一种基于污泥界面判定的二沉池运行工况监测方法与流程

1.本发明涉及污水处理二沉池的识别技术领域，具体涉及一种基于污泥界面判定的二沉池运行工况监测方法。


背景技术：

2.二沉池是污水处理厂中重要的污泥沉降单元，通过沉降起到泥水分离的作用；二沉池前接生化池，后接深度处理单元，是二级处理的最后一道工序，也是保证深度处理单元进水水质的重要单体。
3.但是由于污泥腐化、脱氮、丝状菌膨胀等原因造成的二沉池污泥膨胀上浮等问题，严重影响了污泥沉降效果，使得二沉池中污泥沉降性差，泥水界面不清晰，泥水界面高，甚至接近水面，导致污泥随水流出，二沉池出水不达标，进而影响后续处理单元的处理效果。
4.污水处理厂一般由人工进行定期巡检，辅以污泥界面仪，判断池中泥水界面，若发生污泥停留时间过长、污泥上浮、污泥膨胀等异常工况，则可能导致泥水界面过高，污泥随出水流出等情况，应及时采取排泥等相应解决措施。二沉池一般安装污泥界面仪进行监测，但固定安装的污泥界面仪仅能监测某一个点位的数据，难以反映整池状况。
5.深度学习可以将人工识别的方式交给机器识别进行处理，从而直接得出场景的污泥分界面，观察是否有安全问题。这种端到端的方式，降低了学习成本，对场景的要求较低，能够适应不同的污泥环境。


技术实现要素：

6.本发明的目的在于提供一种基于污泥界面判定的二沉池运行工况监测方法，能够在不同沉淀情况准确判断出二沉池的泥水分界面，从而检测判断此时的二沉池状态是否异常。
7.本发明的目的可以通过以下技术方案实现：
8.一种基于污泥界面判定的二沉池运行工况监测方法，包括以下步骤:
9.步骤一：构建输入样本数据，对样本数据进行预处理，根据二值化的阈值，得到二值化后的图片；
10.步骤二：采用以alex net为基础的神经网络架构，对步骤一得到的图片及相应阈值进行匹配训练，得到最优的重建模型；
11.步骤三：将图片通过重建模型进行数值的输出，将输出值定位该图片二值化的阈值；
12.步骤四：通过人工判定图片泥水界面的位置，采用以yolo神经网络训练二值化的泥水界面，得到通过二值化的图片确定泥水分界面位置的最优模型；
13.步骤五：通过最优模型识别出该图片中的泥水界面。
14.作为本发明进一步的方案：步骤一中，样本数据的获取是通过在二沉池内设置泥水界面监测设备，泥水界面监测设备整体安装包括横向滑轨、竖向滑轨和驱动电机，在竖向
滑轨底端安装摄像机，通过驱动电机驱动摄像机沿横向滑轨及竖向滑轨在二沉中移动，可运动至二沉池中各个区域及深度，完成现场画面的采集。
15.作为本发明进一步的方案：位于所述竖向滑轨且在摄像机一侧安装补光灯，竖向滑轨及其安装的摄像机、补光灯、驱动电机均密封于透明防水装置中。
16.作为本发明进一步的方案：步骤一中，二值化后的图片的获取是预先设定一个最优的二值化的阈值；
17.对二值化后的图片进行人工标记二沉池中的泥水分界面，将正常以及异常的情况标出。
18.作为本发明进一步的方案：步骤二中，alex net神经网络包括五层的卷积层、三个池化层、三层的全连接层以及输出模块。
19.作为本发明进一步的方案：所述alex net神经网络训练过程中使用线性整流函数进行训练。
20.作为本发明进一步的方案：所述alex net神经网络训练前对数据进行归一化处理。
21.作为本发明进一步的方案：步骤三中，对图片通过阈值进行二值化的处理。
22.本发明的有益效果：
23.(1)本发明使用深度学习的办法能够在不同环境画面中，通过使用alexnet网络能够较为精准的判断出此时需要采用的阈值方法，通过适宜的二值化代替人工的选择，采用自适应的办法代替人工操作，同时相机能够捕捉到不同尺度的特征，避免了特征信息的丢失；
24.(2)本发明通过二值化的方法在水下能够较为准确的分辨出泥水分界面的状态，固定安装的污泥界面仪仅能监测某一个点位的数据，难以反应整池状况，本发明通过在水下运作的方式，不仅代替了人工的监视，且巡检完成后可自动生成全池泥位图，能多方位地检测此时二沉池中的状态是否存在异常。
附图说明
25.下面结合附图对本发明作进一步的说明。
26.图1为本发明总体流程图；
27.图2为本发明算法流程图；
28.图3为本发明alex net网络的框架图；
29.图4为本发明yolo网络的框架图；
30.图5为本发明泥水界面监测设备结构示意图；
31.图6为图5中放大图的结构示意图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
33.请参阅图1-图6所示，本发明为一种基于污泥界面判定的二沉池运行工况监测方法，包括以下步骤：
34.s1：构建输入样本数据，包括数据的获取以及预处理；
35.s1中，样本数据的获取是通过在二沉池内设置泥水界面监测设备，泥水界面监测设备整体安装包括横向滑轨、竖向滑轨和驱动电机，在竖向滑轨底端安装摄像机，通过驱动电机驱动摄像机沿横向滑轨及竖向滑轨在二沉中移动，可运动至二沉池中各个区域及深度；
36.其中，驱动电机组包括驱动电机一和驱动电机二，驱动电机一用于驱动摄像机在竖向滑轨上移动，驱动电机二用于驱动摄像机在横向滑轨上移动；
37.通过水中的摄像机采集二沉池现场的具体的画面，将不同情况下(包括正常及异常情况，例如污泥腐化、脱氮、丝状菌膨胀等)的画面进行采集，对不同的画面，人工设定一个最优的二值化的阈值，同时对二值化后的图片进行人工标记二沉池中的泥水分界面，将正常以及异常的情况标出，同时将图片大小固定为224*224*3。
38.s2：采用以alex net为基础的神经网络架构，网络结构如图2所示，整个网络包括五层的卷积层、三层的全连接层以及输出模块，将图片以及相应的阈值匹配训练；
39.s2中，alex net神经网络由五个卷积层组成；
40.第一个卷积层用大小为11*11*3的步长为4的卷积核对224*224*3的输入图像进行卷积操作；
41.第二个卷积层用大小为5*5*48的步长为1的卷积核对第一个卷积层的输出进行卷积操作；
42.第三个卷积层用大小为3*3*256的步长为1的卷积核对第二个卷积层的输出进行卷积操作；
43.第四个卷积层用大小为3*3*192的步长为1的卷积核对第三个卷积层的输出进行卷积操作；
44.第五个卷积层用大小为3*3*192的步长为1的卷积核对第四个卷积层的输出进行卷积操作；
45.然后最大池化通过使用线性整流函数(relu)避免梯度爆炸以及梯度消失，加快训练的速度，同时在刚开始时，使用归一化的方法，对局部神经元的活动创建竞争机制，使得其中响应大的值变得相对更大，并拟制其他反馈较小的神经元，增强模型的泛化能力；
46.通过使用重叠池化，提升预测精度，同时一定程度上减缓过拟合，相比于正常池化(步长s＝2,窗口z＝2),重叠池化(步长s＝2，窗口z＝3)能够减少top-1,top-5分别为0.4％和0.3％；
47.通过上述模型，使用相对简洁的alex net网络，建立反向传播的损失函数l：
48.l＝l
mse
ꢀꢀꢀ
(1)
49.式(1)中，l
mse
是均方误差损失函数，并由式(2)得到,其中y
p
为该点的预测值：
[0050][0051]
对神经网络进行训练，并计算损失函数，当训练迭代次数达到设定的次数或损失误差达小于所设定的阈值时，训练停止，从而得到最优的重建模型。
[0052]
s3：将输出数值视为图片二值化的阈值；
[0053]
s3中，将图片通过alex net神经网络进行数值的输出，将输出值定位该图片二值化的阈值；
[0054]
将该图片通过阈值的处理进行二值化的处理。
[0055]
s4：采用以yolo神经网络加以训练二值化的泥水界面，模型见图3，调整参数，得到通过二值化的图片确定泥水分界面位置的最优模型；
[0056]
s4中，采用以yolo神经网络训练二值化的泥水界面，如图3，调整参数，得到通过二值化的图片确定泥水分界面位置的最优模型；
[0057]
将二值化的图片进行处理，人工标记出泥水界面；
[0058]
通过使用yolo神经网络，将人工标记出的泥水界面进行训练，得到能够识别出泥水界面的最优的训练模型。
[0059]
s5：图像数据后处理。
[0060]
s5中，将原先的图片先通过alex net神经网络，得出该图片适合的二值化的阈值，通过该阈值将图片二值化后输入进yolo神经网络中，识别出该图片中的泥水界面。
[0061]
本发明的核心点在于；将摄像机采集到的图片进行自适应二值化后，通过深度神经网络，得到在不同的环境中，能获取高质量的自适应阈值，并通过阈值判断出此时的泥水分界面的准确位置，以推动深度学习在水处理行业中的发展。
[0062]
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。