CN115905807B - 一种基于深度学习的粗格栅优化运行方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的粗格栅优化运行方法，属于通信技术领域，本发明通过Transformer神经网络模型自动判断杂质量和异常杂质，并结合杂质量调节粗格栅运转速率以及结合有害气体浓度传感器，保证作业现场的安全；本发明解决了自动识别杂质量和异常杂质，为自动化处理杂质提供数据基础。

Description

一种基于深度学习的粗格栅优化运行方法

技术领域

本发明属于粗格栅优化技术领域，尤其涉及一种基于深度学习的污粗格栅优化运行方法。

背景技术

作为污水厂工艺流程上的第一个构筑物，粗格栅可以有效拦截污水中的大颗粒杂质，一般为15mm以上，以确保大颗粒杂质不进入泵房，不对水泵或后续构筑物处理造成影响。目前，粗格栅运行自动化程度不够高，依靠格栅前后水位来控制栅渣运行，反馈往往滞后，且粗格栅运维环境较差，恶臭、蚊蝇不胜其烦。粗格栅的厌氧环境还容易产生甲烷、硫化氢等有毒气体，国内已发生多起粗格栅池内检修而中毒昏迷，进而导致工人淹死的事件。另一方面，粗格栅栅渣的运输一直也备受诟病，往往需要人推栅渣，工作环境也较差，急需提升自动化智能化程度。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习的粗格栅优化运行方法，解决自动识别杂质量和异常杂质，为自动化处理杂质提供数据基础，同时通过传感器实时检测杂质区安全程度，解决有害气体的检测与报警，有效地解决人生安全问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于深度学习的粗格栅优化运行方法，包括以下步骤：

S1、采集格栅渠道和放置栅渣桶位置上方的视频图像，对格栅渠道上方摄像头采集图像进行标注，得到判断有无异常杂质的分类训练正负样本以及判断杂质量的训练样本，对放置栅渣桶位置上方视频图像标注得到判断有无栅渣桶的分类训练正负样本和栅渣桶内栅渣是否满的正负样本；

S2、识别放置栅渣桶位置上方视频图像中的栅渣桶，并根据识别结果判断是否有栅渣桶，若是，则进行步骤S4，否则，进入步骤S3；

S3、获取有毒气体浓度值，并利用有毒气体传感器进行异常处理，并结束流程；

S4、利用判断有无栅渣桶的分类训练正负样本训练已改进的Transformer神经网络模型；

S5、根据栅渣桶内栅渣是否满的正负样本，利用已训练的Transformer神经网络模型对栅渣桶内的栅渣情况进行判断，并根据判断结果，结束流程；

S6、利用判断杂质量的训练样本对改进的Transformer神经网络模型进行训练，得到第一分类模型，并利用第一分类模型识别杂质，以及结合液位差调节粗格栅转速率，结束流程；

S7、利用判断有无异常杂质的分类训练正负样本对改进的Transformer神经网络模型进行训练，得到第二分类模型，并利用第二分类模型对有无异常杂质进行判断，并根据判断结果结束流程。

本发明的有益效果是：本发明通过Transformer神经网络模型自动判断杂质量和异常杂质，并结合杂质量调节粗格栅运转速率；以及结合有害气体浓度传感器，保证作业现场的安全；本发明通过以上设计，自动化处理水平较高，可以极大地降低操作人员工作量，提高杂质处理效率，解决了自动识别杂质量和异常杂质，为自动化处理杂质提供数据基础。

进一步地，所述步骤S3包括以下步骤：

S301、获取有毒气体浓度值；

S302、利用有毒气体传感器判断有毒气体浓度值是否大于设定的安全值，若是，则进行报警，并结束流程，否则，有毒气体浓度值低于设定的安全值，并结束流程。

上述进一步方案的有益效果是：本发明通过传感器实时检测杂质区安全程度，解决有害气体的检测与报警，有效地解决人生安全问题。

再进一步地，所述步骤S5包括以下步骤：

S501、根据栅渣桶内栅渣是否满的正负样本，利用已训练的Transformer神经网络模型判断栅渣桶内的栅渣是否已满，若是，则进入步骤S502，否则，结束流程；

S502、发送起吊更换栅渣桶指令，并结束流程。

上述进一步方案的有益效果是：本发明利用改进的Transformer神经网络模型判断栅渣桶内的栅渣是否已满，能稳定准确判断地判断栅渣桶是否满，为***自动化地替换栅渣桶提供判断依据果。

再进一步地，所述Transformer神经网络模型包括依次连接的全连接层、编码器、多层感知分类器以及输出层；

所述全连接层，用于根据异常处理结果，得到与视频图像块尺寸相同的图像特征块，并对图像特征块进行铺平和压缩处理；

所述编码器，用于根据处理结果，提取图像特征块的抽象图像特征和编码图像块的位置；

所述多层感知分类器，用于根据提取的结果，对Transformer神经网络模型编码结果分类得到图像分类；

所述输出层，用于根据图像分类，输出栅渣桶内的栅渣情况。

上述进一步方案的有益效果是：本发明利用Transformer神经网络模型经过样本训练后，可稳定准确判断栅渣桶是否已经装满渣，为***自动替换栅渣桶提供判断依据。

再进一步地，所述步骤S7包括以下步骤：

S701、利用判断有无异常杂质的分类训练正负样本对改进的Transformer神经网络模型进行训练，得到第二分类模型；

S702、利用第二分类模型判断是否有异常杂质，若是，则执行步骤S3，否则，结束流程。

附图说明

图1为本发明的方法流程图。

图2为Transformer模型结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

如图1所示，本发明提供了一种基于深度学习的粗格栅优化运行方法，其实现方法如下：

S1、采集格栅渠道和放置栅渣桶位置上方的视频图像，对格栅渠道上方摄像头采集图像进行标注，得到判断有无异常杂质的分类训练正负样本以及判断杂质量的训练样本，对放置栅渣桶位置上方视频图像标注得到判断有无栅渣桶的分类训练正负样本和栅渣桶内栅渣是否满的正负样本；

本实施例中，采集格栅渠道和栅渣桶上方的视频，标注得到判断有无异常杂质二分类训练样本(正常杂质、异常杂质)和判断杂质量(共五档：微量、少量、中量、多量、大量)训练样本，两类样本图像数据约2万张图像作为正样本，同时采集一定量的负样本量，并进行手工标注样本。然后同时并行执行步骤S2和步骤S5。

S2、识别放置栅渣桶位置上方视频图像中的栅渣桶，并根据识别结果判断是否有栅渣桶，若是，则进行步骤S4，否则，进入步骤S3；

本实施例中，判断是否有栅渣桶：识别放置栅渣桶位置上方视频图像中栅渣桶，根据识别结果可判断有无栅渣桶，如果没有栅渣桶则执行步骤S4，如果有栅渣桶执行步骤S3。

S3、获取有毒气体浓度值，并利用有毒气体传感器进行异常处理，并结束流程，其实现方法如下：

S301、获取有毒气体浓度值；

S302、利用有毒气体传感器判断有毒气体浓度值是否大于设定的安全值，若是，则进行报警，并结束流程，否则，有毒气体浓度值低于设定的安全值，并结束流程。

本实施例中，首先调用有毒气体传感器，如甲烷浓度传感器和硫化氢浓度传感器，如果有一种或多种有毒气体浓度大于设定安全值，则进行警报完成流程，如果所有监测的有毒气体浓度都低于安全值，则人工处理完成流程。

S4、利用判断有无栅渣桶的分类训练正负样本训练已改进的Transformer神经网络模型；

S5、根据栅渣桶内栅渣是否满的正负样本，利用已训练的Transformer神经网络模型对栅渣桶内的栅渣情况进行判断，并根据判断结果，结束流程，其实现方法如下：

S501、根据栅渣桶内栅渣是否满的正负样本，利用已训练的Transformer神经网络模型判断栅渣桶内的栅渣是否已满，若是，则进入步骤S502，否则，结束流程；

S502、发送起吊更换栅渣桶指令，并结束流程。

所述Transformer神经网络模型包括依次连接的全连接层、编码器、多层感知分类器以及输出层；

所述全连接层，用于根据异常处理结果，得到与视频图像块尺寸相同的图像特征块，并对图像特征块进行铺平和压缩处理；

所述编码器，用于根据处理结果，提取图像特征块的抽象图像特征和编码图像块的位置；

所述多层感知分类器，用于根据提取的结果，对Transformer神经网络模型编码结果分类得到图像分类；

所述输出层，用于根据图像分类，输出栅渣桶内的栅渣情况。

本实施例中，调用Transformer模型判断栅渣桶是否满：调用改进的Transformer模型判断是否已满，如果栅渣桶已满，则发送起吊更换栅渣桶指令完成流程，如果栅渣桶未满，则结束流程。

其中，Transformer模型如图2所示，为了提高每个图像块的信息，在Transformer中融入全连接，图像块首先经过全连接层后得到与图像块尺寸相同的特征块，图像特征块在进行图像块铺平和压缩(Linear Projection of Flattened Patches)操作以及后续Transformer的后续编码流程。再利用编码器，提取图像特征块的抽象图像特征和编码图像块的位置；利用多层感知分类器，对Transformer神经网络模型编码结果分类得到图像分类；最后经输出层，输出栅渣桶内的栅渣情况。

S6、利用判断杂质量的训练样本对改进的Transformer神经网络模型进行训练，得到第一分类模型，并利用第一分类模型识别杂质，以及结合液位差调节粗格栅转速率，结束流程；

本实施例中，调用训练的改进Transformer模型识别杂质情况种类(微量、少量、中量、多量、大量及异常杂质)，结合液位差调节粗格栅运转速率，完成流程。其中，训练的改进Transformer模型是用步骤S1的杂质量训练样本数据训练步骤S4中Transformer模型得到的第一分类模型。

S7、利用判断有无异常杂质的分类训练正负样本对改进的Transformer神经网络模型进行训练，得到第二分类模型，并利用第二分类模型对有无异常杂质进行判断，并根据判断结果结束流程，其实现方法如下：

S701、利用判断有无异常杂质的分类训练正负样本对改进的Transformer神经网络模型进行训练，得到第二分类模型；

S702、利用第二分类模型判断是否有异常杂质，若是，则执行步骤S3，否则，结束流程。

本实施例中，调用训练的改进Transformer模型判断有无异常杂质，如果有则执行步骤S3，如果没有异常杂质，则结束流程。其中，训练的改进Transformer模型是用步骤S1的判断有无异常杂质二分类样本数据训练步骤S4中Transformer模型得到的第二分类模型。

本发明通过Transformer神经网络模型自动判断杂质量和异常杂质，并结合杂质量调节粗格栅运转速率；以及结合有害气体浓度传感器，保证作业现场的安全；本发明通过以上设计，自动化处理水平较高，可以极大地降低操作人员工作量，提高杂质处理效率，解决了自动识别杂质量和异常杂质，为自动化处理杂质提供数据基础。

Claims (3)

1.一种基于深度学习的粗格栅优化运行方法，其特征在于，包括以下步骤：

S1、采集格栅渠道和放置栅渣桶位置上方的视频图像，对格栅渠道上方摄像头采集图像进行标注，得到判断有无异常杂质的分类训练正负样本以及判断杂质量的训练样本，对放置栅渣桶位置上方视频图像标注得到判断有无栅渣桶的分类训练正负样本和栅渣桶内栅渣是否满的正负样本；

S2、识别放置栅渣桶位置上方视频图像中的栅渣桶，并根据识别结果判断是否有栅渣桶，若是，则进行步骤S4，否则，进入步骤S3；

S3、获取有毒气体浓度值，并利用有毒气体传感器进行异常处理，并结束流程；

S4、利用判断有无栅渣桶的分类训练正负样本训练已改进的Transformer神经网络模型；

所述Transformer神经网络模型包括依次连接的全连接层、编码器、多层感知分类器以及输出层；

所述全连接层，用于根据异常处理结果，得到与视频图像块尺寸相同的图像特征块，并对图像特征块进行铺平和压缩处理；

所述编码器，用于根据处理结果，提取图像特征块的抽象图像特征和编码图像块的位置；

所述多层感知分类器，用于根据提取的结果，对Transformer神经网络模型编码结果分类得到图像分类；

所述输出层，用于根据图像分类，输出栅渣桶内的栅渣情况；

S5、根据栅渣桶内栅渣是否满的正负样本，利用已训练的Transformer神经网络模型对栅渣桶内的栅渣情况进行判断，并根据判断结果，结束流程；

S6、利用判断杂质量的训练样本对改进的Transformer神经网络模型进行训练，得到第一分类模型，并利用第一分类模型识别杂质，以及结合液位差调节粗格栅转速率，结束流程；

调用改进Transformer模型识别杂质情况种类，结合液位差调节粗格栅运转速率，完成流程，其中，训练的改进Transformer模型是用步骤S1的杂质量训练样本数据训练步骤S4中Transformer模型得到的第一分类模型；

S7、利用判断有无异常杂质的分类训练正负样本对改进的Transformer神经网络模型进行训练，得到第二分类模型，并利用第二分类模型对有无异常杂质进行判断，并根据判断结果结束流程；

所述步骤S7包括以下步骤：

S701、利用判断有无异常杂质的分类训练正负样本对改进的Transformer神经网络模型进行训练，得到第二分类模型；

S702、利用第二分类模型判断是否有异常杂质，若是，则执行步骤S3，否则，结束流程。

2.根据权利要求1所述的基于深度学习的粗格栅优化运行方法，其特征在于，所述步骤S3包括以下步骤：

S301、获取有毒气体浓度值；

S302、利用有毒气体传感器判断有毒气体浓度值是否大于设定的安全值，若是，则进行报警，并结束流程，否则，有毒气体浓度值低于设定的安全值，并结束流程。

3.根据权利要求2所述的基于深度学习的粗格栅优化运行方法，其特征在于，所述步骤S5包括以下步骤：

S501、根据栅渣桶内栅渣是否满的正负样本，利用已训练的Transformer神经网络模型判断栅渣桶内的栅渣是否已满，若是，则进入步骤S502，否则，结束流程；

S502、发送起吊更换栅渣桶指令，并结束流程。