TWI832435B

TWI832435B - 水質監視系統及電腦可讀取記錄媒體

Info

Publication number: TWI832435B
Application number: TW111135261A
Authority: TW
Inventors: 工藤翔平; 福江晋; 伊東忠佑; 永野和俊
Original assignee: 日商東芝數字解決方案股份有限公司; 日商栗田工業股份有限公司
Priority date: 2021-09-21
Filing date: 2022-09-19
Publication date: 2024-02-11

Abstract

本發明使用來自監視相機的拍攝圖像而實現非接觸方式的水質監視，並且抑制監視對象的狀態變化的影響而高精度地檢測水質異常。實施方式的水質監視系統包括：水質異常檢測部，使用物體檢測模型，根據自監視相機輸出的水質監視對象的拍攝圖像識別水面區域，判定基於所識別的水面區域的狀態的水質異常；以及監視結果輸出部，輸出監視結果。藉此，能夠實現非接觸方式的水質監視，並且即便有監視對象的狀態變化的影響(水位變動或監視相機的視角變動、相機的朝向變動等)，亦能夠高精度地檢測水質異常。

Description

水質監視系統及電腦可讀取記錄媒體

本發明的實施方式是有關於一種水質監視技術。

對於水處理設施，使用濁度計等水質計來進行處理水的異常檢測(渾濁檢測)。水質計有如下類型：將感測器部分設置於監視對象的水中而測定濁度的類型；或藉由對監視對象的水面(測定液面)照射光，掌握來自水面(液面)的散射光而測定濁度的類型。

[現有技術文獻]

[專利文獻]

專利文獻1：日本專利特開2017-207323號公報

本發明提供一種水質監視系統，能夠使用來自監視相機的拍攝圖像而實現非接觸方式的水質監視，並且能夠抑制監視對象的狀態變化的影響而高精度地檢測水質異常。

實施方式的水質監視系統包括：水質異常檢測部，使用物體檢測模型，根據自監視相機輸出的水質監視對象的拍攝圖像識別水面區域，判定基於所識別的所述水面區域的狀態的水質異常；以及監視結果輸出部，輸出監視結果。

1:監視相機

2:水質計

100:監視裝置

110:監視控制部

111:水質異常檢測部

120:監視結果輸出部

130、250:記憶部

200:學習裝置

210:學習資料收集部

220:學習資料選定部

230:學習用教師資料生成部

240:學習處理部

251:學習完畢模型

252:各種資料

S101~S107、S201~S205:步驟

圖1是構成第一實施方式的水質監視系統的各裝置的功能方塊圖。

圖2是第一實施方式的物體檢測模型的說明圖。

圖3是第一實施方式的水質監視模型的說明圖。

圖4是表示第一實施方式的水質監視系統的處理流程的圖。

圖5是表示第一實施方式的水質監視系統的處理流程的圖，是表示考慮了水質計的測定值的處理流程的圖。

圖6是利用第一實施方式的學習裝置所進行的學習資料的收集及教師資料生成的說明圖。

圖7是表示第一實施方式的學習裝置的教師資料生成的處理流程的圖。

以下，參照圖式對實施方式進行說明。

(第一實施方式)

圖1至圖7是用以說明第一實施方式的水質監視系統的圖。

作為應用本實施方式的水質監視系統的水質監視對象的一例，有水處理設施的排水處理步驟。排水處理有各種類型，例如若以利用活性污泥法的排水處理為例進行說明，則將原水導入至裝入有混入微生物的污泥即活性污泥的反應槽(曝氣槽)中，並送入空氣加以混合。藉此，原水中的污垢被微生物分解，細小的污垢附著於微生物而成為容易沈降的塊。然後，使反應槽中所形成的污泥(活性污泥)在沈澱槽中沈澱，分離為處理水(上清液)及污泥。然後，將所分離的處理水進行過濾處理，進而使活性碳塔中所殘留的污垢吸附於活性碳，最終經過中和處理(使pH成為中性區域)，排放至下水道或河川中。

沈澱槽中設置有水質計，測定SS濃度而監視水質。再者，所謂SS濃度，是將漂浮、分散於水中的顆粒的大小為1μm(0.001mm)~2mm的物質設為懸浮物質(SS；suspendedsolids)或漂浮物質，以每升水中所含的懸浮物質的質量(mg/L)表示。

然而，使用水質計的水質監視存在如下所述的課題。在將感測器部分設置於作為監視對象的沈澱槽的水中而進行測定的水質計的情況下，會在感測器部分附著污垢(漂浮的污泥或藻等)，因此需要清潔，另外，亦需要用以確保測定值的可靠性的校準作業。

另外，在藉由對沈澱槽的水面(測定液面)照射光，掌握來自水面(液面)的散射光而進行測定的水質計的情況下，由於使光在測定液表面反射，故而有受到水的顏色或氣泡的影響，而難以確保測定精度的方面。特別是，就測定精度的觀點而言，必須使水面穩定，為了使水面穩定要採取另行設置測定槽等對策，但排水中所存在的有機物或積垢成分會附著於測定槽壁面而阻礙光學式的計測，因此所述測定槽的維護成為必需。

如此使用水質計的水質監視存在如下課題：維護非常困難，並且用以應對因維護不足所產生的錯誤測定值的監視作業負擔(例如，由作業人員觀看監視相機的影像而進行監視等)增加等。

因此，本實施方式的水質監視系統能夠使用來自拍攝沈澱槽的監視相機1的拍攝圖像而實現非接觸方式的水質監視，並且能夠抑制沈澱槽的狀態變化的影響而高精度地檢測水質異常。

圖1是構成本實施方式的水質監視系統的各裝置的功能方塊圖。如圖1所示，本實施方式的水質監視系統是包括監視裝置100及學習裝置200而構成，監視裝置100是使用水質監視模型，檢測監視相機1所拍攝的水質監視對象的水質異常。學習裝置200是收集、生成學習資料(教師資料)，進行監視裝置100中所使用的學習完畢模型(水質監視模型)的機器學習、深層學習(深度學習)等學習處理。

監視裝置100及學習裝置200與拍攝監視對象的監視相機1以無線或有線的方式連接，且構成為可將自監視相機1輸出的監視圖像(監視影像)輸入至各裝置100、200。另外，在作為監視對象的沈澱槽與以往同樣地設置有水質計2，且構成為可將水質計2的測定值輸入至監視裝置100及學習裝置200。

監視相機1例如是可進行遠距操作的拍攝裝置，可利用作業人員所進行的手動操作變更視角(變焦)或變更監視相機1 的朝向。作業人員每天可根據需要一邊遠距操作監視相機1，改變相機的朝向，或利用變焦功能調整視角，一邊確認影像而進行監視工作。再者，即便是固定了視角或相機的朝向的拍攝裝置，亦可應用於本實施方式的水質監視系統。

<監視裝置100>

如圖1所示，監視裝置100是包括監視控制部110、監視結果輸出部及記憶部130而構成，且監視控制部110包括水質異常檢測部111。

水質異常檢測部111發揮作為水質監視模型的功能，所述水質監視模型是使用物體檢測模型，根據自監視相機輸出的水質監視對象的拍攝圖像識別水面區域，並且判定基於所識別的水面區域的狀態的水質異常。

物體檢測模型例如可應用卷積神經網路(Convolutional Neural Network：CNN)等公知的物體檢測(object detection)人工智慧(Artificial Intelligence，AI)模型，有區域卷積神經網路(Region-Convolutional Neural Network：R-CNN)、快速R-CNN、更快速R-CNN、掩膜R-CNN等。

本實施方式的物體檢測模型是使用包含沈澱槽的水面區域的圖像實施了學習處理的學習完畢模型，進行圖像內是否存在物體(物體檢測)，若存在物體則該物體是否在水面(物體識別)，輸出所識別的水面的座標等區域資訊。例如，當輸入監視圖像時，利用卷積層提取特徵量，利用池化層(pooling layer)以縱橫可變尺寸操作特徵量，從而掌握圖像內的「水面區域」。另外，物體檢測模型輸出掌握水面區域時所提取的特徵量，利用於下述監視對象的渾濁檢測。

圖2是本實施方式的物體檢測模型的說明圖。如圖2所示，圖像內的水面區域是沈澱槽的水面位置越低則越小。另外，若水面位置變低，則會因由槽壁所產生的影子的影響而導致水面的明度變暗。若變暗，則不易判別槽壁與水面的邊界。另一方面，若水面位置變高，則圖像內的水面區域變大，不易受到由槽壁所產生的影子的影響，從而水面相對較明亮。

本實施方式中，如此進行與水面位置及明度對應的水面區域的學習處理，構建物體檢測模型。因此，即便有水位變動，亦能夠高精度地掌握水面區域(監視對象)。從另一方面進行說明，例如若藉由遠距操作變更監視相機1的視角或變更相機的朝向，則會產生與水位變動同樣的圖像內的水面區域的物理外觀差異，但藉由本實施方式的物體檢測模型能夠準確地掌握圖像內的「水面區域」。

接下來，水質異常檢測部112基於自物體檢測模型輸出的水面區域的特徵量進行渾濁檢測，判定基於由物體檢測模型所識別的水面區域的狀態的水質異常。

圖3是本實施方式的渾濁檢測的說明圖。圖3的例中例示了3個水質異常狀態的監視圖像1~監視圖像3。監視圖像1中，大量雜質漂浮於水面區域整體，且未漂浮雜質的區域的透明度低。監視圖像2中，雜質未漂浮於水面，但透明度低。監視圖像3中，在水面區域的一部分漂浮有雜質，在其餘部分未漂浮有雜質。相對於水質正常的狀態的監視圖像0，監視圖像1~監視圖像3中，因雜質或透明度的差異，在水面區域映入不同的圖像，或與透明度對應的水面的濃淡不同。

而且，本實施方式中，針對各監視圖像，算出與SS濃度、即渾濁程度相關的特徵量對應的可靠得分，基於可靠得分(表示水質異常的準確度的得分)進行所識別的水面區域的水質異常的判定。

例如，監視圖像1中，由於大量雜質漂浮於水面區域整體，且未漂浮有雜質的區域的透明度低，故而可提取雜質的特徵量及透明度低的特徵量，因此算出可靠得分高(例如，可靠得分0.96)。另一方面，監視圖像2中，可提取透明度低的特徵量，未提取雜質的特徵量，因此算出僅次於監視圖像1高的可靠得分(例如，可靠得分0.78)。監視圖像3中，提取漂浮於水面區域的一部分的雜質的特徵量，在其餘部分未漂浮有雜質，透明度亦高。因此，算出可靠得分比監視圖像1、監視圖像2低(可靠得分0.52)。

再者，所述說明中，以可靠得分以0至1之間的值推算的形態為一例進行了說明，但只要為表示異常的準確度的值即可，並不限於以0至1之間的值推算，而為任意。

水質異常檢測部112是以基於由物體檢測模型所提取的特徵量，識別雜質的特徵量及透明度低的特徵量，算出與雜質的特徵量及/或透明度低的特徵量對應的可靠得分的方式，進行學習處理，在所算出的可靠得分超過規定值的情況、即渾濁程度超過規定值的情況下，判定為水質異常。再者，規定值可為藉由基於教師資料的學習處理所導出的臨限值，或藉由作業人員等預先設定的臨限值。

如此，本實施方式的水質異常檢測部112是包含物體檢測模型的水質監視模型，藉由物體檢測模型掌握監視圖像內的水面區域(渾濁的水面)，並且使用在掌握水面區域時物體檢測模型所提取的水面區域的特徵量來算出可靠得分，使用所算出的可靠得分進行水質異常的判定。

根據本實施方式，使用物體檢測模型自監視圖像中掌握監視對象的水面區域，因此能夠使用來自監視相機的拍攝圖像而實現非接觸方式的水質監視，並且即便有監視對象的狀態變化的影響(水位變動或監視相機的視角變動、相機的朝向變動等)，亦能夠高精度地檢測水質異常。

圖4是表示本實施方式的水質監視系統的處理流程的圖。監視相機1輸出監視圖像，監視裝置100受理所輸出的監視圖像(S101)。監視裝置100(監視控制部110)進行水質監視處理。再者，輸入監視圖像的間隔及進行水質監視處理的時間點為任意。

監視裝置100對所受理的監視圖像進行使用物體檢測模型的物體檢測處理，檢測監視圖像內的水面區域(S102)。進而，監視裝置100進行對所檢測的水面區域的水質異常檢測(渾濁檢測)處理，進行基於可靠得分的水質異常的判定(S103)。

監視裝置100(監視結果輸出部120)在步驟S103中判別為有異常的情況(S104的是)，輸出包含可靠得分的「有異常」的監視結果(S105)。另一方面，在步驟S103中判別為無異常的情況(S104的否)，輸出包含可靠得分的「無異常」的監視結果(S106)。

例如，圖3的例可構成為，在監視圖像上作為監視結果而輸出表示「有異常」的「NG」及作為可靠得分的「0.96」。另外，在監視結果為「無異常」的情況下，例如作為監視結果而輸出表示「無異常」的「OK」及可靠得分。

關於監視裝置100(監視結果輸出部120)，作為監視結果輸出處理，通過網路將監視結果以電子郵件的形式通知給預先設定的收信人，或向規定的機器推送通知，或使顯示監視圖像的顯示裝置重疊顯示包含可靠得分的監視結果，或不顯示在監視圖像上而作為時間數列資料顯示在顯示裝置。監視裝置100(監視結果輸出部120)使記憶部130記憶監視結果(S107)。

所述說明中，對輸出包含可靠得分的監視結果的形態進行了說明，但亦可構成為以不包含可靠得分的形態輸出監視結果，作業人員藉由觀看可靠得分，能夠掌握異常狀態的程度，能夠實現應對水質異常的準確化及迅速化。

特別是，藉由輸出包含可靠得分的監視結果，不僅停留在單純的水質的正常/異常的通知，而且能夠按照時間數列捕捉「水質的變化」，從而提供提示今後有產生水質異常的可能性的作為「水質異常的預告」的資訊。因此，能夠在水質異常之前加以應對。另外，觀看監視圖像預測今後的水質異常需要熟練的技能或經驗，可藉由可靠得分來定量地掌握水質的狀態，從而可適當地支持作業人員的監視工作。

再者，作為包含可靠得分的監視結果的形態，提供了以數值表示的可靠得分，但並不限定於此。例如，亦可構成為，將可靠得分按照規定的數值範圍分隔預先分等級，作為可靠得分的另一表現，輸出包含該水質異常的等級的監視結果。另外，亦可構成為，進行效果處理行，以在判定為水質異常的情況及判定為水質異常以外的情況，使監視結果的至少一部分的顏色發生變化，從而容易掌握水質異常，或在判定為水質異常的情況下，亦可在該異常程度高的情況及低的情況下，以顯示不同效果的方式，輸出監視結果。

圖5是表示本實施方式的水質監視系統的處理流程的圖，是考慮了水質計2的測定值(感測器值)的處理流程的圖。對於與圖4相同的處理標附相同符號並省略說明。

圖5的例除監視圖像以外，還將與監視圖像的拍攝時間點對應的水質計2的測定值輸入至監視裝置200(S101a)。而且，監視裝置200(監視控制部110)判定水質計2的測定值是否有水質異常，換言之，判定水質計2的測定值是否超過水質異常相關的規定的臨限值(S104a)。

而且，在步驟S104b中，無論利用水質計2的水質異常的判定結果如何，均與圖4的步驟S104同樣地，進行對藉由物體檢測處理所提取的水面區域的水質異常的判定處理。而且，監視裝置200輸出步驟S104b的水質異常的判定結果作為監視結果。

藉由如此構成，即便產生如上所述的因維護不足所致的水質計2的測定值異常，亦可藉由水質監視模型進行準確的水質監視，並且可掌握水質計2的維護時間點的契機。即，若判定為本實施方式的水質監視模型及水質計2的測定值兩者均正常，則水質計2亦正常地運轉，若水質監視模型正常且水質計2的測定值異常(或水質監視模型異常且水質計2的測定值正常)，則必須進行水質計的維護(包含故障)，若判定為水質監視模型及水質計2的測定值兩者均異常，則可更準確地掌握監視對象的水質產生了異常。

再者，所述說明中，將可靠得分作為表示水質異常的指標，但並不限於此，亦可構成為，算出可靠得分作為表示水質正常的指標，進行水質異常的判定。具體而言，水質異常檢測部112以基於由物體檢測模型所提取的特徵量，識別雜質的特徵量及透明度高的特徵量，算出與雜質的特徵量及/或透明度高的特徵量對應的可靠得分的方式，進行學習處理，在所算出的可靠得分小於規定值的情況、即透明程度低於規定值(渾濁程度高於規定值)的情況下，可判定為水質異常。

因此，水質異常檢測部111可算出表示水質正常的指標來作為基於藉由物體檢測模型所提取的水面區域的渾濁狀態的特徵量的可靠得分，基於可靠得分進行所識別的水面區域的水質異常的判定。

另外，水質異常檢測部112亦可構成為，分別算出表示水質異常的指標的第一可靠得分及表示水質正常的指標的第二可靠得分，進行使用該些兩者可靠得分的水質異常判定。例如，在第一可靠得分超過第一規定值且第二可靠得分低於第二規定值的情況下，可判定為水面區域的水質異常。該情況下，水質異常檢測部112可構成為包括：第一學習完畢模型，是自水質異常的觀點考慮經過以「異常」為基準的學習處理所生成；以及第二學習完畢模型，是經過以「正常」為基準的學習處理所生成，從而可構建將該些第一學習完畢模型及第二學習完畢模型並聯或串聯連接而成的水質監視模型。

<學習裝置200>

如圖1所示，學習裝置200是包括學習資料收集部210、學習資料選定部220、學習用教師資料生成部230、學習處理部240、記憶部250而構成。

圖6是利用學習裝置200所進行的學習資料的收集及教師資料生成的說明圖。圖7是表示學習裝置200的教師資料生成的處理流程的圖。

如圖6所示，學習資料收集部210是將學習資料儲存於記憶部250，所述學習資料集合有設置於水質監視對象的水質計2的測定值(感測器值)及與所述測定值對應的監視圖像。此時，若為監視相機1及水質計2與學習裝置200通過網路連接的形態，則藉由通過所述網路的資料傳輸，學習資料收集部210可受理學習資料。再者，監視相機1及水質計2未必藉由網路連接，學習裝置200可構成為，可受理自該些機構輸出的監視圖像及測定值作為學習資料。

學習資料選定部220進行分類處理，即，使用與水質計2的測定值對應的規定的基準值，將所收集的監視圖像自動分類為2個以上的組。具體而言，預先將表示基於水質計2的水質監視對象的異常的基準值或表示基於水質計的水質監視對象的正常的基準值設定為規定的基準值，預先記憶在記憶裝置250(各種資料252)中。而且，學習資料選定部220是將學習資料中所包含的測定值與所設定的基準值進行比較，進行暫時的自動分類(暫時分類)，分成超過基準值的監視圖像群的組及小於基準值的監視圖像群的組。

學習用教師資料生成部230使按組別的監視圖像群顯示於顯示裝置，受理作業人員對經自動分類的監視圖像的組手動分類操作。即，學習用教師資料生成部230可由作業人員用目視檢查經暫時分類的各組中所包含的監視圖像，根據需要提供將監視圖像自組中排除或更換組的作業人員的手動分類功能。學習用教師資料生成部230生成(累積)經過自動分類(暫時分類)及手動分類所分類的按組別的監視圖像群作為教師資料。

再者，本實施方式的學習裝置200是自水質異常的觀點出發以「異常」為基準進行了說明，但亦可構成為以「正常」為基準進行學習資料的分類及教師資料的生成。

學習處理部240應用所生成的教師資料進行包括物體檢測模型的水質監視模型的學習處理。再者，關於物體檢測模型的學習處理，例如可構成為對教師資料(監視圖像)預先進行分割(segmentation)處理。關於該些學習處理及教師資料，可適宜採用公知的方法。

如此，本實施方式的學習裝置200具備將所收集的學習資料基於水質計2的測定值暫時分類的功能。

學習處理需要龐大的學習資料，且必須篩選教師資料(正常/異常)。以往，作業人員確認一張一張的圖像資料而進行篩選，但作業效率差。特別是，若水質異常的產生頻度低，則自龐大的圖像中選定水質異常的圖像需要花費大量時間。

因此，本實施方式中，與監視圖像以集合的形式收集水質計2的測定值，預先設定與水質計2的測定值對應的規定的基準值(S201)。而且，將超過臨限值的監視圖像設為異常圖像組、將未超過臨限值的監視圖像設為正常圖像組進行一次診斷而自動篩選(S202)。

經暫時分類的各監視圖像按組別顯示於顯示裝置(S203)，作業人員最終利用人工作業確認各監視圖像，選定為教師資料(S204)，但對於異常圖像組的各圖像，在識別為水質異常的圖像的情況下進行確認作業即可，對於正常圖像組的各圖像，在識別為不含水質異常的圖像的情況下進行確認作業即可。即，與水質異常/正常混合存在的大量的圖像群中篩選水質異常/正常的各圖像相比，作業效率提昇，能夠大幅縮短圖像選定所花費的時間。而且，生成(累積)經過自動分類及手動分類所分類的按組別的監視圖像群作為教師資料(S205)。

以上，對實施方式進行了說明，但監視裝置100及學習裝置200亦可包括1個裝置，構成為包括學習系統的監視裝置。另外，裝置100、裝置200亦可構建為雲(cloud)型的伺服提供形態。即，構成為，通過網際網路協定(Internet protocol，IP)網將自監視相機1輸出的監視圖像及自水質計2輸出的測定值傳送至監視裝置100或學習裝置200。藉此，可構成為，能夠在雲端收集學習資料，且向作業人員可閱覽的監視設備(監視終端等)輸出(提供)監視結果。另外，學習裝置200亦可為由不同裝置構成學習資料的收集累積功能及學習功能的形態。

另外，裝置100、裝置200是具備伺服裝置等的運算功能、記憶功能、通訊功能等的電腦裝置。另外，作為硬體結構，可包括記憶體(主記憶裝置)、滑鼠、鍵盤、觸控面板、掃描儀等操作輸入裝置、印表機等輸出裝置、輔助記憶裝置(硬碟等)等。

另外，本發明的各功能可藉由程式來實現，將為了實現各功能而預先準備的電腦程式儲存於輔助記憶裝置，中央處理單元(central processing unit，CPU)等控制部使主記憶裝置讀出儲存於輔助記憶裝置的程式，由控制部執行主記憶裝置所讀出的該程式，從而可使電腦發揮出本發明的各部的功能。另一方面，裝置100、裝置200的各功能可分別由個別的裝置構成，亦可將多個裝置直接或經由網路連接而構成電腦系統。

另外，所述程式亦可在記錄在電腦可讀取的記錄媒體的狀態下提供給電腦。作為電腦可讀取的記錄媒體，可列舉：唯讀光碟(compact disc-read only memory，CD-ROM)等光碟、唯讀數位多功能光碟(digital versatile disc-read only memory，DVD-ROM)等相變化型光碟、磁光碟(Magnet Optical；MO)或迷你光碟(Mini Disk，MD)等磁光碟、軟磁(Floppy)(註冊商標)碟或可擦除硬碟(removable hard disk)等磁碟、小型快閃(Compact Flash)(註冊商標)、智慧型媒體、安全數位(Secure Digital，SD)記憶卡、記憶棒(Memory Stick)等記憶卡。另外，作為記錄媒體，亦包括為了本發明的目的特別設計而構成的積體電路(Integrated Circuit Chip，IC晶片)等)等硬體裝置。

再者，說明了本發明的實施方式，但所述實施方式為例示，並非旨在限定發明的範圍。該新穎的實施方式可以其他各種形態實施，可在不脫離發明的主旨的範圍內進行各種省略、置換、變更。該些實施方式或該些實施方式的變形包含於發明的範圍或主旨，並且包含於申請專利範圍中所記載的發明及申請專利範圍中所記載的發明的均等的範圍。