一种污水厂生化池运行状况视觉识别及智能分析算法制造技术

本发明专利技术公开了一种污水厂生化池运行状况视觉识别及智能分析算法，第一步，构建输入的样本数据，包括数据的获取以及预处理，第二步，构建训练网络，调整网络参数，得到将大量流动气泡识别出来的最优模型，具体采用的是YOLOV5训练网络为基础的神经网络框架；第三步，检验模型的可行性。本发明专利技术将处于大量流动气泡进行识别，将整个图片进行一个状态的判别，能够降低人工识别的成本，利用机载视觉相机对污水处理工艺流道水处理界面进行拍摄，通过气泡的标记与识别，开展了检测气泡生成数量、密度、范围，探索污水处理工艺全流道曝气状态的识别监控与分布情况分析的图像识别方法，为溶解氧监测提供更加全面、有效的检测提供技术积累。有效的检测提供技术积累。有效的检测提供技术积累。

【技术实现步骤摘要】
一种污水厂生化池运行状况视觉识别及智能分析算法


[0001]本专利技术涉及水处理视觉识别
，具体涉及一种污水厂生化池运行状况视觉识别及智能分析算法。

技术介绍

[0002]新建地埋式和半地埋式污水处理厂，导致了人工巡检难度倍增。尤其是核心生物处理段生化池，加盖后的生化池，人工难以观测全池的运行状况，当出现曝气异常、泡沫上浮、垃圾漂浮等情况，也无法直观获知，地上式的生化段即使可进行人工观测，其状况分析判定、数据归纳、数据存储等性能也具有较大不确定性，较为依赖巡检人员的技术经验与主动性，且人工巡检数据零散，难以与整套系统的其他监测数据进行整合归纳和统筹分析。
[0003]为了解决上述问题，开发了生化池运行状态视觉识别与智能分析算法。巡检机器人将在池中巡检采集到的视频传输到算法平台，由其中的算法模块进行分析处理，给出生化池运行结果。

技术实现思路

[0004]本专利技术的目的在于提供一种污水厂生化池运行状况视觉识别及智能分析算法，可对污水厂生化池厌氧段、缺氧段、好氧段的运行状况进行识别分析，解决了污水厂加盖后人工巡检困难及无法智能化分析的问题。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种污水厂生化池运行状况视觉识别及智能分析算法，包括以下步骤:
[0007]步骤一：构建输入样本数据，包括数据的获取以及预处理，通过对视频进行分帧处理获取曝气图片，并对曝气图片中的气泡进行标注得到图像识别目标；
[0008]步骤二：构建训练网络，调整网络参数，采用YOLOV5训练网络为基础的神经网络框架，得到将图像识别目标中大量流动气泡识别出来的最优模型；
[0009]步骤三：通过已知的模型，将采集的视频通过模型测试；
[0010]若结果为污泥或者垃圾，则判定该段视频状态为污泥上浮；
[0011]若是正常状态高于污泥上浮状态，则判定为正常。
[0012]作为本专利技术进一步的方案：步骤一中所述数据的获取以及预处理的步骤为：
[0013]S1：通过对污水处理厂搭建多点固定监测方式，通过在曝气池的中设定监测点并架设采集相机采集过程视频，获取了相关过程视频；
[0014]S2：进一步对视频的分帧处理，对处理后图片进行筛选，获得可以利用的曝气图片；
[0015]S3：利用Labelimg，对4000幅中每一幅图像中的气泡进行标注，标注时以目标的最小外接矩形作为真实框。
[0016]作为本专利技术进一步的方案：S3中，基于采集图像分辨率，对图像中的气泡采用人眼能够识别的气泡作为真实框。
[0017]作为本专利技术进一步的方案：步骤二中最优模型的获取包括如下步骤：
[0018]W1：将步骤一得到的数据放入YOLOV5训练网络模型中，网络模型的训练基于Pytorch框架，即使用Adam优化器优化训练的网络模型，训练的参数为640X640，总迭代张数为4000张图，总次数为300，网络深度为0.33，网络宽度为0.5，选用自动锚点；
[0019]W2：建立一个损失函数，YOLOV5网络模型的损失函数采用的是三种函数相加，总函数的损失为：位置损失+类损失+置信度损失；
[0020]W3：将数据集进行300轮训练后得出一个训练的最优模型，并为下一步模型的使用打下基础。
[0021]作为本专利技术进一步的方案：W1中，同步采用Mosaic数据增强策略，初始学习率为0.01。
[0022]作为本专利技术进一步的方案：W2中，基于位置损失判断过程如下：
[0023]根据公式：
[0024][0025]其中Distance_C是最小外接矩形的对角线距离；而Distance_2则是两个中心点的欧氏距离；I
OU
是预测框与真实框的交集和并集的比值；v是长宽相似比；w
gt
和h
gt
是真实框的宽和高；而w
p
和h
p
则是预测框的宽和高。
[0026]本专利技术的有益效果：
[0027](1)本专利技术基于一种视觉识别及智能分析生化池运行状态的算法，无需人工介入判断，通过算法模型对曝气池各区域运行状况做识别分析，给出判定结果；
[0028](2)本专利技术算法分析系统配备庞大的数据库，存储多样化的曝气池液面影像和图片，使用过程中通过不断学习和校正，可丰富曝气池状态判定类别，提高分类识别的准确度；
[0029](3)本专利技术算法模型适用于不同污水厂，状态标记可在不同曝气池通用，不同曝气池的状态可拓展状态分类数据库，作为污水厂数据资源。
附图说明
[0030]下面结合附图对本专利技术作进一步的说明。
[0031]图1是本专利技术流程图的结构示意图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0033]请参阅图1所示，本专利技术为一种污水厂生化池运行状况视觉识别及智能分析算法，对输入的污水厂生化池的液面视频进行处理，算法分析生化池各区域的液面是否处于正常曝气状态、污泥上浮状态，并识别液面是否存在格栅未拦截的漂浮垃圾，分析后给出状态定
性判断结果，并标记异常区域位置；
[0034]该种污水厂生化池运行状况视觉识别及智能分析算法基于系统包括视频输入模块、格式转化模块、图片处理模块、分类识别应用模型、结果输出模块；
[0035]频输入模块用于从数据库中读取曝气池视频，通过使用监控系统采集视频，以DVR硬盘录像方式实时记录存储，并按照10S段切分，获取DVR分段切分视频，10S/段，段与段之间时间重合；
[0036]格式转化模块用于，对分段视频分别进行H.246到MP4格式的转换，视频为每秒25帧；
[0037]图片处理模块使用opencv重新设置图片的大小格式，将视频按照秒进行分割，再将每一秒的图片按帧进行保存，在随机选取11张图片用以判断；
[0038]分类识别应用模型将采集到的各类生化池视频进行筛选提取转化为图片，对图片进行二值化处理；选取正常曝气图片、污泥上浮图片、垃圾漂浮图片作为训练素材，分别进行特征标定，利用特征模型训练，逐步提高气泡、上浮污泥、漂浮垃圾的分割识别率；
[0039]将标记好的图片，放入YOLOV5训练网络模型中进行迭代，迭代得出的模型进行保存，用模型对实时的视频进行判断，将模型放入HRNet网络中，图片经过模型输出的结果，再放入HRNet网络中，优先判断此时的状态是否处于垃圾漂浮或者已经是大范围的污泥上浮的状态；
[0040]如果是，则直接将此时的结果输出；
[0041]如果不是，则该种情况可能处于有污泥开始上浮，但还没有大范围的出现，或者是正常曝气的状态；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污水厂生化池运行状况视觉识别及智能分析算法，其特征在于，包括以下步骤:步骤一：构建输入样本数据集，包括数据的获取以及预处理，通过对视频进行分帧处理获取曝气图片，并对曝气图片中的气泡进行标注得到图像识别目标；步骤二：构建训练网络，调整网络参数，采用YOLOV5训练网络为基础的神经网络框架，得到将图像识别目标中大量流动气泡识别出来的最优模型；步骤三：通过已知的模型，将采集的视频通过模型测试；若结果为污泥或者垃圾，则判定该段视频状态为污泥上浮；若是正常状态高于污泥上浮状态，则判定为正常。2.根据权利要求1所述的一种污水厂生化池运行状况视觉识别及智能分析算法,其特征在于，步骤一中所述数据的获取以及预处理的步骤为：S1：通过对污水处理厂搭建多点固定监测方式，通过在曝气池中设定监测点并架设采集相机采集过程视频，获取相关过程视频；S2：进一步对视频的分帧处理，对处理后图片进行筛选，获得可以利用的曝气图片；S3：利用Labelimg，对4000幅中每一幅图像中的气泡进行标注，标注时以目标的最小外接矩形作为真实框。3.根据权利要求2所述的一种污水厂生化池运行状况视觉识别及智能分析算法,其特征在于，S3中，基于采集图像分辨率，对图像中的气泡采用人眼能够识别的气泡作为真实框。4.根据权利要求1所述的一种污水厂生化池运行状况视觉识别及智能分析算法,其特征在于，步...

【专利技术属性】
技术研发人员：施海仁，王越，黄宇，刘蕊，
申请(专利权)人：合肥中盛水务发展有限公司，
类型：发明
国别省市：