CN110717533A - 一种基于图像识别管道装置的水体净化方法 - Google Patents
一种基于图像识别管道装置的水体净化方法 Download PDFInfo
- Publication number
- CN110717533A CN110717533A CN201910937385.7A CN201910937385A CN110717533A CN 110717533 A CN110717533 A CN 110717533A CN 201910937385 A CN201910937385 A CN 201910937385A CN 110717533 A CN110717533 A CN 110717533A
- Authority
- CN
- China
- Prior art keywords
- mixed liquid
- image
- water
- microorganism
- control module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Hydrology & Water Resources (AREA)
- Organic Chemistry (AREA)
- Microbiology (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像识别管道装置的水体净化方法,包括以下步骤:图像传感器通过拍摄凹槽内的混合液生成第一混合液图像并发送至控制模块;控制模块接收图像传感器发送的第一混合液图像并对第一混合液图像进行识别;控制模块基于预设的微生物加权值统计混合液中的微生物评分;控制模块基于混合液微生物评分筛选出评分在前n名的微生物;控制模块生成实时最佳水体环境条件;控制模块基于实时最佳水体环境条件生成调节信号并发送至水体环境调节模块。该方法通过视觉识别的手段识别出水体中的微生物数量的变化,利用水体调节模块将水体环境调节至特定微生物的最适宜水体环境条件,以使该微生物迅速繁殖,加快污水净化速度。
Description
技术领域
本发明涉及管道监测领域,具体设计到一种基于图像识别管道装置的水体净化方法。
背景技术
活性污泥法是一种废水生物处理技术,是以活性污泥为主体的废水生物处理的主要方法,这种技术将废水与活性污泥(微生物)混合搅拌并曝气,使废水中的有机污染物分解,生物固体随后从已处理废水中分离,并可根据需要将部分回流到曝气池中。
对于不同水质的污水,其主要的污染物不同,相应的,所述污染物所对应的微生物种类不同,具体的,如果能够针对性的增加污水中主要污染物所对应的微生物数量,对加快污水净化具有良好的效果。
发明内容
为了加快污水净化速度,本发明提供了一种基于图像识别管道装置的水体净化方法,由于混合液中特定种类的微生物由于功能物质(污染物)的增加,使得菌群规模得以扩大,通过视觉识别的手段识别出水体中的微生物数量的变化,从而判定实时条件下对混合液净化最为有效的微生物,并利用水体调节模块将污水处理池中的水体环境调节至该微生物的最适宜水体环境条件,以使该微生物迅速繁殖,加快污水净化速度,具有良好的实用性。
相应的,本发明提供了一种基于图像识别管道装置的水体净化方法,所述图像识别管道装置包括污水处理池、抽水泵、内壁设置有凹槽的管道主体、设置在所述凹槽上方的图像传感器、控制模块和水体环境调节模块;所述抽水泵输入端与所述污水处理池连通,所述抽水泵输出端经所述管道主体与所述污水处理器连通,所述控制模块分别与所述图像传感器和所述水体环境调节模块信号连接;
所述污水净化方法包括以下步骤:
所述控制模块发送抽水信号至所述抽水泵,所述抽水信号以使所述抽水泵启动一定时间,将所述污水处理池中的混合液经所述管道主体回流至所述污水处理池中,流经所述管道主体的部分所述混合液落于所述凹槽中;
所述图像传感器通过拍摄所述凹槽内的混合液生成第一混合液图像并发送至控制模块;
所述控制模块接收所述图像传感器发送的第一混合液图像并对所述第一混合液图像进行识别,识别所述第一混合液图像中的微生物类型及相对应的微生物数量;
所述控制模块基于预设的微生物加权值统计所述混合液中的微生物评分,生成混合液微生物评分表;
所述控制模块基于所述混合液微生物评分表筛选出评分在前n名的微生物,并在数据库中提取有关所述前n名的任一种微生物的最适宜水体环境条件,n为正整数;
所述控制模块综合所述前n名的微生物的最适宜水体环境条件生成实时最佳水体环境条件;
所述控制模块基于所述实时最佳水体环境条件生成调节信号并发送至水体环境调节模块,所述调节信号以使所述水体环境调节模块控制所述污水处理池的水体环境朝所述实时最佳水体环境条件变化。
可选的实施方式,如权利要求1所述的基于图像识别管道装置的水体净化方法,其特征在于,所述控制模块接收所述图像传感器发送的第一混合液图像并对所述第一混合液图像进行识别,识别所述第一混合液图像中的微生物类型及相对应的微生物数量包括:
所述控制模块对第一混合液图像进行预处理,生成第二混合液图像;
所述控制模块以单个微生物为目标对所述第二混合液图像进行图像分割,形成若干幅第三混合液图像;
所述控制模块提取所述第三混合液图像中的微生物图案;
所述控制模块从所述微生物图案中提取微生物特征,并基于所述微生物特征从所述数据库中提取微生物名称;
所述控制模块统计所述第二混合液图像中的微生物种类和数量。
可选的实施方式,所述所述控制模块对第一混合液图像进行预处理,生成第二混合液图像包括:
对所述第一混合液图像依次进行光照补偿处理、图像灰度化处理、滤波去噪处理和归一化处理后,生成生成第二混合液图像。
可选的实施方式,所述所述控制模块提取所述第三混合液图像中的微生物图案包括:
基于Haar-Like算法提取所述第三混合液图像中的微生物图案。
可选的实施方式,所述基于Haar-Like算法提取所述第三混合液图像中的微生物图案包括:
计算第三混合液图像中的Haar-Like小波波特征,将其传给离线训练好的多层级联AdaBoost分类器;若存在未通过检测的微生物图案,则将第三混合液图像作为样本训练分类器,在线自动更新分类器。
可选的实施方式,所述微生物特征包括微生物的轮廓外形、微生物的尺寸以及微生物的聚集密度。
可选的实施方式,所述数据库中储存有微生物名称与微生物的轮廓外形、微生物的尺寸、微生物的聚集密度特征对应关系的数据表。
可选的实施方式,所述微生物对应的最适宜水体环境条件包括最适宜温度区间和最适宜溶解氧含量区间;
所述实时最佳水体环境条件包括实时最佳水体温度和实时最佳水体溶解氧含量;
所述实时最佳水体温度为所述前n名的微生物的最适宜温度区间的交集或平均值;
所述实时最佳水体溶解氧含量为所述前n名的微生物的最适宜溶解氧含量区间的交集或平均值。
可选的实施方式,所述水体环境调节模块包括温度调节模块和溶解氧含量调节模块;
所述调节信号以使所述温度调节模块控制所述污水处理池的水体温度朝所述实时最佳水体温度变化,且所述调节信号以使所述溶解氧含量调节模块控制所述污水处理池的水体溶解氧含量朝所述实时最佳水体溶解氧含量变化。
本发明提供了一种基于图像识别管道装置的水体净化方法,通过视觉识别的手段识别出水体中的微生物数量的变化,从而判定实时条件下对混合液净化最为有效的微生物,并利用水体调节模块将污水处理池中的水体环境调节至该微生物的最适宜水体环境条件,以使该微生物迅速繁殖,加快污水净化速度,具有良好的实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1示出了本发明实施例的图像识别管道装置结构示意图;
图2示出了本发明实施例的管道主体结构示意图;
图3示出了本发明实施例的基于图像识别管道装置的水体净化方法流程图;
图4示出了本发明时候例的微生物数量统计方法流程图。
具体实施方式
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。
图1示出了本发明实施例的图像识别管道装置结构示意图,其中,虚线表示信号传输,点画线表示管道传输(液体传输),部分零部件由于为常见的结构,以框图形式进行表示。
所述图像识别管道装置包括污水处理池、抽水泵、内壁设置有凹槽的管道主体、设置在所述凹槽上方的图像传感器、控制模块和水体环境调节模块;所述抽水泵输入端与所述污水处理池连通,所述抽水泵输出端经所述管道主体与所述污水处理器连通,所述控制模块分别与所述图像传感器和所述水体环境调节模块信号连接。
图2示出了本发明实施例的管道主体结构示意图,本发明实施例的管道主体由第一主体101和第二主体102基于法兰螺接组成,具体的,第一主体101和第二主体102关于一平面对称。
所述第一主体101内侧开有环形凹槽103,第一主体101的环形凹槽103和第二主体102的环形凹槽组合形成所述管道主体的凹槽,用于供容纳少量的流经管道主体的混合液。所述凹槽内沿径向设置有一支架105,支架105两端基于滚轮106配合在凹槽壁上,支架105(包括滚轮106)轴线方向尺寸与凹槽内径相适配;在支架中部固定有朝向凹槽方向设置的图像传感器105。具体实施中,当管道主体在设置时处于不同方位时,在重力作用下,可始终保持图像传感器朝向正下方,即凹槽中储存有混合液的方向。此外,第一主体101上还开有与环形连通的流体孔。
具体的,影响微生物繁殖的水体环境主要为水体温度和水体溶解氧含量,因此,本发明实施例的水体环境调节装置包括加热元件、加热控制器和空气泵,其中,加热控制器控制加热元件对混合液进行加热,空气泵用于通入含有氧气的气体至混合液中。
本发明实施例的图像识别管道装置通过抽水泵将混合液经管道主体进行循环,管道主体的凹槽储存部分流经所述管道主体的混合液,利用图像传感器获取所述混合液的图像,并经由控制模块处理后,生成最有利于该混合液净化的水体环境条件,利用水体环境调节模块对污水处理池中的水体环境进行调节,使水体环境有利于特定的微生物繁育,提高污水净化的速度,具有良好的实用性。
图3示出了本发明实施例的基于图像识别管道装置的水体净化方法流程图,相应的,本发明实施例还提供了基于图像识别管道装置的水体净化方法,基于图像识别管道装置的水体净化方法包括以下步骤:
S101:所述控制模块发送抽水信号至所述抽水泵;
所述抽水信号以使所述抽水泵启动一定时间,将所述污水处理池中的混合液经所述管道主体回流至所述污水处理池中,流经所述管道主体的部分所述混合液落于所述凹槽中;具体实施中,可在凹槽底部设置合适的光源,以提高图像传感器所获取的图片质量。
S102:所述图像传感器通过拍摄所述凹槽内的混合液生成第一混合液图像并发送至控制模块;
第一混合液图像为图像传感器所拍摄的凹槽内的混合液图像,具体的,第一混合液图像的分辨率需要达到能示出混合液中微生物的程度,具体实施中需根据需求设置图像传感器目镜的放大倍数。
S103:所述控制模块接收所述图像传感器发送的第一混合液图像并对所述第一混合液图像进行识别,识别所述第一混合液图像中的微生物类型及相对应的微生物数量;
图4示出了本发明时候例的微生物数量统计方法流程图。具体的,本发明实施例的对所述第一混合液图像进行识别,识别所述第一混合液图像中的微生物类型及相对应的微生物数量包括以下步骤:
S201:对第一混合液图像进行预处理,生成第二混合液图像;
具体的,对所述第一混合液图像依次进行光照补偿处理、图像灰度化处理、滤波去噪处理和归一化处理后,生成生成第二混合液图像。
S202:以单个微生物为目标对所述第二混合液图像进行图像分割,形成若干幅第三混合液图像;
具体的,从第二混合液图像中检测并定位可能为微生物的图案,利用图像分割技术将第二混合物基于所述微生物的图案进行分割,生成若干幅第三混合液图像,每一幅第三混合液图像中均包括至少一个微生物图案。
S203:基于Haar-Like算法提取所述第三混合液图像中的微生物图案;
计算第三混合液图像中的Haar-Like小波波特征,将其传给离线训练好的多层级联AdaBoost分类器;若存在未通过检测的微生物图案,则将第三混合液图像作为样本训练分类器,在线自动更新分类器。
Haar-like是一种非常经典的特征提取算法,尤其是与AdaBoost组合使用时对人脸检测有着不错的效果;OpenCV也对AdaBoost与Haar-like组成的级联人脸检测做了封装,所以一般提及Haar-like的时候,一般都会和AdaBoost,级联分类器,人脸检测,积分图等等一同出现。但是Haar-like本质上只是一种特征提取算法,由于所采用的基础逻辑为基本特征的提取,相较于复杂的人脸检测而言,微生物的特征提取更为简单,例如,微生物的外形特征主要为长直型、丛生型、束型、单轮无螺旋型、螺旋型、二级轮生等形状,图像经过灰度处理后,由于光线的影响,微生物的外形轮廓凸显,通过Haar-like算法进行特征提取,能很好的提取微生物的外形特征。具体的,对于一些未在分类器中找到匹配的第三混合液图像,需要通过训练后再另行提取微生物图案。
具体的,多层级联AdaBoost分类器离线训练过程:
训练样本分为微生物图案集和非微生物图案集,在预处理阶段,样本灰度化处理,以便计算样本Haar-Like小波特征;每一个Haar-Like小波特征构成一弱分类器,通过AdaBoost迭代训练,选择一个最优的弱分类器,更新权重,将弱分类器组合成一个强的分类器,然后采用一个由简单到复杂,由粗到精的多分类器级联结构;应用当前离线训练好了的分类器对非微生物图案集集进行过滤,去除那些可以被正确分类的样本,如果非微生物图案集不为空,继续应用连续的AdaBoost训练新的强分类器;如此循环,直到所有的非微生物图案集用完为止。
通过该实施方式,可有效的对已存在模板的微生物图案进行提取,并对未知的微生物图案进行合理的识别判断。
S204:对所述第三混合液图像中的微生物图案进行特征提取;
具体的,该步骤即对微生物图案进行特征描述,使用特定的特征来表述微生物图案。
具体的,基于步骤S203,可通过Haar-like算法,对所述第三混合液图像进行微生物图案提取,具体的,需要开始对微生物图案进行种类判定。
具体的,微生物图案提取后,可获取微生物图案的平面轮廓信息,具体的,首先先确定微生物图案的外形轮廓种类,如长直型、丛生型、束型、单轮无螺旋型、螺旋型、二级轮生等形状;然后,确认微生物图案的尺寸;然后对微生物图案的聚集程度做密度分析(连续聚集密度,并非指在第二混合液图像中的密度)。
可选的,本发明实施例的微生物图案的特征包括轮廓外形、尺寸以及聚集密度。
具体实施中,还可以选择更多方面的内容进行微生物图案的特征提取,以提高识别精度。但由于活性污泥中的菌群种类有限,不需要特别多的特征即能对其进行识别,因此,本发明实施例选用三种较为突出的特征作为微生物图案的特征进行提取。
S205:基于所述特征从所述数据库中获取微生物种类;
具体的,控制模块的数据库中储存有有关微生物名称及微生物特征对应关系的数据表,利用步骤S204所获取的微生物图案的特征,可对微生物图案所对应的微生物种类进行识别。
S206:统计所述第二混合液图像中的微生物种类和数量。
重复执行上述步骤,遍历计算第二混合液图像中的微生物种类以及不同微生物所对应的数量。
S104:所述控制模块基于预设的微生物加权值统计所述混合液中的微生物评分,生成混合液微生物评分表;
具体的,由于不同微生物的数量所表示具体含义不同,微生物数量与其实际所能发挥的污水净化作用并不匹配,因此,具体实施中,通常对不同的微生物设定不同的微生物加权值,微生物与微生物加权值的乘积为微生物评分,通过比较不同微生物的微生物评分,才能确定在水体净化中所能发挥最大效果或较大效果的微生物种类。
S105:所述控制模块基于所述混合液微生物评分表筛选出评分在前n名的微生物,并在数据库中提取有关所述前n名的任一种微生物的最适宜水体环境条件,n为正整数;
具体的,在步骤S104中,已得出有关不同微生物的微生物评分的混合液微生物评分表,具体实施中,为了兼顾不同污染物的净化速度,通常取微生物评分排行在前n项的微生物作为目标,并在数据库中提取有关所述前n名的任一种微生物的最适宜水体环境条件。
S106:所述控制模块综合所述前n名的微生物的最适宜水体环境条件生成实时最佳水体环境条件;
具体的,本发明实施例的最适宜水体环境条件主要为温度和溶解氧含量,因此,前n名的任一种微生物的最适宜水体环境条件中,不同的微生物的最佳繁殖温度可能会存在交集,由此可得出,最佳水体环境条件的温度为所述交集范围;如果不同的微生物的最佳繁殖温度可能不存在交集,则最佳水体环境条件的温度为所述不同的微生物的最佳繁殖温度均值。相似的,有关于溶解氧含量的确认,最佳水体环境条件的溶解氧含量为所述不同微生物的最适宜溶解氧含量交集范围或最适宜溶解氧含量的均值。
S107:所述控制模块基于所述实时最佳水体环境条件生成调节信号并发送至水体环境调节模块,所述调节信号以使所述水体环境调节模块控制所述污水处理池的水体环境朝所述实时最佳水体环境条件变化。
具体的,本发明实施例所涉及的最适宜水体环境条件主要为温度和溶解氧含量,相应的,水体环境调节模块包括温度调节模块和溶解氧含量调节模块。
具体的,温度调节模块通过加热元件对污水处理池中的混合液进行温度控制,而溶解氧含量调节模块对污水处理池中的溶解氧含量进行调节。
本发明提供了一种基于图像识别管道装置的水体净化方法,由于混合液中特定种类的微生物由于功能物质(污染物)的增加,使得菌群规模得以扩大,通过视觉识别的手段识别出水体中的微生物数量的变化,从而判定实时条件下对混合液净化最为有效的微生物,并利用水体调节模块将污水处理池中的水体环境调节至该微生物的最适宜水体环境条件,以使该微生物迅速繁殖,加快污水净化速度,具有良好的实用性。
以上对本发明实施例所提供的基于图像识别管道装置的水体净化方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于图像识别管道装置的水体净化方法,其特征在于,所述图像识别管道装置包括污水处理池、抽水泵、内壁设置有凹槽的管道主体、设置在所述凹槽上方的图像传感器、控制模块和水体环境调节模块;所述抽水泵输入端与所述污水处理池连通,所述抽水泵输出端经所述管道主体与所述污水处理器连通,所述控制模块分别与所述图像传感器和所述水体环境调节模块信号连接;
所述污水净化方法包括以下步骤:
所述控制模块发送抽水信号至所述抽水泵,所述抽水信号以使所述抽水泵启动一定时间,将所述污水处理池中的混合液经所述管道主体回流至所述污水处理池中,流经所述管道主体的部分所述混合液落于所述凹槽中;
所述图像传感器通过拍摄所述凹槽内的混合液生成第一混合液图像并发送至控制模块;
所述控制模块接收所述图像传感器发送的第一混合液图像并对所述第一混合液图像进行识别,识别所述第一混合液图像中的微生物类型及相对应的微生物数量;
所述控制模块基于预设的微生物加权值统计所述混合液中的微生物评分,生成混合液微生物评分表;
所述控制模块基于所述混合液微生物评分表筛选出评分在前n名的微生物,并在数据库中提取有关所述前n名的任一种微生物的最适宜水体环境条件,n为正整数;
所述控制模块综合所述前n名的微生物的最适宜水体环境条件生成实时最佳水体环境条件;
所述控制模块基于所述实时最佳水体环境条件生成调节信号并发送至水体环境调节模块,所述调节信号以使所述水体环境调节模块控制所述污水处理池的水体环境朝所述实时最佳水体环境条件变化。
2.如权利要求1所述的基于图像识别管道装置的水体净化方法,其特征在于,所述控制模块接收所述图像传感器发送的第一混合液图像并对所述第一混合液图像进行识别,识别所述第一混合液图像中的微生物类型及相对应的微生物数量包括:
所述控制模块对第一混合液图像进行预处理,生成第二混合液图像;
所述控制模块以单个微生物为目标对所述第二混合液图像进行图像分割,形成若干幅第三混合液图像;
所述控制模块提取所述第三混合液图像中的微生物图案;
所述控制模块从所述微生物图案中提取微生物特征,并基于所述微生物特征从所述数据库中提取微生物名称;
所述控制模块统计所述第二混合液图像中的微生物种类和数量。
3.如权利要求2所述的基于图像识别管道装置的水体净化方法,其特征在于,所述所述控制模块对第一混合液图像进行预处理,生成第二混合液图像包括:
对所述第一混合液图像依次进行光照补偿处理、图像灰度化处理、滤波去噪处理和归一化处理后,生成生成第二混合液图像。
4.如权利要求2所述的基于图像识别管道装置的水体净化方法,其特征在于,所述所述控制模块提取所述第三混合液图像中的微生物图案包括:
基于Haar-Like算法提取所述第三混合液图像中的微生物图案。
5.如权利要求3所述的基于图像识别管道装置的水体净化方法,其特征在于,所述基于Haar-Like算法提取所述第三混合液图像中的微生物图案包括:
计算第三混合液图像中的Haar-Like小波波特征,将其传给离线训练好的多层级联AdaBoost分类器;若存在未通过检测的微生物图案,则将第三混合液图像作为样本训练分类器,在线自动更新分类器。
6.如权利要求2所述的基于图像识别管道装置的水体净化方法,其特征在于,所述微生物特征包括微生物的轮廓外形、微生物的尺寸以及微生物的聚集密度。
7.如权利要求6所述的基于图像识别管道装置的水体净化方法,其特征在于,所述数据库中储存有微生物名称与微生物的轮廓外形、微生物的尺寸、微生物的聚集密度特征对应关系的数据表。
8.如权利要求1所述的基于图像识别管道装置的水体净化方法,其特征在于,所述微生物对应的最适宜水体环境条件包括最适宜温度区间和最适宜溶解氧含量区间;
所述实时最佳水体环境条件包括实时最佳水体温度和实时最佳水体溶解氧含量;
所述实时最佳水体温度为所述前n名的微生物的最适宜温度区间的交集或平均值;
所述实时最佳水体溶解氧含量为所述前n名的微生物的最适宜溶解氧含量区间的交集或平均值。
9.如权利要求8所述的基于图像识别管道装置的水体净化方法,其特征在于,所述水体环境调节模块包括温度调节模块和溶解氧含量调节模块;
所述调节信号以使所述温度调节模块控制所述污水处理池的水体温度朝所述实时最佳水体温度变化,且所述调节信号以使所述溶解氧含量调节模块控制所述污水处理池的水体溶解氧含量朝所述实时最佳水体溶解氧含量变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937385.7A CN110717533B (zh) | 2019-09-27 | 2019-09-27 | 一种基于图像识别管道装置的水体净化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937385.7A CN110717533B (zh) | 2019-09-27 | 2019-09-27 | 一种基于图像识别管道装置的水体净化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717533A true CN110717533A (zh) | 2020-01-21 |
CN110717533B CN110717533B (zh) | 2020-12-29 |
Family
ID=69211218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910937385.7A Active CN110717533B (zh) | 2019-09-27 | 2019-09-27 | 一种基于图像识别管道装置的水体净化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717533B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112694967A (zh) * | 2020-12-22 | 2021-04-23 | 华南理工大学 | 一种现场快速筛查水生态种类的装置 |
CN113485484A (zh) * | 2021-07-26 | 2021-10-08 | 利晟(杭州)科技有限公司 | 一种适用生物降解法污水处理的自适应温度控制*** |
CN117171675A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识***和方法 |
CN107764771A (zh) * | 2017-09-08 | 2018-03-06 | 青岛海尔智能技术研发有限公司 | 一种水体微生物可视化成像检测装置 |
WO2019012910A1 (ja) * | 2017-07-12 | 2019-01-17 | 三木理研工業株式会社 | ホルムアルデヒド分解方法 |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN110183027A (zh) * | 2019-06-03 | 2019-08-30 | 太平洋水处理工程有限公司 | 一种自适应磁介质混凝沉淀水处理自动控制方法 |
-
2019
- 2019-09-27 CN CN201910937385.7A patent/CN110717533B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477630A (zh) * | 2009-02-17 | 2009-07-08 | 吴俊� | 智能化水处理微生物机器视觉辨识***和方法 |
WO2019012910A1 (ja) * | 2017-07-12 | 2019-01-17 | 三木理研工業株式会社 | ホルムアルデヒド分解方法 |
CN107764771A (zh) * | 2017-09-08 | 2018-03-06 | 青岛海尔智能技术研发有限公司 | 一种水体微生物可视化成像检测装置 |
CN109711070A (zh) * | 2018-12-29 | 2019-05-03 | 上海海事大学 | 一种基于活性污泥水处理的溶解氧浓度优化方法 |
CN110183027A (zh) * | 2019-06-03 | 2019-08-30 | 太平洋水处理工程有限公司 | 一种自适应磁介质混凝沉淀水处理自动控制方法 |
Non-Patent Citations (1)
Title |
---|
赵立春 等: "微生物在活性污泥法水处理中的应用", 《山东环境》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112694967A (zh) * | 2020-12-22 | 2021-04-23 | 华南理工大学 | 一种现场快速筛查水生态种类的装置 |
CN113485484A (zh) * | 2021-07-26 | 2021-10-08 | 利晟(杭州)科技有限公司 | 一种适用生物降解法污水处理的自适应温度控制*** |
CN113485484B (zh) * | 2021-07-26 | 2022-06-07 | 利晟(杭州)科技有限公司 | 一种适用生物降解法污水处理的自适应温度控制*** |
CN117171675A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
CN117171675B (zh) * | 2023-11-02 | 2024-01-12 | 北京建工环境修复股份有限公司 | 基于多源数据的水环境微生物检测方法、***及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110717533B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717533B (zh) | 一种基于图像识别管道装置的水体净化方法 | |
Beyenal et al. | Quantifying biofilm structure: facts and fiction | |
Collivignarelli et al. | Foams in wastewater treatment plants: from causes to control methods | |
CN109919012A (zh) | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 | |
CN114663405A (zh) | 用于农药生产企业的废水处理控制方法 | |
US11807551B2 (en) | Systems and methods for treating wastewater | |
Zenooz et al. | Comparison of different artificial neural network architectures in modeling of Chlorella sp. flocculation | |
JP2021170373A (ja) | 水質分析方法 | |
CN115272327A (zh) | 一种基于图像处理的污水多级处理方法及*** | |
Deepnarain et al. | A logistic model for the remediation of filamentous bulking in a biological nutrient removal wastewater treatment plant | |
Inbar et al. | Analyzing the secondary wastewater-treatment process using Faster R-CNN and YOLOv5 object detection algorithms | |
JPH0381645A (ja) | 活性汚泥による下水処理方法及び装置 | |
Heine et al. | Early warning-system for operation-failures in biological stages of WWTPs by on-line image analysis | |
Khaydarov et al. | Image‐Based Flow Regime Recognition in Aerated Stirred Tanks Using Deep Transfer Learning | |
Dunkel et al. | In situ microscopy as a tool for the monitoring of filamentous bacteria: a case study in an industrial activated sludge system dominated by M. parvicella | |
JP7484578B2 (ja) | 水処理施設の運転支援装置及び運転支援方法 | |
CN115390460A (zh) | 一种重介旋流器的控制*** | |
JP4269345B2 (ja) | 排水処理装置 | |
TW202226057A (zh) | 水質污染程度的自動識別模型的建立系統、以及水質污染程度識別系統與方法 | |
JP2024513984A (ja) | 微細藻類培養物サンプルの顕微鏡画像の解析 | |
JPS6031886A (ja) | 水中の微生物の監視制御装置 | |
JP2020114570A (ja) | 操作値算出装置 | |
JP2024066496A (ja) | 活性汚泥状態の診断システム、活性汚泥状態の診断方法、および、コンピュータプログラム | |
Mesquita et al. | Quantitative image analysis for sludge volume index and total suspended solids prediction in activated sludge system disturbances | |
JPH08197084A (ja) | 生物相診断支援システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |