CN117115438A - 矶花图像识别及加药控制系统 - Google Patents
矶花图像识别及加药控制系统 Download PDFInfo
- Publication number
- CN117115438A CN117115438A CN202310924589.3A CN202310924589A CN117115438A CN 117115438 A CN117115438 A CN 117115438A CN 202310924589 A CN202310924589 A CN 202310924589A CN 117115438 A CN117115438 A CN 117115438A
- Authority
- CN
- China
- Prior art keywords
- dosing
- image
- controlling
- alum
- flocculation
- 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
- 241001105098 Angelica keiskei Species 0.000 title abstract description 5
- 238000005189 flocculation Methods 0.000 claims abstract description 59
- 230000016615 flocculation Effects 0.000 claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 239000003814 drug Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 230000001681 protective effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 241001408024 Angelonia angustifolia Species 0.000 claims description 2
- 241001417524 Pomacanthidae Species 0.000 claims 9
- 229940037003 alum Drugs 0.000 abstract description 56
- 239000010865 sewage Substances 0.000 abstract description 22
- 238000006243 chemical reaction Methods 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 11
- 238000011282 treatment Methods 0.000 abstract description 7
- 239000000701 coagulant Substances 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 239000012535 impurity Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004062 sedimentation Methods 0.000 description 4
- 238000007596 consolidation process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 2
- 239000008394 flocculating agent Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001091560 Crossosoma Species 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001112 coagulating effect Effects 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003311 flocculating effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
- C02F1/5281—Installations for water purification using chemical agents
-
- 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
- C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Hydrology & Water Resources (AREA)
- Multimedia (AREA)
- Organic Chemistry (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- General Chemical & Material Sciences (AREA)
- Separation Of Suspended Particles By Flocculating Agents (AREA)
Abstract
本发明公开了矶花图像识别及加药控制系统,应用于污水处理技术领域,本发明通过将采样装置巩花采样,并通过图像识别模块对采样的矾花图像进行图像光均值处理,矾花图像分割,矾花轮廓提取,矾花特征量计算,在通过算法控制处理器构建全连接神经网络,该神经网络学习投药进行絮凝反应之后,所形成的矾花其经过图像处理计算的特征量所对应的投药量,并在处理后通过算法控制处理器判定投药量,然后控制投药装置在投加点对凝絮池进行投药的设置,达到了絮凝反应工艺可以进行精准控制投药的设置,从而使投药指标可量化,人工经验标准化以及智能的在线监控,精确地控制混凝剂的投放量,降低制水成本。
Description
技术领域
本发明属于污水处理技术领域,特别涉及矶花图像识别及加药控制系统。
背景技术
为保障供水安全,水厂从江河引入的原水,需经一系列的工艺处理以去杂消毒来保障供水安全,输送符合标准的饮用水,其中混凝沉淀处理是最耗时、占地最大、最重要且最难掌控的环节,适时、适量投加絮凝剂,可以使其与水中杂质和有害物质反应生成适当形态的絮体而可沉淀分离,提高水源的处理效果。
目前,公开号为:CN112456621B的中国发明,公开了一种絮凝智能加药控制系统及控制方法,通过对絮凝反应池和平流沉淀池中设置多个CCD图像采集设备对矾花颗粒进行观察,通过不同的时期的图像变化对矾花形成过成进行动态分析,预判沉淀池出水的浊度,进行多次修正,并且通过机器识别、机器学习、模型理论等人工智能系统自动识别和学习最佳投加的过程。本方案,采用控制单元对执行机构进行控制,采用计算机对图像进行处理,不仅能够实时观测到沉淀池中加入药剂后的反应情况,而且能够自动将处理和计算后设定的投加量信号传输到控制单元中,利用控制执行单元自动最加料进行控制,不仅解决了传统人工添加药剂的投放量不准确,并且避免了添加滞后问题。
传统的絮凝反应需要根据人工经验指定投药并且人工监控矾花形态判断投药量是否合适,其主要缺点是一方面人工投药具有主观性,不同人工的经验不同,误差较大,并且过程不可量化;另一方面执行这个过程耗时耗力,并且水厂广泛应用复合絮凝剂(无机物成分为主)作为原水去杂主要方法,相对水处理领域的物理、化学和生物等反应原理与技术的研究与发展及其在水厂实际应用而言,目前较为困扰水厂在生产和管理方面进一步发展的因素主要是由于生产过程中自动化、智能化程度相对较低而阻碍信息化、数字化进程的难题,水厂更为迫切需要解决的是大面积、普适性、持续性、可靠性技术应用难题,因此,如何有效地解决混凝过程中存在的滞后性问题,更为精确地控制混凝剂的投放量,达到供水水质标准和降低制水成本,至今任是水处理研究的一个难题。
发明内容
本发明的目的在于提供矶花图像识别及加药控制系统,其优点是为水厂建立一套应用于混合和絮凝反应工艺的数字化监测和智能化调控系统的功能。
本发明的上述技术目的是通过以下技术方案得以实现的:矶花图像识别及加药控制系统,包括安装在凝絮池内部的竖向滑轨,所述竖向滑轨的一侧滑动连接有横向滑轨,所述横向滑轨的顶部滑动连接有防水外壳,所述防水外壳的内部安装有采集摄像头,所述防水外壳的底部开通有同采集摄像头配合使用的入水口,所述防水外壳内部的两侧分别安装有同采集摄像头配合使用的图像采样模块和图像识别模块,所述图像采样模块和图像识别模块的顶部设置有同防水外壳固定连接的算法控制处理器,所述防水外壳的一侧固定安装有投药装置。
采用上述技术方案,通过将采样装置放入凝絮池中,使污水可以通过入水口进入到防水外壳的内部,然后采集摄像头对污水进行拍摄采样,并通过图像采样模块对采集摄像头拍摄的图片进行挑选储存,将清晰完整的图片保存下来,之后通过图像识别模块对采样的矾花图像进行图像光均值处理,矾花图像分割,矾花轮廓提取,矾花特征量计算,矾花特征量包括:矾花轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率等进行识别,在后通过算法控制处理器构建全连接神经网络,该神经网络学习投药进行絮凝反应之后,所形成的矾花其经过图像处理计算的特征量所对应的投药量,包括针对矾花场景的梯度优化算法选择,网络参数设计,网络深度设计,网络深度设计,反向传播计算方式,数据预处理等,并在处理后通过算法控制处理器判定投药量是(极过投,过投,适合,欠投,极欠投),然后控制投药装置在投加点对凝絮池进行投药的设置,达到了絮凝反应工艺可以进行精准控制投药的设置,从而使投药指标可量化,人工经验标准化以及智能的在线监控,精确地控制混凝剂的投放量,降低制水成本。
本发明进一步设置为:所述竖向滑轨的一侧设置有凝絮池边架,所述凝絮池边架的顶部固定连接有同竖向滑轨固定连接的安装杆。
采用上述技术方案,通过安装杆和凝絮池边架进行安装连接,从而可以将竖向滑轨固定在凝絮池边架的一侧,使其安装在凝絮池内部的不同位置。
本发明进一步设置为:所述竖向滑轨和横向滑轨的内部均开设有螺纹孔,所述横向滑轨靠近竖向滑轨的一端和防水外壳的一侧均螺纹连接有同螺纹孔螺纹连接的固定螺栓。
采用上述技术方案,通过转动固定螺栓滑出螺纹孔的内部,从而将竖向滑轨从凝絮池边架的一侧拆卸以及横向滑轨从竖向滑轨的一侧拆卸,从而可以使采样装置上下左右调节,保证可以没入凝絮池内部污水的底部,并再度通过反向转动固定螺栓将竖向滑轨和横向滑轨固定住。
本发明进一步设置为:所述防水外壳的内部安装有同图像采样模块和图像识别模块以及算法控制处理器配合使用的隔水板。
采用上述技术方案,通过设置隔水板可以将水源封堵住,避免水源进入防水外壳内腔的顶部,造成图像采样模块和图像识别模块以及算法控制处理器短路损坏。
本发明进一步设置为:所述入水口的内部安装有大孔径滤网。
采用上述技术方案,保证凝絮池内部污水的巩花可以进入,同时防止其他杂质进入,影响采集摄像头拍摄采样图片的清晰度。
本发明进一步设置为:所述采集摄像头的底部安装有防护镜。
采用上述技术方案,对采集摄像头进行防护,避免污水进入采集摄像头的镜头内部,影响拍摄采样图片的清晰度。
本发明进一步设置为:所述防水外壳的底部安装有同采集摄像头配合使用的遮挡板。
采用上述技术方案,对光线和池底污水巩花进行遮挡,从而提高采集摄像头拍摄采样图片的清晰度。
本发明进一步设置为:所述横向滑轨底部的一侧安装有同竖向滑轨滑动连接的斜角支撑杆。
采用上述技术方案,对横向滑轨进行支撑,提高防水外壳安装在横向滑轨顶部的稳定性。
本发明进一步设置为:所述竖向滑轨和防水外壳底部的一半没入凝絮池内的污水水平面下,所述凝絮池边架安装在凝絮池内壁顶部。
采用上述技术方案,便于对凝絮池内部的污水巩花进行拍摄采样。
本发明进一步设置为:所述凝絮池投加点前端的配水井内部安装有水质检测设备。
采用上述技术方案,可以提前检测进入凝絮池内部水源的质量,再进行图像采样识别及智能控制加药,从而可以通过对水源的质量评价来控制投加药量。
综上所述,本发明具有以下有益效果:
通过将采样装置放入凝絮池中,使污水可以通过入水口进入到防水外壳的内部,然后采集摄像头对污水进行拍摄采样,并通过图像采样模块对采集摄像头拍摄的图片进行挑选储存,将清晰完整的图片保存下来,之后通过图像识别模块对采样的矾花图像进行图像光均值处理,矾花图像分割,矾花轮廓提取,矾花特征量计算,矾花特征量包括:矾花轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率等进行识别,在后通过算法控制处理器构建全连接神经网络,该神经网络学习投药进行絮凝反应之后,所形成的矾花其经过图像处理计算的特征量所对应的投药量,包括针对矾花场景的梯度优化算法选择,网络参数设计,网络深度设计,网络深度设计,反向传播计算方式,数据预处理等,并在处理后通过算法控制处理器判定投药量是(极过投,过投,适合,欠投,极欠投),然后控制投药装置在投加点对凝絮池进行投药的设置,达到了絮凝反应工艺可以进行精准控制投药的设置,从而使投药指标可量化,人工经验标准化以及智能的在线监控,精确地控制混凝剂的投放量,降低制水成本。
附图说明
图1是本发明结构示意图;
图2是本发明结构剖视图;
图3是本发明工作流程示意图;
图4是本发明图像识别及加药控制系统的电源与触发信号接入模块;
图5是本发明图像识别及加药控制系统的光检测模块;
图6是本发明图像识别及加药控制系统的主控芯片模块;
图7是本发明图像识别及加药控制系统的电平转换模块;
图8是本发明图像识别及加药控制系统的PWM输出端子和电机控制端子;
图9是本发明图像识别及加药控制系统的SW下载模块;
图10是本发明图像识别及加药控制系统的电源模块;
图11是本发明图像识别及加药控制系统的电耦隔离模块;
图12是本发明投药控制算法推导神经网络示意图。
附图标记:1、竖向滑轨;2、横向滑轨;3、防水外壳;4、投药装置;5、采集摄像头;6、图像采样模块;7、图像识别模块;8、算法控制处理器;9、入水口;10、凝絮池边架;11、安装杆;12、螺纹孔;13、固定螺栓;14、隔水板;15、大孔径滤网;16、防护镜;17、遮挡板;18、斜角支撑杆。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1:
参考图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11,矶花图像识别及加药控制系统,包括安装在凝絮池内部的竖向滑轨1,竖向滑轨1的一侧滑动连接有横向滑轨2,横向滑轨2的顶部滑动连接有防水外壳3,防水外壳3的内部安装有采集摄像头5,防水外壳3的底部开通有同采集摄像头5配合使用的入水口9,防水外壳3内部的两侧分别安装有同采集摄像头5配合使用的图像采样模块6和图像识别模块7,图像采样模块6和图像识别模块7的顶部设置有同防水外壳3固定连接的算法控制处理器8,防水外壳3的一侧固定安装有投药装置4,通过将采样装置放入凝絮池中,使污水可以通过入水口9进入到防水外壳3的内部,然后采集摄像头5对污水进行拍摄采样,并通过图像采样模块6对采集摄像头5拍摄的图片进行挑选储存,将清晰完整的图片保存下来,之后通过图像识别模块7对采样的矾花图像进行图像光均值处理,矾花图像分割,矾花轮廓提取,矾花特征量计算,矾花特征量包括:矾花轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率等进行识别,在后通过算法控制处理器8构建全连接神经网络,该神经网络学习投药进行絮凝反应之后,所形成的矾花其经过图像处理计算的特征量所对应的投药量,包括针对矾花场景的梯度优化算法选择,网络参数设计,网络深度设计,网络深度设计,反向传播计算方式,数据预处理等,并在处理后通过算法控制处理器8判定投药量是极过投,过投,适合,欠投,极欠投,然后控制投药装置4在投加点对凝絮池进行投药的设置,达到了絮凝反应工艺可以进行精准控制投药的设置,从而使投药指标可量化,人工经验标准化以及智能的在线监控,精确地控制混凝剂的投放量,降低制水成本。
参考图1、图2,竖向滑轨1的一侧设置有凝絮池边架10,凝絮池边架10的顶部固定连接有同竖向滑轨1固定连接的安装杆11,通过安装杆11和凝絮池边架10进行安装连接,从而可以将竖向滑轨1固定在凝絮池边架10的一侧,使其安装在凝絮池内部的不同位置。
参考图1、图2,竖向滑轨1和横向滑轨2的内部均开设有螺纹孔12,横向滑轨2靠近竖向滑轨1的一端和防水外壳3的一侧均螺纹连接有同螺纹孔12螺纹连接的固定螺栓13,通过转动固定螺栓13滑出螺纹孔12的内部,从而将竖向滑轨1从凝絮池边架10的一侧拆卸以及横向滑轨2从竖向滑轨1的一侧拆卸,从而可以使采样装置上下左右调节,保证可以没入凝絮池内部污水的底部,并再度通过反向转动固定螺栓13将竖向滑轨1和横向滑轨2固定住。
参考图1、图2,防水外壳3的内部安装有同图像采样模块6和图像识别模块7以及算法控制处理器8配合使用的隔水板14,通过设置隔水板14可以将水源封堵住,避免水源进入防水外壳3内腔的顶部,造成图像采样模块6和图像识别模块7以及算法控制处理器8短路损坏。
参考图1、图2,入水口9的内部安装有大孔径滤网15,保证凝絮池内部污水的巩花可以进入,同时防止其他杂质进入,影响采集摄像头5拍摄采样图片的清晰度。
参考图1、图2,采集摄像头5的底部安装有防护镜16,对采集摄像头5进行防护,避免污水进入采集摄像头5的镜头内部,影响拍摄采样图片的清晰度。
参考图1、图2,防水外壳3的底部安装有同采集摄像头5配合使用的遮挡板17,对光线和池底污水巩花进行遮挡,从而提高采集摄像头5拍摄采样图片的清晰度。
参考图1、图2,横向滑轨2底部的一侧安装有同竖向滑轨1滑动连接的斜角支撑杆18,对横向滑轨2进行支撑,提高防水外壳3安装在横向滑轨2顶部的稳定性。
参考图1、图2,竖向滑轨1和防水外壳3底部的一半没入凝絮池内的污水水平面下,凝絮池边架10安装在凝絮池内壁顶部,便于对凝絮池内部的污水巩花进行拍摄采样。
参考图3,凝絮池投加点前端的配水井内部安装有水质检测设备,可以提前检测进入凝絮池内部水源的质量,再进行图像采样识别及智能控制加药,从而可以通过对水源的质量评价来控制投加药量。
使用过程简述:通过将采样装置放入凝絮池中,使污水可以通过入水口9进入到防水外壳3的内部,然后采集摄像头5对污水进行拍摄采样,并通过图像采样模块6对采集摄像头5拍摄的图片进行挑选储存,将清晰完整的图片保存下来,之后通过图像识别模块7对采样的矾花图像进行图像光均值处理,矾花图像分割,矾花轮廓提取,矾花特征量计算,矾花特征量包括:矾花轮廓的面积,周长,最小外接圆,圆度,紧实度,偏心率等进行识别,在后通过算法控制处理器8构建全连接神经网络,该神经网络学习投药进行絮凝反应之后,所形成的矾花其经过图像处理计算的特征量所对应的投药量,包括针对矾花场景的梯度优化算法选择,网络参数设计,网络深度设计,网络深度设计,反向传播计算方式,数据预处理等,并在处理后通过算法控制处理器8判定投药量是:极过投该矾花图像处于一个过投药很多的状态、过投该矾花图像投药微微过量、适合该矾花图像处于一个欠投的状态,但是只需要少量的投药即可以到一个合适的状态、欠投该矾花图像处于一个欠投药的状态、极欠投该矾花图像处于一个欠投药很多的状态,然后控制投药装置4在投加点对凝絮池进行投药即可;
需要说明的是,请参阅图12,投药控制算法推导:假设每一张矾花图像矾花能提取出n个维度的特征。那么每个图像所对应的特征向量可记作:X={x1,x2,x3,…xn},现已同济特征量有12个。故n取12,如表所示:
本发明中我们需要识别5状态的矾花反应状态,五种投药状态分别为:极过投,过投,合适,欠投,极欠投。则模型对应的输出特征向量记作:Y={y1,y2,y3,y4,y5}模型训练的数据集可记成m代表数据集的样本数,总共用于模型训练的数量有10000张矾花图像,所以m取10000。模型的输出距离归一化函数记作:
C:代表反应矾花状态的类别数:极过投,过投,合适,欠投,极欠投五种。
矾花图像状态预测损失度量:
yi:代表人工对于矾花反应状态的经验标签;
代表模型预测矾花特征量所对应的状态标签;
权重优化梯度推导:
梯度优化计算:
r:代表学习率。
参数更新:
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.矶花图像识别及加药控制系统,包括安装在凝絮池内部的竖向滑轨(1),其特征在于:所述竖向滑轨(1)的一侧滑动连接有横向滑轨(2),所述横向滑轨(2)的顶部滑动连接有防水外壳(3),所述防水外壳(3)的内部安装有采集摄像头(5),所述防水外壳(3)的底部开通有同采集摄像头(5)配合使用的入水口(9),所述防水外壳(3)内部的两侧分别安装有同采集摄像头(5)配合使用的图像采样模块(6)和图像识别模块(7),所述图像采样模块(6)和图像识别模块(7)的顶部设置有同防水外壳(3)固定连接的算法控制处理器(8),所述防水外壳(3)的一侧固定安装有投药装置(4)。
2.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述竖向滑轨(1)的一侧设置有凝絮池边架(10),所述凝絮池边架(10)的顶部固定连接有同竖向滑轨(1)固定连接的安装杆(11)。
3.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述竖向滑轨(1)和横向滑轨(2)的内部均开设有螺纹孔(12),所述横向滑轨(2)靠近竖向滑轨(1)的一端和防水外壳(3)的一侧均螺纹连接有同螺纹孔(12)螺纹连接的固定螺栓(13)。
4.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述防水外壳(3)的内部安装有同图像采样模块(6)和图像识别模块(7)以及算法控制处理器(8)配合使用的隔水板(14)。
5.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述入水口(9)的内部安装有大孔径滤网(15)。
6.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述采集摄像头(5)的底部安装有防护镜(16)。
7.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述防水外壳(3)的底部安装有同采集摄像头(5)配合使用的遮挡板(17)。
8.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述横向滑轨(2)底部的一侧安装有同竖向滑轨(1)滑动连接的斜角支撑杆(18)。
9.根据权利要求2所述的矶花图像识别及加药控制系统,其特征在于:所述竖向滑轨(1)和防水外壳(3)底部的一半没入凝絮池内的污水水平面下,所述凝絮池边架(10)安装在凝絮池内壁顶部。
10.根据权利要求1所述的矶花图像识别及加药控制系统,其特征在于:所述凝絮池投加点前端的配水井内部安装有水质检测设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924589.3A CN117115438A (zh) | 2023-07-26 | 2023-07-26 | 矶花图像识别及加药控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924589.3A CN117115438A (zh) | 2023-07-26 | 2023-07-26 | 矶花图像识别及加药控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117115438A true CN117115438A (zh) | 2023-11-24 |
Family
ID=88806453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310924589.3A Pending CN117115438A (zh) | 2023-07-26 | 2023-07-26 | 矶花图像识别及加药控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115438A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118005195A (zh) * | 2024-03-27 | 2024-05-10 | 广东省源天工程有限公司 | 一种河道生态环境修复系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672521A (zh) * | 2019-10-31 | 2020-01-10 | 中冶赛迪上海工程技术有限公司 | 一种水下图像采集装置 |
CN110913102A (zh) * | 2019-11-21 | 2020-03-24 | 中冶赛迪工程技术股份有限公司 | 用于矾花采集及识别的图像处理装置 |
CN112351217A (zh) * | 2020-11-04 | 2021-02-09 | 中冶赛迪技术研究中心有限公司 | 图像增强型防水云台图像采集系统与方法 |
-
2023
- 2023-07-26 CN CN202310924589.3A patent/CN117115438A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672521A (zh) * | 2019-10-31 | 2020-01-10 | 中冶赛迪上海工程技术有限公司 | 一种水下图像采集装置 |
CN110913102A (zh) * | 2019-11-21 | 2020-03-24 | 中冶赛迪工程技术股份有限公司 | 用于矾花采集及识别的图像处理装置 |
CN112351217A (zh) * | 2020-11-04 | 2021-02-09 | 中冶赛迪技术研究中心有限公司 | 图像增强型防水云台图像采集系统与方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118005195A (zh) * | 2024-03-27 | 2024-05-10 | 广东省源天工程有限公司 | 一种河道生态环境修复系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117115438A (zh) | 矶花图像识别及加药控制系统 | |
CN110476839A (zh) | 一种基于鱼类生长的优化调控方法及系统 | |
JP6941083B2 (ja) | 水処理方法および水処理システム | |
CN107830891B (zh) | 基于水产养殖水质ph值多参量数据采集装置的数据处理方法 | |
CN205991979U (zh) | 一种泳池水质在线监测与自动加药装置 | |
CN112506120A (zh) | 一种基于物联网的智慧渔业管理系统 | |
CN115661081B (zh) | 基于图像处理的水产养殖自动控制换水方法 | |
CN113429013A (zh) | 混凝剂投放量的确定方法以及化合物投放量的确定方法 | |
CN112229770A (zh) | 一种自动采集、观测及识别活性污泥沉降实验过程的装置 | |
CN103676906A (zh) | 一种集约化水产养殖监测系统 | |
CN111489271A (zh) | 污水管理云平台 | |
CN113317265A (zh) | 一种循环水养殖智能控制系统 | |
CN111966137A (zh) | 一种基于大数据的水产品运输环境智能监测调控系统 | |
Setyobudi | Utilization of tds sensors for water quality monitoring and water filtering of carp pools using IoT | |
CN107590467A (zh) | 一种基于机器视觉的智能投喂系统 | |
CN105540800B (zh) | 水厂露天水处理池矾花状态自动监测装置和方法 | |
CN115200647A (zh) | 一种水产养殖环境监测管理方法及系统 | |
CN109574237B (zh) | 一种用于长期监测达标污废水综合生态毒性的装置、系统和方法 | |
Rohit et al. | IOT based submersible ROV for pisciculture | |
CN117023863A (zh) | 一种养殖尾水监管系统及方法 | |
CN116520740A (zh) | 一种基于ai识别的水产养殖监控系统 | |
CN114693493B (zh) | 一种基于IoT的污染河流水生态修复系统 | |
CN109118540B (zh) | 基于脊线提取的鲟鱼快速统计方法 | |
CN105347548A (zh) | 柔性电路板生产废水排放工艺 | |
CN112723613B (zh) | 一种污水处理站智能远程监管方法及终端 |
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 |