基于光信息处理的污水检测分析方法研究

2021-11-14张林

皮革制作与环保科技 2021年11期

张林

（商洛学院电子信息与电气工程学院/商洛市人工智能研究中心，陕西商洛 726000）

我国已成为世界上最大的污水处理市场。仅以城市污水处理厂为例，截止2019年6月底，全国累计建成城市污水处理厂8 254座（不含乡镇污水处理厂和工业），但目前污水处理厂的运行并不乐观，体现在以下两方面：第一，随着我国污水处理厂建设已从大都市“走乡入镇”，运行管理专业人才匮乏越发凸显，导致污水处理难以达标。如南水北调中线工程水源地陕南地区因水源保护的需要，新建了大量的县级污水处理厂以及大量分散的农村污水处理站，但这些污水处理往往因为技术力量不够，导致处理效果不理想[1]。第二，由于规模和经费的限制，污水处理的辅助设施及人员配置在小型污水处理厂（站）难以达到大型污水处理厂的要求。因此，如何运行好我国大量的小微污水处理厂（站）是目前行业面临的普遍难题，也是我国水环境质量改善关键环节[2]。

微生物是检测污水处理厂生化系统调试、后期稳定运行和工艺调整过程的重要指标。通过镜检活性污泥中的微生物状况，可以获得该活性污泥的相关性状信息，对生产起到一定的指导作用[3]。活性污泥类原生动物种类最多，微生物检测对活性污泥所处状态具有较高的参考价值[4]。在活性污泥法的应用中，常通过观察原生动物的种类和数量，间接地判断污水处理的效果。同时显著度检测和神经网络技术的日趋成熟，为生物相检测中低品质图像多目标物的高效识别提供理论和方法依据。

近年来，人工智能技术作为研究领域中的焦点，在各个领域均已取得了巨大的进步和广泛的应用。人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力[5]。本研究旨在设计一个高效且准确率高的神经网络，用于污水处理中原生动物的检测。通过对生物相的色彩特征、形态学参数（形状、大小、轮廓规则程度）、三维纵横比、圆度和分形维数的测定，全面分析所有原生动物生物相的特征，交给神经网络去学习。通过全面的分析与探讨，完成算法的设计。根据系统识别结果间接地判断污水处理的效果，得到污水生物处理系统的变化规律，确保污水处理厂正常高效运行[6]。通过对视觉显著度和神经网络的研究与应用，一方面可以推动本学科的发展，另一方充分考虑实践应用将专业知识应用其中，提高本学科科研的应用能力。

1 研究内容

系统的研究内容主要包含系统算法设计、云端管理系统设计和应用验证三部分。总体研究框架结构如图1所示。

图1 项目总体研究框架

生物相分析是污水厂运行管理的重要手段，但目前以人工分析为主，原因在于图像背景多变、目标物类型较多，不同阶段、不同环境下的生物特征多变。针对上述问题，本研究以显著度分析和卷积神经网络为基本手段，对生物相识别中的关键技术问题与理论进行系统研究，从而为污水厂采用智能化手段进行管理提供理论与技术基础。解决与污水处理厂相配套的运行管理技术与服务没有跟上的问题，为数量庞大的已建成的污水处理厂提供充分、到位的污水处理与服务技术。

1.1 显微图像预处理

电子显微图像的采集分析是通过高倍显微镜获取原始图像，再由图像采集系统（主要包括CCD数码相机和图像采集卡）把图像数据传入计算机，然后进行图像处理和识别。但由于很多污水处理厂现场条件不好，显微镜图像噪声多、光照不均匀，导致最终获得的图像质量太差，进一步加大了识别难度。因此非常有必要对图像进行噪声过滤和增强处理，从而满足识别的需要。

1.2 同一生物在不同工艺条件下的形态和颜色特征变化规律及其视觉显著度分析

图像特征是标识图像最基本的属性或特征，利用其差异可以和其他图像进行区分。而活性污泥的颜色和形态是污水处理所需最直观的图像信息，尤其是目前带有摄像功能的智能手机的普及。由于图像背景多变、目标物类型较多，不同阶段、不同环境下的生物特征多变，因此非常有必要分析同一生物在不同工艺条件下的形态和颜色特征变化规律。利用计算机微观视觉和显微镜图像处理，针对活性污泥中微生物的颜色、形态多样性，有效提取特征参数并结合优秀的分类算法，达到快速有效的识别和检测要求。因此本课题在综合现有研究成果和基础上，首先完成基于色彩与形态的活性污泥原生动物与后生动物的特征提取方法。得到原生动物与后生动物相应的色彩和形态特征及其规律之后，针对其特征和规律建立原生动物与后生动物显著度检测模型，以便高效而且准确地找到我们需要研究的目标区域，原生动物和后生动物的显著度检测模型的建立过程如图2所示。

图2 原生动物和后生动物的显著度检测模型建立过程

1.3 耦合视觉显著度和卷积神经网络生物相自动识别算法研究

卷积神经网络结构示意图如图3所示，构建CNN网络是目标识别的基础。MATLAB神经网络工具箱提供了构建CNN网络的基本函数，主要由网络的输入层、中间层、输出层组成。对于神经网络的MATLAB实现，本项目采用的是一个深度学习的MATLAB包——deepLearnToolbox-master，其实现过程如图4所示。

图3 卷积神经网络结构示意图

图4 用于生物相检测的卷积神经网络的实现过程

构建一种高效的卷积神经网络，用于污水处理中原生动物和后生动物的识别。通过对生物相的色彩特征、形态学参数、三维纵横比、圆度和分形维数的测定等全面分析所有生物相的特征，并通过全面的分析与探讨，完成算法的设计。根据系统识别结果间接地判断污水处理的效果，得到污水生物处理系统的变化规律，确保污水处理厂正常高效运行。