邱 婷 羅啟平 管國(guó)安

(樂(lè)安縣水利局，江西 撫州 344300)

絮體檢測(cè)可獲取絮體特征參數(shù)(如粒度、分形維數(shù)、沉降速度等)，絮體特征對(duì)絮凝過(guò)程的機(jī)理研究與分析是至關(guān)重要的，絮體檢測(cè)在將微觀的絮體形態(tài)與宏觀的絮凝效果相結(jié)合方面具有重要意義[1][2]。

目前常用的絮體檢測(cè)方法有：粒子圖像測(cè)速(Particle Image Velocimetry，PIV)技術(shù)、顯微技術(shù)、光散射技術(shù)等[3][4]。Ren等[5]利用PIV技術(shù)來(lái)獲得絮體的實(shí)時(shí)狀態(tài)，通過(guò)采集的圖像計(jì)算絮體的大小和分形維數(shù)；光學(xué)顯微鏡[6]、電子顯微鏡[7]常用來(lái)檢測(cè)絮體的大小和結(jié)構(gòu)；Zhang等[8]在微藻混凝過(guò)程中，用高速顯微鏡相機(jī)在預(yù)定義的間隔時(shí)間內(nèi)獲取微藻絮體圖像，以分析平均尺寸；基于光傳輸?shù)男躞w識(shí)別技術(shù)，如光散射技術(shù)[4]、聚焦光束反射技術(shù)(Focused Beam Reflectance Measurement，F(xiàn)BRM)[9]等常用來(lái)檢測(cè)絮體的大小變化，Kyoda等[10]采用FBRM對(duì)絮凝粘土懸浮液中形成的絮體結(jié)構(gòu)進(jìn)行檢測(cè)。

在當(dāng)前的研究中，利用常規(guī)方法檢測(cè)絮體往往會(huì)受到絮體失真和時(shí)滯性等問(wèn)題的干擾，影響著檢測(cè)結(jié)果。近年來(lái)，隨著計(jì)算機(jī)技術(shù)和圖像采集技術(shù)的高速發(fā)展，機(jī)器視覺(jué)因其具有快速、準(zhǔn)確且不會(huì)使絮體形狀失真等優(yōu)點(diǎn)，已成為絮體檢測(cè)研究的一種有力手段。本文就機(jī)器視覺(jué)在絮體檢測(cè)中的算法優(yōu)化與應(yīng)用進(jìn)行了討論，對(duì)其未來(lái)的研究發(fā)展方向進(jìn)行了展望，為今后機(jī)器視覺(jué)及絮體檢測(cè)方面的研究提供了參考。

1 機(jī)器視覺(jué)及其可檢測(cè)的絮體特征參數(shù)

1.1 機(jī)器視覺(jué)簡(jiǎn)介

機(jī)器視覺(jué)可以通過(guò)模擬人類視覺(jué)的方式來(lái)自動(dòng)地識(shí)別、檢測(cè)和理解物體的形態(tài)及運(yùn)動(dòng)情況，從圖像中定位、識(shí)別及提取的二維特征與對(duì)象的三維表示相匹配[11][12]。如表1所示，機(jī)器視覺(jué)由以下三個(gè)系統(tǒng)組成：圖像采集系統(tǒng)、圖像處理系統(tǒng)和數(shù)據(jù)處理系統(tǒng)，包含的內(nèi)容有圖像處理、目標(biāo)檢測(cè)及圖像識(shí)別[13][14]。

表1 機(jī)器視覺(jué)系統(tǒng)簡(jiǎn)介

1.2 機(jī)器視覺(jué)可檢測(cè)的絮體特征參數(shù)

利用機(jī)器視覺(jué)可檢測(cè)的絮體特征參數(shù)有：粒度、分形維數(shù)、沉降速度等。如圖1所示，絮體圖像經(jīng)過(guò)處理后，對(duì)連通區(qū)域進(jìn)行標(biāo)記，采用遍歷掃描的方式計(jì)算當(dāng)前幀區(qū)域內(nèi)絮體長(zhǎng)度、寬度、周長(zhǎng)和面積等，可獲取絮體粒度及分形維數(shù)；如圖2所示，根據(jù)絮體目標(biāo)初始化粒子群，圖像處理之后獲取圖像特征，然后進(jìn)行單幀圖像檢測(cè)，關(guān)聯(lián)檢測(cè)值和預(yù)估值進(jìn)行運(yùn)算，可獲得絮體的沉降速度。

圖1 機(jī)器視覺(jué)檢測(cè)絮體粒度及分形維數(shù)

圖2 機(jī)器視覺(jué)檢測(cè)絮體沉降速度

1.1.1 粒度

絮體粒度通常用等效粒徑值表征[15]。絮體的等效粒徑值用d(m)表示：

(1)

式中，A為絮體平面投影面積(m2)。

絮凝機(jī)理、混凝劑種類及投藥量等因素會(huì)使得絮體粒度在絮凝反應(yīng)過(guò)程中發(fā)生變化。Zhao等[16]研究了高嶺土濃度對(duì)絮體粒度的影響：隨著高嶺土的加入，較大粒徑絮體的比例增加，高嶺土在快速混合階段促進(jìn)了絮體的形成；Maggi[17]研究表明，絮體的粒徑越大則其分形維數(shù)越小，反之絮體的粒徑越小則其分形維數(shù)越大。

1.1.2 分形維數(shù)

分形理論提出：自相似和尺度不變量是分形對(duì)象最重要的特征[18]。分形維數(shù)可用來(lái)定量說(shuō)明絮體的不規(guī)則性，表征絮體的強(qiáng)度、穩(wěn)定性及密實(shí)程度，描述和分析絮體的形成及成長(zhǎng)[19]。分形維數(shù)Df可用其與質(zhì)量M(粒徑d)之間的關(guān)系來(lái)概括：

M∞dDf

(2)

絮體結(jié)構(gòu)越致密，則其分形維數(shù)越高，反之絮體結(jié)構(gòu)越松散，則其分形維數(shù)越低。鄔艷等[20]認(rèn)為微觀的絮體形態(tài)與宏觀的絮凝效果之間存在著一定的聯(lián)系：較高的絮體分形維數(shù)對(duì)應(yīng)較高的有機(jī)物去除率；郭書雅等[21]研究發(fā)現(xiàn)絮體顆粒形態(tài)與其分形維數(shù)、絮體粒徑變化具有良好的正相關(guān)性，分形維數(shù)值達(dá)到1.906后基本不隨時(shí)間變化，絮體顆粒的聚集與沉降性能得到提高。

1.1.3 沉降速度

沉降速度通常用以表征絮體的沉降性能，可直接反映絮體的沉淀分離效果。絮體的沉降速度V(mm?s-1)可用以下公式求得：

V=Q/S

(3)

式中：Q為循環(huán)水流量(mm3?s-1)；S為過(guò)水?dāng)嗝?mm2)。

絮體沉降速度與其他參數(shù)(絮體粒度、湍流度和分形維數(shù))之間存在顯著的線性關(guān)系[22]。Vahedi等[23][24]認(rèn)為絮體的分形維數(shù)與其沉降速度之間存在著較好的正相關(guān)性，并且研究發(fā)現(xiàn)兩個(gè)絮體即使粒徑相同，也可能有不一樣的質(zhì)量或質(zhì)量分布，從而導(dǎo)致其具有不同的沉降速度；翟士才等[25]以VS2010為平臺(tái)，基于OpenCV機(jī)器視覺(jué)庫(kù)，編寫了一個(gè)系統(tǒng)軟件，建立了一個(gè)以絮體沉速為主控的混凝劑投加模型，可在線跟蹤絮體顆粒與測(cè)量沉速。

2 機(jī)器視覺(jué)在絮體檢測(cè)中的算法優(yōu)化

2.1 對(duì)絮體重疊交叉、黏連聚合問(wèn)題的優(yōu)化

近幾年來(lái)，在傳統(tǒng)邊緣檢測(cè)方法基礎(chǔ)上，發(fā)展了許多新的檢測(cè)方法，但依舊存在著絮體重疊交叉、黏連聚合等問(wèn)題，會(huì)導(dǎo)致邊緣檢測(cè)不完整、易發(fā)生遮擋、缺乏靈活性等不足的問(wèn)題產(chǎn)生。

針對(duì)這些問(wèn)題，苗中華等[26]提出了最大類方差法、K-means算法及分水嶺算法的組合算法，雖然環(huán)境中的自然光在一定程度上影響著目標(biāo)分割，但結(jié)果證明該算法能較好地實(shí)現(xiàn)對(duì)重疊目標(biāo)邊緣的提取及精確邊界的分離；吳鵑[27]通過(guò)構(gòu)造目標(biāo)增強(qiáng)算子以及目標(biāo)邊緣函數(shù)像素積累，設(shè)計(jì)了目標(biāo)輪廓檢測(cè)算法，實(shí)現(xiàn)了面積與周長(zhǎng)的測(cè)量，較大提高了穩(wěn)定性與提取精度；Xie等[28]提出了一種改進(jìn)亞像素邊緣檢測(cè)算法，結(jié)合了粗定位與精定位，保持了羅伯茨算子定位精度高、速度快等優(yōu)點(diǎn)的同時(shí)能有效抑制噪聲，取得較好的檢測(cè)效果；Gu等[29]提出了一種基于神經(jīng)網(wǎng)絡(luò)和并行計(jì)算的邊緣檢測(cè)方法，在檢測(cè)效率和準(zhǔn)確度上均優(yōu)于舊方法；詹寶容等[30]通過(guò)優(yōu)化算法初始設(shè)定及蟻群轉(zhuǎn)移規(guī)則，再根據(jù)蟻群動(dòng)態(tài)情況調(diào)整自適應(yīng)素閾值算法，對(duì)圖像邊緣檢測(cè)技術(shù)進(jìn)行組合優(yōu)化，改進(jìn)后的算法在運(yùn)算速度上提升2.81%，檢測(cè)效果上提升12.24%；針對(duì)傳統(tǒng)Canny算法存在的缺點(diǎn)：不能自動(dòng)調(diào)整的閾值和對(duì)噪聲敏感。段紅燕等[31]在Canny算法的基礎(chǔ)上，將原有的高斯濾波替換為雙邊濾波對(duì)圖像進(jìn)行降噪處理，提出了一種改進(jìn)的邊緣檢測(cè)算法，改善了傳統(tǒng)Canny算法在濾波時(shí)造成邊緣模糊且信息丟失的不足；Liu等[32]也進(jìn)行了類似研究，將原有的高斯濾波替換為形態(tài)學(xué)濾波對(duì)圖像進(jìn)行平滑處理，引進(jìn)OTSU算法對(duì)高低閾值進(jìn)行動(dòng)態(tài)調(diào)整，改進(jìn)后的Canny算法不僅可以提高圖像的對(duì)比度，自動(dòng)調(diào)整閾值，而且可以減少背景干擾和假邊緣；楊麗雯等[33]提出一種基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)方法，解決了傳統(tǒng)邊緣檢測(cè)算法去噪能力差、邊緣定位能力低的問(wèn)題，但存在邊緣分辨率低、低強(qiáng)度邊緣保護(hù)能力差的不足。

2.2 對(duì)運(yùn)算時(shí)間長(zhǎng)、存儲(chǔ)空間大問(wèn)題的優(yōu)化

沉降過(guò)程中重疊、交叉、聚合的絮體會(huì)引起運(yùn)算時(shí)間長(zhǎng)、存儲(chǔ)空間大等難題，會(huì)產(chǎn)生算法復(fù)雜度高、檢測(cè)效率低、缺乏實(shí)時(shí)性及不利于工業(yè)實(shí)踐等不足。

為了使這些復(fù)雜問(wèn)題得到更好的解決，潘文超[34]提出一種適合于求解連續(xù)非線性優(yōu)化問(wèn)題的果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)，該算法是從果蠅家族的生命歷程中發(fā)展而來(lái)，因果蠅敏銳的嗅覺(jué)及視覺(jué)器官有助于其覓食行為而得到啟發(fā)；Balasubbareddy[35]將模糊決策技術(shù)引入FOA，提出了一種基于非支配排序的混合多目標(biāo)算法，該算法具有迭代次數(shù)少、時(shí)間短、初始值好、最終值小的特點(diǎn)，對(duì)提高尋優(yōu)速度及檢測(cè)精度十分有效；楊書佺等[36]基于果蠅個(gè)體分布位置，對(duì)果蠅算法進(jìn)行優(yōu)化，將FOA與功能流算法與多目標(biāo)處理技術(shù)相結(jié)合，設(shè)計(jì)了自適應(yīng)步長(zhǎng)調(diào)整機(jī)制，較大地提高了收斂的速度和精度，減少了時(shí)間和空間的消耗；Xie等[37]將壓縮感知與粒子濾波相結(jié)合，將絮體檢測(cè)位置與其估計(jì)位置進(jìn)行數(shù)據(jù)關(guān)聯(lián)，提出了一種有效的絮體跟蹤算法，極大地提高了識(shí)別的精度與速度；Anan[38]提出了一種增強(qiáng)圖像邊緣檢測(cè)的人工蜂群算法，該方法能在邊緣檢測(cè)過(guò)程中尋找最優(yōu)的邊緣濾波器，并對(duì)閾值進(jìn)行優(yōu)化，具有較高的精度，改善了計(jì)算量大而效率低的問(wèn)題；鄧小亞[39]提出了一種基于蜂群算法的圖像邊緣檢測(cè)方法，從局部最優(yōu)點(diǎn)開始搜索找出各目標(biāo)次優(yōu)解和全局最優(yōu)解即邊緣點(diǎn)，邊緣點(diǎn)的并集就是圖像邊緣，與傳統(tǒng)算法相比計(jì)算量及檢測(cè)時(shí)間大大減少，但易陷入局部最優(yōu)。

總體上看，上述各類算法，在解決尺寸極微小絮體的邊緣檢測(cè)與分割問(wèn)題上，不僅使檢測(cè)與分割的速度、精度得到了提高，還使運(yùn)算時(shí)間及儲(chǔ)存空間得到了壓縮，改善了檢測(cè)效果，但邊緣提取較混亂、易陷入局部最優(yōu)解等問(wèn)題始終存在，還無(wú)法完全滿足實(shí)際生產(chǎn)的需要。因此有必要進(jìn)一步研究快速有效的新方法，為準(zhǔn)確獲取絮體特征參數(shù)奠定良好基礎(chǔ)。

3 機(jī)器視覺(jué)在絮體檢測(cè)中的應(yīng)用

在水處理絮凝過(guò)程中，利用機(jī)器視覺(jué)進(jìn)行絮體檢測(cè)具有快速、準(zhǔn)確且便于操作等優(yōu)勢(shì)，不會(huì)使絮體破碎或變形，已經(jīng)成為絮體特性研究的一種新方法。

3.1 在絮凝機(jī)理研究中的應(yīng)用

絮凝是常規(guī)地表水處理中的關(guān)鍵步驟，隨著機(jī)器視覺(jué)技術(shù)日臻完善，依靠其在絮體檢測(cè)方面的獨(dú)特優(yōu)勢(shì)，該技術(shù)在絮凝機(jī)理研究中發(fā)揮著越發(fā)重要的作用。Dai等[40]在微渦流絮凝工藝中通過(guò)機(jī)器視覺(jué)檢測(cè)絮體粒徑及分形維數(shù)，以絮凝時(shí)間與絮凝劑投加量為變量，研究了其對(duì)絮凝效果及絮體性能的影響，得到了最優(yōu)工況條件，建立了絮體粒徑與分形維數(shù)之間的關(guān)系方程；Wang等[41]在探討微絮凝階段剪切速率對(duì)絮體粒徑和結(jié)構(gòu)的影響時(shí)，利用機(jī)器視覺(jué)系統(tǒng)對(duì)絮體進(jìn)行圖像采集及處理，結(jié)果表明剪切速率的增加主要導(dǎo)致微絮體分形維數(shù)增大，同時(shí)在峰值過(guò)后絮體粒徑及分形維數(shù)均隨剪切速率的增加而減小；高超[42]在對(duì)絮體進(jìn)行檢測(cè)采用了機(jī)器視覺(jué)系統(tǒng)，不但有效地獲取了絮體的特征參數(shù)，而且各參數(shù)值均在正常值范圍內(nèi)，機(jī)器視覺(jué)的良好可行性和實(shí)操性等優(yōu)點(diǎn)均得以體現(xiàn)，為絮凝過(guò)程中絮體特征參數(shù)的研究提供了技術(shù)支持；楊亞坤[43]在污泥沉降過(guò)程研究中，利用機(jī)器視覺(jué)對(duì)污泥絮體的大小、形狀及沉降速度進(jìn)行檢測(cè)，使得人工測(cè)量效率和準(zhǔn)確率低的問(wèn)題得到了較好解決。

實(shí)驗(yàn)中首先利用工業(yè)數(shù)字相機(jī)采集絮體圖像，然后將圖像數(shù)據(jù)傳輸?shù)絇C中的圖像處理系統(tǒng)，緊接著進(jìn)一步完成圖像預(yù)處理、目標(biāo)檢測(cè)、數(shù)學(xué)形態(tài)學(xué)分析、特征提取等一系列步驟，最后由數(shù)據(jù)處理軟件計(jì)算分析得出數(shù)據(jù)信息。利用機(jī)器視覺(jué)進(jìn)行絮體檢測(cè)，能夠?yàn)樾躞w特征參數(shù)與絮凝效果之間關(guān)系的進(jìn)一步研究奠定良好基礎(chǔ)，并對(duì)促進(jìn)絮凝工藝運(yùn)行及其理論發(fā)展有著深遠(yuǎn)的意義。

3.2 在絮凝劑投加控制中的應(yīng)用

水質(zhì)特征的檢測(cè)和絮凝劑的投加控制是水廠運(yùn)行中的重要環(huán)節(jié)，傳統(tǒng)的檢測(cè)方法以及混凝劑的投加控制存在著主觀性、不穩(wěn)定性及成本過(guò)高等問(wèn)題，影響著出水水質(zhì)的保證。朱逸等[44]以機(jī)器視覺(jué)作為絮體檢測(cè)方法，加以模糊控制作為輔助手段，提出了一種全自動(dòng)自來(lái)水廠絮凝劑投加控制系統(tǒng)，利用其完成圖像處理及識(shí)別等功能，實(shí)現(xiàn)絮凝劑的自動(dòng)投加控制，保證出水水質(zhì)的同時(shí)降低人工成本，具有安全可靠、穩(wěn)定性強(qiáng)等優(yōu)點(diǎn)；翟士才等[45]在總結(jié)和分析了現(xiàn)有的混凝劑投加控制方法的基礎(chǔ)上，以絮體沉降速度和等效粒徑為控制參數(shù)，基于機(jī)器視覺(jué)提出了混凝劑投加控制系統(tǒng)，實(shí)現(xiàn)了混凝劑的自動(dòng)穩(wěn)定投加。

隨著計(jì)算機(jī)和圖像采集技術(shù)的高速發(fā)展，機(jī)器視覺(jué)已成為絮體檢測(cè)的常用手段，將其應(yīng)用于水廠運(yùn)行中，可以對(duì)絮體特征參數(shù)進(jìn)行自動(dòng)、實(shí)時(shí)、高效、準(zhǔn)確的檢測(cè)，最終實(shí)現(xiàn)混凝劑的自動(dòng)投加控制，較好解決了主觀性、不穩(wěn)定性及成本過(guò)高等問(wèn)題；同時(shí)機(jī)器視覺(jué)系統(tǒng)安裝簡(jiǎn)單方便，易于在大部分水廠中得到推廣。

4 結(jié)論與展望

絮體檢測(cè)對(duì)于絮凝過(guò)程的研究以及微觀的絮體形態(tài)與宏觀的絮凝效果的結(jié)合有著重要意義，是建立絮體特征參數(shù)與出水水質(zhì)指標(biāo)關(guān)系的關(guān)鍵。近年來(lái)機(jī)器視覺(jué)因其在檢測(cè)絮體時(shí)具有高精度、非接觸、實(shí)時(shí)高效等優(yōu)點(diǎn)而備受青睞，其持續(xù)的進(jìn)步與發(fā)展為絮體機(jī)理及絮凝劑投加控制的研究奠定了基礎(chǔ)，存在的絮體重疊交叉、黏連聚合、運(yùn)算時(shí)間長(zhǎng)、存儲(chǔ)空間大等問(wèn)題，隨著分水嶺算法、邊緣檢測(cè)算法、果蠅算法等算法的提出、改進(jìn)與優(yōu)化，得到了較好的解決。

機(jī)器視覺(jué)在絮體檢測(cè)研究中極具發(fā)展?jié)摿?，其未?lái)的研究方向?yàn)椋簷C(jī)器視覺(jué)系統(tǒng)通常面對(duì)的是復(fù)雜的外部環(huán)境，要選擇并使用恰當(dāng)?shù)姆椒焖僮R(shí)別絮體，提高絮體性能參數(shù)的檢測(cè)精度；加強(qiáng)機(jī)器視覺(jué)的自動(dòng)化、智能化功能實(shí)現(xiàn)，如自動(dòng)控制、檢測(cè)錯(cuò)誤、自動(dòng)投加混凝劑等；降低成像設(shè)備及信息處理的過(guò)高成本，從而緩解其對(duì)絮體圖像的采集分辨率及處理速度的限制。