CN117138588B - 反渗透系统的智能在线清洗方法及其系统 - Google Patents
反渗透系统的智能在线清洗方法及其系统 Download PDFInfo
- Publication number
- CN117138588B CN117138588B CN202311403624.3A CN202311403624A CN117138588B CN 117138588 B CN117138588 B CN 117138588B CN 202311403624 A CN202311403624 A CN 202311403624A CN 117138588 B CN117138588 B CN 117138588B
- Authority
- CN
- China
- Prior art keywords
- pollution state
- feature
- pollution
- image
- training
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 91
- 238000001223 reverse osmosis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 102
- 238000012544 monitoring process Methods 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 47
- 239000012528 membrane Substances 0.000 claims abstract description 39
- 239000012459 cleaning agent Substances 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 88
- 238000001994 activation Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000011109 contamination Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 27
- 239000000126 substance Substances 0.000 description 23
- 239000000356 contaminant Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000005406 washing Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003204 osmotic effect Effects 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000013043 chemical agent Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 229910017053 inorganic salt Inorganic materials 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000002178 crystalline material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000009285 membrane fouling Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000012569 microbial contaminant Substances 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
- B01D65/109—Testing of membrane fouling or clogging, e.g. amount or affinity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/02—Membrane cleaning or sterilisation ; Membrane regeneration
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Image Analysis (AREA)
Abstract
公开了一种反渗透系统的智能在线清洗方法及其系统。其首先获取由摄像头采集的待清洗反渗透膜的污染状态监控图像,接着,对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像,然后,对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量,最后,基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂。这样,可以结合基于深度学习的人工智能技术,对污染状况进行分析,确定污染的种类,推荐合适的清洗药剂。
Description
技术领域
本公开涉及智能清洗领域,且更为具体地,涉及一种反渗透系统的智能在线清洗方法及其系统。
背景技术
反渗透系统中膜元件受到污染时,往往通过清洗来恢复膜元件的性能。清洗的方式一般有两种,物理清洗(冲洗)和化学清洗(药品清洗)。
物理清洗不改变污染物的性质,其通过冲洗使污染物排除膜元件,恢复膜元件的性能。化学清洗是使用相应的化学药剂,改变污染物的组成或属性,恢复膜元件的性能。吸附性低的粒子状污染物,可以通过物理清洗的方式达到一定的效果,像生物污染这种对膜的吸附性强的污染物使用冲洗的方法很难达到预期效果,应采用化学清洗。为了提高化学清洗的效果,清洗前,有必要通过对污染状况进行分析,确定污染的种类。
目前,通常通过观察膜元件的外观和颜色信息,并结合经验判断可能的污染类型,从而选择相应的化学清洗药剂。但这种方式可能存在主观性和误判的问题。不同的人可能对相同的污染物有不同的判断。因此,期待一种优化的方案。
发明内容
有鉴于此,本公开提出了一种反渗透系统的智能在线清洗方法及其系统,其可以结合基于深度学习的人工智能技术,对污染状况进行分析,确定污染的种类,推荐合适的清洗药剂。
根据本公开的一方面,提供了一种反渗透系统的智能在线清洗方法,其包括:获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像;对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量;以及基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂。
在上述反渗透系统的智能在线清洗方法中,对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量,包括:提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图;以及提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量。
在上述反渗透系统的智能在线清洗方法中,提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图,包括:将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到所述多个污染状态特征图;其中,所述基于金字塔网络的图像特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理,以由所述基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图,以得到所述多个污染状态特征图。
在上述反渗透系统的智能在线清洗方法中,所述基于金字塔网络的图像特征提取器的各层在所述非线性激活处理时使用Mish激活函数。
在上述反渗透系统的智能在线清洗方法中,提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量,包括:将所述多个污染状态特征图分别通过基于全连接层的特征全感知模块以得到多个污染状态全感知特征向量;以及将所述多个污染状态全感知特征向量通过基于Bi-LSTM的图像局部特征上下文编码器以得到所述上下文语义污染状态特征向量。
在上述反渗透系统的智能在线清洗方法中,基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂,包括:将所述上下文语义污染状态特征向量通过分类器以得到分类结果,所述分类结果用于表示污染的种类标签;以及基于所述分类结果,确定所述推荐的清洗药剂。
在上述反渗透系统的智能在线清洗方法中,还包括训练步骤:对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知模块、所述基于Bi-LSTM的图像局部特征上下文编码器和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括由摄像头采集的待清洗反渗透膜的训练污染状态监控图像,以及,污染的种类标签的真实值;对所述训练污染状态监控图像进行灰度处理以得到训练灰度化污染状态监控图像;将所述训练灰度化污染状态监控图像通过所述基于金字塔网络的图像特征提取器以得到多个训练污染状态特征图;将所述多个训练污染状态特征图分别通过所述基于全连接层的特征全感知模块以得到多个训练污染状态全感知特征向量;将所述多个训练污染状态全感知特征向量通过所述基于Bi-LSTM的图像局部特征上下文编码器以得到训练上下文语义污染状态特征向量;将所述训练上下文语义污染状态特征向量通过分类器以得到分类损失函数值;以及以所述分类损失函数值来对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知模块、所述基于Bi-LSTM的图像局部特征上下文编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,基于所述训练上下文语义污染状态特征向量进行权重矩阵的迭代优化。
根据本公开的另一方面,提供了一种反渗透系统的智能在线清洗系统,其包括:图像采集模块,用于获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;灰度处理模块,用于对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像;图像特征提取模块,用于对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量;以及清洗药剂推荐模块,用于基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂。
在上述反渗透系统的智能在线清洗系统中,所述图像特征提取模块,包括:多深度特征提取单元,用于提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图;以及上下文关联特征提取单元,用于提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量。
在上述反渗透系统的智能在线清洗系统中,所述多深度特征提取单元,包括:将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到所述多个污染状态特征图;其中,所述基于金字塔网络的图像特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理,以由所述基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图,以得到所述多个污染状态特征图。
根据本公开的实施例,其首先获取由摄像头采集的待清洗反渗透膜的污染状态监控图像,接着,对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像,然后,对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量,最后,基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂。这样,可以结合基于深度学习的人工智能技术,对污染状况进行分析,确定污染的种类,推荐合适的清洗药剂。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的反渗透系统的智能在线清洗方法的流程图。
图2示出根据本公开的实施例的反渗透系统的智能在线清洗方法的架构示意图。
图3示出根据本公开的实施例的反渗透系统的智能在线清洗方法的子步骤S130的流程图。
图4示出根据本公开的实施例的反渗透系统的智能在线清洗方法的子步骤S132的流程图。
图5示出根据本公开的实施例的反渗透系统的智能在线清洗方法的子步骤S140的流程图。
图6示出根据本公开的实施例的反渗透系统的智能在线清洗系统的框图。
图7示出根据本公开的实施例的反渗透系统的智能在线清洗方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思是结合基于深度学习的人工智能技术,对污染状况进行分析,确定污染的种类,进而推荐合适的清洗药剂。
基于此,图1示出根据本公开的实施例的反渗透系统的智能在线清洗方法的流程图。图2示出根据本公开的实施例的反渗透系统的智能在线清洗方法的架构示意图。如图1和图2所示,根据本公开实施例的反渗透系统的智能在线清洗方法,包括步骤:S110,获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;S120,对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像;S130,对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量;以及,S140,基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂。
具体地,在本公开的技术方案中,首先,获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;并对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像。应可以理解,待清洗反渗透膜的污染状态监控图像可以提供直观的信息,可以从中反映污染物的特征,例如颜色、形状、纹理等。具体来说,不同类型的污染物可能具有不同的颜色。例如,有机物污染物可能呈现为黄色、棕色或黑色;无机盐污染物可能呈现为白色、结晶状物质或颜色斑点;微生物污染物可能呈现为绿色、褐色或者在图像上形成斑点。此外,污染物的形状和纹理也可能有所不同。有机物污染物可能以颗粒状、颗粒聚集或胶体状物质存在;无机盐污染物可能以结晶、晶体或颗粒形式存在;微生物污染物可能以颗粒、菌落或纤维状物质存在。也就是说,所述待清洗反渗透膜的污染状态监控图像可以为判断污染的种类提供重要的数据来源。
感受野是指神经网络中每个神经元所能感受到的输入图像区域大小。在传统的卷积神经网络中,感受野通常随着网络层数的增加而扩大。然而,在某些复杂场景中,感受野的扩大可能导致错误的上下文信息聚合。具体来说,当感受野扩大时,神经网络可能会将不同区域的特征混合在一起。此外,复杂场景中可能存在多个重叠的类别,感受野的限制会导致网络难以捕捉到局部细节和边界信息,从而影响分类的准确性。因此,在本公开的技术方案中,期待先提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图,并提取所述多个污染状态特征图之间的上下文关联特征来捕获图像间的语义上下文关系,得到更有鉴别力的特征,即上下文语义污染状态特征向量。通过这样的方式来减少错误的上下文信息聚合的问题。
在本公开的一个具体示例中,提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图的实现方式是将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到多个污染状态特征图。这里,通过提取多深度特征,可以综合考虑污染物的纹理、形状、尺寸和分布等特征,提高对污染物的判断和分类准确性。
在本公开的一个具体示例中,提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量的编码过程,包括:先将所述多个污染状态特征图分别通过基于全连接层的特征全感知模块以得到多个污染状态全感知特征向量;再将所述多个污染状态全感知特征向量通过基于Bi-LSTM的图像局部特征上下文编码器以得到上下文语义污染状态特征向量。
相应地,如图3所示,对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量,包括:S131,提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图;以及,S132,提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量。应可以理解,在所描述的上下文语义污染状态监控图像处理流程中,包括S131和S132两个步骤。在步骤S131中,使用深度学习或计算机视觉技术,从灰度化污染状态监控图像中提取多个污染状态特征图,这些特征图可以捕捉到图像中的不同特征,比如纹理、形状、边缘等。每个特征图对应于一种污染状态特征,可以用于进一步的分析和处理。在步骤S132中,利用多个污染状态特征图之间的关联信息,提取上下文关联特征。这些关联特征可以包括特征图之间的空间关系、相互影响等。通过提取这些上下文关联特征,可以得到一个综合的上下文语义污染状态特征向量,该向量可以更好地表示图像中的污染状态信息。综合来说,步骤S131用于提取灰度化污染状态监控图像的多深度特征,以捕捉不同的污染状态特征。步骤S132则在多个污染状态特征图之间提取上下文关联特征,以得到一个综合的上下文语义污染状态特征向量。这些特征向量可以用于进一步的分析、分类、识别等任务,从而实现对污染状态的监控和判断。
更具体地,在步骤S131中,提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图,包括:将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到所述多个污染状态特征图;其中,所述基于金字塔网络的图像特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理,以由所述基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图,以得到所述多个污染状态特征图。应可以理解,将灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器的目的是将灰度化污染状态监控图像输入到基于金字塔网络的图像特征提取器中。金字塔网络是一种多尺度图像处理方法,它可以在不同的尺度上提取图像特征,通过这个特征提取器,可以获得不同层次的特征表示,从而捕捉图像中的不同细节和结构。基于金字塔网络的图像特征提取器的各层对输入数据进行卷积处理、池化处理和非线性激活处理。具体来说,包括:卷积处理:通过卷积操作,提取图像中的局部特征,捕捉图像中的边缘、纹理等信息。池化处理:通过池化操作,减少特征图的尺寸,保留重要的特征,并且具有平移不变性,提高特征的鲁棒性。非线性激活处理:通过应用非线性激活函数(如ReLU)对卷积后的特征进行处理,引入非线性变换,增加模型的表达能力。通过这些处理,基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图。每个特征图对应于一种污染状态特征,例如颜色、纹理、形状等。这些特征图可以提供丰富的信息,用于后续的分析和处理,例如污染状态的分类、识别等任务。
进一步地,所述基于金字塔网络的图像特征提取器的各层在所述非线性激活处理时使用Mish激活函数。值得一提的是,Mish激活函数是一种非线性激活函数,它在深度学习中被广泛使用,它可以作为一种替代ReLU激活函数的选择。Mish激活函数的数学表达式如下:Mish(x)=x*tanh(softplus(x)),其中,tanh(·)是双曲正切函数,softplus(·)是平滑化ReLU函数,定义为softplus(x)=log(1+exp(x))。
相比于ReLU激活函数,Mish激活函数具有以下特点:1.平滑性:Mish激活函数在整个实数域上都是可导的,并且具有平滑的曲线,这有助于减少梯度消失的问题。2.非线性:Mish激活函数引入了非线性变换,可以更好地拟合复杂的数据分布。3.支持稀疏激活:Mish激活函数对于负输入值的响应较小,这可以促使神经网络中的某些神经元保持较少的激活状态,从而实现稀疏激活。Mish激活函数在一些深度学习任务中表现出良好的性能,它可以提供更强的非线性表示能力,并且有助于缓解梯度消失问题。因此,在基于金字塔网络的图像特征提取器中使用Mish激活函数可以增强模型的表达能力和性能。
更具体地,如图4所示,在步骤S132中,提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量,包括:S1321,将所述多个污染状态特征图分别通过基于全连接层的特征全感知模块以得到多个污染状态全感知特征向量;以及,S1322,将所述多个污染状态全感知特征向量通过基于Bi-LSTM的图像局部特征上下文编码器以得到所述上下文语义污染状态特征向量。应可以理解,Bi-LSTM是一种双向长短期记忆(Bidirectional Long Short-Term Memory)模型,它是对传统的长短期记忆(LSTM)模型的扩展。LSTM是一种循环神经网络(RNN)的变体,专门设计用于处理序列数据。传统的LSTM模型在处理序列数据时,只考虑了当前时刻之前的上下文信息。而Bi-LSTM模型通过引入两个独立的LSTM层,分别从正向和逆向两个方向上处理输入序列,从而能够同时捕捉当前时刻之前和之后的上下文信息。
Bi-LSTM模型的工作原理如下:1.正向LSTM层:正向LSTM层按照时间顺序逐步处理输入序列,从前到后计算隐藏状态和记忆单元的值。2.逆向LSTM层:逆向LSTM层按照时间逆序逐步处理输入序列,从后到前计算隐藏状态和记忆单元的值。3.合并操作:在每个时间步骤上,将正向LSTM层和逆向LSTM层的隐藏状态连接起来,形成一个综合的表示。通过这样的设计,Bi-LSTM模型可以同时考虑过去和未来的上下文信息,从而更全面地理解输入序列中的特征和关系。这对于许多任务,如自然语言处理、语音识别和计算机视觉中的序列建模等,都具有重要的作用。在所描述的图像处理流程中,步骤S1322中的基于Bi-LSTM的图像局部特征上下文编码器使用Bi-LSTM模型来捕捉多个污染状态全感知特征向量之间的上下文关联特征,以得到上下文语义污染状态特征向量。通过Bi-LSTM模型的双向处理,可以更好地利用特征之间的时序关系和上下文信息,提高特征的表达能力和判别能力。
进一步地,将所述上下文语义污染状态特征向量通过分类器以得到分类结果,所述分类结果用于表示污染的种类标签;并基于所述分类结果,确定推荐的清洗药剂。
相应地,如图5所示,基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂,包括:S141,将所述上下文语义污染状态特征向量通过分类器以得到分类结果,所述分类结果用于表示污染的种类标签;以及,S142,基于所述分类结果,确定所述推荐的清洗药剂。
更具体地,在步骤S141中,将所述上下文语义污染状态特征向量通过分类器以得到分类结果,所述分类结果用于表示污染的种类标签,包括:使用所述分类器的全连接层对所述上下文语义污染状态特征向量进行全连接编码以得到编码分类特征向量;以及,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。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本公开的技术方案中,所述的反渗透系统的智能在线清洗方法,其还包括训练步骤:对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知模块、所述基于Bi-LSTM的图像局部特征上下文编码器和所述分类器进行训练。应可以理解,训练步骤在反渗透系统的智能在线清洗方法中起着关键作用。通过对基于金字塔网络的图像特征提取器、基于全连接层的特征全感知模块、基于Bi-LSTM的图像局部特征上下文编码器和分类器进行训练,可以实现以下几个目标:1.特征提取器训练:训练基于金字塔网络的图像特征提取器,使其能够从灰度化污染状态监控图像中提取出有用的特征。这些特征可以捕捉到不同污染状态的信息,为后续的处理步骤提供输入。2.特征全感知模块训练:通过训练基于全连接层的特征全感知模块,可以将多个污染状态特征图转化为对应的污染状态全感知特征向量。这些全感知特征向量综合了不同特征图的信息,能够更好地表示图像中的污染状态。3.图像局部特征上下文编码器训练:基于Bi-LSTM的图像局部特征上下文编码器的训练旨在捕捉特征向量之间的上下文关联特征。通过双向LSTM的处理,可以同时考虑特征向量的前后上下文信息,从而得到更具语义的上下文语义污染状态特征向量。4.分类器训练:训练分类器的目的是将提取到的上下文语义污染状态特征向量与相应的污染状态进行关联,实现对污染状态的监控和判断。分类器的训练使得系统能够准确地对新的污染状态进行分类,从而实现智能在线清洗的功能。通过训练这些模块,系统可以学习到污染状态的特征表示和上下文关联,从而能够更好地理解和处理灰度化污染状态监控图像,提高反渗透系统的清洗效果和准确性。
其中,更具体地,所述训练步骤,包括:获取训练数据,所述训练数据包括由摄像头采集的待清洗反渗透膜的训练污染状态监控图像,以及,污染的种类标签的真实值;对所述训练污染状态监控图像进行灰度处理以得到训练灰度化污染状态监控图像;将所述训练灰度化污染状态监控图像通过所述基于金字塔网络的图像特征提取器以得到多个训练污染状态特征图;将所述多个训练污染状态特征图分别通过所述基于全连接层的特征全感知模块以得到多个训练污染状态全感知特征向量;将所述多个训练污染状态全感知特征向量通过所述基于Bi-LSTM的图像局部特征上下文编码器以得到训练上下文语义污染状态特征向量;将所述训练上下文语义污染状态特征向量通过分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知模块、所述基于Bi-LSTM的图像局部特征上下文编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,基于所述训练上下文语义污染状态特征向量进行权重矩阵的迭代优化。
在本申请的技术方案中,将所述训练灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器后,得到的所述多个训练污染状态特征图可以分别表达基于金字塔网络的图像特征关联尺度的不同深度下的图像语义特征,由此,在将所述多个训练污染状态特征图分别通过基于全连接层的特征全感知模块以得到多个训练污染状态全感知特征向量,并将所述多个训练污染状态全感知特征向量通过基于Bi-LSTM的图像局部特征上下文编码器得到所述训练上下文语义污染状态特征向量时,所述训练上下文语义污染状态特征向量可以表达跨尺度和跨深度的近程-远程双向上下文关联图像语义特征,也就是,所述训练上下文语义污染状态特征向量具有了与跨尺度和跨深度的图像语义特征的关联分布维度密集表示,并且每个特征值也具有图像语义特征密集空间分布表示,导致在所述训练上下文语义污染状态特征向量通过分类器进行分类回归训练时,所述分类器的权重矩阵的训练效率降低。基于此,本申请在将所述训练上下文语义污染状态特征向量通过分类器进行分类回归的训练时,基于所述训练上下文语义污染状态特征向量进行权重矩阵的迭代优化。
相应地,在一个具体示例中,在所述训练的每一轮迭代中,基于所述训练上下文语义污染状态特征向量进行权重矩阵的迭代优化,包括:基于所述训练上下文语义污染状态特征向量以如下公式进行权重矩阵的迭代优化;其中,所述公式为:其中,/>和/>分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置/>和/>,(例如,/>设置为单位矩阵而/>设置为待分类的训练上下文语义污染状态特征向量的均值对角矩阵),/>是待分类的训练上下文语义污染状态特征向量,/>和/>表示过渡特征向量,/>表示特征向量/>的转置向量,和/>分别表示特征向量/>和/>的全局均值,且/>是偏置矩阵,例如初始设置为单位矩阵,向量以列向量形式,/>表示按位置点乘,/>表示按位置相加,/>表示矩阵乘法,/>是迭代优化后的权重矩阵。
也就是,考虑到在进行基于待分类的训练上下文语义污染状态特征向量的密集预测任务时,需要将权重矩阵的高分辨率表示与待分类的训练上下文语义污染状态特征向量/>的图像语义特征分布维度密集关联上下文进行集成,因此通过在迭代过程中最大化权重空间的分布边界,来基于迭代关联表示资源认知地(resource-aware)实现渐进集成(progressive integrity),从而提高权重矩阵的训练效果,提升模型整体的训练效率。
综上,基于本公开实施例的反渗透系统的智能在线清洗方法,其可以结合基于深度学习的人工智能技术,对污染状况进行分析,确定污染的种类,推荐合适的清洗药剂。
图6示出根据本公开的实施例的反渗透系统的智能在线清洗系统100的框图。如图6所示,根据本公开实施例的反渗透系统的智能在线清洗系统100,包括:图像采集模块110,用于获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;灰度处理模块120,用于对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像;图像特征提取模块130,用于对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量;以及,清洗药剂推荐模块140,用于基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂。
在一种可能的实现方式中,所述图像特征提取模块130,包括:多深度特征提取单元,用于提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图;以及,上下文关联特征提取单元,用于提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量。
在一种可能的实现方式中,所述多深度特征提取单元,包括:将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到所述多个污染状态特征图;其中,所述基于金字塔网络的图像特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图以得到所述多个污染状态特征图。
这里,本领域技术人员可以理解,上述反渗透系统的智能在线清洗系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的反渗透系统的智能在线清洗方法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,根据本公开实施例的反渗透系统的智能在线清洗系统100可以实现在各种无线终端中,例如具有反渗透系统的智能在线清洗算法的服务器等。在一种可能的实现方式中,根据本公开实施例的反渗透系统的智能在线清洗系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该反渗透系统的智能在线清洗系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该反渗透系统的智能在线清洗系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该反渗透系统的智能在线清洗系统100与该无线终端也可以是分立的设备,并且该反渗透系统的智能在线清洗系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7示出根据本公开的实施例的反渗透系统的智能在线清洗方法的应用场景图。如图7所示,在该应用场景中,首先,获取由摄像头(例如,图7中所示意的C)采集的待清洗反渗透膜(例如,图7中所示意的L)的污染状态监控图像(例如,图7中所示意的D),然后,将所述污染状态监控图像输入至部署有反渗透系统的智能在线清洗算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述反渗透系统的智能在线清洗算法对所述污染状态监控图像进行处理以得到用于表示污染的种类标签的分类结果。
进一步对本公开的技术方案进行说明。反渗透又称逆渗透,是一种以压力差为推动力,从溶液中分离出溶剂的膜分离操作对膜一侧的料液施加压力,当压力超过它的渗透压时,溶剂会逆着自然渗透的方向作反向渗透。从而在膜的低压侧得到透过的溶剂,即渗透液;高压侧得到浓缩的溶液,即浓缩液。若用反渗透处理海水,在膜的低压侧得到淡水,在高压侧得到浓水。因为它和自然渗透的方向相反,故称反渗透。根据各种物料的不同渗透压,就可以使用大于渗透压的反渗透压力,即反渗透法,达到分离、提取、纯化和浓缩的目的。
反渗透系统运行时,进水中含有的悬浮物质,溶解物质以及微生物繁殖等原因都会造成膜元件污染。反渗透系统的预处理应尽可能的除去这些污染物质,尽量降低膜元件污染的可能性。通常,造成膜污染的原因主要有以下几种:1.新装置管道中含有油类物质和焊接管道时的残留物,以及灰尘且在装膜前未清洗干净;2.预处理装置设计不合理;3.添加化学药品的量发生错误或设备发生故障;4.人为操作失误;5.停止运行时未作低压冲洗或冲洗条件控制得不正确;6.给水水源或水质发生变化。
污染物的累积情况可以通过日常数据记录中的操作压力、压差上升、脱盐率变化等参数得知。膜元件受到污染时,往往通过清洗来恢复膜元件的性能。清洗的方式一般有两种,物理清洗(冲洗)和化学清洗(药品清洗)。物理清洗(冲洗)是不改变污染物的性质,用力量使污染物排除膜元件,恢复膜元件的性能。化学清洗是使用相应的化学药剂,改变污染物的组成或属性,恢复膜元件的性能。吸附性低的粒子状污染物,可以通过冲洗(物理清洗)的方式达到一定的效果,像生物污染这种对膜的吸附性强的污染物使用冲洗的方法很难达到预期效果。用冲洗的方法很难除去的污染应采用化学清洗为了提高化学清洗的效果,清洗前,有必要通过对污染状况进行分析,确定污染的种类在了解了污染物种类时,选择合适的清洗药剂就可以适当的恢复膜元件的性能。
相应地,可以采用物理清洗(冲洗)或者化学清洗(药品清洗)的方式进行污染物的清洗。
其中,关于化学清洗,发生以下情况时,物理冲洗已经不能使反渗透膜的性能恢复,这时就需要进行化学清洗:1.标准化条件下的产水量下降10-15%;2.进水和浓水之间的系统压差升高到初始值的1.5倍。不同污染物应采用不同的清洗药剂。污染发生时通常不是只有一种污染物,因此常规化学清洗需要包括高pH值清洗和低pH值清洗两大步骤。选用哪个清洗剂进行化学清洗,可以按以下方法判断:按反渗透进水水质判断;进行全系统膜元件清洗之前,可以从系统中取出一、两支膜元件,通过进行清洗试验,选择最佳的清洗药品。一般来说,应先采用高pH清洗液清洗油类和微生物污染,然后采用低pH清洗液清洗无机垢类或金属氧化物污染。有时也先酸洗后碱洗,或者只采用一种药剂清洗,例如地下水源的铁污染,采用简单的低pH清洗即可。
进一步地,在清洗过程中,污染物会消耗清洗药品,pH值会因此发生变化,药品的清洗能力会降低。因此要随时监测pH值的变化,及时调节pH值。一般测定pH值偏离于设定pH值0.5以上时,需要添加药品。相应地,需要一个化学在线清洗设备,在线清洗是膜元件保留在压力容器中进行。清洗设备一般包含清洗水箱过滤器、循环泵、压力表、温度计、压力表、阀门、取样点以及管线。清洗水箱的容积要保证满足连接软管、管路和反渗透压力容器内置换用水水量的要求。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种反渗透系统的智能在线清洗方法,其特征在于,包括:
获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;
对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像;
对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量;以及
基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂;
其中,对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量,包括:
提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图;以及
提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量
其中,提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图,包括:
将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到所述多个污染状态特征图;
其中,所述基于金字塔网络的图像特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理,以由所述基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图,以得到所述多个污染状态特征图;
其中,提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量,包括:
将所述多个污染状态特征图分别通过基于全连接层的特征全感知模块以得到多个污染状态全感知特征向量;以及
将所述多个污染状态全感知特征向量通过基于Bi-LSTM的图像局部特征上下文编码器以得到所述上下文语义污染状态特征向量。
2.根据权利要求1所述的反渗透系统的智能在线清洗方法,其特征在于,所述基于金字塔网络的图像特征提取器的各层在所述非线性激活处理时使用Mish激活函数。
3.根据权利要求2所述的反渗透系统的智能在线清洗方法,其特征在于,基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂,包括:
将所述上下文语义污染状态特征向量通过分类器以得到分类结果,所述分类结果用于表示污染的种类标签;以及
基于所述分类结果,确定所述推荐的清洗药剂。
4.根据权利要求3所述的反渗透系统的智能在线清洗方法,其特征在于,还包括训练步骤:对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知模块、所述基于Bi-LSTM的图像局部特征上下文编码器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由摄像头采集的待清洗反渗透膜的训练污染状态监控图像,以及,污染的种类标签的真实值;
对所述训练污染状态监控图像进行灰度处理以得到训练灰度化污染状态监控图像;
将所述训练灰度化污染状态监控图像通过所述基于金字塔网络的图像特征提取器以得到多个训练污染状态特征图;
将所述多个训练污染状态特征图分别通过所述基于全连接层的特征全感知模块以得到多个训练污染状态全感知特征向量;
将所述多个训练污染状态全感知特征向量通过所述基于Bi-LSTM的图像局部特征上下文编码器以得到训练上下文语义污染状态特征向量;
将所述训练上下文语义污染状态特征向量通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于金字塔网络的图像特征提取器、所述基于全连接层的特征全感知模块、所述基于Bi-LSTM的图像局部特征上下文编码器和所述分类器进行训练,其中,在所述训练的每一轮迭代中,基于所述训练上下文语义污染状态特征向量进行权重矩阵的迭代优化。
5.一种反渗透系统的智能在线清洗系统,其特征在于,包括:
图像采集模块,用于获取由摄像头采集的待清洗反渗透膜的污染状态监控图像;
灰度处理模块,用于对所述污染状态监控图像进行灰度处理以得到灰度化污染状态监控图像;
图像特征提取模块,用于对所述灰度化污染状态监控图像进行图像特征提取以得到上下文语义污染状态特征向量;以及
清洗药剂推荐模块,用于基于所述上下文语义污染状态特征向量,确定推荐的清洗药剂;
其中,所述图像特征提取模块,包括:
多深度特征提取单元,用于提取所述灰度化污染状态监控图像的多深度特征以得到多个污染状态特征图;以及
上下文关联特征提取单元,用于提取所述多个污染状态特征图之间的上下文关联特征以得到所述上下文语义污染状态特征向量;
其中,所述多深度特征提取单元,包括:
将所述灰度化污染状态监控图像通过基于金字塔网络的图像特征提取器以得到所述多个污染状态特征图;
其中,所述基于金字塔网络的图像特征提取器的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理,以由所述基于金字塔网络的图像特征提取器的各层输出各个污染状态特征图,以得到所述多个污染状态特征图;
其中,所述上下文关联特征提取单元,包括:
将所述多个污染状态特征图分别通过基于全连接层的特征全感知模块以得到多个污染状态全感知特征向量;以及
将所述多个污染状态全感知特征向量通过基于Bi-LSTM的图像局部特征上下文编码器以得到所述上下文语义污染状态特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403624.3A CN117138588B (zh) | 2023-10-27 | 2023-10-27 | 反渗透系统的智能在线清洗方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403624.3A CN117138588B (zh) | 2023-10-27 | 2023-10-27 | 反渗透系统的智能在线清洗方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117138588A CN117138588A (zh) | 2023-12-01 |
CN117138588B true CN117138588B (zh) | 2024-02-13 |
Family
ID=88884616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311403624.3A Active CN117138588B (zh) | 2023-10-27 | 2023-10-27 | 反渗透系统的智能在线清洗方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117138588B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944275A (zh) * | 2010-08-26 | 2011-01-12 | 天津市环境保护科学研究院 | 中空纤维设备的膜污染诊断与预警决策系统 |
KR20130094984A (ko) * | 2012-02-17 | 2013-08-27 | 광주과학기술원 | 막 오염도 측정 방법 및 장치 |
KR20150020789A (ko) * | 2013-08-19 | 2015-02-27 | 주식회사 투윈스컴 | 공기예열기 오염상태 실시간 감시장치 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
KR101920811B1 (ko) * | 2017-06-29 | 2018-11-21 | 울산과학기술원 | 영상데이터의 딥러닝 처리에 기반하는 수처리 시스템 및 동작 방법 |
CN111204842A (zh) * | 2019-12-23 | 2020-05-29 | 光大环境科技(中国)有限公司 | 一种通过神经网络实现超滤膜污染评价的方法、装置、系统 |
CN112588764A (zh) * | 2020-11-28 | 2021-04-02 | 李振环 | 基于人工智能的光伏组件上多机器人协同清洁方法及装置 |
KR102308027B1 (ko) * | 2021-03-10 | 2021-09-30 | 김숙자 | 오염방지 감시 카메라가 구비된 사출 금형 장치에서의 오염도 상태 관리 장치 및 그 방법 |
CN114692723A (zh) * | 2022-03-02 | 2022-07-01 | 中国石油大学(北京) | 一种反渗透膜污堵预警方法及系统 |
CN115147645A (zh) * | 2022-05-25 | 2022-10-04 | 兰州理工大学 | 基于多特征信息融合的膜组件膜污染检测方法 |
KR20220134914A (ko) * | 2021-03-29 | 2022-10-06 | 울산과학기술원 | 수처리 공정 중 막 오염 제어 자동화 방법 및 이를 위한 오염 예측 모델을 학습하는 방법 |
CN116051853A (zh) * | 2022-11-04 | 2023-05-02 | 河南科技学院 | 一种自控加水的和面罐及其使用方法 |
CN116135797A (zh) * | 2023-04-19 | 2023-05-19 | 江苏海峡环保科技发展有限公司 | 污水处理智能控制系统 |
CN116309580A (zh) * | 2023-05-19 | 2023-06-23 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
CN116486061A (zh) * | 2023-06-20 | 2023-07-25 | 苏州德斯米尔智能科技有限公司 | 基于机器视觉的污水处理效果检测方法 |
-
2023
- 2023-10-27 CN CN202311403624.3A patent/CN117138588B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944275A (zh) * | 2010-08-26 | 2011-01-12 | 天津市环境保护科学研究院 | 中空纤维设备的膜污染诊断与预警决策系统 |
KR20130094984A (ko) * | 2012-02-17 | 2013-08-27 | 광주과학기술원 | 막 오염도 측정 방법 및 장치 |
KR20150020789A (ko) * | 2013-08-19 | 2015-02-27 | 주식회사 투윈스컴 | 공기예열기 오염상태 실시간 감시장치 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
KR101920811B1 (ko) * | 2017-06-29 | 2018-11-21 | 울산과학기술원 | 영상데이터의 딥러닝 처리에 기반하는 수처리 시스템 및 동작 방법 |
CN111204842A (zh) * | 2019-12-23 | 2020-05-29 | 光大环境科技(中国)有限公司 | 一种通过神经网络实现超滤膜污染评价的方法、装置、系统 |
CN112588764A (zh) * | 2020-11-28 | 2021-04-02 | 李振环 | 基于人工智能的光伏组件上多机器人协同清洁方法及装置 |
KR102308027B1 (ko) * | 2021-03-10 | 2021-09-30 | 김숙자 | 오염방지 감시 카메라가 구비된 사출 금형 장치에서의 오염도 상태 관리 장치 및 그 방법 |
KR20220134914A (ko) * | 2021-03-29 | 2022-10-06 | 울산과학기술원 | 수처리 공정 중 막 오염 제어 자동화 방법 및 이를 위한 오염 예측 모델을 학습하는 방법 |
CN114692723A (zh) * | 2022-03-02 | 2022-07-01 | 中国石油大学(北京) | 一种反渗透膜污堵预警方法及系统 |
CN115147645A (zh) * | 2022-05-25 | 2022-10-04 | 兰州理工大学 | 基于多特征信息融合的膜组件膜污染检测方法 |
CN116051853A (zh) * | 2022-11-04 | 2023-05-02 | 河南科技学院 | 一种自控加水的和面罐及其使用方法 |
CN116135797A (zh) * | 2023-04-19 | 2023-05-19 | 江苏海峡环保科技发展有限公司 | 污水处理智能控制系统 |
CN116309580A (zh) * | 2023-05-19 | 2023-06-23 | 克拉玛依市百事达技术开发有限公司 | 基于磁应力的油气管道腐蚀检测方法 |
CN116486061A (zh) * | 2023-06-20 | 2023-07-25 | 苏州德斯米尔智能科技有限公司 | 基于机器视觉的污水处理效果检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117138588A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
Farag | Recognition of traffic signs by convolutional neural nets for self-driving vehicles | |
CN112964469B (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN108133473B (zh) | 基于Gabor滤波和深度神经网络的经编提花织物疵点检测方法 | |
Kamrava et al. | Physics-and image-based prediction of fluid flow and transport in complex porous membranes and materials by deep learning | |
Lee et al. | Prediction of nanofiltration and reverse-osmosis-membrane rejection of organic compounds using random forest model | |
Adem et al. | Defect detection of seals in multilayer aseptic packages using deep learning | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
Liu et al. | An improved LLE algorithm based on iterative shrinkage for machinery fault diagnosis | |
CN117138588B (zh) | 反渗透系统的智能在线清洗方法及其系统 | |
CN113313000B (zh) | 一种基于光学图像的气液两相流智能识别方法 | |
CN114187272A (zh) | 一种基于深度学习的工业零件表面缺陷检测方法 | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN117586838A (zh) | 一种列车制动阀清洗剂及其制备方法 | |
CN115294103B (zh) | 一种基于语义分割的实时工业表面缺陷检测方法 | |
Liu et al. | A dual-branch balance saliency model based on discriminative feature for fabric defect detection | |
CN113222888B (zh) | 基于深度纹理特征的纺织品纱织尺寸检测方法 | |
CN115374931A (zh) | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 | |
CN114358189A (zh) | 基于多模态深度残差收缩网络的液压防水阀故障诊断方法 | |
CN117138589B (zh) | 反渗透膜的污染监测系统及其方法 | |
Dia et al. | Using deep learning to retrieve 3D geometrical characteristics of a particle field from 2D projected images: Application to multiphase flows | |
Zhu et al. | A Bidirectional Self-Rectifying Network with Bayesian Modelling for Vision-Based Crack Detection | |
CN118010391A (zh) | 滤清器全自动取样测试系统 |
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 |