动编解码器的图像解码器包含至少一个反卷积层。
在上述的污水处理设备的自动加药系统中,所述空间注意力施加模块,包括:
深度卷积编码单元,用于使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后液相色谱图进行深度卷积编码以得到初始卷积特征图;
空间注意力单元,用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;
激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到空间增强液相色谱特征图。
在上述的污水处理设备的自动加药系统中,所述通道注意力施加模块,用于:
使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;
其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述通道增强液相色谱特征图。
在上述的污水处理设备的自动加药系统中,所述融合模块,包括:
以如下融合公式来融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;
其中,所述融合公式为:
其中,Fd为所述分类特征图,Fa为所述空间增强液相色谱特征图,Fb为所述通道增强液相色谱特征图,表示所述空间增强液相色谱特征图和所述通道增强液相色谱特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述空间增强液相色谱特征图和所述通道增强液相色谱特征图之间的平衡的加权参数。
在上述的污水处理设备的自动加药系统中,所述优化模块,包括:
展平单元,用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征局部特征向量;
推土机距离计算单元,用于计算所述多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的推土机距离以得到所述各个分类特征局部特征向量的多个推土机距离;
加和单元,用于计算所述各个分类特征局部特征向量的多个推土机距离的加和值作为所述各个分类特征局部特征向量的局部特征自聚类特征值;和
掩码化单元,用于基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图。
在上述的污水处理设备的自动加药系统中,所述结果生成模块,包括:
展开单元,用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
激活单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,还提供了一种污水处理设备的自动加药控制方法,其包括:
获取待检测污水的液相色谱图;
将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图;
将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图;
将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图;
融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;
对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图;以及
将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
与现有技术相比,本申请提供的污水处理设备的自动加药系统及其方法,其采用基于深度学习的人工智能检测技术,通过对污水的液相色谱图进行降噪后,提取出在空间上的特征位置信息以及在通道上的内容关联特征信息来识别出所述污水的液相色谱图中关于污染物的含量特征分布,并将上述特征分布通过分类器以得到分类结果,所述分类结果用于表示当前污水的污染程度是否需要加药。这样,可以根据实际情况,自动控制药剂的时间,确保药剂的投加时间准确,从而提高处理效果和节约药剂成本。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的污水处理设备的自动加药系统的框图。
图2图示了根据本申请实施例的污水处理设备的自动加药系统的系统架构图。
图3图示了根据本申请实施例的污水处理设备的自动加药系统中空间注意力施加模块的框图。
图4图示了根据本申请实施例的污水处理设备的自动加药系统中结果生成模块的框图。
图5图示了根据本申请实施例的污水处理设备的自动加药控制方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言,污水中污染物质的处理通常需要加药来去除。污染物质包括主要包括有机物、无机物等。有机物是指含有碳的化合物,如蛋白质、脂肪、糖类等,这些有机物会消耗氧气,导致水体缺氧。无机物是指不含碳-碳键的物质,包括金属离子、氨氮、硝酸盐、磷酸盐等。这些无机物的含量高低直接影响到污水的性质和处理难度。例如,氨氮和硝酸盐是污水中常见的营养盐,如果它们的含量过高,会导致水体富营养化,引发藻类大量繁殖,从而影响水质和生态环境。另外,金属离子也是污水中常见的污染物之一,如果超标,会对生态环境和人体健康造成危害。因此,在污水处理过程中,通常需要加入各种药剂来去除污染物,如氧化剂、消毒剂、絮凝剂、pH调节剂等。传统的手动加药方式存在着加药时间不稳定、操作繁琐等问题,容易导致处理效果不佳或者药剂浪费。因此,期待一种污水处理设备的自动加药方案。
目前,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、语音信号处理等领域。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。
近年来,深度学习以及神经网络的发展为污水处理设备的自动加药系统提供了新的解决思路和方案。
相应地,考虑到在污水处理过程中,需要投加各种药剂来去除污染物,如氧化剂、消毒剂、絮凝剂、pH调节剂等。传统的手动加药方式存在着加药时间不稳定、操作繁琐等问题,容易导致处理效果不佳或者药剂浪费。
基于此,在本申请的技术方案中,采用基于深度学习的人工智能检测技术,以通过对于污水的液相色谱图进行降噪后,提取出其在空间上的特征位置信息以及在通道上的内容关联特征信息,来识别出所述污水的液相色谱图中关于污染物的含量特征分布,并将上述特征分布通过分类器以得到分类结果,所述分类结果用于当前污水的污染程度是否需要加药,减少人工成本,提高加药的精度。
具体地,在本申请的技术方案中,首先,获取待检测污水的液相色谱图。接着,考虑到在进行所述待检测污水的液相色谱图的采集过程中,可能会因环境因素而导致采集的液相色谱图存在大量的噪声干扰,致使对于所述液相色谱图像中的特征提取变得困难,因此,为了能够提高特征提取的能力以提升对于当前污染程度是否需要加药的判断的精准度,进一步将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图。特别地,这里,所述自动编解码器的图像编码器包括至少一个卷积层,所述自动编解码器的图像解码器包含至少一个反卷积层。
进一步地,使用在图像的局部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降噪后液相色谱图的特征挖掘,特别地,考虑到对于所述降噪后的液相色谱图来说,其中的各个局部隐含特征之间都具有着关联性,并且在进行所述降噪后液相色谱图的特征提取时,还应关注于其在空间上的重要特征的分布信息以及在通道上的内容特征关联信息。因此,在本申请的技术方案中,为了能够提高对于所述降噪后液相色谱图的特征提取效果以准确地判断当前污染程度是否需要加药,进一步使用双重注意力的卷积神经网络模型来进行所述降噪后液相色谱图的特征挖掘。
特别地,这里,所述双重注意力机制为空间注意力机制和通道注意力机制。也就是,将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以挖掘出所述降噪后液相色谱图中的重要特征分布在空间位置上的特征信息,从而得到空间增强液相色谱特征图;并且,将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以挖掘出其在通道上的内容特征关联信息,从而得到通道增强液相色谱特征图。应可以理解,所述通道注意力所提取到的图像特征反映了特征通道间的相关性和重要性,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征。所述通道注意力和所述空间注意力能够分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,使得不同类型的关于污水中污染物含量的有效信息被大量捕捉到,可有效增强特征辨别学习能力,在网络训练过程中,任务处理系统更专注于找到输入图像数据中显著的与当前输出相关的有用信息,从而提高输出的质量,且渐增的注意力模块将带来持续的性能提升。
然后,再融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以融合所述降噪后液相色谱图中关于污染物的重要特征分布信息以及内容关联特征分布信息,并以此作为分类特征图通过分类器中得到用于表示当前时间点污水的污染程度是否需要加药的分类结果。这样,能够对于当前时间点污水的污染程度是否需要加药进行智能处理,以在降低人力成本的同时提高精准度。
在本申请的技术方案中,考虑到所述分类特征图是高维、复杂和非凸的局部特征矩阵的集合,其中,在所述分类特征图的沿通道维度的各个局部特征矩阵中,部分局部特征矩阵是噪声信息对应的特征矩阵或者异常特征对应的特征矩阵,这部分局部特征矩阵会影响所述分类特征图的分类判断的精准度。
基于此,在本申请的技术方案中,首先对所述分类特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征局部特征向量。进而,以所述多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的推土机距离来表示多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的特征分布的相似性,也就是,所述分类特征矩阵的沿通道维度的各个局部特征矩阵之间的特征分布的降维相似度。并计算所述计算所述各个分类特征局部特征向量的多个推土机距离的加和值作为所述各个分类特征局部特征向量的局部特征自聚类特征值,这里所述局部特征自聚类特征值用于表示所述分类特征图的沿通道维度的各个特征矩阵相对于所述分类特征图的全局特征分布的全局聚类特征值。
接着,基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图。例如,在一个具体的示例中,基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图,包括:基于各个分类特征局部特征向量的局部特征间自聚类特征值与预定阈值之间的比较,确定是否对所述分类特征图的对应通道维度的特征矩阵进行矩阵归零。
这样,对所述分类特征图进行基于局部特征自聚类的稀疏优化以基于所述分类特征图的各个局部特征分布之间的数据分布内相关性和相似度来识别出所述分类特征图中噪声信息对应的特征矩阵或者异常特征对应的特征矩阵以在降低所述分类特征图的有效维度的同时且使得所述分类特征图能够更为有效地反应数据的本质特征和规律,通过这样的方式,提高所述分类特征图的分类判断的精准度。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的污水处理设备的自动加药系统的框图。如图1所示,根据本申请实施例的污水处理设备的自动加药系统100,包括:数据获取模块110,用于获取待检测污水的液相色谱图;降噪模块120,用于将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图;空间注意力施加模块130,用于将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图;通道注意力施加模块140,用于将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图;融合模块150,用于融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;优化模块150,用于对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图;以及结果生成模块160,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
图2图示了根据本申请实施例的污水处理设备的自动加药系统的系统架构图。如图2所示,在该系统架构中,首先,获取待检测污水的液相色谱图。然后,将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图。接着,将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图。同时,将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图。然后,融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图。接着,对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图。最后,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
在上述的污水处理设备的自动加药系统100中,数据获取模块110,用于获取待检测污水的液相色谱图。如上述背景技术所言,污水中污染物质的处理通常需要加药来去除。污染物质包括主要包括有机物、无机物等。有机物是指含有碳的化合物,如蛋白质、脂肪、糖类等,这些有机物会消耗氧气,导致水体缺氧。无机物是指不含碳-碳键的物质,包括金属离子、氨氮、硝酸盐、磷酸盐等。这些无机物的含量高低直接影响到污水的性质和处理难度。例如,氨氮和硝酸盐是污水中常见的营养盐,如果它们的含量过高,会导致水体富营养化,引发藻类大量繁殖,从而影响水质和生态环境。另外,金属离子也是污水中常见的污染物之一,如果超标,会对生态环境和人体健康造成危害。因此,在污水处理过程中,通常需要加入各种药剂来去除污染物,如氧化剂、消毒剂、絮凝剂、pH调节剂等。传统的手动加药方式存在着加药时间不稳定、操作繁琐等问题,容易导致处理效果不佳或者药剂浪费。而自动加药系统可以根据实际情况,自动控制药剂的投加量和时间,确保药剂的投加量准确、均匀,从而提高处理效果和节约药剂成本。因此,期待一种污水处理设备的自动加药方案。目前,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、语音信号处理等领域。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。近年来,深度学习以及神经网络的发展为污水处理设备的自动加药系统提供了新的解决思路和方案。相应地,考虑到在污水处理过程中,需要投加各种药剂来去除污染物,如氧化剂、消毒剂、絮凝剂、pH调节剂等。传统的手动加药方式存在着加药时间不稳定、操作繁琐等问题,容易导致处理效果不佳或者药剂浪费。基于此,在本申请的技术方案中,采用基于深度学习的人工智能检测技术,以通过对于污水的液相色谱图进行降噪后,提取出其在空间上的特征位置信息以及在通道上的内容关联特征信息,来识别出所述污水的液相色谱图中关于污染物的含量特征分布,并将上述特征分布通过分类器以得到分类结果,所述分类结果用于当前污水的污染程度是否需要加药,减少人工成本,提高加药的精度。具体地,在本申请的技术方案中,首先,获取待检测污水的液相色谱图。
在上述的污水处理设备的自动加药系统100中,降噪模块120,用于将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图。考虑到在进行所述待检测污水的液相色谱图的采集过程中,可能会因环境因素而导致采集的液相色谱图存在大量的噪声干扰,致使对于所述液相色谱图像中的特征提取变得困难,因此,为了能够提高特征提取的能力以提升对于当前污染程度是否需要加药的判断的精准度,进一步将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图。特别地,这里,所述自动编解码器的图像编码器包括至少一个卷积层,所述自动编解码器的图像解码器包含至少一个反卷积层。
具体地,在本申请实施例中,所述降噪模块120,用于:将所述液相色谱图输入所述基于自动编解码器的降噪模块的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;以及将所述图像特征输入所述基于自动编解码器的降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后液相色谱图。
具体地,在本申请实施例中,所述自动编解码器的图像编码器包括至少一个卷积层,所述自动编解码器的图像解码器包含至少一个反卷积层。
在上述的污水处理设备的自动加药系统100中,空间注意力施加模块130,用于将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图。使用在图像的局部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降噪后液相色谱图的特征挖掘,特别地,考虑到对于所述降噪后的液相色谱图来说,其中的各个局部隐含特征之间都具有着关联性,并且在进行所述降噪后液相色谱图的特征提取时,还应关注于其在空间上的重要特征的分布信息以及在通道上的内容特征关联信息。因此,在本申请的技术方案中,为了能够提高对于所述降噪后液相色谱图的特征提取效果以准确地判断当前污染程度是否需要加药,进一步使用双重注意力的卷积神经网络模型来进行所述降噪后液相色谱图的特征挖掘。特别地,这里,所述双重注意力机制为空间注意力机制和通道注意力机制。也就是,将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以挖掘出所述降噪后液相色谱图中的重要特征分布在空间位置上的特征信息,从而得到空间增强液相色谱特征图。
图3图示了根据本申请实施例的污水处理设备的自动加药系统中空间注意力施加模块的框图。如图3所示,所述空间注意力施加模块130,包括:深度卷积编码单元131,用于使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后液相色谱图进行深度卷积编码以得到初始卷积特征图;空间注意力单元132,用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;激活单元133,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及计算单元134,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到空间增强液相色谱特征图。
在上述的污水处理设备的自动加药系统100中,通道注意力施加模块140,用于将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图。将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以挖掘出其在通道上的内容特征关联信息,从而得到通道增强液相色谱特征图。应可以理解,所述通道注意力所提取到的图像特征反映了特征通道间的相关性和重要性,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征。所述通道注意力和所述空间注意力能够分别关注图像中的特征内容和特征位置,在一定程度上相互补充,提升了网络的特征提取效果,使得不同类型的关于污水中污染物含量的有效信息被大量捕捉到,可有效增强特征辨别学习能力,在网络训练过程中,任务处理系统更专注于找到输入图像数据中显著的与当前输出相关的有用信息,从而提高输出的质量,且渐增的注意力模块将带来持续的性能提升。
具体地,在本申请实施例中,所述通道注意力施加模块,用于:使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述通道增强液相色谱特征图。
在上述的污水处理设备的自动加药系统100中,融合模块150,用于融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图。融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以融合所述降噪后液相色谱图中关于污染物的重要特征分布信息以及内容关联特征分布信息,并以此作为分类特征图。
具体地,在本申请实施例中,所述融合模块150,包括:以如下融合公式来融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;其中,所述融合公式为:
其中,Fd为所述分类特征图,Fa为所述空间增强液相色谱特征图,Fb为所述通道增强液相色谱特征图,表示所述空间增强液相色谱特征图和所述通道增强液相色谱特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述空间增强液相色谱特征图和所述通道增强液相色谱特征图之间的平衡的加权参数。
在上述的污水处理设备的自动加药系统100中,优化模块160,用于对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图。在本申请的技术方案中,考虑到所述分类特征图是高维、复杂和非凸的局部特征矩阵的集合,其中,在所述分类特征图的沿通道维度的各个局部特征矩阵中,部分局部特征矩阵是噪声信息对应的特征矩阵或者异常特征对应的特征矩阵,这部分局部特征矩阵会影响所述分类特征图的分类判断的精准度。
基于此,在本申请的技术方案中,首先对所述分类特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征局部特征向量。进而,以所述多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的推土机距离来表示多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的特征分布的相似性,也就是,所述分类特征矩阵的沿通道维度的各个局部特征矩阵之间的特征分布的降维相似度。并计算所述计算所述各个分类特征局部特征向量的多个推土机距离的加和值作为所述各个分类特征局部特征向量的局部特征自聚类特征值,这里所述局部特征自聚类特征值用于表示所述分类特征图的沿通道维度的各个特征矩阵相对于所述分类特征图的全局特征分布的全局聚类特征值。
接着,基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图。例如,在一个具体的示例中,基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图,包括:基于各个分类特征局部特征向量的局部特征间自聚类特征值与预定阈值之间的比较,确定是否对所述分类特征图的对应通道维度的特征矩阵进行矩阵归零。
这样,对所述分类特征图进行基于局部特征自聚类的稀疏优化以基于所述分类特征图的各个局部特征分布之间的数据分布内相关性和相似度来识别出所述分类特征图中噪声信息对应的特征矩阵或者异常特征对应的特征矩阵以在降低所述分类特征图的有效维度的同时且使得所述分类特征图能够更为有效地反应数据的本质特征和规律,通过这样的方式,提高所述分类特征图的分类判断的精准度。
具体地,在本申请实施例中,所述优化模块160,包括:展平单元,用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征局部特征向量;推土机距离计算单元,用于计算所述多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的推土机距离以得到所述各个分类特征局部特征向量的多个推土机距离;加和单元,用于计算所述各个分类特征局部特征向量的多个推土机距离的加和值作为所述各个分类特征局部特征向量的局部特征自聚类特征值;以及掩码化单元,用于基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图。
在上述的污水处理设备的自动加药系统100中,结果生成模块170,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。所述优化分类特征图通过分类器中得到用于表示当前时间点污水的污染程度是否需要加药的分类结果。这样,能够对于当前时间点污水的污染程度是否需要加药进行智能处理,以在降低人力成本的同时提高精准度。
图4图示了根据本申请实施例的污水处理设备的自动加药系统中结果生成模块的框图。如图4所示,所述结果生成模块,包括:展开单元171,用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;全连接编码单元172,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及激活单元173,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
示例性方法
图5图示了根据本申请实施例的污水处理设备的自动加药控制方法的流程图。如图5所示,根据本申请实施例的所述污水处理设备的自动加药控制方法,包括步骤:S110,获取待检测污水的液相色谱图;S120,将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图;S130,将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图;S140,将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图;S150,融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;S160,对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图;以及S170,将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
这里,本领域技术人员可以理解,上述污水处理设备的自动加药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4的污水处理设备的自动加药系统的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的污水处理设备的自动加药系统100可以实现在各种终端设备中,例如污水处理设备的自动加药控制服务器等。在一个示例中,根据本申请实施例的污水处理设备的自动加药系统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,该污水处理设备的自动加药系统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,该污水处理设备的自动加药系统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,该污水处理设备的自动加药控制系统100与该终端设备也可以是分立的设备,并且该污水处理设备的自动加药系统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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、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,在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此,本申请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。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多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 (10)
1.一种污水处理设备的自动加药系统,其特征在于,包括:
数据获取模块,用于获取待检测污水的液相色谱图;
降噪模块,用于将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图;
空间注意力施加模块,用于将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图;
通道注意力施加模块,用于将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图;
融合模块,用于融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;
优化模块,用于对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图;以及
结果生成模块,用于将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
2.根据权利要求1所述的污水处理设备的自动加药系统,其特征在于,所述降噪模块,用于:
将所述液相色谱图输入所述基于自动编解码器的降噪模块的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;以及
将所述图像特征输入所述基于自动编解码器的降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后液相色谱图。
3.根据权利要求2所述的污水处理设备的自动加药系统,其特征在于,所述自动编解码器的图像编码器包括至少一个卷积层,所述自动编解码器的图像解码器包含至少一个反卷积层。
4.根据权利要求3所述的污水处理设备的自动加药系统,其特征在于,所述空间注意力施加模块,包括:
深度卷积编码单元,用于使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后液相色谱图进行深度卷积编码以得到初始卷积特征图;
空间注意力单元,用于将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;
激活单元,用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算单元,用于计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到空间增强液相色谱特征图。
5.根据权利要求4所述的污水处理设备的自动加药系统,其特征在于,所述通道注意力施加模块,用于:
使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;
其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述通道增强液相色谱特征图。
6.根据权利要求5所述的污水处理设备的自动加药系统,其特征在于,所述融合模块,包括:
以如下融合公式来融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;
其中,所述融合公式为:
Fd=αFa⊕βFb
其中,Fd为所述分类特征图,Fa为所述空间增强液相色谱特征图,Fb为所述通道增强液相色谱特征图,“⊕”表示所述空间增强液相色谱特征图和所述通道增强液相色谱特征图相对应位置处的元素相加,α和β为用于控制所述分类特征图中所述空间增强液相色谱特征图和所述通道增强液相色谱特征图之间的平衡的加权参数。
7.根据权利要求6所述的污水处理设备的自动加药系统,其特征在于,所述优化模块,包括:
展平单元,用于将所述分类特征图的沿通道维度的各个特征矩阵进行特征展平以得到多个分类特征局部特征向量;
推土机距离计算单元,用于计算所述多个分类特征局部特征向量中各个分类特征局部特征向量与其他分类特征局部特征向量之间的推土机距离以得到所述各个分类特征局部特征向量的多个推土机距离;
加和单元,用于计算所述各个分类特征局部特征向量的多个推土机距离的加和值作为所述各个分类特征局部特征向量的局部特征自聚类特征值;和
掩码化单元,用于基于所述各个分类特征局部特征向量的局部特征间自聚类特征值,对所述分类特征图的对应通道维度的特征矩阵进行掩码化以得到优化分类特征图。
8.根据权利要求7所述的污水处理设备的自动加药系统,其特征在于,所述结果生成模块,包括:
展开单元,用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
激活单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种污水处理设备的自动加药方法,包括:
获取待检测污水的液相色谱图;
将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图;
将所述降噪后液相色谱图通过使用空间注意力的第一卷积神经网络模型以得到空间增强液相色谱特征图;
将所述降噪后液相色谱图通过使用通道注意力的第二卷积神经网络模型以得到通道增强液相色谱特征图;
融合所述空间增强液相色谱特征图和所述通道增强液相色谱特征图以得到分类特征图;
对所述分类特征图进行基于局部特征自聚类的稀疏优化以得到优化分类特征图;以及
将所述优化分类特征图通过分类器以得到分类结果,所述分类结果用于表示当前时间点污水的污染程度是否需要加药。
10.根据权利要求9所述的污水处理设备的自动加药方法,其特征在于,将所述液相色谱图通过基于自动编解码器的降噪模块以得到降噪后液相色谱图,用于:
将所述液相色谱图输入所述基于自动编解码器的降噪模块的编码器,其中,所述编码器使用卷积层对所述液相色谱图进行显式空间编码以得到图像特征;以及
将所述图像特征输入所述基于自动编解码器的降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后液相色谱图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311045160.3A CN116874002A (zh) | 2023-08-17 | 2023-08-17 | 污水处理设备的自动加药系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311045160.3A CN116874002A (zh) | 2023-08-17 | 2023-08-17 | 污水处理设备的自动加药系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116874002A true CN116874002A (zh) | 2023-10-13 |
Family
ID=88270180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311045160.3A Pending CN116874002A (zh) | 2023-08-17 | 2023-08-17 | 污水处理设备的自动加药系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116874002A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117383768A (zh) * | 2023-12-08 | 2024-01-12 | 中国林业科学研究院林产化学工业研究所 | 一种污水循环处理控制系统及方法 |
-
2023
- 2023-08-17 CN CN202311045160.3A patent/CN116874002A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117383768A (zh) * | 2023-12-08 | 2024-01-12 | 中国林业科学研究院林产化学工业研究所 | 一种污水循环处理控制系统及方法 |
CN117383768B (zh) * | 2023-12-08 | 2024-03-12 | 中国林业科学研究院林产化学工业研究所 | 一种污水循环处理控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116030B (zh) | 一种基于向量标准化和知识蒸馏的图像分类方法 | |
CN116874002A (zh) | 污水处理设备的自动加药系统及其方法 | |
CN109635763B (zh) | 一种人群密度估计方法 | |
CN110619124B (zh) | 一种结合注意力机制与双向lstm的命名实体识别方法及系统 | |
US20220026409A1 (en) | Method and system for predicting disinfection by-products in drinking water | |
CN111753986A (zh) | 面向深度学习模型的动态测试方法及其装置 | |
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 | |
CN116146309A (zh) | 船舶尾气处理系统及其方法 | |
CN114203262A (zh) | 一种基于可循环清洁压裂液体系的污水利用方法及系统 | |
CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及系统 | |
CN116883792A (zh) | 基于fa-gan的极光卵强度图像建模方法 | |
Akritas et al. | 7 Statistical analysis of censored environmental data | |
CN110321568B (zh) | 基于融合词性和位置信息的汉-越卷积神经机器翻译方法 | |
CN116449881A (zh) | 智能气缸及其控制方法 | |
CN116503314A (zh) | 用于门制造的质量检测系统及方法 | |
CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
Takeshita et al. | What do we want to estimate from observational datasets? Choosing appropriate statistical analysis methods based on the chemical management phase | |
CN113343235A (zh) | 基于Transformer的应用层恶意有效负载检测方法、系统、设备及介质 | |
Maleki et al. | Removal of Ni (II) ions from wastewater by ion exchange resin: Process optimization using response surface methodology and ensemble machine learning techniques | |
CN112183676A (zh) | 一种基于混合降维与核函数极限学习机的水质软测量方法 | |
CN116223661B (zh) | 测定大蒜废水中大蒜素含量的方法 | |
CN115019068B (zh) | 一种基于编解码架构的渐进式显著目标识别方法 | |
Al Ananzeh et al. | Kinetic Model for the Degradation of MTBE by Fenton’s Oxidation | |
CN117236409B (zh) | 基于大模型的小模型训练方法、装置、系统和存储介质 | |
CN117085492A (zh) | 工业废气处理用喷淋控制系统及其方法 |
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 |