活性污泥性状分析方法、装置、设备、存储介质及产品与流程
本技术涉及活性污泥性状分析,尤其涉及一种活性污泥性状分析方法、装置、设备、存储介质及产品。
背景技术:
1、在活性污泥法中,因好氧性微生物繁殖而形成的污泥状絮凝物称作活性污泥,其具有很强的吸附与氧化有机物的能力,能够分解去除污水中的有机污染物,判断活性污泥性状,既有定量指标,也有定性描述。
2、相关技术中,采用机械/光电方式或采用传感器融合+软测量的方式,仅能完成污泥沉降比、混合液悬浮固体或污泥体积指数等少量定量指标检测,且部分方案依赖在线仪表或多传感器配置,设备成本较高,检测精度及适用性受到限制,而现有视觉识别方法难以充分利用沉降全过程图像中的上清液、泥水界面及沉淀污泥等细节信息,无法对污泥密实程度、老化程度、反硝化、丝状菌膨胀及污泥活性等污泥性状进行全面定性分析。此外,针对sv30沉降图像序列的数据预处理方法仍不完善,缺乏能够直接面向目标检测、分类模型训练、模型推理及强化学习的数据构建方法,难以满足边缘计算与云端协同部署场景下活性污泥智能分析的应用需求。
技术实现思路
1、本技术的主要目的在于提供一种活性污泥性状分析方法、装置、设备、存储介质及产品,旨在解决相关技术活性污泥性状分析成本高的技术问题。
2、第一方面,为实现上述目的,本技术提供一种活性污泥性状分析方法,所述方法包括:
3、获取待检测泥水混合物图像序列;所述泥水混合物图像序列由基于预设时间间隔连续采集的、用于表征泥水混合物沉降过程的多幅图像组成;
4、将所述待检测泥水混合物图像序列拼接为泥水混合物时序拼接图,将泥水混合物时序拼接图输入至活性污泥性状分析模型,获得活性污泥性状分析结果;其中,所述活性污泥性状分析模型用于:
5、对所述泥水混合物时序拼接图进行特征提取处理,获得所述泥水混合物时序拼接图的多尺度语义特征图、时间域特征向量以及全局特征向量;所述全局特征向量通过对所述多尺度语义特征图中指定层级语义特征图进行全局平均池化得到;所述时间域特征向量用于表征混合物沉降趋势;
6、基于所述多尺度语义特征图进行语义分割,获得所述泥水混合物时序拼接图的语义区域分割掩码;
7、基于语义分割过程中的中间语义特征和所述全局特征向量进行定性性状分类,获得泥水混合物的定性性状类型;
8、基于所述语义区域分割掩码与所述多尺度语义特征图获得各语义区域的区域级特征表示,并基于所述区域级特征表示、定性性状分类过程中的中间语义表示以及所述时间域特征向量进行定量指标回归分析,获得泥水混合物的定量指标。
9、在一实施例中,所述活性污泥性状分析模型包括时间域特征向量提取模块、共享骨干网络、语义分割头、定性性状分类头和定量指标回归头,所述共享骨干网络分别与所述语义分割头、定性性状分类头和定量指标回归头连接,所述语义分割头还分别与定性性状分类头、定量指标回归头连接,所述定性性状分类头还与所述定量指标回归头连接,所述时间域特征向量提取模块与所述定量指标回归头连接。
10、在一实施例中,所述时间域特征向量提取模块用于:
11、从所述泥水混合物时序拼接图中,沿沉降方向逐列提取各空间位置的像素灰度值,并结合列索引所表征的时间信息,建立像素灰度与时间的映射关系;
12、基于所述像素灰度与时间的映射关系,拟合用于表征污泥界面下降曲线的双指数沉降模型;
13、基于所述双指数沉降模型,确定用于表征混合物沉降趋势的时间域特征向量;其中,所述双指数沉降模型表示为:
14、h(t)=h0·exp(k1·t)+h1·exp(k2·t)
15、其中,h(t)为沉降时刻 t时的污泥界面高度,h0、h1为沉降幅度系数,k1、k2为沉降速率常数。
16、在一实施例中,所述基于语义分割过程中的中间语义特征和所述全局特征向量进行定性性状分类,获得泥水混合物的定性性状类型包括:
17、获取所述语义分割头在语义分割过程中产生的中间语义特征,以及共享骨干网络输出的全局特征向量;
18、将所述中间语义特征与所述全局特征向量进行拼接融合处理,获得第一融合特征向量;
19、将所述融合特征向量经全连接网络映射后,通过sigmoid激活层输出多标签预测结果,获得泥水混合物的定性性状类型。
20、在一实施例中,所述基于所述语义区域分割掩码与所述多尺度语义特征图获得各语义区域的区域级特征表示,并基于所述区域级特征表示、定性性状分类过程中的中间语义表示以及所述时间域特征向量进行定量指标回归分析,获得泥水混合物的定量指标包括:
21、获取所述语义分割头输出的各语义区域的语义区域分割掩码以及所述共享骨干网络输出的多尺度语义特征图;
22、基于各语义区域的语义区域分割掩码对所述多尺度语义特征图进行掩码加权池化,获得各语义区域的区域级特征表示;
23、将所述区域级特征表示与分类头输出的中间语义表示以及所述时间域特征向量进行向量拼接,获得第二融合特征向量;
24、将所述第二融合特征向量输入至全连接网络进行回归分析,输出泥水混合物的定量指标。
25、在一实施例中,所述活性污泥性状分析模型部署在边缘设备中,所述的方法还包括:
26、构建训练样本集,所述训练样本集包括多批次标注好的泥水混合物训练图像序列,标注内容包括用于语义分割头训练的各语义区域分割掩码、用于定性性状分类头训练的多标签定性性状标注以及用于定量指标回归头训练的实测定量指标值;
27、采用加权多任务损失函数对所述活性污泥性状分析模型进行联合训练,获得活性污泥性状分析模型;所述加权多任务损失函数由分割损失、分类损失与回归损失加权求和构成;
28、将所述训练后的活性污泥性状分析模型部署至边缘设备,获取边缘设备的推理结果作为增量训练样本,当所述增量训练样本累积达到预设批次阈值时,对所述活性污泥性状分析模型进行增量微调,并将更新后的模型下发至所述边缘设备。
29、第二方面,为实现上述目的,本技术继续提供一种活性污泥性状分析装置,所述装置包括:
30、获取模块,用于获取待检测泥水混合物图像序列;所述泥水混合物图像序列由基于预设时间间隔连续采集的、用于表征泥水混合物沉降过程的多幅图像组成;
31、分析模块,用于将所述待检测泥水混合物图像序列拼接为泥水混合物时序拼接图,将泥水混合物时序拼接图输入至活性污泥性状分析模型,获得活性污泥性状分析结果;其中,所述活性污泥性状分析模型用于:
32、对所述泥水混合物时序拼接图进行特征提取处理,获得所述泥水混合物时序拼接图的多尺度语义特征图、时间域特征向量以及全局特征向量;所述全局特征向量通过对所述多尺度语义特征图中指定层级语义特征图进行全局平均池化得到;所述时间域特征向量用于表征混合物沉降趋势;
33、基于所述多尺度语义特征图进行语义分割,获得所述泥水混合物时序拼接图的语义区域分割掩码;
34、基于语义分割过程中的中间语义特征和所述全局特征向量进行定性性状分类,获得泥水混合物的定性性状类型;
35、基于所述语义区域分割掩码与所述多尺度语义特征图获得各语义区域的区域级特征表示,并基于所述区域级特征表示、定性性状分类过程中的中间语义表示以及所述时间域特征向量进行定量指标回归分析,获得泥水混合物的定量指标。
36、第三方面,为实现上述目的,本技术继续提供一种活性污泥性状分析设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序配置为实现如权利要求1至6中任一项所述的活性污泥性状分析方法的步骤。
37、第四方面,为实现上述目的,本技术继续提供一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的活性污泥性状分析方法的步骤。
38、第五方面,为实现上述目的,本技术继续提供一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述的活性污泥性状分析方法的步骤。
39、本技术提出的一个或多个技术方案,至少具有以下技术效果:
40、本技术通过将活性污泥沉降全过程图像构建为时序拼接图,并结合共享骨干网络、语义分割、定性分类及定量回归的多任务联合分析框架,实现了对污泥上清液、泥水界面及沉淀污泥等关键区域信息与沉降时间变化特征的协同建模,不仅能够同时完成污泥沉降比、污泥体积指数等定量指标预测,还能够实现污泥密实程度、老化程度、反硝化、丝状菌膨胀及污泥活性等多种污泥性状的智能定性分析,提高了活性污泥性状分析的准确性和全面性。同时,通过引入双指数沉降模型提取时间域特征,并利用区域级特征与全局语义特征融合进行回归分析,进一步增强了对污泥沉降动态过程的表征能力,提高了定量指标预测精度。此外,结合边缘设备部署及增量学习机制,可持续利用现场推理数据优化模型性能,降低了对高成本在线检测仪表和多传感器系统的依赖,具有设备成本低、适用范围广、分析效率高以及易于工程化部署等优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com