【技术实现步骤摘要】
本专利技术涉及基于人工智能技术的新一代信息，具体涉及一种活性污泥微生物智能识别方法及系统。
技术介绍
1、生态环境部发布的《2022年生态环境统计年报》显示，截至2022年底，全国城市污水处理能力为2.07亿立方米/日，污水处理总量601.5亿立方米，污水处理率97.89％。由于污水中含有大量的有机物和氮磷等营养元素，若不对其采用有效的方法进行处理就直接排放，会造成严重的环境污染问题。我国对城镇污水处理，目前有物理法、物理化学法、化学法以及生物法等处理方法。其中，生物法中的活性污泥法使用最广泛。据统计，在我国已经建成的污水处理厂中，有超过80％使用活性污泥法，并且使用活性污泥法处理水量占总处理水量的比例超过85％。可见，活性污泥法已经成为污水处理领域中最重要的方法。
2、活性污泥法是由多种好氧微生物与兼性厌氧微生物(在某些情况下还可能有少量厌氧微生物)与废水中的有机、无机固体物混凝交织在一起形成的絮状物。使活性污泥起到净化作用的主体是细菌，多数是革兰阴性菌，此外还有大量的原生动物和后生动物，以及微生物代谢残留物和一些从污水中夹带的惰性有机物、无机物等。微生物在活性污泥中作为生物主体，对环境的变化较为敏感，污水的处理效果直接影响其种群的结构和数量。在污水处理过程中，当运行工况出现问题时，一些水质指标在短时间不会有明显变化，难以引起工作人员的注意。但由于活性污泥微生物对环境变化敏感，此时的活性污泥微生物种群和数量将会发生明显的不良迁移，导致污水处理效果向着恶化方向进行。当污水处理效果变差时，再去调整污水处理运行参数时，需
3、目前，活泥微生物镜检是检测人员观察污水处理不同运行状态下活性污泥中的微生物的种类和数量，进行人工观察和计数。然而，该方法其存在明显缺陷：基于显微镜观察的准确性很大程度上取决于观察者在读片过程中的读片经验和注意力，而且每位操作人员观察显微镜技术的诊断结果的有效性存在差异，其观察的准确性、一致性较低。此外，即使有经验的检测人员也无法在不参考资料的情况下分辨出各种各样的微生物。
技术实现思路
1、为了克服上述现有技术中存在的缺陷，本专利技术的目的是提供一种活性污泥微生物智能识别方法及系统。
2、为了实现本专利技术的上述目的，本专利技术提供了一种活性污泥微生物智能识别方法，包括以下步骤：
3、获取含有微生物的活性污泥镜下图像；
4、构建活性污泥微生物计数网络，将所述活性污泥镜下图像于所述活性污泥微生物计数网络进行智能识别，具体为：
5、将所述活性污泥镜下图像进行预处理得到多个图像块；
6、将图像块输入特征提取子网络中进行图像块的特征提取，获得特征映射矩阵；
7、将所述特征映射矩阵输入微生物数量分析子网络中，获得微生物密度感知特征，基于该密度感知特征预测微生物的数量；
8、将所述特征映射矩阵以及微生物密度感知特征输入微生物信息分析子网络中，对微生物类型及微生物位置进行分析，生成微生物类型和位置信息预测结果。
9、本方法将基于人工智能的计算机视觉技术引入到活性污泥微生物检测领域，解决了污水处理过程中水质指标微生物检测领域存在的效率低、准确性差、一致性低以及成本高昂等问题。本方法中微生物感知特征具有密度感知能力，包含了微生物密度信息，增强了包含密集微生物的区域的特征，进一步提高了本方法的效率以及准确性。
10、在该活性污泥微生物智能识别方法的一种可选方案中，所述特征映射矩阵输入微生物数量分析子网络时，由微生物数量分析子网络的微生物密度信息提取模块生成微生物密度感知特征，微生物数量分析子网络的智能计数模块根据所述微生物密度感知特征预测并输出微生物的数量。
11、该可选方案不仅能准确预测出微生物的数量，还通过微生物密度信息提取模块生成了具有密度感知能力的微生物密度感知特征，来用到微生物信息分析子网络中，分析微生物类型及微生物位置，提高了微生物信息预测的效率以及预测结果的准确性。
12、在该活性污泥微生物智能识别方法的一种可选方案中，所述特征映射矩阵以及微生物密度感知特征输入微生物信息分析子网络时，微生物信息分析子网络的融合微生物密度信息的特征提取模块利用微生物密度信息生成融合密度信息的分析特征；将所述融合密度信息的分析特征以及活性污泥镜下图像传递微生物信息分析子网络的融合全局信息的特征提取模块中进行特征提取，生成融合密度信息的分析特征；
13、将所述融合密度信息的分析特征同时传递至微生物识别模块、微生物定位模块，生成包括微生物类型和微生物位置的微生物类型和位置信息预测结果。
14、该可选方案进一步提高了微生物信息预测的效率以及预测结果的准确性。
15、在该活性污泥微生物智能识别方法的一种可选方案中，所述目标信息通过所述微生物识别模块映射到置信度，通过所述微生物定位模块映射到点坐标。
16、在该活性污泥微生物智能识别方法的一种可选方案中，所述融合微生物密度信息的特征提取模块包括2个多层感知器、l级高阶特征提取模块、l级低阶特征提取模块，l为可配置参数；
17、所述特征映射矩阵输入第一多层感知器，将所述特征映射矩阵映射到所述第一多层感知器后依次级联所述高阶特征提取模块；
18、所述微生物密度感知特征输入第二多层感知器，将所述微生物密度感知特征映射到以匹配特征通道数c，所述第二多层感知器后依次级联所述低阶特征提取模块；
19、第l级高阶特征提取模块之前合并来自第l-1级高阶特征提取模块的高阶特征和来自第l-1级低阶特征提取模块的低阶特征，第1级高阶特征提取模块之前对来自第一多层感知器和第二多层感知器输出的特征映射进行重朔特征映射。
20、该可选方案中融合微生物密度信息的特征提取模块使高阶特征信息和低阶特征信息逐渐融合，提高了模块的特征表达能力，进一步提高了微生物信息预测的效率以及预测结果的准确性。
21、在该活性污泥微生物智能识别方法的一种可选方案中，所述融合全局信息的特征提取模块包括l层特征提取模块，l为可配置参数，每层特征提取模块包含自注意模块、交叉注意层和前馈网络，针对微生物图像块进行特征提取，然后进行特征融合。
22、在该活性污泥微生物智能识别方法的一种可选方案中，所述活性污泥微生物计数网络的损失函数为:
23、其中，lmd为微生物数量分析子网络的计数损失函数，lma为微生物信息分析子网络的损失函数，num为图像中人工标记的微生物数量，num-t为一个调节值。
24、所述微本文档来自技高网...
【技术保护点】
1.一种活性污泥微生物智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的活性污泥微生物智能识别方法，其特征在于，所述特征映射矩阵输入微生物数量分析子网络时，由微生物数量分析子网络的微生物密度信息提取模块生成微生物密度感知特征，微生物数量分析子网络的智能计数模块根据所述微生物密度感知特征预测并输出微生物的数量。
3.根据权利要求1所述的活性污泥微生物智能识别方法，其特征在于，所述特征映射矩阵以及微生物密度感知特征输入微生物信息分析子网络时，微生物信息分析子网络的融合微生物密度信息的特征提取模块利用微生物密度信息生成融合密度信息的分析特征；将所述融合密度信息的分析特征以及活性污泥镜下图像传递微生物信息分析子网络的融合全局信息的特征提取模块中进行特征提取，生成融合密度信息的分析特征；
4.根据权利要求3所述的活性污泥微生物智能识别方法，其特征在于，所述目标信息通过所述微生物识别模块映射到置信度，通过所述微生物定位模块映射到点坐标。
5.根据权利要求3所述的活性污泥微生物智能识别方法，其特征在于，所述融合微生物密度信息的特征
6.根据权利要求3所述的活性污泥微生物智能识别方法，其特征在于，所述融合全局信息的特征提取模块包括L层特征提取模块，L为可配置参数，每层特征提取模块包含自注意模块、交叉注意层和前馈网络，针对微生物图像块进行特征提取，然后进行特征融合。
7.根据权利要求1所述的活性污泥微生物智能识别方法，其特征在于，所述活性污泥微生物计数网络的损失函数为:
8.根据权利要求1或7所述的活性污泥微生物智能识别方法，其特征在于，所述微生物数量分析子网络的计数损失函数为：
9.根据权利要求1或7所述的活性污泥微生物智能识别方法，其特征在于，所述微生物信息分析子网络的损失函数为：
10.一种活性污泥微生物智能识别系统，其特征在于，包括图像接收模块、处理模块和存储模块，所述图像接收模块用于接收含有微生物的活性污泥镜下图像，并将其发送至处理模块，所述处理模块与存储模块通信连接，所述存储模块用于存放至少一个可执行指令，所述可执行指令使所述处理模块根据其接收到的图像执行如权利要求1-9任一项所述的活性污泥微生物智能识别方法对应的操作，对活性污泥微生物进行识别。
...【技术特征摘要】
1.一种活性污泥微生物智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的活性污泥微生物智能识别方法，其特征在于，所述特征映射矩阵输入微生物数量分析子网络时，由微生物数量分析子网络的微生物密度信息提取模块生成微生物密度感知特征，微生物数量分析子网络的智能计数模块根据所述微生物密度感知特征预测并输出微生物的数量。
3.根据权利要求1所述的活性污泥微生物智能识别方法，其特征在于，所述特征映射矩阵以及微生物密度感知特征输入微生物信息分析子网络时，微生物信息分析子网络的融合微生物密度信息的特征提取模块利用微生物密度信息生成融合密度信息的分析特征；将所述融合密度信息的分析特征以及活性污泥镜下图像传递微生物信息分析子网络的融合全局信息的特征提取模块中进行特征提取，生成融合密度信息的分析特征；
4.根据权利要求3所述的活性污泥微生物智能识别方法，其特征在于，所述目标信息通过所述微生物识别模块映射到置信度，通过所述微生物定位模块映射到点坐标。
5.根据权利要求3所述的活性污泥微生物智能识别方法，其特征在于，所述融合微生物密度信息的特征提取模块包括2个多层感知器、l级高阶特征提取模块...
【专利技术属性】
技术研发人员：郑欣，张兴宇，田博，甘宗源，徐淋琳，胡涛，阮茂良，
申请(专利权)人：四川文理学院，
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。