JP2021170373A - Water quality analysis method - Google Patents
Water quality analysis method Download PDFInfo
- Publication number
- JP2021170373A JP2021170373A JP2021116028A JP2021116028A JP2021170373A JP 2021170373 A JP2021170373 A JP 2021170373A JP 2021116028 A JP2021116028 A JP 2021116028A JP 2021116028 A JP2021116028 A JP 2021116028A JP 2021170373 A JP2021170373 A JP 2021170373A
- Authority
- JP
- Japan
- Prior art keywords
- unit
- convolution
- clustering
- learning
- image data
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 86
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004062 sedimentation Methods 0.000 claims abstract description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000004148 unit process Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 28
- 238000013500 data storage Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 244000144992 flock Species 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 101150083127 brox gene Proteins 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
本発明は、下水道処理施設等の水質分析方法に関する。 The present invention relates to a water quality analysis method for a sewage treatment facility or the like.
近年、下水道処理施設の維持及び管理の効率化が求められている。従来技術の一例である非特許文献1には、浄水場に発生する凝集物であるフロックの監視を、運転操作員の目視に代えて画像処理によって行う技術が開示されている。非特許文献1に開示された技術では、グレースケール画像に対して空間フィルタリング処理を適用することで輝度を調整し、輝度を調整した画像を二値化処理することでフロックを抽出し、抽出したフロックに対してラベリング及び粒径分布計算を行っている。
In recent years, there has been a demand for more efficient maintenance and management of sewage treatment facilities. Non-Patent
また、従来技術の一例である特許文献1には、オートエンコーダで画像データの特徴抽出を行い、One−Class SVM(Support Vector Machine)等の1クラス分類器を用いて正常値と外れ値とを識別して異常判定を行う技術が開示されている。
Further, in
しかしながら、非特許文献1に開示された技術によれば、二値化処理のしきい値並びに空間フィルタリング処理のフィルタサイズ及び重みの調整を要し、別の対象に対してはモデルを再構築して再度のチューニングを要する、という問題があった。
However, according to the technique disclosed in
また、特許文献1に開示された技術では、単一の1クラス分類器により判定を行うため、色、スカム及びフロックといった、水質の多様な特徴に対応することが困難である、という問題があった。
Further, in the technique disclosed in
本発明は、上記に鑑みてなされたものであって、特別なチューニングを行うことなく、水質の多様な特徴に対応した水質分析を行うことを目的とする。 The present invention has been made in view of the above, and an object of the present invention is to perform water quality analysis corresponding to various characteristics of water quality without performing special tuning.
上述の課題を解決して目的を達成する本発明は、沈殿池の画像データについて畳み込みAE(Auto Encoder)を学習して前記沈殿池の色相の特徴量を抽出し、該色相の特徴量からクラスタリングにより前記画像データを色相のクラスタに分類して色相の特徴空間及びクラスタ分布を描画する色相分析部と、前記画像データについて畳み込みAEを学習して前記沈殿池の浮遊物の特徴量を抽出し、該浮遊物の特徴量からクラスタリングにより前記画像データを浮遊物のクラスタに分類して浮遊物の特徴空間及びクラスタ分布を描画する浮遊物分析部とを備える水質分析装置である。 The present invention, which solves the above-mentioned problems and achieves the object, learns the convolution AE (Auto Encoder) of the image data of the settling pond, extracts the feature amount of the hue of the settling pond, and clusters from the feature amount of the hue. The image data is classified into hue clusters and the hue feature space and cluster distribution are drawn, and the convolution AE is learned from the image data to extract the feature amount of the suspended matter in the sedimentation pond. It is a water quality analyzer provided with a suspended matter analysis unit that classifies the image data into clusters of suspended matter by clustering from the feature amount of the suspended matter and draws the feature space of the suspended matter and the cluster distribution.
上記構成の水質分析装置は、前記画像データについて畳み込みAEを学習して前記沈殿池の移動体の特徴量を抽出し、該移動体の特徴量からクラスタリングにより前記画像データを移動体のクラスタに分類して移動体の特徴空間及びクラスタ分布を描画する移動体分析部を備えることが好ましい。 The water quality analyzer having the above configuration learns the convolution AE of the image data, extracts the feature amount of the moving body of the sedimentation pond, and classifies the image data into a cluster of the moving body by clustering from the feature amount of the moving body. It is preferable to provide a moving body analysis unit that draws the feature space and cluster distribution of the moving body.
又は、本発明は、各々が、少なくとも画像加工部と、畳み込みAE学習部と、畳み込みAEパラメータ記憶部と、特徴量抽出部と、クラスタリング部と、クラスタリングパラメータ記憶部と、クラスタ分類部と、特徴空間描画部とを含む、色相分析部及び浮遊物分析部を備える水質分析装置の水質分析方法であって、前記画像加工部が、沈殿池の画像データを加工すること、前記畳み込みAE学習部が、加工した前記画像データについて畳み込みAE学習を要する場合には前記画像データについて畳み込みAE学習を行うこと、前記畳み込みAEパラメータ記憶部が、前記畳み込みAE学習により得られた畳み込みAEパラメータを記憶すること、前記特徴量抽出部が、前記畳み込みAEパラメータを適用したエンコーダに、加工した前記画像データから特徴量抽出を行うこと、前記クラスタリング部が、加工した前記画像データについてクラスタリングを要する場合には前記画像データについてクラスタリングを行うこと、前記クラスタリングパラメータ記憶部が、前記クラスタリングにより得られたクラスタリングパラメータを記憶すること、前記クラスタ分類部が、特徴量抽出を行った前記画像データをクラスタに分類すること、前記特徴空間描画部が、クラスタ分類された前記画像データによる特徴空間及びクラスタ分布を描画することを含む水質分析方法である。 Alternatively, the present invention has at least an image processing unit, a convolution AE learning unit, a convolution AE parameter storage unit, a feature amount extraction unit, a clustering unit, a clustering parameter storage unit, a cluster classification unit, and features. A water quality analysis method of a water quality analyzer including a hue analysis unit and a floating matter analysis unit including a space drawing unit, wherein the image processing unit processes image data of a sedimentation pond, and the convolution AE learning unit When the convolution AE learning is required for the processed image data, the convolution AE learning is performed on the image data, and the convolution AE parameter storage unit stores the convolution AE parameters obtained by the convolution AE learning. The feature amount extraction unit extracts the feature amount from the processed image data to the encoder to which the convolution AE parameter is applied, and when the clustering unit requires clustering for the processed image data, the image data. The clustering is performed, the clustering parameter storage unit stores the clustering parameters obtained by the clustering, and the cluster classification unit classifies the image data from which the feature amount has been extracted into clusters. The space drawing unit is a water quality analysis method including drawing a feature space and a cluster distribution based on the cluster-classified image data.
本発明によれば、特別なチューニングを行うことなく、水質の多様な特徴に対応した水質分析を行うことができる、という効果を奏する。 According to the present invention, there is an effect that water quality analysis corresponding to various characteristics of water quality can be performed without performing special tuning.
以下、添付図面を参照して、本発明の水質分析装置及び水質分析方法を実施するための形態について説明する。ただし、本発明は、以下の実施形態の記載によって限定解釈されるものではない。 Hereinafter, a mode for carrying out the water quality analyzer and the water quality analysis method of the present invention will be described with reference to the accompanying drawings. However, the present invention is not limited to the description of the following embodiments.
<実施形態1>
図1は、本実施形態に係る水質分析装置の構成を示すブロック図である。図1に示す水質分析装置100は、データ蓄積部101と、色相分析部110と、浮遊物分析部120とを備える。
<
FIG. 1 is a block diagram showing a configuration of a water quality analyzer according to the present embodiment. The
データ蓄積部101は、下水道処理施設等の沈殿池に設置された、図示しないカメラが取得した沈殿池の画像データを蓄積する。データ蓄積部101は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。この画像データは、静止画又は複数の連続した静止画により構成される動画の双方を含む。
The
色相分析部110は、データ蓄積部101の画像データを用いて処理水の色を分析する。色相分析部110を用いて処理水の色を分析することにより、例えば、処理水中に巻き上がる汚泥による沈殿池の色の変化を判別し、処理水中に巻き上がる汚泥の量を評価することが可能である。浮遊物分析部120は、データ蓄積部101の画像データを用いて処理水の浮遊物を分析する。浮遊物分析部120を用いて処理水を分析することにより、例えば、浮遊物の有無を判別することが可能である。また、浮遊物が存在する場合には、当該浮遊物の成分を特定することも可能である。ここで、浮遊物には、スカム及び泡を例示することができる。浮遊物の成分を分析することにより、例えば、この浮遊物がスカムであるか否かの判別が可能となる。色相分析部110及び浮遊物分析部120は、データ蓄積部101に蓄積された画像データについて、畳み込みAE学習、特徴量抽出及びクラスタリングを行う。
The
ここで、色相分析部110の構成について説明する。色相分析部110は、第1の画像加工部111と、第1の畳み込みAE学習部112と、第1の畳み込みAEパラメータ記憶部113と、第1の特徴量抽出部114と、第1のクラスタリング部115と、第1のクラスタリングパラメータ記憶部116と、第1のクラスタ分類部117と、第1の特徴空間描画部118と、第1の学習要否判定部119とを備え、RGB画像データを用いて処理水の色を分析する。
Here, the configuration of the
第1の画像加工部111は、データ蓄積部101の画像データにトリミング処理又は正規化を行うことで、加工済みのRGB3チャネル画像を得る。第1の画像加工部111は、MPU(Micro-Processing Unit)及びCPU(Central Processing Unit)等のプロセッサにより実現することができる。
The first
第1の畳み込みAE学習部112は、第1の画像加工部111によって加工済みのRGB3チャネル画像を用いて、畳み込みAEを学習する。第1の畳み込みAE学習部112は、MPU及びCPU等のプロセッサにより実現することができる。第1の畳み込みAEパラメータ記憶部113は、第1の畳み込みAE学習部112で学習されて得られた畳み込みAEパラメータを記憶する。第1の畳み込みAEパラメータ記憶部113は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。
The first convolution AE
図2は、畳み込みAEの概要を説明する図である。図2に示すように、畳み込みAEは次元を圧縮するエンコーダと次元を復元するデコーダとを含む。エンコーダとデコーダの間に存在する全結合層は、入力画像に対して次元が低く、学習済みのエンコーダは次元圧縮器として適切に動作する。第1の畳み込みAE学習部112では、教師データを入力画像として、ネットワークが生成する画像と教師データとの誤差が最小となるような学習を行うことで、画像の有する特徴をエンコーダが学習する。ここで、畳み込みAEは、教師なし学習であり、教師データを入力画像として学習を行うため、ユーザが処理水の画像に対して、色及び浮遊物に対するラベリングを行う必要がないという利点がある。また、畳み込みAEでは設計に特別なチューニングを要さず、その学習は画像の入力のみで行われる。
FIG. 2 is a diagram illustrating an outline of the convolution AE. As shown in FIG. 2, the convolution AE includes an encoder that compresses the dimension and a decoder that restores the dimension. The fully coupled layer that exists between the encoder and the decoder has a lower dimension with respect to the input image, and the trained encoder behaves appropriately as a dimensional compressor. In the first convolution AE
第1の特徴量抽出部114は、第1の畳み込みAEパラメータ記憶部113に記憶された畳み込みAEパラメータを適用して、学習済みのエンコーダを含む畳み込みAEを用いて、第1の画像加工部111によって加工済みのデータの特徴量抽出を行う。第1の特徴量抽出部114は、MPU及びCPU等のプロセッサにより実現することができる。
The first feature
図3は、学習済みエンコーダによる特徴量抽出の概要を説明する図である。第1の特徴量抽出部114は、学習済みエンコーダに入力画像を入力し、入力画像の次元圧縮を行うことで特徴量抽出を行う。
FIG. 3 is a diagram illustrating an outline of feature amount extraction by the trained encoder. The first feature
第1のクラスタリング部115は、第1の特徴量抽出部114が抽出した特徴量に対してクラスタリング手法を適用し、画像データのクラスタリングを行う。第1のクラスタリング部115は、MPU及びCPU等のプロセッサにより実現することができる。なお、このクラスタリングは、ユーザの知識に基づいた判定条件によって可否が決定される。第1のクラスタリングパラメータ記憶部116は、第1のクラスタリング部115によって得られたクラスタリングパラメータを記憶する。第1のクラスタリングパラメータ記憶部116は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。第1のクラスタ分類部117は、第1の特徴量抽出部114が特徴量抽出を行った画像データの所属クラスタを特徴量に基づいて決定し、各画像データをクラスタに分類する。第1のクラスタ分類部117は、MPU及びCPU等のプロセッサにより実現することができる。
The
図4は、クラスタリング手法の概要を説明する図である。ここで用いるクラスタリング手法は非階層型クラスタリングであり、k−means法、混合正規分布、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)を例示することができる。図4では、データがクラスタ1、クラスタ2又はクラスタ3のいずれかに分類され、特徴空間に描画されている。
FIG. 4 is a diagram illustrating an outline of the clustering method. The clustering method used here is non-hierarchical clustering, and examples thereof include a k-means method, a mixed normal distribution, and DBSCAN (Density-Based Spatial Clustering of Applications with Noise). In FIG. 4, the data is classified into any of
第1の特徴空間描画部118は、第1のクラスタリング部115及び第1のクラスタ分類部117の情報に基づいて特徴空間及びクラスタ分布を描画することで情報の可視化を行う。第1の特徴空間描画部118は、例えば、特徴空間を主成分分析(principal component analysis)によって、2次元又は3次元に圧縮することでデータ及びクラスタの分布を提示する。ユーザには、各クラスタが有する特徴が提示され、ユーザは手動で各クラスタのラベル付けを行うことが可能になる。第1の特徴空間描画部118としては、タッチパネル等の入出力装置により実現することができる。
The first feature space drawing unit 118 visualizes the information by drawing the feature space and the cluster distribution based on the information of the
なお、第1の畳み込みAE学習部112による学習及び第1のクラスタリング部115によるクラスタリングは、学習が必要な場合、すなわち最初の動作時又は再学習が必要な場合にのみ行えばよい。第1の学習要否判定部119は、第1の畳み込みAE学習部112及び第1のクラスタリング部115の学習の要否を判定し、第1の畳み込みAE学習部112及び第1のクラスタリング部115に対して学習すべきか否かを指示する。ここで、再学習のタイミングは、ユーザによって決定され、設定された一定の周期又は沈殿池の環境変化時とする。設定された一定の周期は、例えば一週間又は一か月であり、沈殿池の環境変化は、例えば、季節の変化又は処理場の工事によって生じるものである。
The learning by the first convolution
次に、浮遊物分析部120の構成について説明する。浮遊物分析部120は、第2の画像加工部121と、第2の畳み込みAE学習部122と、第2の畳み込みAEパラメータ記憶部123と、第2の特徴量抽出部124と、第2のクラスタリング部125と、第2のクラスタリングパラメータ記憶部126と、第2のクラスタ分類部127と、第2の特徴空間描画部128と、第2の学習要否判定部129とを備え、グレースケール画像を用いて処理水上の浮遊物を分析する。
Next, the configuration of the suspended
第2の画像加工部121は、データ蓄積部101の画像データを加工する。具体的には、第2の画像加工部121は、浮遊物の分析のために、データ蓄積部101のデータに対してグレースケール変換を行う。
The second
第2の畳み込みAE学習部122は、第2の画像加工部121によって加工済みのデータを用いて、畳み込みAEを学習する。畳み込みAEについては、第1の畳み込みAE学習部112の説明を援用する。第2の畳み込みAEパラメータ記憶部123は、第2の畳み込みAE学習部122で学習されて得られた畳み込みAEパラメータを記憶する。
The second convolution
第2の特徴量抽出部124は、第2の畳み込みAEパラメータ記憶部123に記憶された畳み込みAEパラメータを適用して、学習済みのエンコーダを含む畳み込みAEを用いて、第2の画像加工部121によって加工済みのデータの特徴量抽出を行う。特徴量抽出については、第1の特徴量抽出部114の説明を援用する。
The second feature
第2のクラスタリング部125は、第2の特徴量抽出部124が抽出した特徴量に対してクラスタリング手法を適用し、画像データのクラスタリングを行う。第2のクラスタリングパラメータ記憶部126は、第2のクラスタリング部125によって得られたクラスタリングパラメータを記憶する。第2のクラスタ分類部127は、第2の特徴量抽出部124が特徴量抽出を行った画像データの所属クラスタを特徴量に基づいて決定し、各画像データをクラスタに分類する。クラスタリング手法については、第1のクラスタリング部115の説明を援用する。
The
第2の特徴空間描画部128は、第2のクラスタリング部125及び第2のクラスタ分類部127の情報に基づいて特徴空間及びクラスタ分布を描画することで情報の可視化を行う。特徴空間及びクラスタ分布の描画については、第1の特徴空間描画部118の説明を援用する。
The second feature
なお、第2の畳み込みAE学習部122による学習及び第2のクラスタリング部125によるクラスタリングは、学習が必要な場合、すなわち最初の動作時又は再学習が必要な場合にのみ行えばよい。第2の学習要否判定部129は、第2の畳み込みAE学習部122及び第2のクラスタリング部125の学習の要否を判定し、第2の畳み込みAE学習部122及び第2のクラスタリング部125に対して学習すべきか否かを指示する。
The learning by the second convolution
このように、色相分析部110が第1の畳み込みAE学習部112を備え、浮遊物分析部120が第2の畳み込みAE学習部122を備えるため、水質の多様な特徴に対応することが可能であり、単一の畳み込みAEで特徴量抽出を行う構成よりも高精度に特徴量抽出を行うことができる。
As described above, since the
更には、第1の特徴空間描画部118及び第2の特徴空間描画部128を備えるため、自動生成されたクラスタ分布を視覚的に確認することができ、ユーザは、畳み込みAEにより抽出された特徴を確認することができる。
Furthermore, since the first feature space drawing unit 118 and the second feature
なお、上述の色相分析部110及び浮遊物分析部120が備える構成のうちプロセッサにより実現されるものは同一の1つのプロセッサにより実現されていてもよい。また、上述の色相分析部110及び浮遊物分析部120が備える構成のうち記録媒体により実現されるものは同一の1つの記録媒体により実現されていてもよい。更には、上述の色相分析部110及び浮遊物分析部120が備える構成のうちタッチパネル等の入出力装置により実現されるものは同一の1つの入出力装置により実現されていてもよい。
Of the configurations included in the
次に、色相分析部110の動作について説明する。図5は、色相分析部110の動作を示すフローチャートである。まず、第1の画像加工部111は、データ蓄積部101から画像データを取得して加工する(S1:画像データ加工ステップ)。第1の学習要否判定部119は、第1の畳み込みAE学習部112の学習の要否を判定する(S2:畳み込みAE学習部の学習要否判定ステップ)。第1の学習要否判定部119が、第1の畳み込みAE学習部112の学習を不要と判定した場合(S2:否)には、フローはS5に進む。第1の学習要否判定部119が、第1の畳み込みAE学習部112の学習を必要と判定した場合(S2:要)には、第1のAE畳み込み学習部112は、加工済みの画像データを用いて畳み込みAEの学習を行い(S3:畳み込みAE学習ステップ)、得られた畳み込みAEパラメータを第1の畳み込みAEパラメータ記憶部113に記憶させる(S4:畳み込みAEパラメータ記憶ステップ)。次に、第1の特徴量抽出部114は、第1の畳み込みAEパラメータ記憶部113から畳み込みAEパラメータを取得し、当該畳み込みAEパラメータを適用したエンコーダに加工済みの画像データを入力して次元圧縮を行うことで特徴量抽出を行う(S5:特徴量抽出ステップ)。第1の学習要否判定部119は、第1のクラスタリング部115の学習の要否を判定する(S6:クラスタリング部の学習要否判定ステップ)。第1の学習要否判定部119が、第1のクラスタリング部115の学習を不要と判定した場合(S6:否)には、フローはS9に進む。第1の学習要否判定部119が、第1のクラスタリング部115の学習を必要と判定した場合(S6:要)には、第1のクラスタリング部115は、第1の特徴量抽出部114で抽出された特徴量を取得してクラスタリングを行い(S7:クラスタリングステップ)、得られたクラスタリングパラメータを第1のクラスタリングパラメータ記憶部116に記憶させる(S8:クラスタリングパラメータ記憶ステップ)。次に、第1のクラスタ分類部117は、特徴量抽出を行った画像データをクラスタに分類する(S9:クラスタ分類ステップ)。次に、第1の特徴空間描画部118は、クラスタ分類された画像データによる特徴空間及びクラスタ分布を描画し(S10:描画ステップ)、処理をエンドする。このように描画された情報はユーザに提示され、提示された情報についてユーザはラベリング処理を行う。
Next, the operation of the
浮遊物分析部120の動作は、色相分析部110と同様であるため、色相分析部110の説明を援用する。
Since the operation of the suspended
以上説明した本実施形態によれば、従来技術では必要であった、二値化処理のしきい値並びに空間フィルタリング処理のフィルタサイズ及び重みの調整が不要であり、対象が異なってもモデルの再構築及び再度のチューニングが不要である。更には、複数の畳み込みAE学習部を備えてクラスタリングを行うことから、柔軟な特徴抽出及びクラスタ分類が可能である。従って、特別なチューニングを行うことなく、水質の多様な特徴に対応した水質分析を行うことが可能である。また、本実施形態によれば、色相分析部110及び浮遊物分析部120の出力を連関させることで、高精度な分析が可能となる。
According to the present embodiment described above, it is not necessary to adjust the threshold value of the binarization process and the filter size and weight of the spatial filtering process, which are necessary in the prior art, and the model can be re-modeled even if the target is different. No need to build and retune. Furthermore, since clustering is performed by providing a plurality of convolutional AE learning units, flexible feature extraction and cluster classification are possible. Therefore, it is possible to perform water quality analysis corresponding to various characteristics of water quality without performing special tuning. Further, according to the present embodiment, by linking the outputs of the
<実施形態2>
実施形態1では、色相分析部及び浮遊物分析部を備える水質分析装置を説明したが、本発明に係る水質分析装置は、これに限定されるものではなく、更に移動体分析部を備える構成とすることも可能である。
<Embodiment 2>
In the first embodiment, the water quality analyzer including the hue analysis unit and the suspended matter analysis unit has been described, but the water quality analyzer according to the present invention is not limited to this, and further includes a mobile body analysis unit. It is also possible to do.
<前提技術>
図6は、本実施形態に係る水質分析装置の前提となる移動体分析部の構成を示すブロック図である。図6に示す移動体分析部210は、画像加工部211と、フロー推定部212と、統計量算出部213とを備える。移動体分析部210は、データ蓄積部201のデータを供給可能に構成されている。データ蓄積部201は、データ蓄積部101と同様に、沈殿池に設置されたカメラが取得した沈殿池の動画データを蓄積する。データ蓄積部201は、半導体メモリ及び磁気ディスク等の記録媒体により実現することができる。画像加工部211は、データ蓄積部201の動画データをグレースケール変換し、複数のグレースケール画像データに加工する。フロー推定部212は、物体の動きをベクトル表示するオプティカル・フロー(Optical Flow)によって移動体のフローを推定する。この移動体は、スカム及びフロックである。ここで、オプティカル・フロー(Optical Flow)の計算アルゴリズムには、画素全体の移動体を解析する、密なオプティカル・フロー(Dense Optical Flow)を用いる。密なオプティカル・フロー(Dense Optical Flow)には、Gunnar Farneback法、TV−L1法、Brox法を例示することができる。統計量算出部213は、フロー推定部212によって得られた速度及び移動方向の情報から統計量を算出する。一般に、スカム及びフロックは、処理水そのものと比較して、乱雑な方向及び速度で移動するため、算出した統計量によりスカム及びフロックの有無を評価することが可能となる。画像加工部211、フロー推定部212及び統計量算出部213は、MPU(Micro-Processing Unit)及びCPU(Central Processing Unit)等のプロセッサにより実現することができる。
<Prerequisite technology>
FIG. 6 is a block diagram showing a configuration of a mobile body analysis unit which is a premise of the water quality analyzer according to the present embodiment. The mobile
このように、動画を用いた移動体分析部を備えることで、フロック及びスカムの位置、移動方向及び移動速度の定量的な評価が可能である。 In this way, by providing the moving body analysis unit using moving images, it is possible to quantitatively evaluate the positions, moving directions, and moving speeds of the flocs and scums.
図7は、本実施形態に係る水質分析装置の構成を示すブロック図である。図7に示す水質分析装置100Aは、データ蓄積部101と、色相分析部110と、浮遊物分析部120と、移動体分析部130とを備える。色相分析部110及び浮遊物分析部120は、図1に示すものと同じであるため実施形態1の説明を援用する。
FIG. 7 is a block diagram showing the configuration of the water quality analyzer according to the present embodiment. The
移動体分析部130は、第3の画像加工部131と、第3の畳み込みAE学習部132と、第3の畳み込みAEパラメータ記憶部133と、第3の特徴量抽出部134と、第3のクラスタリング部135と、第3のクラスタリングパラメータ記憶部136と、第3のクラスタ分類部137と、第3の特徴空間描画部138と、第3の学習要否判定部139と、フロー推定部140とを備え、スカム及びフロックの有無を評価可能とする。
The moving
次に、移動体分析部130の構成について説明する。第3の画像加工部131は、前提技術における図6に示す画像加工部211と同様に、データ蓄積部101の動画データをグレースケール変換し、複数のグレースケール画像データに加工する。フロー推定部140は、第3の画像加工部131によって加工済みのデータを用いて、前提技術における図6に示すフロー推定部212と同様に、オプティカル・フロー(Optical Flow)によって移動体のフローを推定する。これにより、移動体の移動方向及び移動速度の情報が抽出される。
Next, the configuration of the mobile
第3の畳み込みAE学習部132は、フロー推定部140によって得られた、移動体の移動方向及び移動速度の情報を用いて、畳み込みAEを学習する。畳み込みAEについては、実施形態1における第1の畳み込みAE学習部112の説明を援用する。第3の畳み込みAEパラメータ記憶部133は、第3の畳み込みAE学習部132で学習されて得られた畳み込みAEパラメータを記憶する。
The third convolution
第3の特徴量抽出部134は、第3の畳み込みAEパラメータ記憶部133に記憶された畳み込みAEパラメータを適用した学習済みのエンコーダを含む畳み込みAEを用いて、第3の画像加工部131によって加工済みのデータの特徴量抽出を行う。特徴量抽出については、実施形態1における第1の特徴量抽出部114の説明を援用する。
The third feature
第3のクラスタリング部135は、第3の特徴量抽出部134が抽出した特徴量に対してクラスタリング手法を適用し、画像データのクラスタリングを行う。第3のクラスタリングパラメータ記憶部136は、第3のクラスタリング部135によって得られたクラスタリングパラメータを記憶する。第3のクラスタ分類部137は、第3の特徴量抽出部134が特徴量抽出を行った画像データの所属クラスタを特徴量に基づいて決定し、各画像データをクラスタに分類する。クラスタリング手法については、第3のクラスタリング部135の説明を援用する。
The
第3の特徴空間描画部138は、第3のクラスタリング部135及び第3のクラスタ分類部137の情報に基づいて特徴空間及びクラスタ分布を描画することで情報の可視化を行う。特徴空間及びクラスタ分布の描画については、第1の特徴空間描画部118の説明を援用する。
The third feature
なお、第3の畳み込みAE学習部132による学習及び第3のクラスタリング部135によるクラスタリングは、学習が必要な場合、すなわち最初の動作時又は再学習が必要な場合にのみ行えばよい。第3の学習要否判定部139は、第3の畳み込みAE学習部132及び第3のクラスタリング部135の学習の要否を判定し、第3の畳み込みAE学習部132及び第3のクラスタリング部135に対して学習すべきか否かを指示する。
The learning by the third convolution
なお、上述の移動体分析部130が備える構成のうちプロセッサにより実現されるものは、同一の1つのプロセッサにより実現されていてもよいし、色相分析部110及び浮遊物分析部120が備えるプロセッサと兼用であってもよい。また、上述の移動体分析部130が備える構成のうち記録媒体により実現されるものは、同一の1つの記録媒体により実現されていてもよいし、色相分析部110及び浮遊物分析部120が備える記録媒体と兼用であってもよい。なお、上述の移動体分析部130が備える構成のうちタッチパネル等の入出力装置により実現されるものは、同一の1つのタッチパネルにより実現されていてもよいし、色相分析部110及び浮遊物分析部120が備えるタッチパネルと兼用であってもよい。
Of the configurations included in the mobile
移動体分析部130の動作は、色相分析部110と同様であるため、色相分析部110の説明を援用する。
Since the operation of the mobile
本実施形態によれば、オプティカル・フロー(Optical Flow)の推定結果に対して畳み込みAE及びクラスタリングを行うことで、移動体の特徴抽出及びクラスタ分類が可能となる。また、本実施形態によれば、統計量によって移動体を分析する前提技術と異なり、移動体の移動方向及び移動速度情報に対して、特徴量抽出を直接行うため、より高精度な分析が可能となる。更には、本実施形態によれば、色相分析部110、浮遊物分析部120及び移動体分析部130の出力を連関させることで、更に高精度な分析が可能となる。
According to the present embodiment, by performing convolution AE and clustering on the estimation result of the optical flow, it is possible to extract the features of the moving body and classify the clusters. Further, according to the present embodiment, unlike the precondition technique for analyzing a moving body by a statistic, the feature amount is directly extracted for the moving direction and moving speed information of the moving body, so that more accurate analysis is possible. It becomes. Further, according to the present embodiment, by linking the outputs of the
以上説明した本実施形態によれば、動画を用いる移動体分析部を備えることで、フロック及びスカムの位置、移動方向及び移動速度の定量的な評価が可能であるため、フロックと他の粒子との判別が可能となる。 According to the present embodiment described above, by providing the moving body analysis unit using moving images, it is possible to quantitatively evaluate the positions, moving directions, and moving speeds of the flocs and scums. Can be discriminated.
また、本発明は、上述の実施形態に限定されるものではなく、上述の構成に対して、構成要素の付加、削除又は転換を行った様々な変形例も含むものとする。 Further, the present invention is not limited to the above-described embodiment, and includes various modifications in which components are added, deleted, or converted from the above-described configuration.
100 水質分析装置
101 データ蓄積部
110 色相分析部
111 第1の画像加工部
112 第1の畳み込みAE学習部
113 第1の畳み込みAEパラメータ記憶部
114 第1の特徴量抽出部
115 第1のクラスタリング部
116 第1のクラスタリングパラメータ記憶部
117 第1のクラスタ分類部
118 第1の特徴空間描画部
119 第1の学習要否判定部
120 浮遊物分析部
121 第2の画像加工部
122 第2の畳み込みAE学習部
123 第2の畳み込みAEパラメータ記憶部
124 第2の特徴量抽出部
125 第2のクラスタリング部
126 第2のクラスタリングパラメータ記憶部
127 第2のクラスタ分類部
128 第2の特徴空間描画部
129 第2の学習要否判定部
130 移動体分析部
131 第3の画像加工部
132 第3の畳み込みAE学習部
133 第3の畳み込みAEパラメータ記憶部
134 第3の特徴量抽出部
135 第3のクラスタリング部
136 第3のクラスタリングパラメータ記憶部
137 第3のクラスタ分類部
138 第3の特徴空間描画部
139 第3の学習要否判定部
140 フロー推定部
201 データ蓄積部
210 移動体分析部
211 画像加工部
212 フロー推定部
213 統計量算出部
100
Claims (1)
前記画像加工部が、沈殿池の画像データを加工すること、
前記畳み込みAE学習部が、加工した前記画像データについて畳み込みAE学習を要する場合には前記画像データについて畳み込みAE学習を行うこと、
前記畳み込みAEパラメータ記憶部が、前記畳み込みAE学習により得られた畳み込みAEパラメータを記憶すること、
前記特徴量抽出部が、前記畳み込みAEパラメータを適用したエンコーダに、加工した前記画像データから特徴量抽出を行うこと、
前記クラスタリング部が、加工した前記画像データについてクラスタリングを要する場合には前記画像データについてクラスタリングを行うこと、
前記クラスタリングパラメータ記憶部が、前記クラスタリングにより得られたクラスタリングパラメータを記憶すること、
前記クラスタ分類部が、特徴量抽出を行った前記画像データをクラスタに分類すること、
前記特徴空間描画部が、クラスタ分類された前記画像データによる特徴空間及びクラスタ分布を描画することを含む水質分析方法。
Each includes at least an image processing unit, a convolution AE learning unit, a convolution AE parameter storage unit, a feature amount extraction unit, a clustering unit, a clustering parameter storage unit, a cluster classification unit, and a feature space drawing unit. , A water quality analysis method of a water quality analyzer equipped with a hue analysis unit and a suspended matter analysis unit.
The image processing unit processes the image data of the sedimentation basin.
When the convolution AE learning unit requires convolution AE learning for the processed image data, the convolution AE learning is performed on the image data.
The convolution AE parameter storage unit stores the convolution AE parameters obtained by the convolution AE learning.
The feature amount extraction unit extracts the feature amount from the processed image data to the encoder to which the convolution AE parameter is applied.
When the clustering unit needs to cluster the processed image data, the clustering is performed on the image data.
The clustering parameter storage unit stores the clustering parameters obtained by the clustering.
The cluster classification unit classifies the image data from which the feature amount has been extracted into clusters.
A water quality analysis method including the feature space drawing unit drawing a feature space and a cluster distribution based on the image data classified into clusters.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021116028A JP7147933B2 (en) | 2018-02-13 | 2021-07-14 | Water quality analysis method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018023058A JP7020160B2 (en) | 2018-02-13 | 2018-02-13 | Water quality analyzer |
JP2021116028A JP7147933B2 (en) | 2018-02-13 | 2021-07-14 | Water quality analysis method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018023058A Division JP7020160B2 (en) | 2018-02-13 | 2018-02-13 | Water quality analyzer |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021170373A true JP2021170373A (en) | 2021-10-28 |
JP7147933B2 JP7147933B2 (en) | 2022-10-05 |
Family
ID=67692693
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018023058A Active JP7020160B2 (en) | 2018-02-13 | 2018-02-13 | Water quality analyzer |
JP2021116028A Active JP7147933B2 (en) | 2018-02-13 | 2021-07-14 | Water quality analysis method |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018023058A Active JP7020160B2 (en) | 2018-02-13 | 2018-02-13 | Water quality analyzer |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7020160B2 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7424112B2 (en) | 2020-03-06 | 2024-01-30 | 株式会社明電舎 | Water quality determination device |
JP7484535B2 (en) | 2020-07-30 | 2024-05-16 | 株式会社明電舎 | ABNORMALITY DETECTION SYSTEM AND ABNORMALITY DETECTION METHOD |
CN113743424B (en) * | 2021-09-15 | 2023-06-27 | 昆明理工大学 | Quantitative characterization method for dynamic flocculation sedimentation dispersion degree of flocs in dynamic flocculation sedimentation of full tailings |
CN113588650B (en) * | 2021-09-30 | 2021-12-10 | 武汉市中卫寰宇医疗系统工程有限公司 | Medical sewage purification monitoring system |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06119454A (en) * | 1992-10-08 | 1994-04-28 | Babcock Hitachi Kk | Method and device for detecting abnormality |
JPH09281100A (en) * | 1996-04-12 | 1997-10-31 | Nkk Corp | Water quality monitoring apparatus |
JP2000311246A (en) * | 1999-04-28 | 2000-11-07 | Ricoh Co Ltd | Similar image display method and recording medium storing similar image display processing program |
JP2011113233A (en) * | 2009-11-26 | 2011-06-09 | Hitachi Ltd | Taxonomic image creation device |
JP2018018313A (en) * | 2016-07-28 | 2018-02-01 | 国立大学法人信州大学 | Image discrimination device and image discrimination method |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0664048B2 (en) * | 1985-10-09 | 1994-08-22 | 株式会社日立製作所 | Aquatic life monitor |
EP3432227A4 (en) * | 2016-03-14 | 2019-07-10 | Omron Corporation | Learning service provision device |
-
2018
- 2018-02-13 JP JP2018023058A patent/JP7020160B2/en active Active
-
2021
- 2021-07-14 JP JP2021116028A patent/JP7147933B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06119454A (en) * | 1992-10-08 | 1994-04-28 | Babcock Hitachi Kk | Method and device for detecting abnormality |
JPH09281100A (en) * | 1996-04-12 | 1997-10-31 | Nkk Corp | Water quality monitoring apparatus |
JP2000311246A (en) * | 1999-04-28 | 2000-11-07 | Ricoh Co Ltd | Similar image display method and recording medium storing similar image display processing program |
JP2011113233A (en) * | 2009-11-26 | 2011-06-09 | Hitachi Ltd | Taxonomic image creation device |
JP2018018313A (en) * | 2016-07-28 | 2018-02-01 | 国立大学法人信州大学 | Image discrimination device and image discrimination method |
Non-Patent Citations (2)
Title |
---|
末永 高志,外2名: ""分布の構造に着目した特徴空間の可視化−クラスタ判別法−"", 電子情報通信学会技術研究報告, vol. 101, no. 200, JPN6022025422, 11 July 2001 (2001-07-11), JP, pages 39 - 46, ISSN: 0004804671 * |
谷井 一人、星 仰: ""RSIPSシステムによる涸沼付近の画像分析"", 第60回(平成12年前期)全国大会講演論文集(2), JPN6022025426, 14 March 2000 (2000-03-14), JP, pages 303 - 304, ISSN: 0004854913 * |
Also Published As
Publication number | Publication date |
---|---|
JP2019136664A (en) | 2019-08-22 |
JP7147933B2 (en) | 2022-10-05 |
JP7020160B2 (en) | 2022-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021170373A (en) | Water quality analysis method | |
CN109934805B (en) | Water pollution detection method based on low-illumination image and neural network | |
Guan et al. | A steel surface defect recognition algorithm based on improved deep learning network model using feature visualization and quality evaluation | |
CN112381788B (en) | Part surface defect increment detection method based on double-branch matching network | |
CN110648310B (en) | Weak supervision casting defect identification method based on attention mechanism | |
CN110135514B (en) | Workpiece classification method, device, equipment and medium | |
CN111966053A (en) | Intelligent flocculant decision making system | |
CN111860439A (en) | Unmanned aerial vehicle inspection image defect detection method, system and equipment | |
CN106203461B (en) | Image processing method and device | |
CN111127360B (en) | Gray image transfer learning method based on automatic encoder | |
US20230166985A1 (en) | Systems and Methods for Treating Wastewater | |
CN112488229A (en) | Domain self-adaptive unsupervised target detection method based on feature separation and alignment | |
CN109740553B (en) | Image semantic segmentation data screening method and system based on recognition | |
CN111462068A (en) | Bolt and nut detection method based on transfer learning | |
Hsia et al. | An Intelligent IoT-based Vision System for Nighttime Vehicle Detection and Energy Saving. | |
CN112949378A (en) | Bacterial microscopic image segmentation method based on deep learning network | |
CN107679581B (en) | Method for processing gas flow distribution based on characteristic values of infrared image pixel matrix | |
CN110766662B (en) | Forging surface crack detection method based on multi-scale and multi-layer feature learning | |
Culibrk | Neural network approach to Bayesian background modeling for video object segmentation | |
CN114663658B (en) | Small sample AOI surface defect detection method with cross-domain migration capability | |
CN114863277A (en) | Machine vision-based method for rapidly detecting irregular particle group overrun particles | |
CN110414595B (en) | Method for estimating direction field of texture image with direction consistency | |
KR20220167827A (en) | Smart factory system capable of detecting defects based on artificial intelligence | |
JP7424112B2 (en) | Water quality determination device | |
Ganegedara et al. | Self organising map based region of interest labelling for automated defect identification in large sewer pipe image collections |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210715 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220617 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220621 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220810 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220823 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220905 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7147933 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |