[發(fā)明專利]一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法與系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202310218318.6
• 申請(qǐng)日: 2023-03-09
• 公開（公告）號(hào): CN115925076B
• 公開（公告）日: 2023-05-23
• 發(fā)明（設(shè)計(jì)）人: 周石慶;黃苑曦;卜令君;祝淑敏;陳蕃;鄧林;徐舜開;施周
• 申請(qǐng)（專利權(quán)）人: 湖南大學(xué)
• 主分類號(hào): C02F1/52
• 分類號(hào): C02F1/52;C02F1/00;G06T7/00;G06N3/0464;G06N3/096;G06V10/764;G06V10/82;G06F30/20
• 代理公司: 北京保識(shí)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11874
• 代理人: 趙亮

1.一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，其特征在于：包括如下步驟：

S1、利用高清攝像機(jī)采集不同季節(jié)多個(gè)水源不同光照條件下的高藻水原始圖像數(shù)據(jù)，對(duì)高藻水原始圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)形成高藻水圖像數(shù)據(jù)；

S2、基于高藻水圖像數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡(luò)分別構(gòu)建藻類分類模型和藻濃度預(yù)測(cè)模型；

S3、對(duì)含有不同藻類及不同藻濃度的水樣進(jìn)行混凝實(shí)驗(yàn)，采集不同混凝條件下產(chǎn)生的絮體圖像，且得到每種條件下的最佳投放量；

S4、結(jié)合藻類分類模型、藻濃度預(yù)測(cè)模型與混凝實(shí)驗(yàn)結(jié)果，構(gòu)建混凝劑最佳投量預(yù)測(cè)模型；

S5、將不同混凝條件下產(chǎn)生的絮體圖像在對(duì)應(yīng)條件下預(yù)測(cè)得到的投放量與實(shí)際最佳投放量的差值作為樣本標(biāo)簽，建立絮體圖像數(shù)據(jù)集；

S6、采用遷移學(xué)習(xí)的方式利用絮體圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，構(gòu)建混凝劑調(diào)整量預(yù)測(cè)模型。

2.根據(jù)權(quán)利要求1所述的一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，其特征在于：所述S2中采用卷積神經(jīng)網(wǎng)絡(luò)分別構(gòu)建藻類分類模型和藻濃度預(yù)測(cè)模型具體包括：

S21、在采集的高藻水原始圖像數(shù)據(jù)的基礎(chǔ)上進(jìn)行拉伸、翻轉(zhuǎn)、調(diào)整亮度及增加噪聲的方式進(jìn)行數(shù)據(jù)增強(qiáng)，擴(kuò)大數(shù)據(jù)集；對(duì)高藻水圖像數(shù)據(jù)中藻類類別及藻類濃度一一進(jìn)行標(biāo)注，將高藻水圖像數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；

S22、以訓(xùn)練集作為深度學(xué)習(xí)模型的輸入，其藻類類別及藻類濃度作為預(yù)測(cè)值，采用卷積神經(jīng)網(wǎng)絡(luò)VGGNet、ResNet和DenseNet分別構(gòu)建藻類分類模型和藻濃度預(yù)測(cè)模型，通過混淆矩陣和精度表對(duì)模型識(shí)別準(zhǔn)確性進(jìn)行評(píng)價(jià)，選出精度最高的模型；

S23、利用測(cè)試集進(jìn)行模型泛化性測(cè)試，驗(yàn)證其普適性。

3.根據(jù)權(quán)利要求1所述的一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，其特征在于：所述S3中進(jìn)行混凝實(shí)驗(yàn)具體包括：

分別投放不同濃度梯度的混凝劑對(duì)含有不同藻類及不同藻濃度的水樣進(jìn)行混凝處理，采集各水樣在不同混凝條件下產(chǎn)生的絮體圖像，且記錄對(duì)應(yīng)的去除率得到每種條件下的最佳投放量。

4.根據(jù)權(quán)利要求1所述的一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，其特征在于：所述S4中構(gòu)建混凝劑最佳投量預(yù)測(cè)模型具體包括：

以藻類類別及藻類濃度作為模型輸入，最佳混凝劑投放量作為模型輸出，采用支持向量機(jī)、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)分別構(gòu)建混凝劑最佳投量預(yù)測(cè)模型，使用五折交叉驗(yàn)證的R²得分對(duì)模型進(jìn)行評(píng)估，選出精度最高的模型，進(jìn)行混凝劑投加量預(yù)測(cè)。

5.根據(jù)權(quán)利要求1所述的一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，其特征在于：所述S5中建立絮體圖像數(shù)據(jù)集具體包括：

S51、對(duì)含有不同藻類類別及藻類濃度的水樣進(jìn)行混凝實(shí)驗(yàn)，基于建立的混凝劑最佳投量預(yù)測(cè)模型確定混凝劑投放量，采集加入模型預(yù)測(cè)得到的混凝劑投放量后的水樣絮體圖像，并記錄對(duì)應(yīng)的藻類類別、藻類濃度及混凝劑投放量；

S52、對(duì)水樣再次進(jìn)行不同濃度梯度的混凝實(shí)驗(yàn)以確定該藻類類別、藻類濃度下的混凝劑最佳投放量；

S53、將通過S52中實(shí)驗(yàn)得到的最佳投放量與S51中模型預(yù)測(cè)得到的投放量的差值作為樣本標(biāo)簽，絮體圖像作為輸入，建立絮體圖像數(shù)據(jù)集。

6.根據(jù)權(quán)利要求1所述的一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，其特征在于：所述S6中構(gòu)建混凝劑調(diào)整量預(yù)測(cè)模型具體包括：

采用遷移學(xué)習(xí)的方式，基于已訓(xùn)練好的VGG-16、ResNet-101、DenseNet-121模型，調(diào)整網(wǎng)絡(luò)最后的全連接層利用絮體圖像數(shù)據(jù)集進(jìn)行訓(xùn)練，選出精度最高的模型，進(jìn)行混凝劑調(diào)整量預(yù)測(cè)。

7.一種應(yīng)用權(quán)利要求1-6任一所述方法的基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥系統(tǒng)，其特征在于：包括最佳投加量控制系統(tǒng)；

所述最佳投加量控制系統(tǒng)包括藻類分類模型、藻濃度預(yù)測(cè)模型、混凝劑最佳投量預(yù)測(cè)模型和混凝劑調(diào)整量預(yù)測(cè)模型。

8.根據(jù)權(quán)利要求7所述的一種基于機(jī)器視覺與深度學(xué)習(xí)的混凝自動(dòng)投藥系統(tǒng)，其特征在于：還包括原水池高清攝像機(jī)、混凝處理池投藥裝置、混凝池末端高清攝像機(jī)；

所述原水池高清攝像機(jī)安裝于原水池，用于采集高藻水圖像，作為藻類分類模型和藻濃度預(yù)測(cè)模型的輸入，分別預(yù)測(cè)得到藻類類別和藻類濃度；再以藻類類別和藻類濃度作為混凝劑最佳投量預(yù)測(cè)模型的輸入，輸出得到混凝投加量，以該混凝投加量作為初次投加量，控制混凝處理池投藥裝置的初次投加量；

所述混凝處理池投藥裝置安裝于混凝處理池，用于投加絮凝劑；

所述混凝池末端高清攝像機(jī)安裝于混凝池末端，用于采集絮體圖像，作為混凝劑調(diào)整量預(yù)測(cè)模型的輸入，輸出得到混凝投加調(diào)整量，對(duì)混凝處理池投藥裝置的絮凝劑投加量進(jìn)行調(diào)整，達(dá)到最佳投加量。