CN117916592A - 水质监视系统 - Google Patents

Abstract

课题在于，使用来自监视相机的摄影图像实现非接触方式的水质监视，并且抑制监视对象的状态变化的影响而高精度地检测水质异常。解决手段在于，实施方式的水质监视系统具有：水质异常检测部，使用物体检测模型，根据从监视相机输出的水质监视对象的摄影图像识别水面区域，并判断基于识别出的水面区域的状态的水质异常；以及监视结果输出部，输出监视结果。由此，实现非接触方式的水质监视，并且即使存在监视对象的状态变化的影响(水位变动、监视相机的视场角变动、相机的朝向的变动等)也能够高精度地检测水质异常。

Description

水质监视系统

技术领域

本发明的实施方式涉及水质监视技术。

背景技术

在水处理设施中，使用浊度仪等水质仪，对处理水进行异常检测(浑浊检测)。水质仪有将传感器部分设置在监视对象的水中并测量浊度的类型、以及向监视对象的水面(测量液面)照射光并掌握来自水面(液面)的散射光从而测量浊度的类型。

现有技术文献：

专利文献：

专利文献1：日本特开2017-207323号公报

发明内容

发明所要解决的课题

提供一种水质监视系统，使用来自监视相机的摄影图像实现非接触方式的水质监视，并且能够抑制监视对象的状态变化的影响而高精度地检测水质异常。

用于解决课题的手段

实施方式的水质监视系统具有：水质异常检测部，使用物体检测模型，根据从监视相机输出的水质监视对象的摄影图像识别水面区域，并判断基于识别出的所述水面区域的状态的水质异常；以及监视结果输出部，输出监视结果。

附图说明

图1是构成第1实施方式的水质监视系统的各装置的功能框图。

图2是第1实施方式的物体检测模型的说明图。

图3是第1实施方式的水质监视模型的说明图。

图4是表示第1实施方式的水质监视系统的处理流程的图。

图5是表示第1实施方式的水质监视系统的处理流程的图，而且是表示考虑了水质仪的测量值的处理流程的图。

图6是第1实施方式的学习装置所进行的学习数据的采集及训练数据生成的说明图。

图7是表示第1实施方式的学习装置的与训练数据生成相关的处理流程的图。

具体实施方式

以下，参照附图说明实施方式。

(第1实施方式)

图1至图7是用于说明第1实施方式的水质监视系统的图。

作为适用了本实施方式的水质监视系统的水质监视对象的一例，有水处理设施的排水处理工序。排水处理有各种类型，例如以基于活性污泥法的排水处理为例进行说明，向容纳了内部有微生物的污泥即活性污泥的反应槽(曝气槽)导入原水，送入空气并搅拌。由此，微生物将原水中的污染物分解，细小的污染物附着于微生物并成为易于沉淀的块状。然后，使反应槽中形成的污泥(活性污泥)在沉淀槽中沉淀，分离为处理水(上清液)和污泥。其后，对分离出的处理水进行过滤处理，进而在活性炭塔中使残留的污染物吸附至活性炭，最终经过中和处理(使pH成为中性范围)，向下水道或江河排放。

在沉淀槽中设置有水质仪，测量SS浓度并监视水质。此外，关于SS浓度，在将水中浮游/分散的颗粒的大小为1μm(0.001mm)～2mm的物质作为悬浮物质(SS；suspendedsolids)或者浮游物质时，由每1升水所包含的悬浮物质的质量(mg/L)表现。

但是，在使用水质仪进行水质监视时，存在如下课题。在是将传感器部分设置在作为监视对象的沉淀槽的水中并进行测量的水质仪的情况下，由于在传感器部分附着污染物(浮游的污泥或藻类等)，因此需要洗净，另外，也需要用于确保测量值的可靠性的校准作业。

另外，在是向沉淀槽的水面(测量液面)照射光并掌握来自水面(液面)的散射光从而进行测量的水质仪的情况下，由于使光在测量液表面反射，因此受到水的颜色或气泡的影响，存在难以确保测量精度的方面。特别是，从测量精度的观点来看，需要水面稳定，虽然为了使水面稳定而有另行设置测量槽等对策，但由于在排水中存在的有机物或水垢成分附着于测量槽壁面而对光学式的计测造成妨碍，因此需要对该测量槽进行维护。

在像这样使用水质仪进行水质监视时，存在如下课题等：维护非常困难，并且为了应对由于维护不足而产生的错误的测量值所进行的监视作业负担(例如，工作人员对监视相机的影像进行观察并监视等)增加。

于是，本实施方式的水质监视系统使用来自对沉淀槽进行摄影的监视相机1的摄影图像实现非接触方式的水质监视，并且能够抑制沉淀槽的状态变化的影响而高精度地检测水质异常。

图1是构成本实施方式的水质监视系统的各装置的功能框图。如图1所示，本实施方式的水质监视系统构成为包括监视装置100及学习装置200，监视装置100使用水质监视模型，对监视相机1所摄影的水质监视对象的水质异常进行检测。学习装置200采集并生成学习数据(训练数据)，进行供监视装置100使用的学习完成模型(水质监视模型)的机器学习、深度学习(deep learning)等学习处理。

监视装置100及学习装置200与对监视对象进行摄影的监视相机1以无线或者有线方式连接，构成为能够向各装置100、200输入从监视相机1输出的监视图像(监视影像)。另外，在作为监视对象的沉淀槽，与以往同样设置有水质仪2，构成为能够向监视装置100及学习装置200输入水质仪2的测量值。

监视相机1例如是能够远程操作的摄影装置，能够通过工作人员的手动操作来变更视场角(变焦)，或者变更监视相机1的朝向。工作人员日常能够根据需要对监视相机1进行远程操作，改变相机的朝向，或者利用变焦功能对视场角进行调整，并且对影像进行确认来进行监视业务。此外，即使是视场角或相机的朝向固定的摄影装置，也能够适用于本实施方式的水质监视系统。

＜监视装置100＞

监视装置100如图1所示，构成为包括监视控制部110、监视结果输出部及存储部130，监视控制部110具有水质异常检测部111。

水质异常检测部111作为水质监视模型发挥功能，该水质监视模型使用物体检测模型，根据从监视相机输出的水质监视对象的摄影图像识别水面区域，并且判断基于识别出的水面区域的状态的水质异常。

物体检测模型例如能够适用卷积神经网络(Convolutional Neural Network：CNN)等公知的物体检测(object detection)AI模型，有R-CNN、Fast R-CNN(快速R-CNN)、Faster R-CNN(更快速R-CNN)、Mask R-CNN(掩膜R-CNN)等。

本实施方式的物体检测模型是使用包含沉淀槽的水面区域的图像实施学习处理而得到的学习完成模型，检测在图像内是否有物体(物体检测)，如果有物体则识别该物体是否为水面(物体识别)，输出识别出的水面的坐标等区域信息。例如，如果输入了监视图像，则在卷积层中提取特征量，在池化层中使得能够以纵横可变大小对特征量进行处理，掌握图像内的“水面区域”。另外，物体检测模型输出在掌握水面区域时提取的特征量，以用于后述的监视对象的浑浊检测。

图2是本实施方式的物体检测模型的说明图。如图2所示，沉淀槽的水面位置越低则图像内的水面区域越小。另外，如果水面位置变低，则由于槽壁所形成的影子的影响，水面的明亮度变暗。如果变暗，则槽壁与水面的边界变得难以判别。另一方面，如果水面位置变高，则图像内的水面区域变大，不容易受到槽壁所形成的影子的影响，水面比较明亮。

在本实施方式中，进行像这样与水面位置及明亮度相应的水面区域的学习处理，构筑物体检测模型。因此，即使有水位变动，也能够高精度地掌握水面区域(监视对象)。从其他方面进行说明，例如，如果由于远程操作而监视相机1的视场角发生了变更，或者相机的朝向发生了变更，则与水位变动同样发生图像内的水面区域的物理外观的差异，但通过本实施方式的物体检测模型，能够准确地掌握图像内的“水面区域”。

接下来，水质异常检测部112基于从物体检测模型输出的水面区域的特征量进行浑浊检测，并判断基于由物体检测模型识别出的水面区域的状态的水质异常。

图3是本实施方式的浑浊检测的说明图。在图3的例中，例示了3个水质异常状态的监视图像1～3。在监视图像1中，大量杂质漂浮在水面区域整体，没有杂质漂浮的区域的透明度低。在监视图像2中，虽然杂质没有漂浮在水面上，但透明度低。在监视图像3中，在水面区域的一部分漂浮着杂质，而在剩余的部分没有漂浮杂质。相对于水质处于正常的状态的监视图像0，在监视图像1～3中，由于杂质或透明度的差异，在水面区域中映入了不同的情况，或者与透明度对应的水面的浓淡不同。

另外，在本实施方式中，对于各监视图像，计算与关于SS浓度即浑浊程度的特征量相应的可靠得分，并基于可靠得分(表示是水质异常的准确度的得分)判断被识别出的水面区域的水质异常。

例如，关于监视图像1，由于大量杂质漂浮在水面区域整体，且没有杂质漂浮的区域的透明度低，因此能够提取杂质的特征量和透明度低的特征量，因此可靠得分计算得高(例如，可靠得分0.96)。另一方面，关于监视图像2，能够提取透明度低的特征量，而未提取出杂质的特征量，因此计算出比监视图像1低的高可靠得分(例如，可靠得分0.78)。关于监视图像3，提取出在水面区域的一部分漂浮的杂质的特征量，而在剩余的部分没有漂浮杂质，透明度也高。因此，可靠得分计算得比监视图像1、2低(可靠得分0.52)。

此外，在上述说明中，以可靠得分被估算为0至1之间的值的方式作为一例进行说明，但只要是表示是异常的准确度的值即可，不限于被估算为0至1之间的值，而是任意的。

水质异常检测部112基于从物体检测模型提取的特征量，识别杂质的特征量和透明度低的特征量，进行学习处理以便计算与杂质的特征量以及/或者透明度低的特征量相应的可靠得分，在计算出的可靠得分超过规定值的情况下，也就是说，在浑浊程度超过规定值的情况下，判断为水质异常。此外，规定值也可以是通过基于训练数据的学习处理而导出的阈值，或者是由工作人员等预先设定的阈值。

像这样，本实施方式的水质异常检测部112是包含物体检测模型的水质监视模型，通过物体检测模型掌握监视图像内的水面区域(浑浊的水面)，并且使用在掌握水面区域时物体检测模型所提取的水面区域的特征量，计算可靠得分，使用计算出的可靠得分进行水质异常的判断。

根据本实施方式，使用物体检测模型从监视图像中掌握监视对象的水面区域，因此使用来自监视相机的摄影图像实现了非接触方式的水质监视，并且即使存在监视对象的状态变化的影响(水位变动、监视相机的视场角变动、相机的朝向的变动等)也能够高精度地检测水质异常。

图4是表示本实施方式的水质监视系统的处理流程的图。监视相机1输出监视图像，监视装置100受理被输出的监视图像(S101)。监视装置100(监视控制部110)执行水质监视处理。此外，监视图像被输入的间隔以及执行水质监视处理的定时是任意的。

监视装置100针对受理的监视图像使用物体检测模型进行物体检测处理，检测监视图像内的水面区域(S102)。进而，监视装置100针对检测出的水面区域进行水质异常检测(浑浊检测)处理，基于可靠得分判断水质异常(S103)。

监视装置100(监视结果输出部120)在步骤S103中判别为有异常的情况下(S104：是)，输出包括可靠得分的“有异常”的监视结果(S105)。另一方面，在步骤S103中判别为无异常的情况下(S104：否)，输出包括可靠得分的“无异常”的监视结果(S106)。

例如，在图3的例中，在监视图像上，输出表示“有异常”的“NG”以及作为可靠得分的“0.96”作为监视结果。另外，在监视结果为“无异常”的情况下，例如能够构成为输出表示“无异常”的“OK”以及可靠得分作为监视结果。

监视装置100(监视结果输出部120)作为监视结果输出处理，能够经由网络将监视结果向预先设定的发送目的地利用电子邮件进行通知，或者向规定的设备进行推送通知，或者在显示监视图像的显示器装置上重叠显示包括可靠得分的监视结果，或者不是显示在监视图像上而是作为时间序列数据显示在显示器装置上。监视装置100(监视结果输出部120)使监视结果存储至存储部130(S107)。

在上述说明中，说明了输出包括可靠得分的监视结果的方式，但也可以构成为以不包括可靠得分的方式输出监视结果，但工作人员通过观察可靠得分，能够掌握异常状态的程度，能够准确且迅速地应对水质异常。

特别是，通过输出包括可靠得分的监视结果，不仅是单纯地通知水质的正常/异常，而且能够以时间序列的方式捕捉“水质的变化”，提供作为用于提示今后有可能发生水质异常的“水质异常的预告”的信息。因此，能够在发生水质异常之前进行应对。另外，观察监视图像并预测今后的水质异常需要熟练的技能和经验，但根据可靠得分能够定量地掌握水质的状态，能够恰当地对工作人员的监视业务进行支持。

此外，作为包括可靠得分的监视结果的方式，提供了由数值表现的可靠得分，但不限于此。例如也可以构成为：预先利用规定的数值范围划分对可靠得分进行分级，作为可靠得分的其他表现，输出包括该水质异常的等级的监视结果。另外，也可以构成为在判断为水质异常的情况与此外的情况之间改变监视结果的至少一部分的颜色，进行特效处理以易于掌握水质异常，或者在判断为水质异常时以在其异常程度高的情况与低的情况之间特效不同的方式输出监视结果。

图5是表示本实施方式的水质监视系统的处理流程的图，而且是表示考虑了水质仪2的测量值(传感器值)的处理流程的图。关于与图4同样的处理，附加相同标记并省略说明。

在图5的例中，除了监视图像之外，还将与监视图像的摄影定时对应的水质仪2的测量值输入至监视装置200(S101a)。另外，监视装置200(监视控制部110)判断水质仪2的测量值是否有水质异常，换言之，判断水质仪2的测量值是否超过与水质异常相关的规定的阈值(S104a)。

然后，在步骤S104b中，与基于水质仪2的水质异常的判断结果无关地，与图4的步骤S104同样地进行针对通过物体检测处理提取的水面区域的水质异常的判断处理。然后，监视装置200输出步骤S104b的水质异常的判断结果作为监视结果。

通过像这样构成，即使由于如上所述的维护不足而发生了水质仪2的测量值异常，也能够通过水质监视模型进行准确的水质监视，并且作为水质仪2的维护定时的契机来掌握。也就是说，如果本实施方式的水质监视模型及水质仪2的测量值双方都被判断为正常，则水质仪2也正常地工作，如果水质监视模型正常而水质仪2的测量值异常(或者水质监视模型异常而水质仪2的测量值正常)，则需要进行水质仪的维护(包括故障)，如果水质监视模型及水质仪2的测量值双方都被判断为异常，则能够更准确地掌握监视对象的水质发生了异常。

此外，在上述说明中，将可靠得分作为表示水质异常的指标，但不限于此，也可以构成为作为表示水质正常的指标计算可靠得分，并进行水质异常的判断。具体而言，水质异常检测部112基于从物体检测模型提取的特征量，识别杂质的特征量和透明度高的特征量，进行学习处理以便计算与杂质的特征量以及/或者透明度高的特征量相应的可靠得分，在计算出的可靠得分小于规定值的情况下，也就是说，在透明程度比规定值低(浑浊程度比规定值高)的情况下，能够判断为水质异常。

因此，水质异常检测部111能够计算表示水质正常的指标作为基于通过物体检测模型提取的水面区域的浑浊状态的特征量的可靠得分，并基于可靠得分针对识别出的水面区域进行水质异常的判断。

另外，水质异常检测部112也能够构成为分别计算表示水质异常的指标的第1可靠得分和表示水质正常的指标的第2可靠得分，并使用其双方的可靠得分进行水质异常判断。例如，在第1可靠得分超过第1规定值而且第2可靠得分比第2规定值低的情况下，能够判断为水面区域的水质异常。在该情况下，水质异常检测部112能够构成为包括从水质异常的观点出发经过以“异常”为基准的学习处理而生成的第1学习完成模型、以及经过以“正常”为基准的学习处理而生成的第2学习完成模型，能够构筑将上述第1学习完成模型及第2学习完成模型并联或者串联地连结而成的水质监视模型。

＜学习装置200＞

学习装置200如图1所示，构成为包括学习数据采集部210、学习数据选定部220、学习用训练数据生成部230、学习处理部240、存储部250。

图6是学习装置200所进行的学习数据的采集及训练数据生成的说明图。图7是表示学习装置200的与训练数据生成相关的处理流程的图。

如图6所示，学习数据采集部210向存储部250存放将设置于水质监视对象的水质仪2的测量值(传感器值)以及与该测量值对应的监视图像作为集合而成的学习数据。此时，如果是监视相机1及水质仪2经由网络而与学习装置200连接的方式，则通过经由该网络进行数据传送，学习数据采集部210能够受理学习数据。此外，监视相机1及水质仪2不一定必须由网络连接，学习装置200只要构成为能够受理从监视相机1及水质仪2输出的监视图像及测量值作为学习数据即可。

学习数据选定部220进行使用与水质仪2的测量值对应的规定的基准值将采集的监视图像自动划分为2个以上的组的划分处理。具体而言，预先设定表示基于水质仪2的水质监视对象异常的基准值、或者表示基于水质仪的水质监视对象正常的基准值，作为规定的基准值，并存储至存储装置250(各种数据252)。然后，学习数据选定部220将学习数据所包括的测量值与设定的基准值进行比较，暂时地自动划分(暂时划分)为超过基准值的监视图像群的组以及小于基准值的监视图像群的组。

学习用训练数据生成部230使不同组的监视图像群显示于显示器装置，并受理工作人员针对自动划分后的监视图像的手动分组操作。也就是说，学习用训练数据生成部230提供工作人员的手动划分功能，通过该手动划分功能，工作人员能够利用目视来检查暂时划分后的各组所包括的监视图像，并根据需要，将监视图像从组中排除，或者对组进行替换。学习用训练数据生成部230生成(积蓄)经过自动划分(暂时划分)及手动划分而划分出的不同组的监视图像群作为训练数据。

此外，本实施方式的学习装置200从水质异常的观点出发以“异常”为基准进行了说明，但也可以构成为以“正常”为基准进行学习数据的划分及训练数据的生成。

学习处理部240适用被生成的训练数据来进行包括物体检测模型在内的水质监视模型的学习处理。此外，关于物体检测模型的学习处理，例如能够构成为针对训练数据(监视图像)预先进行分割处理。关于上述学习处理及训练数据，能够适宜地采用公知的方法。

像这样，本实施方式的学习装置200具备基于水质仪2的测量值而针对被采集的学习数据的暂时划分功能。

在学习处理中需要庞大的学习数据，而且需要对训练数据(正常/异常)进行筛选。以往由工作人员逐张确认图像数据来进行筛选，但作业效率不佳。特别是，如果水质异常的发生频率低，则为了从庞大的图像之中选定水质异常的图像，需要大量时间。

于是，在本实施方式中，与监视图像成组地采集水质仪2的测量值，并事先设定与水质仪2的测量值对应的规定的基准值(S201)。然后，将超过阈值的监视图像作为异常图像组而将不超过阈值的监视图像作为正常图像组来进行暂时诊断并自动筛选(S202)。

暂时划分后的各监视图像被按照不同组显示在显示器装置上(S203)，工作人员最终利用手工作业对各监视图像进行确认，并选定为训练数据(S204)，其中，针对异常图像组的各图像，只要基于其是水质异常的图像认识来进行确认作业即可，针对正常图像组的各图像，只要基于其不包括水质异常的图像的认识来进行确认作业即可。也就是说，与从水质异常/正常混合存在的大量图像群之中筛选出水质异常/正常的各图像的情况相比，作业效率提高，能够大幅缩短选定图像所耗费的时间。然后，生成(积蓄)经过自动划分及手动划分而划分出的不同组的监视图像群作为训练数据(S205)。

以上说明了实施方式，但监视装置100及学习装置200也可以由1个装置构成，构成为具备学习系统的监视装置。另外，装置100、200也可以作为云型的服务提供方式构筑。也就是说，构成为经由IP网络将从监视相机1输出的监视图像及从水质仪2输出的测量值向监视装置100或学习装置200发送。由此，能够在云端采集学习数据，另外能够构成为向工作人员能够阅览的监视设备(监视终端等)输出(提供)监视结果。另外，关于学习装置200，也可以采用将学习数据的采集积蓄功能与学习功能由不同的装置构成的方式。

另外，装置100、200是服务器装置等具备运算功能、存储功能、通信功能等的计算机装置。另外，作为硬件构成，能够具备存储器(主存储装置)、鼠标、键盘、触摸面板、扫描仪等操作输入机构、打印机等输出机构、辅助存储装置(硬盘等)等。

另外，本发明的各功能能够通过程序实现，为了实现各功能而预先准备的计算机程序被存放于辅助存储装置，CPU等控制部将辅助存储装置中存放的程序读出至主存储装置，由控制部执行被读出至主存储装置的该程序，能够使计算机按照本发明的各部分的功能进行动作。另一方面，装置100、200的各功能也能够各自由不同的装置构成，也能够将多个装置直接或者经由网络连接来构成计算机系统。

另外，上述程序也能够在被记录于计算机可读取的记录介质的状态下向计算机提供。作为计算机可读取的记录介质，可以举出CD-ROM等光盘、DVD-ROM等相变型光盘、MO(磁光(Magnet Optical))或MD(迷你盘(Mini Disk))等光磁盘、软盘(Floppy)(注册商标)或可移动硬盘等磁盘、紧凑式闪存(注册商标)、智能介质、SD存储卡、存储棒等存储卡。另外，作为记录介质也包含为了实现本发明的目的而特别设计并构成的集成电路(IC芯片等)等硬件装置。

此外，说明了本发明的实施方式，但该实施方式作为例子来提示，并不意图限定发明的范围。该新的实施方式能够以其他各种方式实施，在不脱离发明的主旨的范围内能够进行各种省略、置换、变更。这些实施方式及其变形包含在发明的范围或主旨中，并包含在权利要求书所记载的发明及其等同的范围中。

附图标记说明：

1监视装置

2水质仪

100 监视装置

110 监视控制部

111 水质异常检测部

120 监视结果输出部

130 存储部

200 学习装置

210 学习数据采集部

220 学习数据选定部

230 学习用训练数据生成部

240 学习处理部

250 存储部

251 学习完成模型

252 各种数据

Claims (5)

1.一种水质监视系统，其特征在于，具有：

水质异常检测部，使用物体检测模型，根据从监视相机输出的水质监视对象的摄影图像识别水面区域，并判断基于识别出的所述水面区域的状态的水质异常；以及

监视结果输出部，输出监视结果。

2.如权利要求1所述的水质监视系统，其特征在于，

所述水质异常检测部计算基于由物体检测模型提取的所述水面区域的浑浊状态的特征量的可靠得分，并基于可靠得分判断被识别出的所述水面区域的水质异常，

所述监视结果输出部输出包括所述可靠得分的监视结果。

3.如权利要求1或者2所述的水质监视系统，其特征在于，

所述监视相机能够通过工作人员的手动操作而变更视场角或者监视相机的朝向。

4.如权利要求1至3中任1项所述的水质监视系统，其特征在于，还具有：

学习数据采集部，存放将设置于水质监视对象的水质仪的测量值以及与所述测量值对应的监视图像作为集合而成的学习数据；

学习数据选定部，使用与所述测量值对应的规定的基准值，将监视图像自动划分为2个以上的组；

学习用训练数据生成部，使不同组的监视图像群显示在显示器装置上，受理由工作人员针对自动划分后的监视图像进行的手动分组操作，并且生成基于经过自动划分及手动划分而划分出的不同组的监视图像群的训练数据；以及

学习处理部，适用被生成的所述训练数据来进行所述水质监视模型的学习处理，

所述规定的基准值是表示基于水质仪的水质监视对象异常的基准值、或者表示基于水质仪的水质监视对象正常的基准值。

5.一种由计算机执行的程序，用于使所述计算机实现如下功能：

第1功能，使用物体检测模型，根据从监视相机输出的水质监视对象的摄影图像识别水面区域，并判断基于识别出的所述水面区域的状态的水质异常；以及

第2功能，输出监视结果。