基于图像数据的污水处理方法及系统与流程

1.本发明涉及污水处理领域，具体涉及基于图像数据的污水处理方法及系统。


背景技术：

2.污水处理是城市排水系统中保护环境与食品安全的重要一环。据统计，目前我国使用活性污泥法的废水处理厂超80%，且超过85%的污水都经过活性污泥法的处理。运用活性污泥法处理污水的关键是微生物，目前污水中活性污泥微生物检测方法主要分为间接法和直接法。间接法主要是通过分子生物学进行检测；间接法虽然一种精确的方法，但它耗时且需要昂贵的设备。直接法是污水处理厂显微镜观察人员观察污水处理厂不同运行状态下活性污泥中的微生物的种类和数量，进行人工观察和计数。
3.使用显微镜的微生物计数的准确性很大程度上取决于观察者在读片过程中的读片经验和注意力，而且每位操作人员观察显微镜技术的诊断结果的有效性存在差异，并且显微镜观察人员的培训过程非常耗时，再加上污泥物生物种类多种多样，有误判的风险。此外，污泥中的微生物还会移动，而显微镜观察的视野范围过小的话，微生物可能被遮挡，也可能走出视野范围，给识别带来了挑战。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供基于图像数据的污水处理方法及系统，所采用的技术方案具体如下：本发明提供了基于图像数据的污水处理方法，包括以下步骤：获取不同区域的活性污泥样本，采用显微镜拍摄微生物图像，得到多帧图像；构建污泥微生物识别神经网络，将每帧图像输入到训练好的污泥微生物识别神经网络，输出微生物的目标框图；对每帧图像进行运动分析，得到运动特征；对每帧图像进行形状分析，得到形状特征；根据获取的微生物的目标框图的运动轨迹以及形状特征，计算偏移距离以及形状匹配度；基于偏移距离以及形状匹配度，计算变化帧图像和初始图像的每一个目标框的相似度，当相似度大于设定阈值，则微生物为活性微生物；统计活性微生物占样本中总微生物的占比，当占比小于设定阈值时，则说明活性污泥活性过低，投入营养剂；若存在兼氧或厌氧代谢的优势菌,则证明污泥不再适应焦化废水好氧生物降解的环境，对曝气池中的该区域进行选择性排泥。
5.优选地，所述运动特征的获取过程为：以第m-1帧和第m帧图像的产生稠密光流图作为第i帧的运动分析；对稠密光流图进行分析，求得稠密光流图的连通域；对连通域中每一点进行加权求和得到移动重心点，然后按照时间顺序连接每一帧的移动重心点得到微生物移动轨迹图，作为微生物在一段时间内的运动特征。
6.优选地，所述形状特征的获取过程为：
采用sobel边缘检测算子得到目标框的边缘图，在边缘图上均匀取点，得到样本点，然后使用形状上下文描述子得到每一点的直方图向量，将非目标框区域的背景区域的像素值赋值为黑色，即为，得到形状特征。
7.优选地，所述偏移距离为其中，为变化帧图像中选取的目标框的中心点坐标，为初始帧图像中选取的目标框的中心点坐标。
8.优选地，所述形状匹配度为其中，k为样本点的数量，为初始图像上样本点的直方图向量，为变化帧图像上样本点的直方图向量。
9.优选地，所述目标框的相似度为 其中，d为偏移距离，c为形状匹配度，。
10.本发明还提供了基于图像数据的污水处理系统，包括存储器和处理器，所述处理器用于执行存储在所述存储器中用于实现上述的基于图像数据的污水处理方法的步骤。
11.本发明的有益效果为：基于本技术所述对微生物的运动分析和图像分析，相较于现有技术有益效果在于结合了微生物的光流特征和形状上下文特征，更加准确的估计单一微生物的运动状态和形状，利于后续的前后帧图像匹配，以实现更好的微生物计数，便于抽样统计样本的微生物活性和组成。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
13.图1是本发明的基于图像数据的污水处理方法的方法步骤图；图2是本发明的基于图像数据的污水处理方法的流程框图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。
此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.本发明针对曝气池底部的污泥进行检测。
17.具体地，本发明提出的基于图像数据的污水处理方法的方法实施例的步骤流程图，如图1和图2所示，包括以下步骤：步骤一：获取不同区域的活性污泥样本，采用显微镜拍摄微生物图像，得到多帧图像。
18.对曝气池底部的污泥进行抽样，制成样本，然后送入光学显微镜中，然后使用rgb相机拍摄目镜中的多帧图像作为检测对象，并将rgb图像转化为hsv图像，便于后续的分析。
19.由于光学透镜的物理性质，图像的分辨率是难以上升的，因此我们只能对样本中的局部区域进行观察；其中录制时长为（单位：分钟）的观察视频，经验值取。
20.需要说明的是，大量研究证实了污水处理中活性污泥微生物的生物指示能力,活性污泥法中的微生物物种的多样性和丰度是控制污水处理的重要参数,这些参数可以用来评估污水处理厂的运行状态和污水的净化程度，特别是活性污泥中的原生微生物、后生微生物、细菌以及藻类。通过活性污泥微生物的种类和数量与适应水生物化学环境之间的基本规律,观察不同运行状态下出现的微生物的种类和数量,以此判断污水处理厂曝气池运行状态。
21.步骤二：构建污泥微生物识别神经网络，将每帧图像输入到训练好的污泥微生物识别神经网络，输出微生物的目标框图；对每帧图像进行运动分析，得到运动特征；对每帧图像进行形状分析，得到形状特征。
22.本实施例中的微生物的目标框图的获取过程为：（1）构建污泥微生物识别神经网络本实施例中的神经网络的基本结构为yolo v5，输入为显微镜观察到的每一帧图像，输出实例分割的结果，记为微生物的目标框图a。
23.在目标检测领域中，一个目标框可表示为，为目标框中心点的坐标，为目标框的高度，为目标框的宽度。
24.（2）构建数据集训练活性污泥检测神经网络本实施例中，找到带有各种微生物的污泥样本，采集图像，安排大数据标注专家用特定的像素值标注出微生物及其种类标签。数据集中的图像取80%作为训练集，20%作为测试集，使用交叉熵损失函数，优化器使用adam，经过训练最终得到识别效果良好的神经网络。
25.本实施例中目标框图的运动特征的获取过程为：（1）对每一帧图像进行运动分析，具体地，使用开源并且训练好的flownet2.0来生成光流图，其中，flownet2.0是一种卷积神经网络，输入为两帧图像，输出为稠密光流图，以第m-1帧和第m帧图像的产生稠密光流图作为第i帧的运动分析的基础。
26.需要说明的是，在稠密光流图中，稠密光流图上每个像素点的值是向着下一帧运
动的光流，静止的背景是不动的。不同的hsv值代表着光流的大小和方向，往左上角是绿色，hsv值为；往右上角是橙色，hsv值为；往左下角是蓝色，hsv值为；往右下角是紫色，hsv值为。
27.（2）对光流图进行分析，求得光流的连通域根据hsv值代表的方向值，求得连通域中每一个点（hsv值为）相对于四个方向的的移动程度值，可以根据hsv值反应每一点的移动倾向。其中其中，表示取绝对值。
28.（3）对连通域中每一点进行加权求和得到移动重心点，然后按照时间顺序连接每一帧的移动重心点得到微生物移动轨迹图，以此反应微生物在一段时间内的运动特征。
29.其中的移动重心点的坐标值为为为其中，为连通域内像素点的数量。
30.本实施例中的目标框的形状特征的获取过程为：分析每一帧图像中的每一个目标的特征，使用形状上下文描述子，使得形状描述子具有旋转不变性和缩放不变性，利于目标匹配。
31.具体地，使用sobel边缘检测算子得到目标框的边缘图（是二值图），然后在边缘图上均匀取点，得到样本点，然后使用形状上下文描述子得到每一点的直方图向量，然后将非目标框区域的背景区域的像素值赋值为黑色，即为，得到形状特征图t。
32.上述中获取的直方图向量的过程为公知技术，本方法不做具体阐述。
33.需要说明的是，因为微生物沿着前进方向呈椭圆形，因此可以根据形状特征判断微生物的存在性。微生物前进时是蠕动的，身体形态会产生缩放效果，因此需要旋转不变性和缩放不变性的算子。
34.步骤三：根据获取的微生物的目标框图的运动轨迹以及形状特征，计算偏移距离以及形状匹配度；基于偏移距离以及形状匹配度，计算变化帧图像和初始图像的每一个目标框的相似度，当相似度大于设定阈值，则微生物为活性微生物。
35.当图像中的微生物数量发生变化时，对该时刻的图像和初始图像进行匹配检测，并称发生变化时的图像称为“变化帧图像”，利于检测当细菌被遮挡时的跟踪，避免丢失目标，利于检测出被海藻遮挡的微生物。
36.其中，匹配变化帧图像中的微生物，在初始图像中的位置，防止重复计数，并且排除后续闯入视野中的微生物，具体如下：首先，计算偏移距离：获取变化帧图像至初始帧图像之间的移动轨迹，变化帧图像中选取的目标框的中心点坐标为心点坐标为偏移距离越小，说明轨迹线越平滑，越有可能是活性微生物的轨迹，匹配的可能性越高，反之越低。因为在微生物的游动过程中，轨迹不应该是突变度，而是平滑过度的。
37.其次，计算形状匹配度其次，计算形状匹配度其中，k为样本点的数量，为初始图像上样本点的直方图向量，为变化帧图像上样本点的直方图向量。
38.需要说明的是，形状匹配度越高，说明越有可能是之前的微生物，从而实现了目标跟踪的效果，避免了重复计数。
39.然后，可以计算变化帧图像和初始图像的每一个目标框的相似度经验值取。
40.步骤四：统计活性微生物占样本中总微生物的占比，当占比小于设定阈值时，则说明活性污泥活性过低，投入营养剂；若存在兼氧或厌氧代谢的优势菌,则证明污泥不再适应焦化废水好氧生物降解的环境，对曝气池中的该区域进行选择性排泥。
41.本实施例中对相似度模型（sim）进行归一化处理，保证函数值处于（0,1），当相似度高于阈值（0.5）时将认为其为活性微生物。
42.通过微生物是否移动将识别出来的目标分为活性微生物和死亡微生物。计数过程排除后续闯入视野中的微生物，最终得到该样本的活性微生物占比：排除后续闯入视野中的微生物，最终得到该样本的活性微生物占比：为经过分析后，有进行过移动的微生物的数量，为在初始图像中识别到的所有微生物的数量。
43.本实施例中基于活性污泥抽样检测结果，对曝气池中的污泥进行选择性排泥，具体地，若，经验值取，说明活性污泥活性过低，则投入营养剂；若存在兼氧或厌氧代谢的优势菌,证明污泥已经不再适应焦化废水好氧生物降解的环境，对曝气池中的该区域进行选择性排泥，以保证污水处理的效率。
44.本发明还提供了基于图像数据的污水处理系统，包括存储器和处理器，所述处理器用于执行存储在所述存储器中用于实现上述的基于图像数据的污水处理方法的步骤。由于基于图像数据的污水处理方法已经在上述方法实施例中进行了具体介绍，此处不再过多赘述。
45.本发明的方案通过对图像分割、污泥微生物的化学定量分析，发现活性微生物占比和图像可以反映出水中污泥流失的情况。经过研究表明，图像信息不仅与污泥沉降性能有关，同时也能有效预测出水质。
46.流水线上放置的系统不承担神经网络的训练任务,仅用来运行训练完成的模型,因此测试过程的显存占用量反映了真实的工厂计算平台配置需求，本文算法在测试过程中占用显存相比于原算法增加不明显，因此能够运行于一般的污水处理流水线。
47.图像分析技术综合利用显微镜技术和计算机技术，该技术不仅使显微镜下枯燥的人工计数变为自动图像分析计数,而且随着新型显微镜的不断开发，图像分析技术必将在污水生物处理系统中生物絮体及生物膜的形态特征及微观结构的分析方面获得广泛应用。
48.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。