[發明專利]一種人工智能混凝投藥信號反饋控制方法

在審

• 申請號: 202110380814.2
• 申請日: 2021-04-09
• 公開（公告）號: CN113111766A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 朱國成;任伯幟;李曉尚;袁程;舒建衛;黃威;袁芳;紀倩楠;方海全
• 申請（專利權）人: 湖南科技大學;湘潭中環水務有限公司;中環保水務投資有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

1.一種人工智能混凝投藥信號反饋控制方法，其特征在于，包括如下步驟：

S100:數據準備：采用電子攝像儀器對絮凝階段的水體進行拍攝，對拍攝的圖像進行預處理，然后根據水濁度值大小進行分類，將分類結果作為圖像的標簽，圖像和對應的標簽構成一個訓練樣本，所述訓練樣本構成訓練集；

S200:構建和訓練卷積網絡

S210:構建卷積網絡，所述卷積網絡包括N卷積層、M池化層和Q全連接層；所述卷積層、池化層和全連接層設置方式為：一個卷積層和一個池化層，接下來繼續是卷積層和二個池化層依次類推，最后是連續的Q個全連接層；

S220:卷積網絡的訓練

S221:預設迭代次數、學習效率、卷積核的大小和池化核的大小；

選定激活函數和分類器；

S222:將S100訓練集中的訓練樣本輸入所述卷積網絡中，卷積網絡輸出分類的概率值，將最大概率值對應的分類作為預測分類，將預測分類與該訓練樣本標簽之間的交叉熵作為損失值，采用梯度下降法進行反向傳播對所述卷積網絡中的參數進行更新；

S223:將S100訓練集中的訓練樣本輸入所述卷積網絡中，當迭代次數達到預設迭代次數時，訓練結束得到訓練后的卷積網絡；

S300:水體分類預測，將對絮凝階段的水體拍攝的待預測圖像進行圖像預處理，再將預處理后的圖像輸入訓練后的卷積網絡，即可得到待預測圖像中水體的分類結果。

2.如權利要求1所述的人工智能混凝投藥信號反饋控制方法，其特征在于，所述S220中學習效率為動態調整，每30次迭代更換為初始值的0.1；

所述激活函數為Relu，所述分類器為Softmax；

所述卷積核大小為5，池化核大小為5。

3.如權利要求1或2所述的人工智能混凝投藥信號反饋控制方法，其特征在于，所述S220構建的卷積網絡中，采用Dropout函數克服過擬合現象，其值設置為0.5。

4.如權利要求3或所述的人工智能混凝投藥信號反饋控制方法，其特征在于，所述S100中圖像預處理是指將圖像裁剪為48x48像素大小尺度，然后歸一化處理。