直饮水在线杀菌智能装置设计与多帧监控技术研究

张立松 张丙寅 郭宗鸣

摘 要：为应对传统水质监测和杀菌方法存在无法实时监测、效果较差等问题，研究对智慧直饮水在线杀菌装置进行了多项先进技术和功能设计，包括紫外线杀菌、智能感应等，并主要利用改进的卷积神经网络实现动态视频多帧连续安全监控。结果表明，在3次动态图像识别中，所提出的监控方法准确率均超过了90%，并且运行时间均在10 s以内，最低仅为8.8 s，具有较高的识别准确率和效率，能够对在线杀菌装置动态视频进行有效的安全监控，为提高饮用水的安全性和可靠性提供有力支持。

关键词：在线杀菌；直饮水；动态视频；安全监控；卷积神经网络

中图分类号：TP277;TQ424.1

文献标志码：A文章编号：1001-5922（2024）03-0128-04

Design of online sterilization intelligent device for direct drinking water and research on multi frame monitoring technology

ZHANG Lisong，ZHANG Bingyin，GUO Zongming

（North China Institute of Computing Technology，Beijing 100083，China）

Abstract：In order to cope with the problems of inability to monitor water quality and sterilization methods in real time and poor effect，a number of advanced technologies and functions were designed for the online sterilization device of smart direct drinking water，including ultraviolet sterilization and intelligent sensing，and the improved convolutional neural network was mainly used to realize the continuous safety monitoring of dynamic video multi-frame.The results showed that in three dynamic image recognition attempts，the accuracy of the proposed monitoring method was more than 90%，the running time was within 10 s，and the lowest was only 8.8 s，which had high recognition accuracy and efficiency.It can effectively monitor the dynamic video of online sterilization device，and provide strong support for improving the safety and reliability of drinking water.

Key words：online sterilization;direct drinking water;dynamic video;safety monitoring;convolutional neural network

随着科技的不断进步和人们对健康的日益关注，智能饮水设备逐渐成为现代生活中的重要组成部分［1-2］。然而，由于水源的不确定性和水质的不稳定性，饮水设备中的细菌和微生物问题一直是人们关注的焦点［3-4］。传统的水质监测方法主要依赖于采样后的实验室测试，这种方法存在着时间和成本上的限制。随着视频监控技术的发展，卷积神经网络可以用于处理动态视频多帧连续安全监控数据［5］。传感器收集到的视频数据可以被输入到卷积神经网络中，通过卷积层和池化层等操作，提取出视频中的特征。这些特征可以用来判断水质是否正常，以及是否存在异常情况，如污染或杂质。但卷积神经网络在处理大规模数据时需要大量的计算资源和存储空间，并且无法满足实时监控的需求。因此，研究在设计智慧直饮水在线杀菌装置的基础上，通过改进卷积神经网络进行动态视频图像识别，以期进一步提升安全监控效果。

1 直饮水在线杀菌智能装置设计与安全监控技术

1.1 智慧直饮水在线杀菌装置设计

研究所设计的智慧直饮水在线杀菌装置采用了多项先进的技术和功能，包括紫外线杀菌、活性炭过滤、智能感应、LED指示灯、水温控制、智能控制、防漏保護、定时清洗等。装置内置紫外线杀菌技术能够快速有效地杀灭水中的细菌和病毒。装置还配备了活性炭过滤器，能够去除水中的异味和有害物质。活性炭具有极强的吸附能力，能够有效地去除水中的有机化合物、余氯和重金属等有害物质，提供更清新、健康的直饮水［6］。同时，该装置具备智能感应功能，能够自动感知用户的需求并进行相应的处理。LED指示灯是另一个重要的功能，它能够显示装置的工作状态。水温控制功能使得用户可以根据自己的需求来调节直饮水的温度。装置内置了水温控制器，用户可以通过操作面板或手机应用程序来调节水温，实现冷、热水的切换。智能控制功能允许用户通过手机远程控制装置。用户可以通过手机应用程序，随时随地监控和控制装置的运行状态，轻松实现远程操作，提高使用便利性。防漏保护是为了保障用户的安全和装置的正常运行而设计的功能。装置内置了漏水检测传感器，一旦检测到漏水情况，会自动停止工作并发出警报，防止水源浪费和设备损坏。定时清洗功能是保证装置长期使用效果的重要一环。装置会定期进行清洗和消毒，确保杀菌效果和水质的持续优良。所设计的智慧直饮水在线杀菌装置包含的技术和实现功能如图1所示。

根据智慧直饮水在线杀菌装置包含的技术和实现功能，研究进行了装置设计。水箱是装置的核心部分，用于存储待处理的水。水箱采用食品级不锈钢材料制成，具有良好的耐腐蚀性和密封性，能够确保水的安全和卫生［7-8］。紫外线杀菌器是装置的重要组成部分，采用高效紫外线灯管。紫外线杀菌器能够发出特定波长的紫外线，具有较强的杀菌能力。臭氧杀菌器是装置的另一个重要组成部分。臭氧杀菌器能够将氧气转化为臭氧，并将臭氧注入水箱。臭氧具有强氧化性，能够破坏细菌和病毒的细胞结构，从而达到杀菌的效果。臭氧杀菌器具有杀菌效果好、速度快、残留时间短等优点。同时，装置配备了智能控制系统，实现自动控制和监测。装置还配备了多重过滤系统，用于提供更干净、更健康的直饮水。过滤系统包括颗粒物过滤器、活性炭过滤器和超滤膜过滤器等。颗粒物过滤器能够去除水中的悬浮物和大颗粒杂质，活性炭过滤器能够去除水中的异味和有机物，超滤膜过滤器能够去除水中的细菌和病毒等微生物。此外，装置配备了多种安全保护装置，确保装置的安全运行。水箱设有水位传感器，当水位过低时，装置会自动停止工作，避免干烧。装置还具有电气保护装置和漏电保护装置，确保电路的安全可靠，避免发生电器故障和漏电危险。该装置的简易示意如图2所示。

1.2 基于卷积神经网络的动态视频多帧连续安全监控

在对智慧直饮水在线杀菌装置进行设计的基础上，研究进一步通过卷积神经网络实现动态视频多帧连续安全监控。卷积神经网络在动态图像分类领域有着出色的性能效果，可以根据动态视频图像特征完成识别分类，以此达成安全监控的目的［9-10］。但传统的卷积分类模型无法有效处理复杂的分类问题，必须进行相应的改进。ReLU函数具有不饱和、稀疏性以及计算简单等优势，但ReLU函数同样不可避免出现“神经元死亡”问题，使得模型训练收敛性能下降。因此，为了解决激活函数问题，研究结合ReLU函数与Tanh函数构建一种改进T-ReLU激活函数，其数学表达如式（1）所示。

f（x）a（1－e－2x1+e－2x）， if x<0        x， if x≥0（1）

式中：a表示可调参数。ReLU函数具有不饱和与计算简单的优化，但“神经元死亡”问题无法避免。Tanh激活函数的输入与输出属于非线性的单调关系，满足传播反向求解要求，并且Tanh激活函数输出［-1，1］，更贴近神经元饱和要求［11-12］。因此，结合ReLU函数与Tanh函数构建出改进的T-ReLU函数，能够实现对“神经元死亡”问题的优化。通过改进的T-ReLU函数来优化卷积神经网络，进而构建改进T-ReLU卷积神经网络动态视频图像分类模型，如图3所示。

卷积神经网络可以对图像数据各个层特征进行提取，使得卷積神经网络在图像识别领域有着突出的优势［13-14］。但对更复杂数据特征的提取仍旧面临困难。于是在改进T-ReLU卷积神经网络的基础上，提出改进特征融合的卷积神经网络图像分类识别模型（GT-ReLU）。卷积神经网络在训练中，随着网络模型层数（模型深度）的增加，不可避免地会出现图像分类精度下降的问题［15-16］。残差学习克服了卷积网络深度增加而性能下降的问题，使得卷积神经网络图像识别性能得到了进一步提升。残差学习过程为求和运算，采用求和运算能够显著降低网络的计算量。因此，在模型中引入批量归一化方法处理卷积输入的图像数据，并引入正则化操作，从而避免模型过拟合问题出现。归一化处理表达如式（2）所示。

y（k）=γ（k）x^（k）+β（k）（2）

式中：γ与β为2个学习参数，如满足学习要求，则表达如式（3）所示。

y（k）=Varx（k）β（k）=Ex（k）（3）

式中，Var表示特征分布。满足式（2）要求，网络则可以得到原始学习特征分布。最终归一化中前向传播表达如式（4）所示。

x^l←σ2B+Exi－μByi←γx^l+β（4）

式中：μB为均值;σB为方差;xi与yi分别为通过归一化后得到的网络输入与输出。通过对卷积网络深层特征的融合，卷积神经网络对图像特征的提取和分类将更准确。

2 直饮水在线杀菌智能装置多帧安全监控效果分析

研究设计了智慧直饮水在线杀菌装置，再通过改进卷积神经网络对其动态视频进行安全监测。为验证安全监测效果，首先测试GT-ReLU模型性能。选用HMDB-51（Hollywood Movies Dataset with 51 action classes）数据集进行测试。实验模型卷积层数为4，池化层与全连接层数均为2。设置学习率为0.001，迭代次数为5 000，其余参数根据实验环境做调整。图4为不同迭代次数下图像分类模型的loss值变化结果。

由图4可知，改进T-ReLU图像分类模型与改进GT-ReLU图像分类模型测试性能表现最好。GT-ReLU模型在迭代2 000次以逐步趋于收敛，在迭代5 000次时loss损失值为0.009。由此可见，所提出的改进GT-ReLU模型拥有出色的收敛性能与loss损失表现。

为了更进一步讨论GT-ReLU模型中的性能的有效性，将对模型的权重参数利用率进行测试。实验中设置0.010与0.005两种阈值进行测试，测试结果如图5所示。

从图5（a）中可知，随着卷积神经网络通道数的不断增加，各个模型的权重参数利用率呈现下降趋势。T-ReLU模型与GT-ReLU模型权重使用率整体较高，不过改进GT-ReLU模型整体波动更稳定，能够给模型带来更稳定的性能表现。从图5（b）中可以看出，随着卷积神经网络层数的增加，权重参数的利用率呈现下降趋势。与0.010阈值相比，模型整体权重参数利用率更低。

为对所提出的安全监控方法进行实际效果的验证，研究准备一定数量的细菌和病毒样本，并将其加入待测试的水样中，确保样本的浓度和种类符合实际情况。随后将待测试的水样放入装置中，启动装置并开始杀菌过程。利用摄像设备或手机APP实时观察装置内部的杀菌过程，并记录视频。最后利用GT-ReLU模型对所连续安全监控视频进行识别，并对所属4种模型的识别准确率和时间进行对比，所得结果如图6所示。

从图6（a）可以发现，在动态视频图像识别准确率中，T-ReLU模型3次试验均在85%左右，而GT-RELU模型均超过了90%，最高为94.6%，明显优于其他模型，具有更好的识别效果。从图6（b）可知，在识别时间的对比中，T-ReLU模型均在12 s以上，是3种对比模型中最优的。所提出的GT-RELU模型均在10 s以下，最高为9.8 s，最低仅为8.8 s，识别效率更高，能够更为有效地进行安全监控。

3 结语

饮用水安全一直是人们关注的重要问题。为进一步保障饮用水安全，研究根据智慧直饮水在线杀菌装置包含的技术和实现功能，进行了该装置的简易设计。随后结合ReLU函数与Tanh函数构建一种改进T-ReLU激活函数，并由此提出改进特征融合的卷积神经网络图像分类识别模型，最后将其应用于动态视频多帧连续安全监控中。结果显示，在动态视频图像识别准确率中，T-ReLU模型3次试验均在85%左右，而GT-RELU模型均超过了90%，明显优于其他模型。在识别时间的对比中，T-ReLU模型均在12 s以上，GT-RELU模型均最高仅为9.8 s，说明该方法能够有效提升智慧直饮水在线杀菌装置的安全监控效果。但安全监控需要快速准确地对异常情况进行检测和响应，未来需要引入增量学习和迁移学习等技术进行进一步优化。

【参考文献】

［1］ 程凯.基于卷积神经网络的化工旋转机械故障识别［J］.粘接，2022，49（4）：88-92.

［2］ 范德和，李新海，周恒，等.基于卷积神经网络的设备运行状态智能控制优化模型分析［J］.粘接，2023，50（6）：179-182.

［3］ 高西.基于大数据的影像分析模型的设计［J］.粘接，2022，49（7）：170-174.

［4］ 朱宗成，陶峰，肖良，等.深紫外LED装置对单兵饮水消毒的试验研究［J］.中国消毒学杂志，2020，37（9）：652-655.

［5］ 仲玉晶，文静.基于紫外可见光谱的地表水水质硬度检测方法研究［J］.粘接，2021，48（10）：42-45.

［6］ 李景文，韋晶闪，姜建武，等.多视角监控视频中动态目标的时空信息提取方法［J］.测绘学报，2022，51（3）：388-400.

［7］ 苏菠，姜军，张志伟，等.基于连续视频分析的化学危险品码头车辆测速方法研究［J］.粘接，2020，41（1）：180-184.

［8］ 李蓉.基于人机交互的全景智能化视频目标自动监测方法［J］.粘接，2022，49（1）：111-115.

［9］ 金海燕，曹甜，肖聪，等.基于多特征图像视觉显著性的视频摘要化生成［J］.北京航空航天大学学报，2021，47（3）：441-450.

［10］ 李燕萍.基于遥感技术的地表水水质检测方法分析［J］.粘接，2022，49（10）：122-125.

［11］ 赵小红，衡春妮，杜淑娟.面向残差网络与Adam优化算法的医学图像卷积超分辨率重建［J］.粘接，2020，44（12）：78-81.

［12］ ZHANG Q ，XU E G ，LI J ，et al.A review of microplastics in table salt，drinking water，and air：direct human exposure［J］.environmental science & technology，2020，54（7）：3740-3751.

［13］ 傅长弘，贾爱军.局域生成对抗网络下视频动态监控系统设计［J］.电子设计工程，2023，31（10）：186-190.

［14］ 熊祝青，徐楠，王兴元，等.动态人脸识别视频监控系统设计［J］.中国新通信，2020，22（23）：75-77.

［15］ 尹萍.舰船远程监控平台模糊视频高动态图像拼接研究［J］.舰船科学技术，2019，41（12）：172-174.

［16］ 牛生奇，刘东文.轨道交通视频监控多协议注册存储灾备的改造研究与应用［J］.无线互联科技，2023，20（9）：120-122.

收稿日期：2023-09-05；修回日期：2023-12-08

作者简介：

张立松（1977-），男，硕士，高级工程师，主要从事人工智能、模拟仿真研究;E-mail：greatmansir@sina.com。

引文格式：张立松，张丙寅，郭宗鸣.直饮水在线杀菌智能装置设计与多帧监控技术研究［J］.粘接，2024，51（3）：128-131.