【南京纯水设备行业新闻】生化池的线监测对污水处置厂的稳定运行具有重要意义。现有生化池监测依赖流量计、传感器以及人工巡查和综合判断。为降低生化池人工巡检的工作量，提升监测的连续性和准确性，本研究提出基于机器视觉的监测方案，并以曝气量预测为目标，考察了该技术方案的可行性。以小试规模生化池曝气量1,2,3,4,5L/min为预测对象，通过采集生化池的曝气图像、构建数据库、使用卷积神经网络提取特征、建立模型的监测框架，实现了污水处置过程中曝气量变化的自动感知。模型分析标明测试集的预测精度达到99%且模型预测精度稳定性较高，满足自动监测的需求。进一步考察机器视觉技术从小试迁移到中试规模生化池的可行性，证明了该方法在不同的生化池中均具有可行性，表示出良好的应用潜力。研究利用硬件（摄像头）和软件（机器学习模型）实现生化池运行关键信息的线监测和异常识别，可实现对人工巡视的局部替代，从而为污水处置厂的智慧化运行提供可行思路。

研究背景

生化池是污水处置厂的核心构筑物，净化污水的关键场所，也是日常巡查的重点。污水、活性污泥与空气在生化池充分混合[1]发生一系列生化反应，将污水中的氨氮、有机物等污染物质降解转化[2,3]生化池的稳定运行与污水处置厂出水水质密切相关，对于污水处置厂的稳定运行具有重要意义，因此生化池监测是污水处置厂运行的关键。

用于生化池监测的传感器类型丰富，包括溶解氧探头、气体流量计、压力表等，可有效反映生化池运行状态，但受成本影响，传感器布置密度和采集范围有限[4]难以完整地反映真实运行状况，日常运行仍依赖有经验的运维人员巡视并进行判断决策。因此现有生化池监测体系以传感器监测为基础，加以技术人员定期巡检，技术人员对传感器数据和巡检获得的视觉信息进行综合分析，完成判断决策。技术人员是生化池监测体系的核心”技术人员通过日常巡视获取传感器无法直接或间接表征的信息，其中最重要的就是生化池的图像数据。如生化池曝气图像中蕴含曝气量、曝气均匀性、氧转移效率等关键信息[3]能够直接反映生化池运行状态[5]目前污水处置厂对生化池也进行图像数据的采集，局限于现场监控，缺乏对图像信息进行更深度的挖掘和分析。这样的监测体系依赖技术人员的灵活巡视，存在一定的滞后性。而且图像数据分析的准确性难以保证，数据分析较为主观，效率偏低，因此智能化的生化池监测方法仍有待于开发。

近年来，数据驱动的深度学习机器视觉监测技术发展迅速，因可识别不同类别图像的潜在模式在环境领域得到广泛应用[6-8]卷积神经网络（ConvolutNeuralNetworkCNN可通过卷积层和池化层的组合自动提取文本数据和图像数据特征，图像识别效率和准确性接近甚至高于人的水平，因此CNN受到环境领域研究者和技术人员的青睐，并应用到分割定位、特征识别、时序预测等领域[9]1目标分割定位领域。Kraus等[10]使用小参数量的fully-CNN网络，实现了水样显微镜图像中硅藻的标志与计数，与人工计数相比效率显著提升；Moreno-Rodena等[11]使用语义分割CNN对污水泵站进水池的油脂层进行自动监测，结果标明模型可有效识别油脂层形成和消失的动力学过程并进行报警。2目标特征识别方面。研究者将CNNan用于污染水体图像分类[12]可对洁净水和污染水高精度分类，且可以细化湖、河、海等洁净水和藻类、油脂、垃圾、工业等污染水种类；Hassan等[13]使用CNN对地下污水管道图像特征提取，实现管道缺陷高效监测与类型标记；卷积神经网络实现对垃圾类型的识别与分拣也逐渐成熟[14-16]3时序预测方面。Pyo等[17]改进了CNN网络，通过强调叶绿素a浓度对水体中蓝藻浓度进行预测，预测精度高于激进流体力学模型和常规CNN模型；CNN河流总磷含量及空气污染物PM2.5浓度预测方面也得到广泛应用[18,19]深度学习机器视觉技术具有可靠、高效、稳定等特点，环境监测领域具有显著的应用潜力。理论上卷积神经网络在污水处置厂生化池监测领域的应用可行性还有待研究。

曝气是重要的能量输入，不只能够提供溶解氧，还可以起到搅拌的作用，对于生化池正常运行至关重要。为提升生化池曝气监测的精度和连续性，本研究以曝气量监测为研究对象，开发基于机器视觉的智能监测模型，代替运维人员完成曝气的智能监测。本研究将生化池曝气图像作为一种监测维度信息，通过采集生化池典型曝气图像，对图像对应曝气量进行标定，构建数据库，使用改进的卷积神经网络提取图像特征并训练网络参数，构建生化池曝气量监测模型，实现生化池曝气量智能监测。小试规模生化池进行曝气量监测，并对监测模型性能进行评价，同时使用可视化技术对模型特征提取过程和特征学习区域进行可视化表达，之后将该曝气量监测方法在中试规模生化池进行迁移测试，探究该监测方法的可行性。

01资料与方法

1.机器视觉监测框架

基于机器视觉的生化池曝气量监测工作框架如图1所示。试验研究思路为首先在小试规模生化池进行模型开发和模型测试，验证监测方法的可行性，之后将该监测框架迁移至中试规模生化池，验证其可迁移性。

张亮教授团队：基于机器视觉的生化池监测技术

图1基于机器视觉的生化池曝气量监测工作框架

2.数据采集与处理

1试验生化池。

本试验涉及两个生化池。两生化池进水均为某家属院生活污水，进水水质见表1小试规模生化池装置主体资料为有机玻璃，污泥为某污水处置厂二沉池回流污泥，生化池容积为100L污泥浓度为5700mg/L左右，水力停留时间为6h不主动排泥，可通过调节气阀实现不同的曝气量。气泵为海利ACO-9730流量计为矽翔数显流量计M9702

表1进水水质信息

张亮教授团队：基于机器视觉的生化池监测技术

中试规模生化池处置工艺为SBR工艺，罐体直径2.0m总高2.8m有效体积为8m3污泥浓度为5000mg/L左右，水力停留时间为8h污泥停留时间为200d鼓风机为百事德HC-251气体流量计为奥松AMS2000

2图像采集。

图像采集硬件包括计算机、显示器、摄像头、数据传输线、串口通讯设备，软件包括PyCharm和CuteCom串口通信工具。数控设备包括计算机和显示器，计算机为朴赛深度学习工作站，CPU为IntelRCoreTMi7-12700显卡为NvidiaGeForcRTX309016G摄像头为高清无畸变双目摄像头，使用绿联USB3.0数据传输线和RS485串口转换器作为数据读取设备。PyCharm平台上编写基于Python语言的图像采集脚本，导入cv2库，调用摄像头，读取视频流中的帧图像，同时获取图像拍摄时间，保管图像至指定文件夹。小试规模生化池曝气量监测试验中，以矽翔数显流量计M9702作为图像曝气量标定工具，使用CuteCom串口通讯工具获取气体流量计实时流量值，以“时间＋流量值”作为图像的文件名。对于小试生化池，满足生化反应需要的正常曝气量为3L/min采集对应曝气量为1,2,3,4,5L/min5类图像，分别代表曝气量过低、偏低、正常、偏高、过高5种情况，每类图像共采集1000张。中试规模生化池正常曝气阶段曝气量稳定在228~234L/min之间，试验中使用图像采集脚本，调用摄像头，采集SBR生化池典型曝气图像。根据气体流量计示数对采集的曝气图像进行流量标定，分别为200,220,240,260L/min作为图像数据标签，分别代表曝气量过低、正常偏低、正常偏高、过高4种情况，每类图像共采集1000张。

3.图像预处置和数据库构建

为去除小试试验曝气图像中的无关区域，减少训练干扰和计算量，编写图像裁剪代码，对采集的曝气图像进行裁剪处置。裁切图像用于后续模型训练和验证。由于中试试验生化池采集图像不涉及无关区域，因此不进行图像裁切。构建图数融合数据库。

4.卷积神经网络模型与环境设置

VGG16网络是一种经典的卷积神经网络，具有良好的特征提取和分类能力，由输入层、卷积层、池化层、全连接层和输出层组成，如图2所示。VGG16模型的核心是每个卷积层都使用33卷积核与输入图像进行卷积，通过反向传达调整网络层权重和偏置，从而获取图像的内部特征，激活函数有助于学习输入的非线性特征。最大池化层较小的卷积核在不减少计算量的同时，增加了网络层的深度和宽度，保证了特征提取的效率和准确性。最后通过全连接层和Softmax激活函数对目标进行分类。本研究采用VGG16模型，以图像数据作为输入，以图像对应曝气量标签作为输出。

张亮教授团队：基于机器视觉的生化池监测技术

图2卷积神经网络结构（VGG16

所用深度学习服务器CPU为IntelRCoreTMi7-12700显卡型号为NvidiaGeForcRTX3090编程语言为Python3.10深度学习框架为Pytorch1.11.0训练前将训练集和测试集图像修改成224224像素大小，并进行图像增强操作，如使用随机裁剪，随机水平翻转等图像增强方法，使图像数据更加丰富，之后对图像进行规范化处理。为提高VGG16网络精度，对传统VGG16网络进行改造。使用“卷积层+批归一化”组合，使网络中间层的输出更加稳定，加速网络训练和收敛，整体提高网络推理速度[20]同时为防止模型过拟合，3层全连接层之间添加了2层dropout层，可以使某些节点权重变为0有效地学习抽象特征[21,22]批大小设置为64损失函数采用交叉熵损失函数，使用Adam优化器，学习率为0.0001dropout率设置为0.5将图像数据按41比例随机划分为训练集和测试集，训练集图像用于训练模型，测试集图像用于测试模型性能。

5.模型性能评价

使用混淆矩阵以及Macro-PrecisMacro-RecalMacro-F1-Scor多分类模型评价指标来多方面评价监测模型的性能。混淆矩阵是一种衡量分类模型性能的图表，对模型预测结果和实际结果进行了统计，横轴为实际类别，纵轴为模型预测类别。从中可以获得以下基础信息：真正例（TruePositTP模型正确预测的正例样本数；假正例（FalsPositFP模型错误预测的正例样本数；真反例（TrueNegTF模型正确预测的反例样本数；假反例（FalsNegFN模型错误预测的反例样本数。

精确率（Precis召回率（Recal和F1分数（F1-Score常用的二分类模型评价指标，计算公式如下：

张亮教授团队：基于机器视觉的生化池监测技术

为了从所有类别的分类情况上总体评价模型的性能，使用宏平均作为本研究模型评价指标。宏平均[23]计算各类别PrecisRecal和F1-Score算术平均数：

张亮教授团队：基于机器视觉的生化池监测技术

式中：i为第i个类别；k为总类别数。

02结果与讨论

1.小试规模生化池曝气量监测评价

使用基于小试规模生化池构建的曝气量图像数据库（1~5L/min共5类，共5000张图像数据）对卷积神经网络（VGG16进行训练。以“图像＋曝气量”数据作为模型输入，模型网络对图像特征进行提取学习，并将数据向后传播，输出后与图像标定的曝气量值进行对比，将误差反向传达至网络前端，从而修正网络参数，直到完成所有图像数据的获取和学习。以上为模型的一次迭代过程，也是模型的学习过程。模型迭代达到指定次数后，对模型的预测性能进行测试，考察模型根据曝气图像预测曝气量的精度。

模型迭代10次后，使用测试集对构建模型进行预测性能测试，预测结果以混淆矩阵的形式表示，图例中颜色表示对应预测类别的图像数量，如图3a所示。模型对曝气量的总体识别效果较好，正确率为86.8%设置10组平行实验，使用多分类模型评价指标对曝气量监测模型预测精度的稳定性进行评价，结果如图3b所示。模型迭代10次时，Macro-PrecisMacro-RecalMacro-F1-Scor三类指标的均值和中位数都在90%以上，但数值动摇较大。进一步增加模型迭代次数至50次，模型的预测正确率显著提高，从86.8%增加至99.1%如图3c所示。10次平行试验后的模型稳定性评价结果标明，迭代50次的模型稳定性明显提升，三类评价指标的平均数达到0.975左右，中位数约为0.990如图3d所示。以上结果标明通过增加模型迭代次数后，模型可充分学习图像特征，得到更高精度的预测效果。总体来说，基于生化池曝气图像数据的生化池流量监测方法具有一定可行性，预测准确度满足实际需求。

张亮教授团队：基于机器视觉的生化池监测技术

图3基于曝气图像数据的生化池曝气量监测模型性能测试

2.小试规模生化池曝气量监测可视化探究

特征图是神经网络提取信息的可视化表达方式[24]通过遍历所有网络层，并将各通道的特征图映射成图像，实现网络特征图的可视化表达。本研究中，以5L/min图像的特征提取过程为例，图4中展示了小试规模生化池曝气量监测模型各网络层的典型特征图。可见，浅层卷积层保留了原始图像的所有信息，而深层卷积层关于图像视觉内容信息减少，关于类别的信息增加。浅层卷积层提取信息包括生化池图像更多像素点和细节信息，可以实现曝气图像轮廓、边缘、颜色、纹理和形状等细粒度、容易理解的低级视觉特征提取，如生化池轮廓、外表气泡大小和数量、水面波纹等，这使得网络准确确定目标位置，理解图像内容。随着网络层的加深，卷积层将简单特征组合成更复杂的特征，提取曝气图像粗粒度的视觉信息，特征越来越笼统，难以用视觉信息直观解释，代表着该类别独特的高级笼统特征，具有更强的语义信息。

张亮教授团队：基于机器视觉的生化池监测技术

图4小试规模生化池曝气量监测模型可视化

特征图可视化表明VGG16网络可以对曝气图像特征进行定位提取，而类别激活映射(ClassActivatMapCA M可以反映网络在训练过程学习和提取的特征信息类别。CA M一种用于分析卷积神经网络中间特征图中每个特征图的重要水平的方法[25]CA M可表达各区域特征对网络分类的贡献水平，即网络的分类依据。CA M图区域颜色越接近红色高亮表示原始图片对应区域对网络的响应越高、贡献越大，即网络越关注此区域的特征，网络的主要判断依据。图431层特征图和学习权重加权计算后获得的响应热力图，结果标明模型对于曝气图像的特征学习的高响应区域主要集中在生化池中心区域，说明生化池中心包括丰富的图像特征，模型对不同曝气量图像中心区域的独有特征进行有效识别并学习，以此作为曝气量图像分类的依据。该特征学习区域包括生化池重要表观信息，据此推测模型可根据实际曝气情况捕捉该区域的图像特征，如气泡大小、气泡密集水平、水面动摇等信息进行曝气量图像分类，完成曝气量预测的任务。

3.曝气量监测框架迁移测试：从小试到中试

将小试规模生化池监测框架迁移至中试规模生化池进行验证。中试规模生化池的工况相对更加复杂，生化池外表有浮泥层存在并且基于人的视觉对曝气量判断存在困难。因此，该中试规模生化池场景下探究此机器视觉的监测方法的可行性具有重要意义。

使用基于中试规模生化池构建的曝气量图像数据库（200,220,240,260L/min共4000张图像数据）训练卷积神经网络（VGG16模型迭代次数设置为50次，待模型迭代完成后进行测试，中试规模生化池迁移测试工作流程如图5所示。测试结果标明，模型迭代50次后识别率为91.6%进行10次平行试验，迭代50次模型的Macro-PrecisMacro-RecalMacro-F1-Scor值分别为0.9150.870.863中间值为0.9240.8960.894最大值可达0.97以上。可见，该模型的迁移测试精度和稳定性仍保持在较高水平，能够完成更大规模、更复杂工况的生化池曝气量监测任务。不过，与小试规模生化池曝气量监测模型相比，评价指标值动摇有所增加，数值分布更加离散，精度与稳定性有所降低，考虑是由于中试规模生化池实际运行情况更复杂，曝气时表面的污泥浮沫较多，且浮沫外表较为相似，导致模型特征学习难度大，精度和稳定性下降。

张亮教授团队：基于机器视觉的生化池监测技术

图5生化池曝气量监测迁移测试工作框架

03机器视觉技术的应用展望

1.机器视觉技术开发与应用框架

本研究提出“平台搭建、数据获取、模型训练、监测应用”生化池曝气监测框架，使用图像传感器和计算机等硬件获取并传输图像数据，使用编程算法建立参数预测模型，反映生化池基本运行状况。除以上研究外，本研究进一步考虑了应用场景的特殊情况，如夜间、阴天等自然光照条件不理想的应用场景。通过近红外传感器构建图像数据库并开发预测模型，模型的预测精度接近80%因此不同图像传感器和神经网络模型的联合应用，可实现生化池“247全天候连续监测。

该监测技术的应用场景可拓展到各个污水处置单元，如曝气盘堵塞水平感知、序批式反应器工况监测、污泥沉降性监测[28]污泥丝状膨胀早期预警[29]污泥颗粒化程度表征、出水悬浮物监测等情形，构建污水处置全流程多元监测信息网络，为污水处置单元高效运营提供技术支持。另外，可强化特征提取过程，深度挖掘图像信息[26]实现多特征信息提取，如从曝气图像同时提取污泥浓度、曝气量、曝气均匀性等特征，提高数据的利用效率，为建模提供数据基础。该监测方法通过深度挖掘图像信息增加了监测信息维度，理论上可代替运维人员巡视，降低监测本钱，提高监测连续性，从而实现自动化的智能感知[27]

2.机器视觉监测技术展望

基于该机器视觉技术在生化池监测的初步可行性，未来研究可从不同维度进一步深化。1多模态信息整合。对图像数据、水质数据、传感器数据、微生物群落数据等进行多元数据融合[30,31]提高污水处置单元监测的整体性和系统性，各数据间交叉验证，辅助工程师进行判断决策，从而提供前期预警、异常报警、后期溯源的智能监测方案；2模型轻量化通用化研究。保证模型有效监测的前提下，开展模型轻量化研究[32]减少算力依赖，增强实际应用可行性；与大模型技术耦合，助力无监督、智能化的水处置监测大模型开发应用；3研发“感存算一体化设备”实现运行状态的原位判断和初步分析，降低数据传输能耗。AI+污水处置厂”将进一步提高污水处置厂的运维水平，协助地下污水处置厂、偏远地区污水处置厂等难监测、难控制场景进行智慧化升级改造，真正实现污水处置厂的少人化、无人化运行管理[33]如图6所示。

张亮教授团队：基于机器视觉的生化池监测技术

图6污水处置厂生化池智能监测

04结论

本研究使用可解释的机器视觉监测方法对生化池进行曝气量智能监测。通过构建图像数据库，使用卷积神经网络自动对图像进行特征提取，训练网络参数，构建曝气量监测模型。通过模型可视化发现，模型可从曝气图像中提取和学习丰富的多维特征，从而识别不同曝气量。曝气量监测模型在小试规模生化池监测中表现良好，具有较高的精度和稳定性，识别精度达86.8%同时可通过增加模型迭代次数进一步提高曝气监测模型的性能。模型在中试规模生化池的迁移应用中三类模型性能评价指标均值均高于0.8最高可达0.97证明基于图像数据的生化池曝气量监测方法具有可行性。因此，基于机器视觉的生化池曝气监测方法具有一定的应用价值，图像数据可作为一种生化池监测维度信息，进一步与机器视觉技术结合用于生化池日常监测，提升日常监测的准确性和连续性。