CN117876912A - 农村内管道污水处理系统及其方法 - Google Patents
农村内管道污水处理系统及其方法 Download PDFInfo
- Publication number
- CN117876912A CN117876912A CN202310211363.9A CN202310211363A CN117876912A CN 117876912 A CN117876912 A CN 117876912A CN 202310211363 A CN202310211363 A CN 202310211363A CN 117876912 A CN117876912 A CN 117876912A
- Authority
- CN
- China
- Prior art keywords
- sewage treatment
- feature
- state change
- vector
- treatment monitoring
- 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 439
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 177
- 230000008859 change Effects 0.000 claims abstract description 139
- 239000013598 vector Substances 0.000 claims description 221
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004065 wastewater treatment Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 18
- 238000013135 deep learning Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000003814 drug Substances 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000005065 mining Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor 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
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Activated Sludge Processes (AREA)
Abstract
公开了一种农村内管道污水处理系统及其方法，其采用基于深度学习的人工智能监控技术来挖掘出污水处理状态变化的隐藏时序关联特征分布信息，并基于此来进行分类处理，以实现在对于农村内管道污水处理的过程中，基于污水处理的状态变化来自适应地进行加药控制，进而保证污水处理的效果和效率。
Description
技术领域
本申请涉及污水处理领域，且更为具体地，涉及一种农村内管道污水处理系统及其方法。
背景技术
随着生活水平的不断提高，我们在生活中所产生的污水也越来越多，在农村环境治理的过程中，污水处理是一个重要的环节。通过对农村生活状态的调研，可以得出这样的结论：农村污水具有高度分散性，每家每户随时都会产生污水，每次的量很小，水量波动比较大，这将导致对于农村污水的处理较为困难。
目前，需要在农村内管道施加污水处理药品来进行污水处理，但是，现有的加药方式为每隔预定时间段加一次药，这种加药方式有时候会导致加药过量，有时候则加药不及时，无法确保污水处理的效果和效率。
因此，期望一种优化的农村内管道污水处理系统。
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农村内管道污水处理系统及其方法，其采用基于深度学习的人工智能监控技术来挖掘出污水处理状态变化的隐藏时序关联特征分布信息，并基于此来进行分类处理，以实现在对于农村内管道污水处理的过程中，基于污水处理的状态变化来自适应地进行加药控制，进而保证污水处理的效果和效率。
相应地，根据本申请的一个方面，提供了一种农村内管道污水处理系统，其包括：污水处理监控模块，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；矩阵向量化模块，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；时序关联特征提取模块，用于将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；特征局部结构优化模块，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及推荐处理结果生成模块，用于将所述优化污水处理状态变化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是否产生加药提示。
在上述农村内管道污水处理系统中，所述关键帧提取模块，进一步用于：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
在上述农村内管道污水处理系统中，所述污水状态特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
在上述农村内管道污水处理系统中，所述矩阵向量化模块，进一步用于：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
在上述农村内管道污水处理系统中，所述时序关联特征提取模块，进一步用于：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分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述农村内管道污水处理系统中，所述特征局部结构优化模块，进一步用于：以如下公式对所述污水处理状态变化特征向量进行局部结构优化以得到所述优化污水处理状态变化特征向量；其中，所述公式为： ，
其中和/>分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，/>表示所述污水处理状态变化特征向量的二范数的平方，/>是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，/>表示向量相乘，/>表示按位置点乘。
在上述农村内管道污水处理系统中，所述推荐处理结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化污水处理状态变化特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，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，还提供了一种农村内管道污水处理方法，其包括：获取由摄像头采集的预定时间段的污水处理监控视频；从所述污水处理监控视频提取多个污水处理监控关键帧；将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及将所述优化污水处理状态变化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是否产生加药提示。
在上述农村内管道污水处理方法中，所述从所述污水处理监控视频提取多个污水处理监控关键帧，包括：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
在上述农村内管道污水处理方法中，所述将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵，包括：从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
在上述农村内管道污水处理方法中，所述将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量，包括：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
在上述农村内管道污水处理方法中，所述将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量，包括：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分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述农村内管道污水处理方法中，所述对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量，包括：以如下公式对所述污水处理状态变化特征向量进行局部结构优化以得到所述优化污水处理状态变化特征向量；其中，所述公式为：，其中/>和/>分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，/>表示所述污水处理状态变化特征向量的二范数的平方，/>是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，/>表示向量相乘，/>表示按位置点乘。
在上述农村内管道污水处理方法中，所述将所述优化污水处理状态变化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是否产生加药提示，包括：使用所述分类器的全连接层对所述优化污水处理状态变化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。
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农村内管道污水处理方法。
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农村内管道污水处理方法。
与现有技术相比，本申请提供的农村内管道污水处理系统及其方法，其采用基于深度学习的人工智能监控技术来挖掘出污水处理状态变化的隐藏时序关联特征分布信息，并基于此来进行分类处理，以实现在对于农村内管道污水处理的过程中，基于污水处理的状态变化来自适应地进行加药控制，进而保证污水处理的效果和效率。
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农村内管道污水处理系统的应用场景图。
图2为根据本申请实施例的农村内管道污水处理系统的框图。
图3为根据本申请实施例的农村内管道污水处理系统的架构示意图。
图4为根据本申请实施例的农村内管道污水处理系统中污水状态特征提取模块的框图。
图5为根据本申请实施例的农村内管道污水处理方法的流程图。
图6为根据本申请实施例的电子设备的框图。
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：如上所述，由于目前需要在农村内管道施加污水处理药品来进行污水处理，但是，现有的加药方式为每隔预定时间段加一次药，这种加药方式有时候会导致加药过量，有时候则加药不及时，无法确保污水处理的效果和效率。因此，期望一种优化的农村内管道污水处理系统。
相应地，考虑到在实际通过对于农村内管道施加污水处理药品来进行污水处理的过程中，对于污水处理药品的施加量的控制应基于污水处理的状态变化来进行，也就是，基于污水处理的状态变化情况来自适应地调整污水处理的加药量，以此来保证污水处理的效果和效率。并且，考虑到污水处理的状态变化信息可以通过对于污水处理监控视频的分析来进行，在此过程中，关键在于如何准确地挖掘出污水处理状态变化的隐藏时序关联特征分布信息，以此来实现对于农村内管道污水处理的自适应加药控制。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述污水处理状态变化的隐藏时序关联特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，通过摄像头采集预定时间段的污水处理监控视频。接着，考虑到在所述污水处理监控视频中，关于所述污水处理状态的变化特征可以通过所述污水处理监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示污水处理的状态变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，在本申请的技术方案中，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述污水处理监控视频进行关键帧采样，以从所述污水处理监控视频提取多个污水处理监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个污水处理监控关键帧的特征挖掘，特别地，考虑到在对于所述污水处理状态的隐藏特征进行提取时，为了能够更准确地提取出所述污水处理状态的变化特征信息以此来准确地进行加药控制，应关注于所述污水处理监控关键帧中关于污水的颜色和纹理等浅层特征，这些所述浅层特征对于所述污水处理的状态特征识别提取具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的第一卷积神经网络模型来分别对所述多个污水处理监控关键帧中的各个污水处理监控关键帧进行处理以得到多个污水处理监控特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述第一卷积神经网络模型能够保留所述污水处理监控关键帧中关于污水处理状态的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述污水处理药品的加药控制精度。
进一步地，考虑到在所述各个污水处理监控关键帧中关于污水处理的状态隐含特征在时间维度上具有着关联性关系，也就是说，所述污水处理的状态信息在时序上是动态变化的。因此，在本申请的技术方案中，为了避免信息的损失，并且能够充分且准确地提取出所述各个污水处理监控关键帧中关于污水处理状态的隐含特征在时序上的动态关联性特征分布信息，进一步将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量。相应地，在本申请的一个具体示例中，将所述多个污水处理监控特征矩阵沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。然后，将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述一维特征向量中关于所述污水处理状态特征在时间维度上的动态变化特征信息，从而得到污水处理状态变化特征向量。
接着，进一步再将所述污水处理状态变化特征向量作为分类特征向量通过分类器中进行分类处理，以得到用于表示是否产生加药提示的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括产生加药提示，以及，不产生加药提示。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述加药提示的产生控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地控制是否产生所述加药提示。也就是说，基于污水处理的状态变化情况来自适应地调整污水处理的加药量，以此来保证污水处理的效果和效率。
特别地，在本申请的技术方案中，在将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型得到所述污水处理状态变化特征向量时，由于所述第二卷积神经网络模型的一维卷积核除了提取每个污水处理监控特征向量内的特征值关联以外，还会提取跨污水处理监控特征向量的向量间特征值关联，这就会导致所述污水处理状态变化特征向量整体上存在特征分布的局部结构模糊，从而降低所述污水处理状态变化特征向量的表达确定性，影响所述污水处理状态变化特征向量通过分类器得到的分类结果的准确性。
因此，优选地对所述污水处理状态变化特征向量进行向量的有序希尔伯特完备化，表示为：，/>和/>分别是校正前和校正后的所述污水处理状态变化特征向量，/>表示特征向量的二范数的平方，即所述污水处理状态变化特征向量自身的内积，/>是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量/>是列向量形式。
这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低所述污水处理状态变化特征向量的表达确定性，从而改进所述污水处理状态变化特征向量通过分类器得到的分类结果的准确性。这样，能够实时准确地基于污水处理的实际状态变化情况来自适应地调整污水处理的加药量，以此来保证污水处理的效果和效率。
基于此，本申请提供了一种农村内管道污水处理系统，其包括：污水处理监控模块，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；矩阵向量化模块，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；时序关联特征提取模块，用于将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；特征局部结构优化模块，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及，推荐处理结果生成模块，用于将所述优化污水处理状态变化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是否产生加药提示。
图1为根据本申请实施例的农村内管道污水处理系统的应用场景图。如图1所示，在该应用场景中，首先获取由摄像头（例如，如图1中所示意的C）采集的预定时间段的污水处理监控视频。进而，将所述预定时间段的污水处理监控视频输入至部署有农村内管道污水处理算法的服务器（例如，如图1所示意的S）中，其中，所述服务器能够基于所述农村内管道污水处理算法对所述预定时间段的污水处理监控视频进行处理，以得到用于表示是否产生加药提示的分类结果。
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2为根据本申请实施例的农村内管道污水处理系统的框图。如图2所示，根据本申请实施例的农村内管道污水处理系统100，包括：污水处理监控模块110，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块120，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块130，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；矩阵向量化模块140，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；时序关联特征提取模块150，用于将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；特征局部结构优化模块160，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及，推荐处理结果生成模块170，用于将所述优化污水处理状态变化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是否产生加药提示。
图3为根据本申请实施例的农村内管道污水处理系统的架构示意图。如图3所示，首先，获取由摄像头采集的预定时间段的污水处理监控视频；接着，从所述污水处理监控视频提取多个污水处理监控关键帧；然后，将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；继而，将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；随后，将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；再对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；最后，将所述优化污水处理状态变化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是否产生加药提示。
如上所述，由于目前需要在农村内管道施加污水处理药品来进行污水处理，但是，现有的加药方式为每隔预定时间段加一次药，这种加药方式有时候会导致加药过量，有时候则加药不及时，无法确保污水处理的效果和效率。因此，期望一种优化的农村内管道污水处理系统。
相应地，考虑到在实际通过对于农村内管道施加污水处理药品来进行污水处理的过程中，对于污水处理药品的施加量的控制应基于污水处理的状态变化来进行，也就是，基于污水处理的状态变化情况来自适应地调整污水处理的加药量，以此来保证污水处理的效果和效率。并且，考虑到污水处理的状态变化信息可以通过对于污水处理监控视频的分析来进行，在此过程中，关键在于如何准确地挖掘出污水处理状态变化的隐藏时序关联特征分布信息，以此来实现对于农村内管道污水处理的自适应加药控制。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述污水处理状态变化的隐藏时序关联特征信息提供了新的解决思路和方案。
在上述农村内管道污水处理系统100中，所述污水处理监控模块110和所述关键帧提取模块120，用于获取由摄像头采集的预定时间段的污水处理监控视频，并从所述污水处理监控视频提取多个污水处理监控关键帧。在本申请的技术方案中，污水处理的状态变化信息可以通过对于污水处理监控视频的分析来挖掘，因此，首先获取所述污水处理监控视频以作为输入。并且，考虑到在所述污水处理监控视频中，关于所述污水处理状态的变化特征可以通过所述污水处理监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示污水处理的状态变化情况。但是，考虑到监控视频中相邻帧的差异较小，存在大量数据冗余，因此，在本申请的技术方案中，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述污水处理监控视频进行关键帧采样，以从所述污水处理监控视频提取多个污水处理监控关键帧。这里，值得一提的是，所述采样频率可基于实际场景的应用需求做出调整，而不是默认值。
在上述农村内管道污水处理系统100中，所述污水状态特征提取模块130，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵。也就是，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个污水处理监控关键帧的特征挖掘，特别地，考虑到在对于所述污水处理状态的隐藏特征进行提取时，为了能够更准确地提取出所述污水处理状态的变化特征信息以此来准确地进行加药控制，应关注于所述污水处理监控关键帧中关于污水的颜色和纹理等浅层特征，这些所述浅层特征对于所述污水处理的状态特征识别提取具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，使用包含深浅特征融合模块的第一卷积神经网络模型来分别对所述多个污水处理监控关键帧中的各个污水处理监控关键帧进行处理以得到多个污水处理监控特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述第一卷积神经网络模型能够保留所述污水处理监控关键帧中关于污水处理状态的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述污水处理药品的加药控制精度。
图4为根据本申请实施例的农村内管道污水处理系统中污水状态特征提取模块的框图。如图4所示，所述污水状态特征提取模块130，包括：浅层特征提取单元131，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元132，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元133，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，池化单元134，用于对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
在上述农村内管道污水处理系统100中，所述矩阵向量化模块140和所述所述时序关联特征提取模块150，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量，并将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量。考虑到在所述各个污水处理监控关键帧中关于污水处理的状态隐含特征在时间维度上具有着关联性关系，也就是说，所述污水处理的状态信息在时序上是动态变化的。因此，在本申请的技术方案中，为了避免信息的损失，并且能够充分且准确地提取出所述各个污水处理监控关键帧中关于污水处理状态的隐含特征在时序上的动态关联性特征分布信息，进一步将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量。相应地，在本申请的一个具体示例中，将所述多个污水处理监控特征矩阵沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
然后，将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型中进行特征挖掘，以提取出所述一维特征向量中关于所述污水处理状态特征在时间维度上的动态变化特征信息，从而得到污水处理状态变化特征向量。
具体地，在本申请实施例中，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分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在上述农村内管道污水处理系统100中，所述特征局部结构优化模块160，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量。特别地，在本申请的技术方案中，在将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型得到所述污水处理状态变化特征向量时，由于所述第二卷积神经网络模型的一维卷积核除了提取每个污水处理监控特征向量内的特征值关联以外，还会提取跨污水处理监控特征向量的向量间特征值关联，这就会导致所述污水处理状态变化特征向量整体上存在特征分布的局部结构模糊，从而降低所述污水处理状态变化特征向量的表达确定性，影响所述污水处理状态变化特征向量通过分类器得到的分类结果的准确性。
因此，优选地对所述污水处理状态变化特征向量进行向量的有序希尔伯特完备化，表示为：，
其中和/>分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，/>表示所述污水处理状态变化特征向量的二范数的平方，/>是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，/>表示向量相乘，/>表示按位置点乘。
这里，通过将有序向量映射到由向量的自内积定义的希尔伯特空间内，可以实现特征集合的数值关系在一致性空间内的有意义的度量，以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间，并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化，可以避免由于模糊化结构降低所述污水处理状态变化特征向量的表达确定性，从而改进所述污水处理状态变化特征向量通过分类器得到的分类结果的准确性。这样，能够实时准确地基于污水处理的实际状态变化情况来自适应地调整污水处理的加药量，以此来保证污水处理的效果和效率。
在上述农村内管道污水处理系统100中，所述推荐处理结果生成模块170，用于将所述优化污水处理状态变化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是否产生加药提示。也就是，在本申请的技术方案中，所述分类器的标签包括产生加药提示，以及，不产生加药提示。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述加药提示的产生控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地控制是否产生所述加药提示。这样，基于污水处理的状态变化情况来自适应地调整污水处理的加药量，以此来保证污水处理的效果和效率。
具体地，在本申请实施例中，所述推荐处理结果生成模块170，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化污水处理状态变化特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，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。
综上，基于本申请实施例的农村内管道污水处理系统100被阐明，其采用基于深度学习的人工智能监控技术来挖掘出污水处理状态变化的隐藏时序关联特征分布信息，并基于此来进行分类处理，以实现在对于农村内管道污水处理的过程中，基于污水处理的状态变化来自适应地进行加药控制，进而保证污水处理的效果和效率。
如上所述，根据本申请实施例的农村内管道污水处理系统100可以实现在各种终端设备中，例如用于农村内管道污水处理的服务器等。在一个示例中，根据本申请实施例的农村内管道污水处理系统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，该农村内管道污水处理系统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，该农村内管道污水处理系统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，该农村内管道污水处理系统100与该终端设备也可以是分立的设备，并且该农村内管道污水处理系统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。
示例性方法：图5为根据本申请实施例的农村内管道污水处理方法的流程图。如图5所示，根据本申请实施例的农村内管道污水处理方法，包括：S110，获取由摄像头采集的预定时间段的污水处理监控视频；S120，从所述污水处理监控视频提取多个污水处理监控关键帧；S130，将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；S140，将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；S150，将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；S160，对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及，S170，将所述优化污水处理状态变化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是否产生加药提示。
在一个示例中，在上述农村内管道污水处理方法中，所述从所述污水处理监控视频提取多个污水处理监控关键帧，包括：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
在一个示例中，在上述农村内管道污水处理方法中，所述将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵，包括：从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
在一个示例中，在上述农村内管道污水处理方法中，所述将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量，包括：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
在一个示例中，在上述农村内管道污水处理方法中，所述将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量，包括：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分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
在一个示例中，在上述农村内管道污水处理方法中，所述对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量，包括：以如下公式对所述污水处理状态变化特征向量进行局部结构优化以得到所述优化污水处理状态变化特征向量；其中，所述公式为：，
其中和/>分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，/>表示所述污水处理状态变化特征向量的二范数的平方，/>是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，/>表示向量相乘，/>表示按位置点乘。
在一个示例中，在上述农村内管道污水处理方法中，所述将所述优化污水处理状态变化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是否产生加药提示，包括：使用所述分类器的全连接层对所述优化污水处理状态变化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。
综上，本申请实施例的农村内管道污水处理方法被阐明，其采用基于深度学习的人工智能监控技术来挖掘出污水处理状态变化的隐藏时序关联特征分布信息，并基于此来进行分类处理，以实现在对于农村内管道污水处理的过程中，基于污水处理的状态变化来自适应地进行加药控制，进而保证污水处理的效果和效率。
示例性电子设备：下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的农村内管道污水处理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如的污水处理监控视频等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，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本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的农村内管道污水处理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，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本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的农村内管道污水处理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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)
1.一种农村内管道污水处理系统，其特征在于，包括：污水处理监控模块，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；矩阵向量化模块，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；时序关联特征提取模块，用于将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；特征局部结构优化模块，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及推荐处理结果生成模块，用于将所述优化污水处理状态变化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是否产生加药提示。
2.根据权利要求1所述的农村内管道污水处理系统，其特征在于，所述关键帧提取模块，进一步用于：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
3.根据权利要求2所述的农村内管道污水处理系统，其特征在于，所述污水状态特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
4.根据权利要求3所述的农村内管道污水处理系统，其特征在于，所述矩阵向量化模块，进一步用于：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
5.根据权利要求4所述的农村内管道污水处理系统，其特征在于，所述时序关联特征提取模块，进一步用于：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分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的农村内管道污水处理系统，其特征在于，所述特征局部结构优化模块，进一步用于：以如下公式对所述污水处理状态变化特征向量进行局部结构优化以得到所述优化污水处理状态变化特征向量；其中，所述公式为：，其中/>和/>分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，/>表示所述污水处理状态变化特征向量的二范数的平方，/>是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，/>表示向量相乘，/>表示按位置点乘。
7.根据权利要求6所述的农村内管道污水处理系统，其特征在于，所述推荐处理结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化污水处理状态变化特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，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。
8.一种农村内管道污水处理方法，其特征在于，包括：获取由摄像头采集的预定时间段的污水处理监控视频；从所述污水处理监控视频提取多个污水处理监控关键帧；将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及将所述优化污水处理状态变化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是否产生加药提示。
9.根据权利要求8所述的农村内管道污水处理方法，其特征在于，所述从所述污水处理监控视频提取多个污水处理监控关键帧，包括：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
10.根据权利要求9所述的农村内管道污水处理方法，其特征在于，所述将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵，包括：从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310211363.9A CN117876912A (zh) | 2023-03-07 | 2023-03-07 | 农村内管道污水处理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310211363.9A CN117876912A (zh) | 2023-03-07 | 2023-03-07 | 农村内管道污水处理系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876912A true CN117876912A (zh) | 2024-04-12 |
Family
ID=90587064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310211363.9A Pending CN117876912A (zh) | 2023-03-07 | 2023-03-07 | 农村内管道污水处理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876912A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070044A (zh) * | 2020-09-15 | 2020-12-11 | 北京深睿博联科技有限责任公司 | 一种视频物体分类方法及装置 |
| CN113496217A (zh) * | 2021-07-08 | 2021-10-12 | 河北工业大学 | 视频图像序列中人脸微表情识别方法 |
-
2023
- 2023-03-07 CN CN202310211363.9A patent/CN117876912A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070044A (zh) * | 2020-09-15 | 2020-12-11 | 北京深睿博联科技有限责任公司 | 一种视频物体分类方法及装置 |
| CN113496217A (zh) * | 2021-07-08 | 2021-10-12 | 河北工业大学 | 视频图像序列中人脸微表情识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
| CN111368993B (zh) | 一种数据处理方法及相关设备 | |
| CN112288075B (zh) | 一种数据处理方法及相关设备 | |
| CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
| CN116859830B (zh) | 用于电子级氟化铵生产的生产管理控制系统 | |
| CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN116127019B (zh) | 动态参数与可视化模型生成web 2d自动建模引擎系统 | |
| CN116308754A (zh) | 一种银行信贷风险预警系统及其方法 | |
| CN116912597A (zh) | 知识产权智能管理系统及其方法 | |
| CN114373224B (zh) | 基于自监督学习的模糊3d骨架动作识别方法及装置 | |
| CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
| CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
| WO2022133814A1 (en) | Omni-scale convolution for convolutional neural networks | |
| Lan et al. | Bidirectional correlation-driven inter-frame interaction Transformer for referring video object segmentation | |
| CN115292439A (zh) | 一种数据处理方法及相关设备 | |
| CN116785967B (zh) | 用于电子级六氟磷酸锂制备的自动配料系统 | |
| CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
| CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
| CN116258947B (zh) | 适用于家居定制行业的工业自动化处理方法及系统 | |
| CN116739219A (zh) | 熔喷布生产管理系统及其方法 | |
| CN116524407A (zh) | 一种基于多模态表示学习的短视频事件检测方法及装置 | |
| CN117876912A (zh) | 农村内管道污水处理系统及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |