JP7043983B2 - 汚水処理施設の水質判定装置及び水質判定方法 - Google Patents
汚水処理施設の水質判定装置及び水質判定方法 Download PDFInfo
- Publication number
- JP7043983B2 JP7043983B2 JP2018108205A JP2018108205A JP7043983B2 JP 7043983 B2 JP7043983 B2 JP 7043983B2 JP 2018108205 A JP2018108205 A JP 2018108205A JP 2018108205 A JP2018108205 A JP 2018108205A JP 7043983 B2 JP7043983 B2 JP 7043983B2
- Authority
- JP
- Japan
- Prior art keywords
- water quality
- feature amount
- image feature
- unit
- extraction unit
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Description
第1の実施の形態について、添付図を参照して説明する。図1は、第1の実施の形態に係る汚水処理施設の水質判定装置1を示すブロック図である。
前述した様に、画像加工部4は、反応槽又は沈殿槽2の画像データに対しエッジ抽出等の2値化の処理を行う。そして、画像特徴量抽出部5は、2値化処理後の結果として得られる点集合(0/1の2値化の場合、値が1となった画素の座標データ)に対し、位相幾何学的データ解析手法の一つであるパーシステントホモロジーの計算を行う。
パーシステントホモロジーを画像の特徴量として使用する場合、パーシステント図に対して、さらに平滑化処理を適用する。平滑化にはさまざまな方法が考えられるが、代表的なものを以下に挙げる。
スカムの大きさと個数の関係を離散値化して表現した特徴量が得られる処理方法である。この方法は単純に生成時刻および消滅時刻の一定区間の間にジーナスがどの程度含まれるかをカウントするものである。例えば、生成時刻および消滅時刻の刻みを共にεとしてヒストグラム化した場合、(i,j)番目のセルにおける平滑化関数の値は以下で与えられる。
但し、ここでPDはパーシステント図(Persistent Diagram)、♯は集合に含まれる要素の個数である。
スカムの大きさと個数の関係を連続値として表現した特徴量が得られる処理方法である。ヒストグラム化では、単純に一定区間内に含まれるジーナスの個数により離散値として特徴量化を行ったが、カーネル密度推定による平滑化では、各ジーナスにカーネル関数を配置し足し込むことにより連続的な平滑化を行う。例えば、カーネルをガウシアンカーネルとした場合、パーシステント図上の点(x,y)における平滑化関数の値は以下で与えられる。
但し、ここでb(g)、d(g)は、それぞれジーナスgの生成時刻、消滅時刻であり、Kは、
であり、σは、ガウシアンカーネルの分散パラメータである。
生存時間の長いジーナスをより強調した平滑化処理方法である。したがって、大きなスカムの存在をより強調した特徴量が得られる。パーシステント強度関数(Persistent Intensity Function)による平滑化では、ジーナスの生存時間をより強調した平滑化を行う。例えば、生存時間が極端に短いジーナスは、画像に現れたノイズの可能性が考えられる。また、小さなスカムよりも大きなスカムが浮いている方が水質の悪化が激しいことも考えられる。このように考えた場合、生存時間が大きいジーナスほど強調した形で平滑化を行った方が、有効な特徴量を得られる可能性がある。以上のようにジーナスの生存時間に合わせて重み係数を変化させて得られる平滑化関数をパーシステント強度関数(以下PIF)と呼ぶ。
但し、ここでEpは、分布Pに関する期待値を表し、B((x,y),τ)は、点(x,y)を中心とした半径τの円板を表す。また、Φ(ξ,η)は、
(δ(b,d)(x,y)はデルタ関数)で定義される関数である。
但し、ここでKは、ガウシアンカーネル等のカーネル関数であり、σは、分散パラメータである。図8は、パーシステント図をPIFにより平滑化した一例を示す図である。図8の(a)は、パーシステント図を示し、図8の(b)は、PIFにより平滑化した後の画像を示す。
但し、ここでB、Dは、それぞれパーシステント図の生成時刻の上限、消滅時刻の上限であり、φは、画像特徴量算出部で構成した平滑化関数である。この指標値Index(PD)が0の場合がもっとも水質が良く、数値が大きいほど水質が悪化していると判断することができる。水質数値化部6は、例えばプロセッサーである。
次に、本実施の形態に係る水質判定装置1を用いた汚水処理施設の水質判定フローについて説明する。図9は、第1の実施の形態に係る水質判定装置1を用いた汚水処理施設の水質判定フローを示すフローチャートである。
次に、本発明に係る汚水処理施設の水質判定装置の第2の実施の形態について説明する。なお、以下に説明する第2の実施の形態においては、第1の実施の形態と共通する構成については図中に同符号を付してその説明を省略する。第2の実施の形態では、第1の実施の形態で抽出した画像特徴量に対して、実際に測定により取得した反応槽又は沈殿槽の水質データを教師データとして与え、画像特徴量を説明変数として水質データそのものの推定を行い、水質を判定する。
次に、本実施の形態に係る水質判定装置11を用いた学習処理フローについて説明する。図11は、第2の実施の形態に係る水質判定装置11を用いた学習処理フローを示すフローチャートである。
次に、本実施の形態に係る水質判定装置11を用いた汚水処理施設の水質判定フローについて説明する。図12は、第2の実施の形態に係る水質判定装置11を用いた汚水処理施設の水質判定フローを示すフローチャートである。
次に、本発明に係る汚水処理施設の水質判定装置の第3の実施の形態について説明する。なお、以下に説明する第3の実施の形態においては、第1の実施の形態と共通する構成については図中に同符号を付してその説明を省略する。第3の実施の形態では、第1の実施の形態で抽出した画像特徴量に対して、教師なし学習によりクラスタリングを行った後、運転員にクラスタリング結果を提示し、各クラスタと水質良否の対応付けを行ってもらい、その対応付け結果に基づいて水質を判定する。
次に、本実施の形態に係る水質判定装置21を用いた学習処理フローについて説明する。図14は、第3の実施の形態に係る水質判定装置21を用いた学習処理フローを示すフローチャートである。
次に、本実施の形態に係る水質判定装置21を用いた汚水処理施設の水質判定フローについて説明する。図15は、第3の実施の形態に係る水質判定装置21を用いた汚水処理施設の水質判定フローを示すフローチャートである。
別の場所にあるクラスタリング機能、及び、クラスタ・水質対応付け機能(画像加工部4、画像特徴量抽出部5、画像特徴量蓄積部22、クラスタリング部23、クラスタリングパラメータ記憶部24、クラスタリング結果提示部25、クラスタ・水質対応付け部26、クラスタ・水質対応付け結果記憶部27)を有するパソコン等でクラスタリングと、運転員によるクラスタと水質の対応付けを行い、その結果を基に水質判定装置21の水質判定部29で判定するにしてもよい。その場合、水質判定装置21には、画像特徴量抽出部5、画像特徴量蓄積部22、クラスタリング部23、クラスタリングパラメータ記憶部24、クラスタリング結果提示部25、クラスタ・水質対応付け部26はなくてもよく、全体として水質判定装置を構成する形となる。
2 反応槽又は沈殿槽
3 画像データ記憶部
4 画像加工部
5 画像特徴量抽出部
6 水質数値化部
7、18、29 水質判定部
8、19、30 判定結果記憶部
9、31 判定結果表示部
10 可視光カメラ
12 画像特徴量蓄積部
13 水質データ蓄積部
14 学習処理部
15 推定用パラメータ記憶部
16、28 推定対象画像特徴量抽出部
17 水質推定部
22 画像特徴量蓄積部
23 クラスタリング部
24 クラスタリングパラメータ記憶部
25 クラスタリング結果提示部
26 クラスタ・水質対応付け部
27 クラスタ・水質対応付け結果記憶部
28 判定対象画像特徴量抽出部
Claims (17)
- 反応槽又は沈殿槽の水面の画像データに対して2値化の処理を行う画像加工部と、
2値化処理後の前記画像データに対し、位相幾何学的データ解析および平滑化処理を適用し画像特徴量を抽出する画像特徴量抽出部と、
前記画像特徴量を使用して前記反応槽又は沈殿槽の水質のレベルを数値化する水質数値化部と、
数値化した数値に基づいて前記反応槽又は沈殿槽の水質を判定する水質判定部と、
を備え、
前記画像特徴量抽出部による前記位相幾何学的データ解析は、パーシステントホモロジーを計算することにより行われること、を特徴とする汚水処理施設の水質判定装置。 - 前記画像特徴量抽出部による前記平滑化処理は、ヒストグラム化により行われること、を特徴とする請求項1に記載の汚水処理施設の水質判定装置。
- 前記画像特徴量抽出部による前記平滑化処理は、カーネル密度推定により行われること、を特徴とする請求項1に記載の汚水処理施設の水質判定装置。
- 前記画像特徴量抽出部による前記平滑化処理は、パーシステント強度関数により行われること、を特徴とする請求項1に記載の汚水処理施設の水質判定装置。
- 反応槽又は沈殿槽の水面の画像データに対して2値化の処理を行う画像加工部と、
2値化処理後の前記画像データに対し、位相幾何学的データ解析および平滑化処理を適用し画像特徴量を抽出する画像特徴量抽出部と、
前記画像特徴量を説明変数とし、前記画像特徴量が抽出された前記画像データに対応する前記反応槽又は沈殿槽の水質データを目的変数として、前記画像特徴量と前記水質データとの対応関係を学習し、推定用パラメータを算出する学習処理部と、
水質の推定及び判定に使用される前記反応槽又は沈殿槽の画像データに対し、位相幾何学的データ解析および平滑化処理を適用し推定対象画像特徴量を抽出する推定対象画像特徴量抽出部と、
前記推定用パラメータを使用し、前記推定対象画像特徴量を入力として前記反応槽又は沈殿槽の水質を推定する水質推定部と、
前記推定した結果に基づいて前記反応槽又は沈殿槽の水質を判定する水質判定部と、
を備え、
前記画像特徴量抽出部及び前記推定対象画像特徴量抽出部による前記位相幾何学的データ解析は、パーシステントホモロジーを計算することにより行われること、を特徴とする汚水処理施設の水質判定装置。 - 前記画像特徴量抽出部及び前記推定対象画像特徴量抽出部による前記平滑化処理は、ヒストグラム化により行われること、を特徴とする請求項5に記載の汚水処理施設の水質判定装置。
- 前記画像特徴量抽出部及び前記推定対象画像特徴量抽出部による前記平滑化処理は、カーネル密度推定により行われること、を特徴とする請求項5に記載の汚水処理施設の水質判定装置。
- 前記画像特徴量抽出部及び前記推定対象画像特徴量抽出部による前記平滑化処理は、パーシステント強度関数により行われること、を特徴とする請求項5に記載の汚水処理施設の水質判定装置。
- 前記学習処理部による学習方法は、統計手法、又は、機械学習手法であること、を特徴とする請求項5から8のいずれか一項に記載の汚水処理施設の水質判定装置。
- 反応槽又は沈殿槽の水面の画像データに対して2値化の処理を行う画像加工部と、
2値化処理後の前記画像データに対し、位相幾何学的データ解析および平滑化処理を適用し画像特徴量を抽出する画像特徴量抽出部と、
前記画像特徴量を教師なしクラスタリングするクラスタリング部と、
前記クラスタリングした結果として得られるクラスタリングパラメータを、前記画像データと対応付けて記憶するクラスタリングパラメータ記憶部と、
前記クラスタリングした結果のクラスタごとに、代表的な前記画像データを提示するクラスタリング結果提示部と、
前記クラスタごとに、前記反応槽又は沈殿槽の水質を対応付けて記憶するクラスタ・水質対応付け結果記憶部と、
水質の判定に使用される前記反応槽又は沈殿槽の画像データに対し、位相幾何学的データ解析および平滑化処理を適用し判定対象画像特徴量を抽出する判定対象画像特徴量抽出部と、
前記判定対象画像特徴量を入力として、前記クラスタリングパラメータと、前記クラスタと水質の対応付け結果とに基づいて前記反応槽又は沈殿槽の水質を判定する水質判定部と、
を備え、
前記画像特徴量抽出部及び前記判定対象画像特徴量抽出部による位相幾何学的データ解析は、パーシステントホモロジーを計算することにより行われること、を特徴とする汚水処理施設の水質判定装置。 - 前記画像特徴量抽出部及び前記判定対象画像特徴量抽出部による前記平滑化処理は、ヒストグラム化により行われること、を特徴とする請求項10に記載の汚水処理施設の水質判定装置。
- 前記画像特徴量抽出部及び前記判定対象画像特徴量抽出部による前記平滑化処理は、カーネル密度推定により行われること、を特徴とする請求項10に記載の汚水処理施設の水質判定装置。
- 前記画像特徴量抽出部及び前記判定対象画像特徴量抽出部による前記平滑化処理は、パーシステント強度関数により行われること、を特徴とする請求項10に記載の汚水処理施設の水質判定装置。
- 前記クラスタリング部によるクラスタリング方法は、統計モデルを仮定した手法、又は、機械学習手法であること、を特徴とする請求項10から13のいずれか一項に記載の汚水処理施設の水質判定装置。
- 反応槽又は沈殿槽の水面の画像データに対して2値化の処理を行い、
2値化処理後の前記画像データに対し、位相幾何学的データ解析および平滑化処理を適用し画像特徴量を抽出し、
前記画像特徴量を使用して前記反応槽又は沈殿槽の水質のレベルを数値化し、
数値化した数値に基づいて前記反応槽又は沈殿槽の水質を判定すること、
を含み、
前記画像特徴量の抽出における位相幾何学的データ解析は、パーシステントホモロジーを計算することにより行われること、を特徴とする汚水処理施設の水質判定方法。 - 反応槽又は沈殿槽の水面の画像データに対して2値化の処理を行い、
2値化処理後の前記画像データに対し、位相幾何学的データ解析および平滑化処理を適用し画像特徴量を抽出し、
前記画像特徴量を説明変数とし、前記画像特徴量が抽出された前記画像データに対応する前記反応槽又は沈殿槽の水質データを目的変数として、前記画像特徴量と前記水質データとの対応関係を学習し、推定用パラメータを算出し、
水質の推定及び判定に使用される前記反応槽又は沈殿槽の画像データに対し、位相幾何学的データ解析および平滑化処理を適用し推定対象画像特徴量を抽出し、
前記推定用パラメータを使用し、前記推定対象画像特徴量を入力として前記反応槽又は沈殿槽の水質を推定し、
前記推定した結果に基づいて前記反応槽又は沈殿槽の水質を判定すること、
を含み、
前記画像特徴量の抽出及び前記推定対象画像特徴量の抽出における位相幾何学的データ解析は、パーシステントホモロジーを計算することにより行われること、を特徴とする汚水処理施設の水質判定方法。 - 反応槽又は沈殿槽の水面の画像データに対して2値化の処理を行い、
2値化処理後の前記画像データに対し、位相幾何学的データ解析および平滑化処理を適用し画像特徴量を抽出し、
前記画像特徴量を教師なしクラスタリングし、
前記クラスタリングした結果として得られるクラスタリングパラメータを、前記画像データと対応付けて記憶し、
前記クラスタリングした結果のクラスタごとに、代表的な前記画像データを提示し、
前記クラスタごとに、前記反応槽又は沈殿槽の水質を対応付けて記憶し、
水質の判定に使用される前記反応槽又は沈殿槽の画像データに対し、位相幾何学的データ解析および平滑化処理を適用し判定対象画像特徴量を抽出し、
前記判定対象画像特徴量を入力として、前記クラスタリングパラメータと、前記クラスタと水質の対応付け結果に基づいて前記反応槽又は沈殿槽の水質を判定すること、
を含み、
前記画像特徴量の抽出及び前記判定対象画像特徴量の抽出における位相幾何学的データ解析は、パーシステントホモロジーを計算することにより行われること、を特徴とする汚水処理施設の水質判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018108205A JP7043983B2 (ja) | 2018-06-06 | 2018-06-06 | 汚水処理施設の水質判定装置及び水質判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018108205A JP7043983B2 (ja) | 2018-06-06 | 2018-06-06 | 汚水処理施設の水質判定装置及び水質判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019209271A JP2019209271A (ja) | 2019-12-12 |
JP7043983B2 true JP7043983B2 (ja) | 2022-03-30 |
Family
ID=68846089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018108205A Active JP7043983B2 (ja) | 2018-06-06 | 2018-06-06 | 汚水処理施設の水質判定装置及び水質判定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7043983B2 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7296281B2 (ja) * | 2019-09-04 | 2023-06-22 | 株式会社クボタ | 液体撮影装置 |
KR102137245B1 (ko) * | 2020-02-20 | 2020-07-23 | 상림이엔지 주식회사 | 엣지 컴퓨팅 기능을 갖는 수처리 rtu |
JP7388249B2 (ja) * | 2020-03-06 | 2023-11-29 | 株式会社明電舎 | 汚水処理施設の運転操作量導出装置及び運転操作量導出方法 |
JP7032485B2 (ja) * | 2020-07-09 | 2022-03-08 | 水ing株式会社 | 水処理又は汚泥処理システムの運転制御方法 |
JP2023044875A (ja) * | 2021-09-21 | 2023-04-03 | 東芝デジタルソリューションズ株式会社 | 水質監視システム |
CN114504867B (zh) * | 2021-12-31 | 2022-12-23 | 江苏天河水务设备有限公司 | 一种农牧废水多级处理***的处理方法 |
WO2023157388A1 (ja) * | 2022-02-18 | 2023-08-24 | コニカミノルタ株式会社 | 算出装置およびプログラム |
CN114663405B (zh) * | 2022-03-27 | 2022-12-06 | 扬州市苏灵农药化工有限公司 | 用于农药生产企业的废水处理控制方法 |
JP2023155724A (ja) * | 2022-04-11 | 2023-10-23 | 株式会社東芝 | 汚泥状態表示報知システム、汚泥状態表示報知方法および汚泥状態表示報知プログラム |
CN116699096B (zh) * | 2023-08-08 | 2023-11-03 | 凯德技术长沙股份有限公司 | 一种基于深度学习的水质检测方法和*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6415107A (en) * | 1987-07-08 | 1989-01-19 | Hitachi Ltd | Device for controlling formation of flock |
JP2533942B2 (ja) * | 1989-03-13 | 1996-09-11 | 株式会社日立製作所 | 知識抽出方法およびプロセス運転支援システム |
JP2743509B2 (ja) * | 1989-08-31 | 1998-04-22 | 株式会社明電舎 | フロック計測装置の2値化閾値決定方法 |
JP2539179B2 (ja) * | 1994-09-14 | 1996-10-02 | 株式会社日立製作所 | 水中に懸濁する物質の監視装置 |
-
2018
- 2018-06-06 JP JP2018108205A patent/JP7043983B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019209271A (ja) | 2019-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7043983B2 (ja) | 汚水処理施設の水質判定装置及び水質判定方法 | |
CN113302478A (zh) | 半导体设备的缺陷分类和来源分析 | |
Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
US20030225466A1 (en) | Methods and apparatus for early fault detection and alert generation in a process | |
Yel et al. | Prediction of primary treatment effluent parameters by Fuzzy Inference System (FIS) approach | |
US20210088369A1 (en) | Blockage detection using machine learning | |
Hoang | Image Processing‐Based Spall Object Detection Using Gabor Filter, Texture Analysis, and Adaptive Moment Estimation (Adam) Optimized Logistic Regression Models | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN116758491A (zh) | 应用于3d打印的打印监控图像分析方法及*** | |
CN109918690A (zh) | 监视***、学习装置、学习方法、监视装置及监视方法 | |
CN111104736A (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
TWI832435B (zh) | 水質監視系統及電腦可讀取記錄媒體 | |
Yuan et al. | Process abnormity identification by fuzzy logic rules and expert estimated thresholds derived certainty factor | |
Nieto et al. | A new predictive model for the outlet turbidity in micro-irrigation sand filters fed with effluents using Gaussian process regression | |
CN113673600A (zh) | 一种工业信号异常预警方法、***、存储介质及计算设备 | |
CN116415508B (zh) | 一种河口二维泥沙模型生成方法及*** | |
Kirthiga et al. | A survey on crack detection in concrete surface using image processing and machine learning | |
Menezes et al. | Application of uncertainty analysis of artificial neural networksfor predicting coagulant and alkalizer dosages in a water treatment process | |
Chu et al. | ANALYZING TFT-LCD ARRAY BIG DATA FOR YIELD ENHANCEMENT AND AN EMPIRICAL STUDY OF TFT-LCD MANUFACTURING IN TAIWAN. | |
De Menezes et al. | Application of uncertainty analysis of artificial neural networksfor predicting coagulant and alkalizer dosages in a water treatment process | |
US20190120087A1 (en) | Managing water-supply pumping for an electricity production plant circuit | |
Sliwinski | A machine learning approach to predictively determine filter clogging in a ballast water treatment system | |
Zambrano et al. | Monitoring a secondary settler using Gaussian mixture models | |
Qu et al. | A novel fault diagnosis scheme for a ballast system | |
CN114873665B (zh) | 基于计算机视觉技术的凝结水精处理再生自动控制*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200917 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210729 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210817 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211013 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220215 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220228 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7043983 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |