基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)--張亮教授團(tuán)隊(duì)新技術(shù)推動(dòng)行業(yè)發(fā)展
【上海純水設(shè)備行業(yè)新聞】
生化池的線監(jiān)測(cè)對(duì)污水處置廠的穩(wěn)定運(yùn)行具有重要意義?，F(xiàn)有生化池監(jiān)測(cè)依賴流量計(jì)、傳感器以及人工巡查和綜合判斷。為降低生化池人工巡檢的工作量，提升監(jiān)測(cè)的連續(xù)性和準(zhǔn)確性，本研究提出基于機(jī)器視覺的監(jiān)測(cè)方案，并以曝氣量預(yù)測(cè)為目標(biāo)，考察了該技術(shù)方案的可行性。以小試規(guī)模生化池曝氣量1,2,3,4,5L/min為預(yù)測(cè)對(duì)象，通過采集生化池的曝氣圖像、構(gòu)建數(shù)據(jù)庫(kù)、使用卷積神經(jīng)網(wǎng)絡(luò)提取特征、建立模型的監(jiān)測(cè)框架，實(shí)現(xiàn)了污水處置過程中曝氣量變化的自動(dòng)感知。模型分析標(biāo)明測(cè)試集的預(yù)測(cè)精度達(dá)到99%且模型預(yù)測(cè)精度穩(wěn)定性較高，滿足自動(dòng)監(jiān)測(cè)的需求。進(jìn)一步考察機(jī)器視覺技術(shù)從小試遷移到中試規(guī)模生化池的可行性，證明了該方法在不同的生化池中均具有可行性，表示出良好的應(yīng)用潛力。研究利用硬件（攝像頭）和軟件（機(jī)器學(xué)習(xí)模型）實(shí)現(xiàn)生化池運(yùn)行關(guān)鍵信息的線監(jiān)測(cè)和異常識(shí)別，可實(shí)現(xiàn)對(duì)人工巡視的局部替代，從而為污水處置廠的智慧化運(yùn)行提供可行思路。
研究背景
生化池是污水處置廠的核心構(gòu)筑物，凈化污水的關(guān)鍵場(chǎng)所，也是日常巡查的重點(diǎn)。污水、活性污泥與空氣在生化池充分混合[1]發(fā)生一系列生化反應(yīng)，將污水中的氨氮、有機(jī)物等污染物質(zhì)降解轉(zhuǎn)化[2,3]生化池的穩(wěn)定運(yùn)行與污水處置廠出水水質(zhì)密切相關(guān)，對(duì)于污水處置廠的穩(wěn)定運(yùn)行具有重要意義，因此生化池監(jiān)測(cè)是污水處置廠運(yùn)行的關(guān)鍵。
用于生化池監(jiān)測(cè)的傳感器類型豐富，包括溶解氧探頭、氣體流量計(jì)、壓力表等，可有效反映生化池運(yùn)行狀態(tài)，但受成本影響，傳感器布置密度和采集范圍有限[4]難以完整地反映真實(shí)運(yùn)行狀況，日常運(yùn)行仍依賴有經(jīng)驗(yàn)的運(yùn)維人員巡視并進(jìn)行判斷決策。因此現(xiàn)有生化池監(jiān)測(cè)體系以傳感器監(jiān)測(cè)為基礎(chǔ)，加以技術(shù)人員定期巡檢，技術(shù)人員對(duì)傳感器數(shù)據(jù)和巡檢獲得的視覺信息進(jìn)行綜合分析，完成判斷決策。技術(shù)人員是生化池監(jiān)測(cè)體系的核心”技術(shù)人員通過日常巡視獲取傳感器無(wú)法直接或間接表征的信息，其中最重要的就是生化池的圖像數(shù)據(jù)。如生化池曝氣圖像中蘊(yùn)含曝氣量、曝氣均勻性、氧轉(zhuǎn)移效率等關(guān)鍵信息[3]能夠直接反映生化池運(yùn)行狀態(tài)[5]目前污水處置廠對(duì)生化池也進(jìn)行圖像數(shù)據(jù)的采集，局限于現(xiàn)場(chǎng)監(jiān)控，缺乏對(duì)圖像信息進(jìn)行更深度的挖掘和分析。這樣的監(jiān)測(cè)體系依賴技術(shù)人員的靈活巡視，存在一定的滯后性。而且圖像數(shù)據(jù)分析的準(zhǔn)確性難以保證，數(shù)據(jù)分析較為主觀，效率偏低，因此智能化的生化池監(jiān)測(cè)方法仍有待于開發(fā)。
近年來(lái)，數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)機(jī)器視覺監(jiān)測(cè)技術(shù)發(fā)展迅速，因可識(shí)別不同類別圖像的潛在模式在環(huán)境領(lǐng)域得到廣泛應(yīng)用[6-8]卷積神經(jīng)網(wǎng)絡(luò)（ConvolutNeuralNetworkCNN可通過卷積層和池化層的組合自動(dòng)提取文本數(shù)據(jù)和圖像數(shù)據(jù)特征，圖像識(shí)別效率和準(zhǔn)確性接近甚至高于人的水平，因此CNN受到環(huán)境領(lǐng)域研究者和技術(shù)人員的青睞，并應(yīng)用到分割定位、特征識(shí)別、時(shí)序預(yù)測(cè)等領(lǐng)域[9]1目標(biāo)分割定位領(lǐng)域。Kraus等[10]使用小參數(shù)量的fully-CNN網(wǎng)絡(luò)，實(shí)現(xiàn)了水樣顯微鏡圖像中硅藻的標(biāo)志與計(jì)數(shù)，與人工計(jì)數(shù)相比效率顯著提升；Moreno-Rodena等[11]使用語(yǔ)義分割CNN對(duì)污水泵站進(jìn)水池的油脂層進(jìn)行自動(dòng)監(jiān)測(cè)，結(jié)果標(biāo)明模型可有效識(shí)別油脂層形成和消失的動(dòng)力學(xué)過程并進(jìn)行報(bào)警。2目標(biāo)特征識(shí)別方面。研究者將CNNan用于污染水體圖像分類[12]可對(duì)潔凈水和污染水高精度分類，且可以細(xì)化湖、河、海等潔凈水和藻類、油脂、垃圾、工業(yè)等污染水種類；Hassan等[13]使用CNN對(duì)地下污水管道圖像特征提取，實(shí)現(xiàn)管道缺陷高效監(jiān)測(cè)與類型標(biāo)記；卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)垃圾類型的識(shí)別與分揀也逐漸成熟[14-16]3時(shí)序預(yù)測(cè)方面。Pyo等[17]改進(jìn)了CNN網(wǎng)絡(luò)，通過強(qiáng)調(diào)葉綠素a濃度對(duì)水體中藍(lán)藻濃度進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度高于激進(jìn)流體力學(xué)模型和常規(guī)CNN模型；CNN河流總磷含量及空氣污染物PM2.5濃度預(yù)測(cè)方面也得到廣泛應(yīng)用[18,19]深度學(xué)習(xí)機(jī)器視覺技術(shù)具有可靠、高效、穩(wěn)定等特點(diǎn)，環(huán)境監(jiān)測(cè)領(lǐng)域具有顯著的應(yīng)用潛力。理論上卷積神經(jīng)網(wǎng)絡(luò)在污水處置廠生化池監(jiān)測(cè)領(lǐng)域的應(yīng)用可行性還有待研究。
曝氣是重要的能量輸入，不只能夠提供溶解氧，還可以起到攪拌的作用，對(duì)于生化池正常運(yùn)行至關(guān)重要。為提升生化池曝氣監(jiān)測(cè)的精度和連續(xù)性，本研究以曝氣量監(jiān)測(cè)為研究對(duì)象，開發(fā)基于機(jī)器視覺的智能監(jiān)測(cè)模型，代替運(yùn)維人員完成曝氣的智能監(jiān)測(cè)。本研究將生化池曝氣圖像作為一種監(jiān)測(cè)維度信息，通過采集生化池典型曝氣圖像，對(duì)圖像對(duì)應(yīng)曝氣量進(jìn)行標(biāo)定，構(gòu)建數(shù)據(jù)庫(kù)，使用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征并訓(xùn)練網(wǎng)絡(luò)參數(shù)，構(gòu)建生化池曝氣量監(jiān)測(cè)模型，實(shí)現(xiàn)生化池曝氣量智能監(jiān)測(cè)。小試規(guī)模生化池進(jìn)行曝氣量監(jiān)測(cè)，并對(duì)監(jiān)測(cè)模型性能進(jìn)行評(píng)價(jià)，同時(shí)使用可視化技術(shù)對(duì)模型特征提取過程和特征學(xué)習(xí)區(qū)域進(jìn)行可視化表達(dá)，之后將該曝氣量監(jiān)測(cè)方法在中試規(guī)模生化池進(jìn)行遷移測(cè)試，探究該監(jiān)測(cè)方法的可行性。
01資料與方法
1.機(jī)器視覺監(jiān)測(cè)框架
基于機(jī)器視覺的生化池曝氣量監(jiān)測(cè)工作框架如圖1所示。試驗(yàn)研究思路為首先在小試規(guī)模生化池進(jìn)行模型開發(fā)和模型測(cè)試，驗(yàn)證監(jiān)測(cè)方法的可行性，之后將該監(jiān)測(cè)框架遷移至中試規(guī)模生化池，驗(yàn)證其可遷移性。
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
圖1基于機(jī)器視覺的生化池曝氣量監(jiān)測(cè)工作框架
2.數(shù)據(jù)采集與處理
1試驗(yàn)生化池。
本試驗(yàn)涉及兩個(gè)生化池。兩生化池進(jìn)水均為某家屬院生活污水，進(jìn)水水質(zhì)見表1小試規(guī)模生化池裝置主體資料為有機(jī)玻璃，污泥為某污水處置廠二沉池回流污泥，生化池容積為100L污泥濃度為5700mg/L左右，水力停留時(shí)間為6h不主動(dòng)排泥，可通過調(diào)節(jié)氣閥實(shí)現(xiàn)不同的曝氣量。氣泵為海利ACO-9730流量計(jì)為矽翔數(shù)顯流量計(jì)M9702
表1進(jìn)水水質(zhì)信息
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
中試規(guī)模生化池處置工藝為SBR工藝，罐體直徑2.0m總高2.8m有效體積為8m3污泥濃度為5000mg/L左右，水力停留時(shí)間為8h污泥停留時(shí)間為200d鼓風(fēng)機(jī)為百事德HC-251氣體流量計(jì)為奧松AMS2000
2圖像采集。
圖像采集硬件包括計(jì)算機(jī)、顯示器、攝像頭、數(shù)據(jù)傳輸線、串口通訊設(shè)備，軟件包括PyCharm和CuteCom串口通信工具。數(shù)控設(shè)備包括計(jì)算機(jī)和顯示器，計(jì)算機(jī)為樸賽深度學(xué)習(xí)工作站，CPU為IntelRCoreTMi7-12700顯卡為NvidiaGeForcRTX309016G攝像頭為高清無(wú)畸變雙目攝像頭，使用綠聯(lián)USB3.0數(shù)據(jù)傳輸線和RS485串口轉(zhuǎn)換器作為數(shù)據(jù)讀取設(shè)備。PyCharm平臺(tái)上編寫基于Python語(yǔ)言的圖像采集腳本，導(dǎo)入cv2庫(kù)，調(diào)用攝像頭，讀取視頻流中的幀圖像，同時(shí)獲取圖像拍攝時(shí)間，保管圖像至指定文件夾。小試規(guī)模生化池曝氣量監(jiān)測(cè)試驗(yàn)中，以矽翔數(shù)顯流量計(jì)M9702作為圖像曝氣量標(biāo)定工具，使用CuteCom串口通訊工具獲取氣體流量計(jì)實(shí)時(shí)流量值，以“時(shí)間＋流量值”作為圖像的文件名。對(duì)于小試生化池，滿足生化反應(yīng)需要的正常曝氣量為3L/min采集對(duì)應(yīng)曝氣量為1,2,3,4,5L/min5類圖像，分別代表曝氣量過低、偏低、正常、偏高、過高5種情況，每類圖像共采集1000張。中試規(guī)模生化池正常曝氣階段曝氣量穩(wěn)定在228~234L/min之間，試驗(yàn)中使用圖像采集腳本，調(diào)用攝像頭，采集SBR生化池典型曝氣圖像。根據(jù)氣體流量計(jì)示數(shù)對(duì)采集的曝氣圖像進(jìn)行流量標(biāo)定，分別為200,220,240,260L/min作為圖像數(shù)據(jù)標(biāo)簽，分別代表曝氣量過低、正常偏低、正常偏高、過高4種情況，每類圖像共采集1000張。
3.圖像預(yù)處置和數(shù)據(jù)庫(kù)構(gòu)建
為去除小試試驗(yàn)曝氣圖像中的無(wú)關(guān)區(qū)域，減少訓(xùn)練干擾和計(jì)算量，編寫圖像裁剪代碼，對(duì)采集的曝氣圖像進(jìn)行裁剪處置。裁切圖像用于后續(xù)模型訓(xùn)練和驗(yàn)證。由于中試試驗(yàn)生化池采集圖像不涉及無(wú)關(guān)區(qū)域，因此不進(jìn)行圖像裁切。構(gòu)建圖數(shù)融合數(shù)據(jù)庫(kù)。
4.卷積神經(jīng)網(wǎng)絡(luò)模型與環(huán)境設(shè)置
VGG16網(wǎng)絡(luò)是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，具有良好的特征提取和分類能力，由輸入層、卷積層、池化層、全連接層和輸出層組成，如圖2所示。VGG16模型的核心是每個(gè)卷積層都使用33卷積核與輸入圖像進(jìn)行卷積，通過反向傳達(dá)調(diào)整網(wǎng)絡(luò)層權(quán)重和偏置，從而獲取圖像的內(nèi)部特征，激活函數(shù)有助于學(xué)習(xí)輸入的非線性特征。最大池化層較小的卷積核在不減少計(jì)算量的同時(shí)，增加了網(wǎng)絡(luò)層的深度和寬度，保證了特征提取的效率和準(zhǔn)確性。最后通過全連接層和Softmax激活函數(shù)對(duì)目標(biāo)進(jìn)行分類。本研究采用VGG16模型，以圖像數(shù)據(jù)作為輸入，以圖像對(duì)應(yīng)曝氣量標(biāo)簽作為輸出。
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
圖2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（VGG16
所用深度學(xué)習(xí)服務(wù)器CPU為IntelRCoreTMi7-12700顯卡型號(hào)為NvidiaGeForcRTX3090編程語(yǔ)言為Python3.10深度學(xué)習(xí)框架為Pytorch1.11.0訓(xùn)練前將訓(xùn)練集和測(cè)試集圖像修改成224224像素大小，并進(jìn)行圖像增強(qiáng)操作，如使用隨機(jī)裁剪，隨機(jī)水平翻轉(zhuǎn)等圖像增強(qiáng)方法，使圖像數(shù)據(jù)更加豐富，之后對(duì)圖像進(jìn)行規(guī)范化處理。為提高VGG16網(wǎng)絡(luò)精度，對(duì)傳統(tǒng)VGG16網(wǎng)絡(luò)進(jìn)行改造。使用“卷積層+批歸一化”組合，使網(wǎng)絡(luò)中間層的輸出更加穩(wěn)定，加速網(wǎng)絡(luò)訓(xùn)練和收斂，整體提高網(wǎng)絡(luò)推理速度[20]同時(shí)為防止模型過擬合，3層全連接層之間添加了2層dropout層，可以使某些節(jié)點(diǎn)權(quán)重變?yōu)?有效地學(xué)習(xí)抽象特征[21,22]批大小設(shè)置為64損失函數(shù)采用交叉熵?fù)p失函數(shù)，使用Adam優(yōu)化器，學(xué)習(xí)率為0.0001dropout率設(shè)置為0.5將圖像數(shù)據(jù)按41比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集圖像用于訓(xùn)練模型，測(cè)試集圖像用于測(cè)試模型性能。
5.模型性能評(píng)價(jià)
使用混淆矩陣以及Macro-PrecisMacro-RecalMacro-F1-Scor多分類模型評(píng)價(jià)指標(biāo)來(lái)多方面評(píng)價(jià)監(jiān)測(cè)模型的性能?；煜仃囀且环N衡量分類模型性能的圖表，對(duì)模型預(yù)測(cè)結(jié)果和實(shí)際結(jié)果進(jìn)行了統(tǒng)計(jì)，橫軸為實(shí)際類別，縱軸為模型預(yù)測(cè)類別。從中可以獲得以下基礎(chǔ)信息：真正例（TruePositTP模型正確預(yù)測(cè)的正例樣本數(shù)；假正例（FalsPositFP模型錯(cuò)誤預(yù)測(cè)的正例樣本數(shù)；真反例（TrueNegTF模型正確預(yù)測(cè)的反例樣本數(shù)；假反例（FalsNegFN模型錯(cuò)誤預(yù)測(cè)的反例樣本數(shù)。
精確率（Precis召回率（Recal和F1分?jǐn)?shù)（F1-Score常用的二分類模型評(píng)價(jià)指標(biāo)，計(jì)算公式如下：
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
為了從所有類別的分類情況上總體評(píng)價(jià)模型的性能，使用宏平均作為本研究模型評(píng)價(jià)指標(biāo)。宏平均[23]計(jì)算各類別PrecisRecal和F1-Score算術(shù)平均數(shù)：
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
式中：i為第i個(gè)類別；k為總類別數(shù)。
02結(jié)果與討論
1.小試規(guī)模生化池曝氣量監(jiān)測(cè)評(píng)價(jià)
使用基于小試規(guī)模生化池構(gòu)建的曝氣量圖像數(shù)據(jù)庫(kù)（1~5L/min共5類，共5000張圖像數(shù)據(jù)）對(duì)卷積神經(jīng)網(wǎng)絡(luò)（VGG16進(jìn)行訓(xùn)練。以“圖像＋曝氣量”數(shù)據(jù)作為模型輸入，模型網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行提取學(xué)習(xí)，并將數(shù)據(jù)向后傳播，輸出后與圖像標(biāo)定的曝氣量值進(jìn)行對(duì)比，將誤差反向傳達(dá)至網(wǎng)絡(luò)前端，從而修正網(wǎng)絡(luò)參數(shù)，直到完成所有圖像數(shù)據(jù)的獲取和學(xué)習(xí)。以上為模型的一次迭代過程，也是模型的學(xué)習(xí)過程。模型迭代達(dá)到指定次數(shù)后，對(duì)模型的預(yù)測(cè)性能進(jìn)行測(cè)試，考察模型根據(jù)曝氣圖像預(yù)測(cè)曝氣量的精度。
模型迭代10次后，使用測(cè)試集對(duì)構(gòu)建模型進(jìn)行預(yù)測(cè)性能測(cè)試，預(yù)測(cè)結(jié)果以混淆矩陣的形式表示，圖例中顏色表示對(duì)應(yīng)預(yù)測(cè)類別的圖像數(shù)量，如圖3a所示。模型對(duì)曝氣量的總體識(shí)別效果較好，正確率為86.8%設(shè)置10組平行實(shí)驗(yàn)，使用多分類模型評(píng)價(jià)指標(biāo)對(duì)曝氣量監(jiān)測(cè)模型預(yù)測(cè)精度的穩(wěn)定性進(jìn)行評(píng)價(jià)，結(jié)果如圖3b所示。模型迭代10次時(shí)，Macro-PrecisMacro-RecalMacro-F1-Scor三類指標(biāo)的均值和中位數(shù)都在90%以上，但數(shù)值動(dòng)搖較大。進(jìn)一步增加模型迭代次數(shù)至50次，模型的預(yù)測(cè)正確率顯著提高，從86.8%增加至99.1%如圖3c所示。10次平行試驗(yàn)后的模型穩(wěn)定性評(píng)價(jià)結(jié)果標(biāo)明，迭代50次的模型穩(wěn)定性明顯提升，三類評(píng)價(jià)指標(biāo)的平均數(shù)達(dá)到0.975左右，中位數(shù)約為0.990如圖3d所示。以上結(jié)果標(biāo)明通過增加模型迭代次數(shù)后，模型可充分學(xué)習(xí)圖像特征，得到更高精度的預(yù)測(cè)效果?？傮w來(lái)說，基于生化池曝氣圖像數(shù)據(jù)的生化池流量監(jiān)測(cè)方法具有一定可行性，預(yù)測(cè)準(zhǔn)確度滿足實(shí)際需求。
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
圖3基于曝氣圖像數(shù)據(jù)的生化池曝氣量監(jiān)測(cè)模型性能測(cè)試
2.小試規(guī)模生化池曝氣量監(jiān)測(cè)可視化探究
特征圖是神經(jīng)網(wǎng)絡(luò)提取信息的可視化表達(dá)方式[24]通過遍歷所有網(wǎng)絡(luò)層，并將各通道的特征圖映射成圖像，實(shí)現(xiàn)網(wǎng)絡(luò)特征圖的可視化表達(dá)。本研究中，以5L/min圖像的特征提取過程為例，圖4中展示了小試規(guī)模生化池曝氣量監(jiān)測(cè)模型各網(wǎng)絡(luò)層的典型特征圖?？梢?，淺層卷積層保留了原始圖像的所有信息，而深層卷積層關(guān)于圖像視覺內(nèi)容信息減少，關(guān)于類別的信息增加。淺層卷積層提取信息包括生化池圖像更多像素點(diǎn)和細(xì)節(jié)信息，可以實(shí)現(xiàn)曝氣圖像輪廓、邊緣、顏色、紋理和形狀等細(xì)粒度、容易理解的低級(jí)視覺特征提取，如生化池輪廓、外表氣泡大小和數(shù)量、水面波紋等，這使得網(wǎng)絡(luò)準(zhǔn)確確定目標(biāo)位置，理解圖像內(nèi)容。隨著網(wǎng)絡(luò)層的加深，卷積層將簡(jiǎn)單特征組合成更復(fù)雜的特征，提取曝氣圖像粗粒度的視覺信息，特征越來(lái)越籠統(tǒng)，難以用視覺信息直觀解釋，代表著該類別獨(dú)特的高級(jí)籠統(tǒng)特征，具有更強(qiáng)的語(yǔ)義信息。
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
圖4小試規(guī)模生化池曝氣量監(jiān)測(cè)模型可視化
特征圖可視化表明VGG16網(wǎng)絡(luò)可以對(duì)曝氣圖像特征進(jìn)行定位提取，而類別激活映射(ClassActivatMapCA M可以反映網(wǎng)絡(luò)在訓(xùn)練過程學(xué)習(xí)和提取的特征信息類別。CA M一種用于分析卷積神經(jīng)網(wǎng)絡(luò)中間特征圖中每個(gè)特征圖的重要水平的方法[25]CA M可表達(dá)各區(qū)域特征對(duì)網(wǎng)絡(luò)分類的貢獻(xiàn)水平，即網(wǎng)絡(luò)的分類依據(jù)。CA M圖區(qū)域顏色越接近紅色高亮表示原始圖片對(duì)應(yīng)區(qū)域?qū)W(wǎng)絡(luò)的響應(yīng)越高、貢獻(xiàn)越大，即網(wǎng)絡(luò)越關(guān)注此區(qū)域的特征，網(wǎng)絡(luò)的主要判斷依據(jù)。圖431層特征圖和學(xué)習(xí)權(quán)重加權(quán)計(jì)算后獲得的響應(yīng)熱力圖，結(jié)果標(biāo)明模型對(duì)于曝氣圖像的特征學(xué)習(xí)的高響應(yīng)區(qū)域主要集中在生化池中心區(qū)域，說明生化池中心包括豐富的圖像特征，模型對(duì)不同曝氣量圖像中心區(qū)域的獨(dú)有特征進(jìn)行有效識(shí)別并學(xué)習(xí)，以此作為曝氣量圖像分類的依據(jù)。該特征學(xué)習(xí)區(qū)域包括生化池重要表觀信息，據(jù)此推測(cè)模型可根據(jù)實(shí)際曝氣情況捕捉該區(qū)域的圖像特征，如氣泡大小、氣泡密集水平、水面動(dòng)搖等信息進(jìn)行曝氣量圖像分類，完成曝氣量預(yù)測(cè)的任務(wù)。
3.曝氣量監(jiān)測(cè)框架遷移測(cè)試：從小試到中試
將小試規(guī)模生化池監(jiān)測(cè)框架遷移至中試規(guī)模生化池進(jìn)行驗(yàn)證。中試規(guī)模生化池的工況相對(duì)更加復(fù)雜，生化池外表有浮泥層存在并且基于人的視覺對(duì)曝氣量判斷存在困難。因此，該中試規(guī)模生化池場(chǎng)景下探究此機(jī)器視覺的監(jiān)測(cè)方法的可行性具有重要意義。
使用基于中試規(guī)模生化池構(gòu)建的曝氣量圖像數(shù)據(jù)庫(kù)（200,220,240,260L/min共4000張圖像數(shù)據(jù)）訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（VGG16模型迭代次數(shù)設(shè)置為50次，待模型迭代完成后進(jìn)行測(cè)試，中試規(guī)模生化池遷移測(cè)試工作流程如圖5所示。測(cè)試結(jié)果標(biāo)明，模型迭代50次后識(shí)別率為91.6%進(jìn)行10次平行試驗(yàn)，迭代50次模型的Macro-PrecisMacro-RecalMacro-F1-Scor值分別為0.9150.870.863中間值為0.9240.8960.894最大值可達(dá)0.97以上?？梢?，該模型的遷移測(cè)試精度和穩(wěn)定性仍保持在較高水平，能夠完成更大規(guī)模、更復(fù)雜工況的生化池曝氣量監(jiān)測(cè)任務(wù)。不過，與小試規(guī)模生化池曝氣量監(jiān)測(cè)模型相比，評(píng)價(jià)指標(biāo)值動(dòng)搖有所增加，數(shù)值分布更加離散，精度與穩(wěn)定性有所降低，考慮是由于中試規(guī)模生化池實(shí)際運(yùn)行情況更復(fù)雜，曝氣時(shí)表面的污泥浮沫較多，且浮沫外表較為相似，導(dǎo)致模型特征學(xué)習(xí)難度大，精度和穩(wěn)定性下降。
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
圖5生化池曝氣量監(jiān)測(cè)遷移測(cè)試工作框架
03機(jī)器視覺技術(shù)的應(yīng)用展望
1.機(jī)器視覺技術(shù)開發(fā)與應(yīng)用框架
本研究提出“平臺(tái)搭建、數(shù)據(jù)獲取、模型訓(xùn)練、監(jiān)測(cè)應(yīng)用”生化池曝氣監(jiān)測(cè)框架，使用圖像傳感器和計(jì)算機(jī)等硬件獲取并傳輸圖像數(shù)據(jù)，使用編程算法建立參數(shù)預(yù)測(cè)模型，反映生化池基本運(yùn)行狀況。除以上研究外，本研究進(jìn)一步考慮了應(yīng)用場(chǎng)景的特殊情況，如夜間、陰天等自然光照條件不理想的應(yīng)用場(chǎng)景。通過近紅外傳感器構(gòu)建圖像數(shù)據(jù)庫(kù)并開發(fā)預(yù)測(cè)模型，模型的預(yù)測(cè)精度接近80%因此不同圖像傳感器和神經(jīng)網(wǎng)絡(luò)模型的聯(lián)合應(yīng)用，可實(shí)現(xiàn)生化池“247全天候連續(xù)監(jiān)測(cè)。
該監(jiān)測(cè)技術(shù)的應(yīng)用場(chǎng)景可拓展到各個(gè)污水處置單元，如曝氣盤堵塞水平感知、序批式反應(yīng)器工況監(jiān)測(cè)、污泥沉降性監(jiān)測(cè)[28]污泥絲狀膨脹早期預(yù)警[29]污泥顆?；潭缺碚?、出水懸浮物監(jiān)測(cè)等情形，構(gòu)建污水處置全流程多元監(jiān)測(cè)信息網(wǎng)絡(luò)，為污水處置單元高效運(yùn)營(yíng)提供技術(shù)支持。另外，可強(qiáng)化特征提取過程，深度挖掘圖像信息[26]實(shí)現(xiàn)多特征信息提取，如從曝氣圖像同時(shí)提取污泥濃度、曝氣量、曝氣均勻性等特征，提高數(shù)據(jù)的利用效率，為建模提供數(shù)據(jù)基礎(chǔ)。該監(jiān)測(cè)方法通過深度挖掘圖像信息增加了監(jiān)測(cè)信息維度，理論上可代替運(yùn)維人員巡視，降低監(jiān)測(cè)本錢，提高監(jiān)測(cè)連續(xù)性，從而實(shí)現(xiàn)自動(dòng)化的智能感知[27]
2.機(jī)器視覺監(jiān)測(cè)技術(shù)展望
基于該機(jī)器視覺技術(shù)在生化池監(jiān)測(cè)的初步可行性，未來(lái)研究可從不同維度進(jìn)一步深化。1多模態(tài)信息整合。對(duì)圖像數(shù)據(jù)、水質(zhì)數(shù)據(jù)、傳感器數(shù)據(jù)、微生物群落數(shù)據(jù)等進(jìn)行多元數(shù)據(jù)融合[30,31]提高污水處置單元監(jiān)測(cè)的整體性和系統(tǒng)性，各數(shù)據(jù)間交叉驗(yàn)證，輔助工程師進(jìn)行判斷決策，從而提供前期預(yù)警、異常報(bào)警、后期溯源的智能監(jiān)測(cè)方案；2模型輕量化通用化研究。保證模型有效監(jiān)測(cè)的前提下，開展模型輕量化研究[32]減少算力依賴，增強(qiáng)實(shí)際應(yīng)用可行性；與大模型技術(shù)耦合，助力無(wú)監(jiān)督、智能化的水處置監(jiān)測(cè)大模型開發(fā)應(yīng)用；3研發(fā)“感存算一體化設(shè)備”實(shí)現(xiàn)運(yùn)行狀態(tài)的原位判斷和初步分析，降低數(shù)據(jù)傳輸能耗。AI+污水處置廠”將進(jìn)一步提高污水處置廠的運(yùn)維水平，協(xié)助地下污水處置廠、偏遠(yuǎn)地區(qū)污水處置廠等難監(jiān)測(cè)、難控制場(chǎng)景進(jìn)行智慧化升級(jí)改造，真正實(shí)現(xiàn)污水處置廠的少人化、無(wú)人化運(yùn)行管理[33]如圖6所示。
張亮教授團(tuán)隊(duì)：基于機(jī)器視覺的生化池監(jiān)測(cè)技術(shù)
圖6污水處置廠生化池智能監(jiān)測(cè)
04結(jié)論
本研究使用可解釋的機(jī)器視覺監(jiān)測(cè)方法對(duì)生化池進(jìn)行曝氣量智能監(jiān)測(cè)。通過構(gòu)建圖像數(shù)據(jù)庫(kù)，使用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)對(duì)圖像進(jìn)行特征提取，訓(xùn)練網(wǎng)絡(luò)參數(shù)，構(gòu)建曝氣量監(jiān)測(cè)模型。通過模型可視化發(fā)現(xiàn)，模型可從曝氣圖像中提取和學(xué)習(xí)豐富的多維特征，從而識(shí)別不同曝氣量。曝氣量監(jiān)測(cè)模型在小試規(guī)模生化池監(jiān)測(cè)中表現(xiàn)良好，具有較高的精度和穩(wěn)定性，識(shí)別精度達(dá)86.8%同時(shí)可通過增加模型迭代次數(shù)進(jìn)一步提高曝氣監(jiān)測(cè)模型的性能。模型在中試規(guī)模生化池的遷移應(yīng)用中三類模型性能評(píng)價(jià)指標(biāo)均值均高于0.8最高可達(dá)0.97證明基于圖像數(shù)據(jù)的生化池曝氣量監(jiān)測(cè)方法具有可行性。因此，基于機(jī)器視覺的生化池曝氣監(jiān)測(cè)方法具有一定的應(yīng)用價(jià)值，圖像數(shù)據(jù)可作為一種生化池監(jiān)測(cè)維度信息，進(jìn)一步與機(jī)器視覺技術(shù)結(jié)合用于生化池日常監(jiān)測(cè)，提升日常監(jiān)測(cè)的準(zhǔn)確性和連續(xù)性。
