張 林

（商洛學院 電子信息與電氣工程學院/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，體現在以下兩方面：第一，隨著我國污水處理廠建設已從大都市“走鄉(xiāng)入鎮(zhèn)”，運行管理專業(yè)人才匱乏越發(fā)凸顯，導致污水處理難以達標。如南水北調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村污水處理站，但這些污水處理往往因為技術力量不夠，導致處理效果不理想[1]。第二，由于規(guī)模和經費的限制，污水處理的輔助設施及人員配置在小型污水處理廠（站）難以達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)境質量改善關鍵環(huán)節(jié)[2]。

微生物是檢測污水處理廠生化系統(tǒng)調試、后期穩(wěn)定運行和工藝調整過程的重要指標。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性狀信息，對生產起到一定的指導作用[3]?；钚晕勰囝愒鷦游锓N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]。在活性污泥法的應用中，常通過觀察原生動物的種類和數量，間接地判斷污水處理的效果。同時顯著度檢測和神經網絡技術的日趨成熟，為生物相檢測中低品質圖像多目標物的高效識別提供理論和方法依據。

近年來，人工智能技術作為研究領域中的焦點，在各個領域均已取得了巨大的進步和廣泛的應用。人工神經網絡（Artificial Neural Networks，簡寫為ANNs）是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統(tǒng)的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的，并具有自學習和自適應的能力[5]。本研究旨在設計一個高效且準確率高的神經網絡，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)學參數（形狀、大小、輪廓規(guī)則程度）、三維縱橫比、圓度和分形維數的測定，全面分析所有原生動物生物相的特征，交給神經網絡去學習。通過全面的分析與探討，完成算法的設計。根據系統(tǒng)識別結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網絡的研究與應用，一方面可以推動本學科的發(fā)展，另一方充分考慮實踐應用將專業(yè)知識應用其中，提高本學科科研的應用能力。

1 研究內容

系統(tǒng)的研究內容主要包含系統(tǒng)算法設計、云端管理系統(tǒng)設計和應用驗證三部分?？傮w研究框架結構如圖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網絡為基本手段，對生物相識別中的關鍵技術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基礎。解決與污水處理廠相配套的運行管理技術與服務沒有跟上的問題，為數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技術。

1.1 顯微圖像預處理

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數碼相機和圖像采集卡）把圖像數據傳入計算機，然后進行圖像處理和識別。但由于很多污水處理廠現場條件不好，顯微鏡圖像噪聲多、光照不均勻，導致最終獲得的圖像質量太差，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，有效提取特征參數并結合優(yōu)秀的分類算法，達到快速有效的識別和檢測要求。因此本課題在綜合現有研究成果和基礎上，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，以便高效而且準確地找到我們需要研究的目標區(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網絡生物相自動識別算法研究

卷積神經網絡結構示意圖如圖3所示，構建CNN網絡是目標識別的基礎。MATLAB神經網絡工具箱提供了構建CNN網絡的基本函數，主要由網絡的輸入層、中間層、輸出層組成。對于神經網絡的MATLAB實現，本項目采用的是一個深度學習的MATLAB包——deepLearnToolbox-master，其實現過程如圖4所示。

圖3 卷積神經網絡結構示意圖

圖4 用于生物相檢測的卷積神經網絡的實現過程

構建一種高效的卷積神經網絡，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)學參數、三維縱橫比、圓度和分形維數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，完成算法的設計。根據系統(tǒng)識別結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 結果與討論

將基于顯著度檢測和神經網絡生物相識別系統(tǒng)檢測裝置應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)