【技术实现步骤摘要】
本申请涉及污水处理领域，且更为具体地，涉及一种农村内管道污水处理系统及其方法。
技术介绍
1、随着生活水平的不断提高，我们在生活中所产生的污水也越来越多，在农村环境治理的过程中，污水处理是一个重要的环节。通过对农村生活状态的调研，可以得出这样的结论：农村污水具有高度分散性，每家每户随时都会产生污水，每次的量很小，水量波动比较大，这将导致对于农村污水的处理较为困难。
2、目前，需要在农村内管道施加污水处理药品来进行污水处理，但是，现有的加药方式为每隔预定时间段加一次药，这种加药方式有时候会导致加药过量，有时候则加药不及时，无法确保污水处理的效果和效率。
3、因此，期望一种优化的农村内管道污水处理系统。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种农村内管道污水处理系统及其方法，其采用基于深度学习的人工智能监控技术来挖掘出污水处理状态变化的隐藏时序关联特征分布信息，并基于此来进行分类处理，以实现在对于农村内管道污水处理的过程中，基于污水处理的状态变化来自适应地进行加药控制，进而保证污水处理的效果和效率。
2、相应地，根据本申请的一个方面，提供了一种农村内管道污水处理系统，其包括：污水处理监控模块，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模
3、在上述农村内管道污水处理系统中，所述关键帧提取模块，进一步用于：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
4、在上述农村内管道污水处理系统中，所述污水状态特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
5、在上述农村内管道污水处理系统中，所述矩阵向量化模块，进一步用于：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
6、在上述农村内管道污水处理系统中，所述时序关联特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
7、在上述农村内管道污水处理系统中，所述特征局部结构优化模块，进一步用于：以如下公式对所述污水处理状态变化特征向量进行局部结构优化以得到所述优化污水处理状态变化特征向量；其中，所述公式为： ，
8、其中和分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，表示所述污水处理状态变化特征向量的二范数的平方，是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，表示向量相乘，表示按位置点乘。
9、在上述农村内管道污水处理系统中，所述推荐处理结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化污水处理状态变化特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
10、根据本申请的另一方面，还提供了一种农村内管道污水处理方法，其包括：获取由摄像头采集的预定时间段的污水处理监控视频；从所述污水处理监控视频提取多个污水处理监控关键帧；将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及将所述优化污水处理状态变化特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生加药提示。
11、在上述农村内管道污水处理方法中，所述从所述污水处理监控视频提取多个污水处理监控关键帧，包括：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
12、在上述农村内管道污水处理方法中，所述将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵，包括：从所述第一卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；从所述第一卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
13、在上述农村内管道污水处理方法中，所述将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量，包括：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
14、在上述农村内管道污水处理方法中，所述将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
15、在上述农村内管道污水处理方法中，所述对所述污水处理状态变本文档来自技高网...
【技术保护点】
1.一种农村内管道污水处理系统，其特征在于，包括：污水处理监控模块，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；矩阵向量化模块，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；时序关联特征提取模块，用于将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；特征局部结构优化模块，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及推荐处理结果生成模块，用于将所述优化污水处理状态变化特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生加药提示。
2.根据权利要求1所述的农村内管道污水处理系统，其特征在于，所述关键帧提取模块，进一步用于：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。>
3.根据权利要求2所述的农村内管道污水处理系统，其特征在于，所述污水状态特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图，其中，M大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中，N/M大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
4.根据权利要求3所述的农村内管道污水处理系统，其特征在于，所述矩阵向量化模块，进一步用于：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
5.根据权利要求4所述的农村内管道污水处理系统，其特征在于，所述时序关联特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的农村内管道污水处理系统，其特征在于，所述特征局部结构优化模块，进一步用于：以如下公式对所述污水处理状态变化特征向量进行局部结构优化以得到所述优化污水处理状态变化特征向量；其中，所述公式为：，其中和分别是所述污水处理状态变化特征向量和所述优化污水处理状态变化特征向量，表示所述污水处理状态变化特征向量的二范数的平方，是所述污水处理状态变化特征向量的各特征值按大小次序排列的有序向量，且所述污水处理状态变化特征向量是列向量形式，表示向量相乘，表示按位置点乘。
7.根据权利要求6所述的农村内管道污水处理系统，其特征在于，所述推荐处理结果生成模块，包括：全连接编码单元，用于使用所述分类器的全连接层对所述优化污水处理状态变化特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种农村内管道污水处理方法，其特征在于，包括：获取由摄像头采集的预定时间段的污水处理监控视频；从所述污水处理监控视频提取多个污水处理监控关键帧；将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及将所述优化污水处理状态变化特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生加药提示。
9.根据权利要求8所述的农村内管道污水处理方法，其特征在于，所述从所述污水处理监控视频提取多个污水处理监控关键帧，包括：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
10.根据权利要求9所述的农村内管道污水处理方法，其特征在于，所述将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵，包括：从所述第一卷积神经网络模型的第M层提取浅...
【技术特征摘要】
1.一种农村内管道污水处理系统，其特征在于，包括：污水处理监控模块，用于获取由摄像头采集的预定时间段的污水处理监控视频；关键帧提取模块，用于从所述污水处理监控视频提取多个污水处理监控关键帧；污水状态特征提取模块，用于将所述多个污水处理监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个污水处理监控特征矩阵；矩阵向量化模块，用于将所述多个污水处理监控特征矩阵进行矩阵展开以得到多个污水处理监控特征向量；时序关联特征提取模块，用于将所述多个污水处理监控特征向量按照时间维度排列为一维特征向量后通过使用一维卷积核的第二卷积神经网络模型以得到污水处理状态变化特征向量；特征局部结构优化模块，用于对所述污水处理状态变化特征向量进行局部结构优化以得到优化污水处理状态变化特征向量；以及推荐处理结果生成模块，用于将所述优化污水处理状态变化特征向量通过分类器以得到分类结果，所述分类结果用于表示是否产生加药提示。
2.根据权利要求1所述的农村内管道污水处理系统，其特征在于，所述关键帧提取模块，进一步用于：以预定采样频率从所述污水处理监控视频中提取多个污水处理监控关键帧。
3.根据权利要求2所述的农村内管道污水处理系统，其特征在于，所述污水状态特征提取模块，包括：浅层特征提取单元，用于从所述第一卷积神经网络模型的第m层提取浅层特征图，其中，m大于等于1且小于等于6；深层特征提取单元，用于从所述第一卷积神经网络模型的第n层提取深层特征图，其中，n/m大于等于5且小于等于10；融合单元，用于使用所述第一卷积神经网络模型的深浅特征融合模块融合所述浅层特征图和所述深层特征图以得到融合特征图；以及池化单元，用于对所述融合特征图进行沿通道维度的全局池化以得到所述污水处理监控特征矩阵。
4.根据权利要求3所述的农村内管道污水处理系统，其特征在于，所述矩阵向量化模块，进一步用于：将所述多个污水处理监控特征矩阵分别沿着沿着行向量或者列向量进行矩阵展开以得到多个污水处理监控特征向量。
5.根据权利要求4所述的农村内管道污水处理系统，其特征在于，所述时序关联特征提取模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述污水处理状态变化特征向量，其中，所述第二卷积神经网络模型的第一层的输入为所述一维特征向量。
6.根据权利要求5所述的农村内管道污水处理系统，其特征在于，所...
【专利技术属性】
技术研发人员：王文杰，
申请(专利权)人：正潮建设工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。