張 林

（商洛學(xué)院 電子信息與電氣工程學(xué)院/商洛市人工智能研究中心，陜西 商洛 726000）

我國已成為世界上最大的污水處理市場。僅以城市污水處理廠為例，截止2019年6月底，全國累計建成城市污水處理廠8 254座（不含鄉(xiāng)鎮(zhèn)污水處理廠和工業(yè)），但目前污水處理廠的運行并不樂觀，體現(xiàn)在以下兩方面：第一，隨著我國污水處理廠建設(shè)已從大都市“走鄉(xiāng)入鎮(zhèn)”，運行管理專業(yè)人才匱乏越發(fā)凸顯，導(dǎo)致污水處理難以達(dá)標(biāo)。如南水北調(diào)中線工程水源地陜南地區(qū)因水源保護的需要，新建了大量的縣級污水處理廠以及大量分散的農(nóng)村污水處理站，但這些污水處理往往因為技術(shù)力量不夠，導(dǎo)致處理效果不理想[1]。第二，由于規(guī)模和經(jīng)費的限制，污水處理的輔助設(shè)施及人員配置在小型污水處理廠（站）難以達(dá)到大型污水處理廠的要求。因此，如何運行好我國大量的小微污水處理廠（站）是目前行業(yè)面臨的普遍難題，也是我國水環(huán)境質(zhì)量改善關(guān)鍵環(huán)節(jié)[2]。

微生物是檢測污水處理廠生化系統(tǒng)調(diào)試、后期穩(wěn)定運行和工藝調(diào)整過程的重要指標(biāo)。通過鏡檢活性污泥中的微生物狀況，可以獲得該活性污泥的相關(guān)性狀信息，對生產(chǎn)起到一定的指導(dǎo)作用[3]。活性污泥類原生動物種類最多，微生物檢測對活性污泥所處狀態(tài)具有較高的參考價值[4]。在活性污泥法的應(yīng)用中，常通過觀察原生動物的種類和數(shù)量，間接地判斷污水處理的效果。同時顯著度檢測和神經(jīng)網(wǎng)絡(luò)技術(shù)的日趨成熟，為生物相檢測中低品質(zhì)圖像多目標(biāo)物的高效識別提供理論和方法依據(jù)。

近年來，人工智能技術(shù)作為研究領(lǐng)域中的焦點，在各個領(lǐng)域均已取得了巨大的進步和廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，并具有自學(xué)習(xí)和自適應(yīng)的能力[5]。本研究旨在設(shè)計一個高效且準(zhǔn)確率高的神經(jīng)網(wǎng)絡(luò)，用于污水處理中原生動物的檢測。通過對生物相的色彩特征、形態(tài)學(xué)參數(shù)（形狀、大小、輪廓規(guī)則程度）、三維縱橫比、圓度和分形維數(shù)的測定，全面分析所有原生動物生物相的特征，交給神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)。通過全面的分析與探討，完成算法的設(shè)計。根據(jù)系統(tǒng)識別結(jié)果間接地判斷污水處理的效果，得到污水生物處理系統(tǒng)的變化規(guī)律，確保污水處理廠正常高效運行[6]。通過對視覺顯著度和神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用，一方面可以推動本學(xué)科的發(fā)展，另一方充分考慮實踐應(yīng)用將專業(yè)知識應(yīng)用其中，提高本學(xué)科科研的應(yīng)用能力。

1 研究內(nèi)容

系統(tǒng)的研究內(nèi)容主要包含系統(tǒng)算法設(shè)計、云端管理系統(tǒng)設(shè)計和應(yīng)用驗證三部分?？傮w研究框架結(jié)構(gòu)如圖1所示。

圖1 項目總體研究框架

生物相分析是污水廠運行管理的重要手段，但目前以人工分析為主，原因在于圖像背景多變、目標(biāo)物類型較多，不同階段、不同環(huán)境下的生物特征多變。針對上述問題，本研究以顯著度分析和卷積神經(jīng)網(wǎng)絡(luò)為基本手段，對生物相識別中的關(guān)鍵技術(shù)問題與理論進行系統(tǒng)研究，從而為污水廠采用智能化手段進行管理提供理論與技術(shù)基礎(chǔ)。解決與污水處理廠相配套的運行管理技術(shù)與服務(wù)沒有跟上的問題，為數(shù)量龐大的已建成的污水處理廠提供充分、到位的污水處理與服務(wù)技術(shù)。

1.1 顯微圖像預(yù)處理

電子顯微圖像的采集分析是通過高倍顯微鏡獲取原始圖像，再由圖像采集系統(tǒng)（主要包括CCD數(shù)碼相機和圖像采集卡）把圖像數(shù)據(jù)傳入計算機，然后進行圖像處理和識別。但由于很多污水處理廠現(xiàn)場條件不好，顯微鏡圖像噪聲多、光照不均勻，導(dǎo)致最終獲得的圖像質(zhì)量太差，進一步加大了識別難度。因此非常有必要對圖像進行噪聲過濾和增強處理，從而滿足識別的需要。

1.2 同一生物在不同工藝條件下的形態(tài)和顏色特征變化規(guī)律及其視覺顯著度分析

圖像特征是標(biāo)識圖像最基本的屬性或特征，利用其差異可以和其他圖像進行區(qū)分。而活性污泥的顏色和形態(tài)是污水處理所需最直觀的圖像信息，尤其是目前帶有攝像功能的智能手機的普及。由于圖像背景多變、目標(biāo)物類型較多，不同階段、不同環(huán)境下的生物特征多變，因此非常有必要分析同一生物在不同工藝條件下的形態(tài)和顏色特征變化規(guī)律。利用計算機微觀視覺和顯微鏡圖像處理，針對活性污泥中微生物的顏色、形態(tài)多樣性，有效提取特征參數(shù)并結(jié)合優(yōu)秀的分類算法，達(dá)到快速有效的識別和檢測要求。因此本課題在綜合現(xiàn)有研究成果和基礎(chǔ)上，首先完成基于色彩與形態(tài)的活性污泥原生動物與后生動物的特征提取方法。得到原生動物與后生動物相應(yīng)的色彩和形態(tài)特征及其規(guī)律之后，針對其特征和規(guī)律建立原生動物與后生動物顯著度檢測模型，以便高效而且準(zhǔn)確地找到我們需要研究的目標(biāo)區(qū)域，原生動物和后生動物的顯著度檢測模型的建立過程如圖2所示。

圖2 原生動物和后生動物的顯著度檢測模型建立過程

1.3 耦合視覺顯著度和卷積神經(jīng)網(wǎng)絡(luò)生物相自動識別算法研究

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示，構(gòu)建CNN網(wǎng)絡(luò)是目標(biāo)識別的基礎(chǔ)。MATLAB神經(jīng)網(wǎng)絡(luò)工具箱提供了構(gòu)建CNN網(wǎng)絡(luò)的基本函數(shù)，主要由網(wǎng)絡(luò)的輸入層、中間層、輸出層組成。對于神經(jīng)網(wǎng)絡(luò)的MATLAB實現(xiàn)，本項目采用的是一個深度學(xué)習(xí)的MATLAB包——deepLearnToolbox-master，其實現(xiàn)過程如圖4所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖4 用于生物相檢測的卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)過程

構(gòu)建一種高效的卷積神經(jīng)網(wǎng)絡(luò)，用于污水處理中原生動物和后生動物的識別。通過對生物相的色彩特征、形態(tài)學(xué)參數(shù)、三維縱橫比、圓度和分形維數(shù)的測定等全面分析所有生物相的特征，并通過全面的分析與探討，完成算法的設(shè)計。根據(jù)系統(tǒng)識別結(jié)果間接地判斷污水處理的效果，得到污水生物處理系統(tǒng)的變化規(guī)律，確保污水處理廠正常高效運行。

2 結(jié)果與討論

將基于顯著度檢測和神經(jīng)網(wǎng)絡(luò)生物相識別系統(tǒng)檢測裝置應(yīng)用于工作站進行實驗驗證與修正，污水處理工作站工作原理如圖5所示。

圖5 運行系統(tǒng)