CN117058622A - 污水处理设备的智能监测系统及其方法 - Google Patents
污水处理设备的智能监测系统及其方法 Download PDFInfo
- Publication number
- CN117058622A CN117058622A CN202311117477.3A CN202311117477A CN117058622A CN 117058622 A CN117058622 A CN 117058622A CN 202311117477 A CN202311117477 A CN 202311117477A CN 117058622 A CN117058622 A CN 117058622A
- Authority
- CN
- China
- Prior art keywords
- temperature
- vector
- feature
- sewage
- scale
- 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.)
- Withdrawn
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 233
- 238000012544 monitoring process Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 312
- 238000000605 extraction Methods 0.000 claims description 81
- 238000013527 convolutional neural network Methods 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 15
- 238000004065 wastewater treatment Methods 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000010802 sludge Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004062 sedimentation Methods 0.000 description 6
- 239000002351 wastewater Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000000813 microbial effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 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
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本申请涉及智能监测领域,其具体地公开了一种污水处理设备的智能监测系统及其方法,其通过使用基于深度学习的深度神经网络模型对污水处理设备的监控视频和多个预定时间点的污水温度进行获取,接着,对污水处理设备的监控视频提取视频关键帧并通过作为过滤器的卷积神经网络模型和第一多尺度邻域特征提取模块,以得到浑浊度时序关联特征向量,并将多个预定时间点的污水温度通过第二多尺度领域特征提取模块得到温度时序关联特征向量,然后对二者进行融合得到融合特征向量,并通过分类器得到分类结果,以此来自适应地判断污水温度是否需要升高或降低。
Description
技术领域
本申请涉及智能监测领域,且更为具体地,涉及一种污水处理设备的智能监测系统及其方法。
背景技术
水是地球上生命存在和发展的基础,水资源的可用性和管理对于维持生命活动、粮食安全、水力发电、核能发电和一些可再生能源的利用等多个方面起到了重要作用。因此,保护和合理利用水资源是我们每个人和整个社会的责任。
在过去,污水处理设备的污水温度监测主要依赖于人工采集数据和经验判断。这种方法通常需要人工取样和分析,这需要耗费时间和人力资源,并且人工操作可能存在误差和主观性,导致数据的准确性和可靠性受到影响。传统污水处理设备的污水温度监测方法通常在有限的采样点进行取样和分析,无法全面覆盖污水处理系统的各个环节,这可能导致污水温度监测结果的局限性,无法准确判断是否对污水温度进行升高或降低。
因此,期待一种更为优化的污水处理设备的智能监测系统及其方法。
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智能监测系统及其方法,其通过使用基于深度学习的深度神经网络模型对污水处理设备的监控视频和多个预定时间点的污水温度进行获取,接着,对污水处理设备的监控视频提取视频关键帧并通过作为过滤器的卷积神经网络模型和第一多尺度邻域特征提取模块,以得到浑浊度时序关联特征向量,并将多个预定时间点的污水温度通过第二多尺度领域特征提取模块得到温度时序关联特征向量,然后对二者进行融合得到融合特征向量,并通过分类器得到分类结果,以此来自适应地判断污水温度是否需要升高或降低。
根据本申请的一个方面,提供了一种污水处理设备的智能监测系统,其包括:污水数据采集模块,用于获取由水下摄像机采集的污水处理监控视频和由温度传感器采集的多个预定时间点的污水温度;关键帧提取模块,用于从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧;浑浊度编码模块,用于将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量;浑浊度特征提取模块,用于将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;温度特征排列模块,用于将所述多个预定时间点的污水温度按照时间维度排列为温度输入向量;温度特征提取模块,用于将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量;融合模块,用于将所述浑浊度时序关联特征向量和所述温度时序关联特征向量进行融合得到融合特征向量;分类模块,用于将所述融合特征向量通过分类器得到分类结果,所述分类结果用于表示污水温度是否需要升高或降低。
在上述污水处理设备的智能监测系统中,所述浑浊度特征编码模块,包括:使用二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述二维卷积神经网络模型的第一层的输入为所述多个污水监控视频关键帧,所述二维卷积神经网络模型的最后一层的输出为所述多个浑浊度特征向量。
在上述污水处理设备的智能监测系统中,所述浑浊度特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的二维卷积核,所述第二卷积核使用具有第二尺度的二维卷积核。
在上述污水处理设备的智能监测系统中,所述温度特征提取模块,包括:
第一尺度特征提取单元,用于将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元,用于将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;多尺度级联单元,用于将所述第一尺度污水温度特征向量和所述第二尺度污水温度特征向量进行级联以得到所述温度时序关联特征向量。
在上述污水处理设备的智能监测系统中,所述温度特征提取模块,包括:
使用所述第二多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度污水温度特征向量;
其中,所述第一尺度卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述温度输入向量,Cov(X)表示对所述温度输入向量进行一维卷积编码;
所述第二尺度特征提取单元,用于:使用所述第二多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度污水温度特征向量;
其中,所述第二尺度卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述温度输入向量,Cov(X)表示对所述温度输入向量进行一维卷积编码。
在上述污水处理设备的智能监测系统中,所述融合模块,包括:协方差单元,分别计算所述浑浊度时序关联特征向量和所述温度时序关联特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵;第一奇异值分解单元,对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量;第二奇异值分解单元,对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量;提取单元,从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基;映射单元,将所述浑浊度时序关联特征向量和所述温度时序关联特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量;加权单元,计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
在上述污水处理设备的智能监测系统中,所述分类模块,包括:使用所述分类器以如下分类公式对所述融合特征向量进行处理以生成分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)│Vc}
其中O为所述分类结果,Vc表示所述融合特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。
根据本申请的另一方面,提供了一种污水处理设备的智能监测方法,其包括:获取由水下摄像机获取的污水处理设备监控视频和使用温度传感器获取多个预定时间点的污水温度;从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧;将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量;将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;按照时间维度将所述多个预定时间点的污水温度排列为温度输入向量;将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量;融合所述浑浊度时序关联特征向量和所述温度时序关联特征向量以得到融合特征向量;将所述融合特征向量通过分类器得到分类结果,所述分类结果用于自适应地判断污水温度是否需要升高或降低。
在上述污水处理设备的智能监测方法中,所述将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量,包括使用二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述二维卷积神经网络模型的第一层的输入为所述多个污水监控视频关键帧,所述二维卷积神经网络模型的最后一层的输出为所述多个浑浊度特征向量。
在上述污水处理设备的智能监测方法中,所述将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到污水温度特征向量,包括:将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;将所述第一尺度污水温度特征向量和所述第二尺度污水温度特征向量进行级联以得到所述温度时序关联特征向量。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的污水处理设备的智能监测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的污水处理设备的智能监测方法。
与现有技术相比,本申请提供的一种污水处理设备的智能监测系统及其方法,其通过使用基于深度学习的深度神经网络模型对污水处理设备的监控视频和多个预定时间点的污水温度进行获取,接着,对污水处理设备的监控视频提取视频关键帧并通过作为过滤器的卷积神经网络模型和第一多尺度邻域特征提取模块,以得到浑浊度时序关联特征向量,并将多个预定时间点的污水温度通过第二多尺度领域特征提取模块得到温度时序关联特征向量,然后对二者进行融合得到融合特征向量,并通过分类器得到分类结果,以此来自适应地判断污水温度是否需要升高或降低。
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为根据本申请实施例的污水处理设备的智能监测系统的系统框图。
图2为根据本申请实施例的污水处理设备的智能监测系统的系统结构图。
图3为根据本申请实施例的污水处理设备的智能监测系统中的温度特征提取模块的系统框图。
图4为根据本申请实施例的污水处理设备的智能监测系统中的融合模块的系统框图。
图5为根据本申请实施例的污水处理设备的智能监测方法的流程图。
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。
场景概述
如上述背景技术而言,在过去,污水处理设备的监测主要依赖于人工采集数据和经验判断。这种方法通常需要人工取样和分析,这需要耗费时间和人力资源,人工操作可能存在误差和主观性,导致数据的准确性和可靠性受到影响,并且传统污水处理设备的监测方法通常在有限的采样点进行取样和分析,无法全面覆盖污水处理系统的各个环节。这可能导致监测结果的局限性,无法准确判断是否应对污水进行处理。因此,期待一种更为优化的污水处理设备的智能监测系统及其方法。
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。
相应地,由于现有的污水处理设备的智能监测系统中温度的变化会影响污泥的性质和沉淀池中的悬浮物沉降速度,使得温度的自适应性调整必须满足应有的要求。应可以理解,较高的温度可以促进污泥的降解和稳定化过程,提高脱水效果,但会抑制微生物的活性,影响微生物处理分解的过程。较低的温度可以使污泥中的水分蒸发速度减慢,有利于污泥的脱水过程,但可能会抑制悬浮物的沉降速度,降低污水处理效率。因此,污水处理设备的智能监测系统中温度的自适应性调整是污水处理的关键所在。
具体地,在本申请的技术方案中,首先,使用水下摄像机获取污水处理设备的监控视频以及使用温度传感器获取多个预定时间点的污水温度。其中,应可以理解,考虑到视频数据通常是高维度、冗余且复杂的。因此,需要对监控视频进行分析和处理,提取出具有代表性的关键帧,并从中提取出有用的特征向量。为了获取污水处理设备的污水浑浊度信息,并提取出有用的特征向量,为后续的分类和控制提供基础数据,在本申请的技术方案中,通过视频分析技术,从监控视频中提取多个污水浑浊度关键帧。这些关键帧代表了污水的浑浊度状态,其中可能包含了一些有用的模式和信息,可以为后续的分类和控制提供基础数据。
为了提取出污水浑浊度状态的特征信息,从而用于后续的分类和控制。将所述多个污水浑浊度关键帧分别通过作为过滤器的卷积神经网络模型以得到多个污水浑浊度特征向量。在该方案中,通过采集污水处理设备的监控视频,并从中提取出多个污水浑浊度关键帧。这些关键帧代表了污水的浑浊度状态。但是视频数据通常是高维度、冗余且复杂的,需要进行特征提取和编码,以便于后续的分类和控制。因此,引入卷积神经网络(Convolutional Neural Network,CNN)作为过滤器,将多个污水浑浊度关键帧输入到第一卷积神经网络模型中进行处理。所述第一卷积神经网络模型具有对图像数据进行高效处理和表示学习的能力,在图像识别、目标检测等领域已经取得了很好的成果。通过将污水浑浊度关键帧与所述第一卷积神经网络模型模型相结合,可以获得更加准确、鲁棒的特征描述,提高后续分类、控制的精度。
具体地,将污水浑浊度关键帧输入到所述第一卷积神经网络模型模型中,通过卷积、池化等操作提取出关键帧的特征向量,然后将这些特征向量作为污水浑浊度的特征向量,并用于后续的分类和控制。通过这种方式,可以准确提取出与多个浑浊度特征向量,并为后续的处理和控制提供基础数据。
然后,为了提取出污水处理过程中的污水温度在时序上的信息和特征,并用于后续的分类和控制,将所述多个预定时间点的污水处理设备中的污水温度值按照时间维度排列为污水温度输入向量。
进一步地,又考虑到采用多尺度的方式可以将污水浑浊度和污水温度从不同的视角进行观察和分析,充分挖掘其时域方面的特征。其中,大卷积核会从大尺度时序邻域内提取特征,其邻域内每项数值产生的影响更小,从而减弱输入数据的波动,减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异,容易导致平滑过度的问题,使得输出特征失去判别能力。与之相对的,小尺度卷积核能够较好地保留输入数据中的信息,但是也更容易受到其中噪点的干扰。考虑到不同尺度卷积的特点,组合使用不同大小的卷积单元提取不同时序尺度的特征,然后采用特征拼接的方式完成特征融合,从而得到多尺度邻域特征。通过这种方式,输出的特征既包含了平滑后的特征,也保存了原始输入的特征。
应可以理解,不同的污水浑浊度和污水温度可能会产生不同的沉淀物情况和温度变化规律,采用多尺度的方式可以更好地适应不同的浑浊度情况和温度变化情况,通过采用多个尺度的信息,可以获取更多的浑浊度特征和温度特征,提高分类器的准确率和稳定性。因此,将所述多个污水浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;将所述污水温度排列为污水温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量。
紧接着,融合所述浑浊度时序关联特征向量和所述温度时序关联特征向量以得到融合特征向量。特别地,考虑到浑浊度时序关联特征向量是从污水监控视频的浑浊度数据中提取的。这些数据是通过处理视频帧并提取浑浊度特征向量得到的。视频数据通常包含了空间和时间维度上的信息,而浑浊度特征向量捕捉了不同时间点上浑浊度的变化趋势和关联性。因此,浑浊度时序关联特征向量可能具有更多的时序相关性和空间分布特征。相比之下,温度时序关联特征向量是从预定时间点的污水温度数据中提取的。温度数据通常只包含时间维度上的信息,反映了温度在不同时间点上的变化规律和相关性。由于温度是一个单一的物理量,温度时序关联特征向量可能更加关注温度的时序变化和趋势。因此,由于来自不同数据源和物理量,浑浊度时序关联特征向量和温度时序关联特征向量具有不同的特征流形模态。在融合不同特征流形模态时,需要考虑它们的特点和相互之间的关联性,以充分利用不同模态的语义特征。
具体地,融合所述浑浊度时序关联特征向量和所述温度时序关联特征向量以得到融合特征向量,包括:分别计算所述浑浊度时序关联特征向量和所述温度时序关联特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵;对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量;对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量;从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基;将所述浑浊度时序关联特征向量和所述温度时序关联特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量;计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
将具有不同特征流形模态的浑浊度时序关联特征向量和温度时序关联特征向量通过类单应变换映射到一个公共的低维稀疏中介空间以将不同模态的语义特征在低维稀疏空间中进行线性嵌入融合以得到一个更具有表达能力和判别能力的融合特征向量。也就是,将高维特征向量的特征融合问题转化为低维特征空间类单应性映射和低维空间线性融合的问题,通过这样的方式,增加了所述融合特征向量的可解释性和鲁棒性。
最后,将所述融合特征向量通过分类器以得到分类结果,所述分类结果用于自适应地判断污水温度是否需要升高或降低。
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为根据本申请实施例的污水处理设备的智能监测系统的系统框图。如图1所示,根据本申请实施例的污水处理设备的智能监测系统100,包括:污水数据采集模块110,用于获取由水下摄像机采集的污水处理监控视频和由温度传感器采集的多个预定时间点的污水温度;关键帧提取模块120,用于从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧;浑浊度编码模块130,用于将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量;浑浊度特征提取模块140,用于将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;温度特征排列模块150,用于将所述多个预定时间点的污水温度按照时间维度排列为温度输入向量;温度特征提取模块160,用于将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量;融合模块170,用于将所述浑浊度时序关联特征向量和所述温度时序关联特征向量进行融合得到融合特征向量;分类模块180,用于将所述融合特征向量通过分类器得到分类结果,所述分类结果用于表示污水温度是否需要升高或降低。
图2为根据本申请实施例的污水处理设备的智能监测系统的系统结构图。如图2所示,根据本申请实施例的污水处理设备的智能监测系统,包括:首先,获取由水下摄像机获取的污水处理设备监控视频和使用温度传感器获取多个预定时间点的污水温度。然后,从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧。接着,将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量。进一步地,将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量。具体地,按照时间维度将所述多个预定时间点的污水温度排列为温度输入向量。更为具体地,将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量。然后,融合所述浑浊度时序关联特征向量和所述温度时序关联特征向量以得到融合特征向量。最后,将所述融合特征向量通过分类器得到分类结果,所述分类结果用于自适应地判断污水温度是否需要升高或降低。
在上述污水处理设备的智能监测系统100中,所述污水数据采集模块110,用于获取由水下摄像机采集的污水处理监控视频和由温度传感器采集的多个预定时间点的污水温度。应可以理解,由于现有的污水处理设备的智能监测系统中温度的变化会影响污泥的性质和沉淀池中的悬浮物沉降速度,使得温度的自适应性调整必须满足应有的要求。应可以理解,较高的温度可以促进污泥的降解和稳定化过程,提高脱水效果,但会抑制微生物的活性,影响微生物处理分解的过程。较低的温度可以使污泥中的水分蒸发速度减慢,有利于污泥的脱水过程,但可能会抑制悬浮物的沉降速度,降低污水处理效率。因此,污水处理设备的智能监测系统中温度的自适应性调整是污水处理的关键所在。
在上述污水处理设备的智能监测系统100中,所述关键帧提取模块120,用于从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧。应可以理解,考虑到视频数据通常是高维度、冗余且复杂的。因此,需要对监控视频进行分析和处理,提取出具有代表性的关键帧,并从中提取出有用的特征向量。为了获取污水处理设备的污水浑浊度信息,并提取出有用的特征向量,为后续的分类和控制提供基础数据,在本申请的技术方案中,通过视频分析技术,从监控视频中提取多个污水浑浊度关键帧。这些关键帧代表了污水的浑浊度状态,其中可能包含了一些有用的模式和信息,可以为后续的分类和控制提供基础数据。
在上述污水处理设备的智能监测系统100中,所述浑浊度特征编码模块130,用于将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量。应可以理解,在该方案中,通过采集污水处理设备的监控视频,并从中提取出多个污水浑浊度关键帧。这些关键帧代表了污水的浑浊度状态。但是视频数据通常是高维度、冗余且复杂的,需要进行特征提取和编码,以便于后续的分类和控制。因此,引入卷积神经网络(Convolutional Neural Network,CNN)作为过滤器,将多个污水浑浊度关键帧输入到第一卷积神经网络模型中进行处理。所述第一卷积神经网络模型具有对图像数据进行高效处理和表示学习的能力,在图像识别、目标检测等领域已经取得了很好的成果。通过将污水浑浊度关键帧与所述第一卷积神经网络模型模型相结合,可以获得更加准确、鲁棒的特征描述,提高后续分类、控制的精度。具体地,将污水浑浊度关键帧输入到所述第一卷积神经网络模型模型中,通过卷积、池化等操作提取出关键帧的特征向量,然后将这些特征向量作为污水浑浊度的特征向量,并用于后续的分类和控制。通过这种方式,可以准确提取出与多个浑浊度特征向量,并为后续的处理和控制提供基础数据。
在本申请一个具体的实施例中,所述浑浊度特征编码模块130,使用二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述二维卷积神经网络模型的第一层的输入为所述多个污水监控视频关键帧,所述二维卷积神经网络模型的最后一层的输出为所述多个浑浊度特征向量。
在上述污水处理设备的智能监测系统100中,所述浑浊度特征提取模块140,用于将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量。应可以理解,考虑到采用多尺度的方式可以将污水浑浊度和污水温度从不同的视角进行观察和分析,充分挖掘其时域方面的特征。其中,大卷积核会从大尺度时序邻域内提取特征,其邻域内每项数值产生的影响更小,从而减弱输入数据的波动,减轻其中噪点对输出特征的影响。但大尺度卷积核减弱了数值变化的差异,容易导致平滑过度的问题,使得输出特征失去判别能力。与之相对的,小尺度卷积核能够较好地保留输入数据中的信息,但是也更容易受到其中噪点的干扰。考虑到不同尺度卷积的特点,组合使用不同大小的卷积单元提取不同时序尺度的特征,然后采用特征拼接的方式完成特征融合,从而得到多尺度邻域特征。通过这种方式,输出的特征既包含了平滑后的特征,也保存了原始输入的特征。应可以理解,不同的污水浑浊度可能会产生不同的沉淀物情况,采用多尺度的方式可以更好地适应不同的浑浊度情况,通过采用多个尺度的信息,可以获取更多的浑浊度特征,提高分类器的准确率和稳定性。因此,将所述多个污水浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量。
在本申请一个具体的实施例中,所述浑浊度特征提取模块140,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的二维卷积核,所述第二卷积核使用具有第二尺度的二维卷积核。
在上述污水处理设备的智能监测系统100中,所述温度特征排列模块150,用于将所述多个预定时间点的污水温度按照时间维度排列为温度输入向量。应可以理解,为了提取出污水处理过程中的污水温度在时序上的信息和特征,并用于后续的分类和控制,将所述多个预定时间点的污水处理设备中的污水温度值按照时间维度排列为温度输入向量。
在上述污水处理设备的智能监测系统100中,所述温度特征提取模块160,用于将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量。应可以理解,不同的污水温度可能会产生不同的温度变化规律,采用多尺度的方式可以更好地适应不同的温度变化情况,通过采用多个尺度的信息,可以获取更多的温度特征,提高分类器的准确率和稳定性。因此,将所述将所述污水温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量。
图3图示了污水处理设备的智能监测系统中的温度特征提取模块的系统框图。如图3所示,在本申请一个具体的实施例中,所述温度特征提取模块160,包括:第一尺度特征提取单元161,用于将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二尺度特征提取单元162,用于将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;多尺度级联单元163,用于将所述第一尺度污水温度特征向量和所述第二尺度污水温度特征向量进行级联以得到所述温度时序关联特征向量。
在本申请一个具体的实施例中,所述温度特征提取模块160,包括:
使用所述第二多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度污水温度特征向量;
其中,所述第一尺度卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述温度输入向量,Cov(X)表示对所述温度输入向量进行一维卷积编码;
所述第二尺度特征提取单元,用于:使用所述第二多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度污水温度特征向量;
其中,所述第二尺度卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述温度输入向量,Cov(X)表示对所述温度输入向量进行一维卷积编码。
在上述污水处理设备的智能监测系统100中,所述融合模块170,用于将所述浑浊度时序关联特征向量和所述温度时序关联特征向量进行融合得到分类特征向量。特别地,考虑到浑浊度时序关联特征向量是从污水监控视频的浑浊度数据中提取的。这些数据是通过处理视频帧并提取浑浊度特征向量得到的。视频数据通常包含了空间和时间维度上的信息,而浑浊度特征向量捕捉了不同时间点上浑浊度的变化趋势和关联性。因此,浑浊度时序关联特征向量可能具有更多的时序相关性和空间分布特征。相比之下,温度时序关联特征向量是从预定时间点的污水温度数据中提取的。温度数据通常只包含时间维度上的信息,反映了温度在不同时间点上的变化规律和相关性。由于温度是一个单一的物理量,温度时序关联特征向量可能更加关注温度的时序变化和趋势。因此,由于来自不同数据源和物理量,浑浊度时序关联特征向量和温度时序关联特征向量具有不同的特征流形模态。在融合不同特征流形模态时,需要考虑它们的特点和相互之间的关联性,以充分利用不同模态的语义特征。
图4为根据本申请实施例的污水处理设备的智能监测系统中的融合模块的系统框图。如图4所示,在本申请一个具体的实施例中,所述融合模块170,包括:协方差单元171,分别计算所述浑浊度时序关联特征向量和所述温度时序关联特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵;第一奇异值分解单元172,对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量;第二奇异值分解单元173,对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量;提取单元174,从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基;映射单元175,将所述浑浊度时序关联特征向量和所述温度时序关联特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量;加权单元176,计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
将具有不同特征流形模态的浑浊度时序关联特征向量和温度时序关联特征向量通过类单应变换映射到一个公共的低维稀疏中介空间以将不同模态的语义特征在低维稀疏空间中进行线性嵌入融合以得到一个更具有表达能力和判别能力的融合特征向量。也就是,将高维特征向量的特征融合问题转化为低维特征空间类单应性映射和低维空间线性融合的问题,通过这样的方式,增加了所述融合特征向量的可解释性和鲁棒性。
在上述污水处理设备的智能监测系统100中,所述分类模块180,用于将所述融合特征向量通过分类器得到分类结果,所述分类结果用于表示污水温度是否需要升高或降低。
在本申请一个具体的实施例中,所述分类模块180,包括:使用所述分类器以如下分类公式对所述融合特征向量进行处理以生成分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)│Vc}
其中O为所述分类结果,Vc表示所述融合特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。
综上,本申请实施例通过使用基于深度学习的深度神经网络模型对污水处理设备的监控视频和多个预定时间点的污水温度进行获取,接着,对污水处理设备的监控视频提取视频关键帧并通过作为过滤器的卷积神经网络模型和第一多尺度邻域特征提取模块,以得到浑浊度时序关联特征向量,并将多个预定时间点的污水温度通过第二多尺度领域特征提取模块得到温度时序关联特征向量,然后对二者进行融合得到融合特征向量,并通过分类器得到分类结果,以此来自适应地判断污水温度是否需要升高或降低。
示例性方法
图5为根据本申请实施例的污水处理设备的智能监测方法的流程图。如图5所示,根据本申请实施例的污水处理设备的智能监测方法,其包括:S110获取由水下摄像机获取的污水处理设备监控视频和使用温度传感器获取多个预定时间点的污水温度;S120,从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧;S130,将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量;S140,将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;S150,按照时间维度将所述多个预定时间点的污水温度排列为温度输入向量;S160,将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量;S170,融合所述浑浊度时序关联特征向量和所述温度时序关联特征向量以得到融合特征向量;S180,将所述融合特征向量通过分类器得到分类结果,所述分类结果用于自适应地判断污水温度是否需要升高或降低。
在本申请一个具体的实施例中,将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量,包括:使用二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述二维卷积神经网络模型的第一层的输入为所述多个污水监控视频关键帧,所述二维卷积神经网络模型的最后一层的输出为所述多个浑浊度特征向量。
在本申请一个具体的实施例中,将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到污水温度特征向量,包括:将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;将所述第一尺度污水温度特征向量和所述第二尺度污水温度特征向量进行级联以得到所述温度时序关联特征向量。
如上所述,根据本申请实施例的所述污水处理设备的智能监测系统100可以实现在各种终端设备中,例如部署有污水处理设备工作功率控制算法的服务器等。在一个示例中,根据污水处理设备的智能监测系统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,该污水处理设备的智能监测系统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,该污水处理设备的智能监测系统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,该污水处理设备的智能监测系统100与该终端设备也可以是分立的设备,并且污水处理设备的智能监测系统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。
这里,本领域技术人员可以理解,上述污水处理设备的智能监测系统中的各个步骤的具体操作已经在上面参考图1至图3的污水处理设备的智能监测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
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智能监测系统,其特征在于,包括:
污水数据采集模块,用于获取由水下摄像机采集的污水处理监控视频和由温度传感器采集的多个预定时间点的污水温度;
关键帧提取模块,用于从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧;
浑浊度编码模块,用于将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量;
浑浊度特征提取模块,用于将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;
温度特征排列模块,用于将所述多个预定时间点的污水温度按照时间维度排列为温度输入向量;
温度特征提取模块,用于将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量;
融合模块,用于将所述浑浊度时序关联特征向量和所述温度时序关联特征向量进行融合得到融合特征向量;
分类模块,用于将所述融合特征向量通过分类器得到分类结果,所述分类结果用于表示污水温度是否需要升高或降低。
2.根据权利要求1所述的污水处理设备的智能监测系统,其特征在于,所述浑浊度特征编码模块,包括:
使用二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述二维卷积神经网络模型的第一层的输入为所述多个污水监控视频关键帧,所述二维卷积神经网络模型的最后一层的输出为所述多个浑浊度特征向量。
3.根据权利要求2所述的污水处理设备的智能监测系统,其特征在于,所述浑浊度特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一尺度的二维卷积核,所述第二卷积核使用具有第二尺度的二维卷积核。
4.根据权利要求3所述的污水处理设备的智能监测系统,其特征在于,所述温度特征提取模块,包括:
第一尺度特征提取单元,用于将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度特征提取单元,用于将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
多尺度级联单元,用于将所述第一尺度污水温度特征向量和所述第二尺度污水温度特征向量进行级联以得到所述温度时序关联特征向量。
5.根据权利要求4所述的污水处理设备的智能监测系统,其特征在于,所述温度特征提取模块,包括:
使用所述第二多尺度邻域特征提取模块的第一卷积层以如下第一尺度卷积公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度污水温度特征向量;
其中,所述第一尺度卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述温度输入向量,Cov(X)表示对所述温度输入向量进行一维卷积编码;
所述第二尺度特征提取单元,用于:使用所述第二多尺度邻域特征提取模块的第二卷积层以如下第二尺度卷积公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度污水温度特征向量;
其中,所述第二尺度卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述温度输入向量,Cov(X)表示对所述温度输入向量进行一维卷积编码。
6.根据权利要求5所述的污水处理设备的智能监测系统,其特征在于,所述融合模块,包括:
协方差单元,分别计算所述浑浊度时序关联特征向量和所述温度时序关联特征向量的协方差矩阵以得到第一协方差矩阵和第二协方差矩阵;
第一奇异值分解单元,对所述第一协方差矩阵进行奇异值分解以得到多个第一奇异值和与所述多个第一奇异值对应的多个第一奇异向量;
第二奇异值分解单元,对所述第二协方差矩阵进行奇异值分解以得到多个第二奇异值和与所述多个第二奇异值对应的多个第二奇异向量;
提取单元,从所述多个第一奇异向量中提取前k个第一奇异值对应的第一奇异向量且从所述多个第二奇异向量中提取前k个第二奇异值对应的第二奇异向量作为低维稀疏中介空间的基;
映射单元,将所述浑浊度时序关联特征向量和所述温度时序关联特征向量分别映射到所述低维稀疏中介空间以得到第一类单应映射特征向量和第二类单应映射特征向量;
加权单元,计算所述第一类单应映射特征向量和所述第二类单应映射特征向量之间的按位置加权和以得到所述融合特征向量。
7.根据权利要求6所述的污水处理设备的智能监测系统,其特征在于,所述分类模块,包括:
使用所述分类器以如下分类公式对所述融合特征向量进行处理以生成分类结果;
其中,所述分类公式为:
O=softmax{(Mc,Bc)│Vc}
其中O为所述分类结果,Vc表示所述融合特征向量,Mc为全连接层的权重矩阵,Bc表示全连接层的偏向向量,softmax为归一化指数函数。
8.一种污水处理设备的智能监测方法,其特征在于,包括:
获取由水下摄像机获取的污水处理设备监控视频和使用温度传感器获取多个预定时间点的污水温度;
从所述污水处理设备的监控视频中提取出多个污水监控视频关键帧;
将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量;
将所述多个浑浊度特征向量排列为浑浊度输入向量后通过第一多尺度邻域特征提取模块以得到浑浊度时序关联特征向量;
按照时间维度将所述多个预定时间点的污水温度排列为温度输入向量;
将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到温度时序关联特征向量;
融合所述浑浊度时序关联特征向量和所述温度时序关联特征向量以得到融合特征向量;
将所述融合特征向量通过分类器得到分类结果,所述分类结果用于自适应地判断污水温度是否需要升高或降低。
9.根据权利要求8所述的污水处理设备的智能监测方法,其特征在于,将所述多个污水监控视频关键帧通过作为过滤器的第一卷积神经网络模型以得到多个浑浊度特征向量,包括:
使用二维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行:
对所述输入数据进行基于二维卷积核的卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述二维卷积神经网络模型的第一层的输入为所述多个污水监控视频关键帧,所述二维卷积神经网络模型的最后一层的输出为所述多个浑浊度特征向量。
10.根据权利要求8所述的污水处理设备的智能监测系统,其特征在于,将所述温度输入向量后通过第二多尺度邻域特征提取模块以得到污水温度特征向量,包括:
将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度污水温度特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
将所述温度输入向量输入所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度污水温度特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;
将所述第一尺度污水温度特征向量和所述第二尺度污水温度特征向量进行级联以得到所述温度时序关联特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117477.3A CN117058622A (zh) | 2023-08-28 | 2023-08-28 | 污水处理设备的智能监测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117477.3A CN117058622A (zh) | 2023-08-28 | 2023-08-28 | 污水处理设备的智能监测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117058622A true CN117058622A (zh) | 2023-11-14 |
Family
ID=88662560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117477.3A Withdrawn CN117058622A (zh) | 2023-08-28 | 2023-08-28 | 污水处理设备的智能监测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058622A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及系统 |
CN117669838A (zh) * | 2024-01-31 | 2024-03-08 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
CN117682682A (zh) * | 2024-01-31 | 2024-03-12 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
CN117682682B (zh) * | 2024-01-31 | 2024-06-07 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
-
2023
- 2023-08-28 CN CN202311117477.3A patent/CN117058622A/zh not_active Withdrawn
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位系统 |
CN117577270A (zh) * | 2024-01-15 | 2024-02-20 | 吉林大学 | 患者的智能化营养管理方法及系统 |
CN117577270B (zh) * | 2024-01-15 | 2024-04-26 | 吉林大学 | 患者的智能化营养管理方法及系统 |
CN117669838A (zh) * | 2024-01-31 | 2024-03-08 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
CN117682682A (zh) * | 2024-01-31 | 2024-03-12 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
CN117669838B (zh) * | 2024-01-31 | 2024-05-10 | 江西荧光磁业有限公司 | 钕铁硼磁铁生产的优化控制系统及方法 |
CN117668762B (zh) * | 2024-01-31 | 2024-05-17 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
CN117682682B (zh) * | 2024-01-31 | 2024-06-07 | 河北保蓝环保科技有限公司 | 污水处理曝气过程的优化控制系统及方法 |
CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
CN110704842A (zh) | 一种恶意代码家族分类检测方法 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
CN116152611B (zh) | 一种多级多尺度点云补全方法、系统、设备及存储介质 | |
CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
Gan et al. | Dissimilarity-weighted sparse representation for hyperspectral image classification | |
CN112529025A (zh) | 一种数据处理方法及装置 | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN116502899A (zh) | 基于人工智能的风险评级模型生成方法、装置及存储介质 | |
CN117076983A (zh) | 传输外线资源识别检测方法、装置、设备及存储介质 | |
CN116703878A (zh) | 家用电器壳体生产线自动检测系统及其方法 | |
Liu et al. | Multispectral semantic land cover segmentation from aerial imagery with deep encoder–decoder network | |
CN115456259A (zh) | 基于中尺度数据的风电场选址优化系统及其方法 | |
Katoch et al. | Fast non-linear methods for dynamic texture prediction | |
CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
CN116524416B (zh) | 医疗实验用动物血清提取设备 | |
CN118072098A (zh) | 环保用工厂污水处理设备 | |
Pikun et al. | Image-Based Self-attentive Multi-label Weather Classification Network | |
Du | Deep learning empowered data anomaly detection for structural health monitoring systems | |
Ma et al. | S2G2HAD: A Graph-Guided Siamese Reconstruction Network for Hyperspectral Anomaly Detection |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231114 |