[發(fā)明專(zhuān)利]一種基于機(jī)器視覺(jué)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(kāi)（公告）號(hào): CN115925076B
• 公開(kāi)（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(kāi);施周
• 申請(qǐng)（專(zhuān)利權(quán)）人: 湖南大學(xué)
• 主分類(lèi)號(hào): C02F1/52
• 分類(lèi)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

本發(fā)明公開(kāi)了一種基于機(jī)器視覺(jué)與深度學(xué)習(xí)的混凝自動(dòng)投藥方法與系統(tǒng)，屬于水處理領(lǐng)域；方法包括：采集高藻水圖像數(shù)據(jù)；采用卷積神經(jīng)網(wǎng)絡(luò)分別構(gòu)建藻類(lèi)分類(lèi)模型和藻濃度預(yù)測(cè)模型；采集不同混凝條件下的絮體圖像，且得到最佳投放量；結(jié)合藻類(lèi)分類(lèi)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；將不同混凝條件下的絮體圖像的投放量與最佳投放量的差值作為樣本標(biāo)簽；采用遷移學(xué)習(xí)的方式利用數(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；本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)和圖像識(shí)別技術(shù)分析高藻水圖像，判斷原水中藻類(lèi)類(lèi)別及藻類(lèi)濃度，預(yù)測(cè)混凝劑初次投加量，通過(guò)識(shí)別混凝后絮體圖像進(jìn)一步優(yōu)化混凝劑投加量，實(shí)現(xiàn)混凝劑智能投放。

技術(shù)領(lǐng)域

本發(fā)明涉及水處理領(lǐng)域，更具體地說(shuō)，一種基于機(jī)器視覺(jué)與深度學(xué)習(xí)的混凝自動(dòng)投藥方法與系統(tǒng)。

背景技術(shù)

藻類(lèi)問(wèn)題給給水廠(chǎng)帶來(lái)了極大的挑戰(zhàn)，關(guān)系到城市供水的安全，而問(wèn)題的根源在于傳統(tǒng)混凝的去除效率不佳，導(dǎo)致后續(xù)工藝的壓力太大，所以混凝劑的投量和種類(lèi)選擇顯得尤為重要。當(dāng)常規(guī)投量下高藻水的混凝效果不佳時(shí)，就需要水廠(chǎng)對(duì)混凝劑投量做出相應(yīng)的調(diào)整。在實(shí)際生產(chǎn)中，工作人員往往通過(guò)燒杯實(shí)驗(yàn)并結(jié)合自身的經(jīng)驗(yàn)調(diào)整混凝劑的投量，往往造成過(guò)量投加或是低劑量投加，嚴(yán)重影響了混凝的效果。所以對(duì)于突發(fā)性的藻類(lèi)爆發(fā)，水廠(chǎng)管理人員往往不能及時(shí)地對(duì)混凝工藝做出相應(yīng)的調(diào)整，這就會(huì)導(dǎo)致大量未被沉淀的藻類(lèi)進(jìn)入濾池，造成濾池的堵塞。更有甚者，部分藻類(lèi)會(huì)穿透濾池進(jìn)入管網(wǎng)，嚴(yán)重危害城市供水的安全。因此，在線(xiàn)絮凝控制技術(shù)有著大量的市場(chǎng)需求，且近年來(lái)隨著智慧水廠(chǎng)概念的提出，水廠(chǎng)“智能化”，“無(wú)人值守”等理念更推動(dòng)著絮體自動(dòng)控制的發(fā)展。

藻類(lèi)爆發(fā)一般沒(méi)有任何征兆，現(xiàn)有階段水廠(chǎng)內(nèi)部不能夠?qū)λ|(zhì)中的藻類(lèi)作出實(shí)時(shí)預(yù)警，水廠(chǎng)中依靠人工經(jīng)驗(yàn)的混凝劑投加策略存在一定的滯后性和盲目性。對(duì)于常見(jiàn)的在線(xiàn)絮凝技術(shù)，流動(dòng)電流控制技術(shù)、基于人工神經(jīng)網(wǎng)絡(luò)的絮凝控制方法和顯示式絮凝控制系統(tǒng)等，同樣存在不足。由于傳統(tǒng)在線(xiàn)絮凝控制技術(shù)的不足——系統(tǒng)的普適性能較差，只能針對(duì)單一簡(jiǎn)單的水質(zhì)環(huán)境進(jìn)行絮凝投藥控制，無(wú)法根據(jù)水質(zhì)的變化或是絮體特征的變化做出調(diào)整。且由于含藻水水質(zhì)的生物特殊性和藻類(lèi)混凝過(guò)程產(chǎn)生的絮體的特殊性，加上藻類(lèi)爆發(fā)時(shí)水質(zhì)情況的不穩(wěn)定性，傳統(tǒng)在線(xiàn)絮凝控制無(wú)法預(yù)測(cè)高藻水的混凝效果，因此將傳統(tǒng)在線(xiàn)絮凝控制技術(shù)引入高藻水的混凝自動(dòng)控制中存在一定困難。

如流動(dòng)電流自動(dòng)加藥系統(tǒng)對(duì)于混凝劑和原水水質(zhì)有一定要求，混凝劑不能采用陽(yáng)離子型高分子絮凝劑，同時(shí)原水的鹽類(lèi)含量和表明活性劑會(huì)影響測(cè)量的精度；系統(tǒng)的普適性較差，即使同一水質(zhì)條件，不同季節(jié)條件下，測(cè)量的結(jié)果也會(huì)不同；很多國(guó)內(nèi)的水廠(chǎng)雖然購(gòu)置了流動(dòng)電流控制裝置，但是應(yīng)用效果有好有壞，因此裝置很多都處于閑置的狀態(tài)。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)雖然準(zhǔn)確性較高，但是對(duì)建訓(xùn)練樣本的質(zhì)量要求較高，訓(xùn)練的樣本必須準(zhǔn)確，全面，具有很強(qiáng)的代表性，否則會(huì)造成網(wǎng)絡(luò)性能變差，影響預(yù)測(cè)結(jié)果。顯示式絮凝控制系統(tǒng)的發(fā)展雖然比較完善，但是也存在一些弊端；對(duì)于高濁度水的處理，水中絮體較多，系統(tǒng)無(wú)法識(shí)別重疊的絮體；其次上述圖像處理方法為閾值分割，過(guò)程中不可避免地丟失了原始圖像的色彩特征；這一系列弊端導(dǎo)致其在預(yù)測(cè)高藻水混凝過(guò)程的去除效果中表現(xiàn)較差。

本發(fā)明提出了一種基于機(jī)器視覺(jué)與深度學(xué)習(xí)的混凝自動(dòng)投藥方法與系統(tǒng)，實(shí)現(xiàn)藻類(lèi)預(yù)警以及混凝劑投量預(yù)測(cè)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于機(jī)器視覺(jué)與深度學(xué)習(xí)的混凝自動(dòng)投藥方法與系統(tǒng)，以解決上述背景技術(shù)中提出的問(wèn)題。

一種基于機(jī)器視覺(jué)與深度學(xué)習(xí)的混凝自動(dòng)投藥方法，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(lèi)分類(lèi)模型和藻濃度預(yù)測(cè)模型；

S3、對(duì)含有不同藻類(lèi)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；