一种基于卷积神经网络的污水处理指示性微生物图像识别方法技术

本发明专利技术涉及一种基于卷积神经网络的污水处理指示性微生物图像识别方法，包括污水厂活性污泥取样、镜检、拍照方法，利用卷积神经网络训练模型识别镜检照片中的微生物，研究各种微生物极其组合对应的业务含义，对污水厂运行提出前瞻性建议。污水厂生化处理工艺多样，过程复杂，指示性微生物的种类、数量、活性、个体大小等信息对污水处理效果具有决定作用，通过快速掌握镜检结果，可及时处理污水处理过程中的问题。其具有快速反应、操作简便、可视化强性能可靠稳定、能够被广泛推广使用等优点。

【技术实现步骤摘要】
一种基于卷积神经网络的污水处理指示性微生物图像识别方法
本专利技术涉及城市污水处理微生物镜检分析
，尤其涉及一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用。
技术介绍
随着经济的发展以及城市化进程的不断加快，水资源日渐匮乏，水污染问题也越来越严重，人们对环保问题越来越重视，污水处理行业在城市环境保护中的地位日渐凸显。虽然污水处理有多种方式，但100多年来，活性污泥法以其经济、运行稳定的优势占据城市生活污水处理的主导地位。活性污泥法是在人工充氧条件下，对污水中各种微生物群体进行连续混合培养，形成活性污泥，利用活性污泥的生物凝聚、吸附和氧化作用，分解去除污水中的有机污染物。为了准确了解活性污泥系统的运行质量，运行人员需要定期对活性污泥进行取样和显微观察，随时掌握指示性微生物的种类、数量、大小、活性，以协助作出准确的工艺调控判断。活性污泥中指示性微生物种类繁多，包括钟虫、轮虫、楯纤虫、吸管虫、太阳虫等，常见的有几十种之多，这些微生物的状态代表着活性污泥在污水中的不同处理效果，及时准确的镜检可起到预先判断作用，对污水处理调控过程十分有利。但是，由于指示性微生物种类多，有些类似虫体不易区分，镜检人员如无长时间的经验积累较容易误判，加之镜检过程不规范易造成图像模糊，给判断造成更大困难。在此情况下，规范取样、镜检、拍照过程，采用经过专家判断和标注的图片训练的数据模型进行图像识别，快速给出统计结果和对应的业务指导建议，对污水厂运行具有重要意义。
技术实现思路
针对污水厂活性污泥法镜检识别过程和指示性微生物判定经验的不足，本专利技术的目的在于：提供一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用，其具有设计合理、操作简便、可视化强、性能可靠稳定、能够被广泛推广使用等优点。为了达到上述目的，本专利技术采用如下技术方案：一种基于卷积神经网络的污水处理指示性微生物图像识别技术应用，该应用包括一套污水厂取样、镜检、拍照标准化方法，将污水厂活性污泥镜检结果与大数据算法工具结合起来，实现31种指示性微生物的种类识别数据模型，可生成针对目标图片集的指示性微生物种类、数量、虫体大小计算结果。运用指示性微生物种类、数量、虫体大小识别结果和丝状菌丰度、菌胶团密实度图像识别结果，总结分析各种组合下表征的业务意义，提出工艺调控预判建议。作为上述方案的进一步优化，所述的在训练指示性微生物数据模型的同时，同步进行丝状菌丰度和菌胶团密实度训练，可同步输出计算结果。本专利技术是基于卷积神经网络的污水处理指示性微生物图像识别技术应用，数据算法内容包括：1.对训练图片和视频进行包括像素处理、图片翻转、图片变形、视频取帧等预处理；2.使用深度卷积网络训练提取整幅图片的特征，该层为深度残差网络和特征金字塔网络的结合。深度残差网络结构包括：1)残差单元C1，结构为使用7*7卷积的64维卷积层，连接使用3*3卷积的64维最大池化层，C1单元需要串接1个；2)残差单元C2，结构为使用1*1卷积的64维卷积层，连接使用3*3卷积的64维卷积层，再连接使用1*1卷积的256维卷积层，C2单元需要串接N1个，N1初始值为3；3)残差单元C3，结构为使用1*1卷积的128维卷积层，连接使用3*3卷积的128维卷积层，再连接使用1*1卷积的512维卷积层，C3单元需要串接N2个，N2初始值为4；4)残差单元C4，结构为使用1*1卷积的256维卷积层，连接使用3*3卷积的256维卷积层，再连接使用1*1卷积的1024维卷积层，C4单元需要串接N3个，N3初始值为23；5)残差单元C5，结构为使用1*1卷积的512维卷积层，连接使用3*3卷积的512维卷积层，再连接使用1*1卷积的2048维卷积层，C5单元需要串接N4个，N4初始值为3；6)残差单元C1至C5依次串接，形成了第一深度残差网络层。其中N1、N2、N3、N4在第六贝叶斯优化参数层经优化后确定。C1-C5自底向上，代表了卷积网络的前向方向。C2-C5形成了4组不同尺寸的特征向量。其中N1、N2、N3、N4的层数为待训练参数。3.在生成残差网络的同时，生成特征金字塔网络P2、P3、P4、P5和P6，用于识别多尺度目标检测，这样就能够天然地利用卷积神经网络的层级特征，从单尺度的单张输入图像，生成在所有尺度上都具有强语义信息的特征，同时不产生明显的代价，便于后面进行实例分割。具体的生成过程如下：C5经过1*1卷积网络，得到M5。M5经过2倍放大上采样处理，加和经过1*1卷积网络处理的C4，得到M4。同样，M4经过2倍放大上采样处理，加和经过1*1卷积网络处理的C3，得到M3；M3经过2倍放大上采样处理，加和经过1*1卷积网络处理的C2，得到M2。M2-M5经过3*3卷积的卷积层，得到相应的P2-P5层，P5经过1*1的最大池化，得到P6。P2-P6送入后续区域推荐网络，同时P2-P5送入后续区域检测网络进行校正切割目标。4.P2-P6进入区域推荐网络后，处理生成目标框信息，包含每个目标框的前景/背景得分信息及每个目标框的坐标修正信息。目标框框体围绕每个中心点生成固定的3个框，框的宽高比例分别为1:1、1:2、2:1，特征层的每个像素为一个中心点，目标框产生重叠以覆盖尽可能多的图像。定义IoU为模型产生的目标框DR和原始图片标记框GT的交叠率：其中DR∩GT表示两个框的重叠部分，DR∪GT表示两个框全部覆盖到的部分。IoU大于0.7的目标框定义为前景，IoU小于0.3的目标框定义为后景。每个目标框的前景/背景得分信息通过1*1的卷积层，使用softmax函数激活，该部分训练的损失采用具有整数目标的分类交叉熵损失函数，定义为Lrpn_cls：Lrpn_cls＝-log2(p*q+(1-p)*(1-q))(2)其中p表示预测值，q表示真实值。每个目标框的坐标修正信息通过1*1的卷积层，使用线性激活。坐标修正是对于前景一开始无法在对象上完美居中的调整。因此，需要估计增量(目标框中心坐标和目标框的宽度、高度的变化百分比)，以细化目标框更好地适应对象。该部分训练的损失采用光滑L1损失函数，定义为Lrpn_box：其中ti和分别为目标框四角坐标中第i个坐标的预测值和真实值。为光滑L1函数，(i＝1,2,3,4)，定义如下：对目标框优化其位置和大小时，保留一个具有最高前景得分的目标框，并采用非极大值抑制NMS算法丢弃IoU大于等于0.3且小于等于0.7的目标框。之后，我们将初级推荐区域(即感兴趣的区域)传递到下一阶段。5.目标区域筛选层根据目标框的大小分配不同级的特征金字塔网络层P2、P3、P4、P5、P6池化，以k代表对应的层数2,3,4,5,6，则k由下式决定：其中，k0等于5为基准值，224为图片输入标准值，w和h为图片归一化后的宽度和高度，表示向下取整。然后使用双线性内插法进行区域特征聚集，利用特征图上距离采样点最近的四个像素得到其像素值。对于每张图片，我们得到每个感兴趣区域目标框的坐标、粗分类情况、坐标粗修和真正有意义的位置坐标。采用双线性内插法回传梯度训练区域损失函数L的反向传播公式如下：这里，损失函数lROI是本层总损失，即分类误差、目标框误差和分割误差之和，ui代表池化前特征图上第i个像素点，vrj代本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的污水处理指示性微生物图像识别方法，其特征在于，建立了以下模型，识别出污水处理指示性微生物图像，该模型包括：1)第一深度残差网络层，用于训练提取整幅原始输入图片的特征；2)第二特征金字塔网络层，用于识别多尺度目标检测，接收第一深度残差网络层的输出，生成在所有尺度上都具有强语义信息的特征；3)第三区域推荐网络层，用于生成供筛选的推荐目标区域，将第二特征金字塔网络层的输出处理生成推荐目标框信息并优化其位置和大小；4)第四目标区域筛选层，对于第三区域推荐网络层输出的每张图片生成筛选目标区域，以及该筛选目标区域方形框的四角坐标值、分类值以及筛选目标区域内目标的具体位置坐标；5)第五多任务输出层，使用第四目标区域筛选层提供的待检测目标，进行目标类别的分类训练、目标框四角坐标的回归训练和生成覆盖目标的平面掩影；6)第六贝叶斯优化参数层，对于第五多任务输出层生成的模型，使用高斯过程的贝叶斯优化第一深度残差网络层的超参数后，作为最终的卷积网络模型结构。

【技术特征摘要】
1.一种基于卷积神经网络的污水处理指示性微生物图像识别方法，其特征在于，建立了以下模型，识别出污水处理指示性微生物图像，该模型包括：1)第一深度残差网络层，用于训练提取整幅原始输入图片的特征；2)第二特征金字塔网络层，用于识别多尺度目标检测，接收第一深度残差网络层的输出，生成在所有尺度上都具有强语义信息的特征；3)第三区域推荐网络层，用于生成供筛选的推荐目标区域，将第二特征金字塔网络层的输出处理生成推荐目标框信息并优化其位置和大小；4)第四目标区域筛选层，对于第三区域推荐网络层输出的每张图片生成筛选目标区域，以及该筛选目标区域方形框的四角坐标值、分类值以及筛选目标区域内目标的具体位置坐标；5)第五多任务输出层，使用第四目标区域筛选层提供的待检测目标，进行目标类别的分类训练、目标框四角坐标的回归训练和生成覆盖目标的平面掩影；6)第六贝叶斯优化参数层，对于第五多任务输出层生成的模型，使用高斯过程的贝叶斯优化第一深度残差网络层的超参数后，作为最终的卷积网络模型结构。2.如权利要求1所述的方法，其特征在于，所述第一深度残差网络层包括：1)残差单元C1，结构为使用7*7卷积的64维卷积层，连接使用3*3卷积的64维最大池化层，C1单元需要串接1个；2)残差单元C2，结构为使用1*1卷积的64维卷积层，连接使用3*3卷积的64维卷积层，再连接使用1*1卷积的256维卷积层，C2单元需要串接N1个，N1初始值为3；3)残差单元C3，结构为使用1*1卷积的128维卷积层，连接使用3*3卷积的128维卷积层，再连接使用1*1卷积的512维卷积层，C3单元需要串接N2个，N2初始值为4；4)残差单元C4，结构为使用1*1卷积的256维卷积层，连接使用3*3卷积的256维卷积层，再连接使用1*1卷积的1024维卷积层，C4单元需要串接N3个，N3初始值为23；5)残差单元C5，结构为使用1*1卷积的512维卷积层，连接使用3*3卷积的512维卷积层，再连接使用1*1卷积的2048维卷积层，C5单元需要串接N4个，N4初始值为3；6)残差单元C1至C5依次串接，形成了第一深度残差网络层；其中N1、N2、N3、N4在第六贝叶斯优化参数层经优化后确定。3.如权利要求2所述的方法，其特征在于，所述第二特征金字塔网络层包括P2、P3、P4、P5、P6层，生成规则如下：C5经过1*1卷积网络，得到M5；M5经过2倍放大上采样处理，和经过1*1卷积网络处...

【专利技术属性】
技术研发人员：王峰，白雪，姚洛，刘伟岩，郭毅，吴宇涵，朱栟，郭泓利，
申请(专利权)人：北控水务中国投资有限公司，
类型：发明
国别省市：北京,11