(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123688.3 (22)申请日 2022.09.15 (71)申请人 合肥中盛水务发展 有限公司 地址 230000 安徽省合肥市经济技 术开发 区九龙路与容成路交口东湖高新创新 中心19幢 (72)发明人 李驰骋　李伟　刘蕊　 (74)专利代理 机构 合肥正则元起专利代理事务 所(普通合伙) 3416 0 专利代理师 田浩 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/28(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) (54)发明名称 一种基于污泥界面判定的二沉池运行工况 监测方法 (57)摘要 本发明公开了一种基于污泥界面判定的二 沉池运行工 况监测方法， 包括： 第一步， 构建输入 样本数据， 包括数据的获取以及预处理， 第二步， 构建从采集画面到选取最优数值的映射， 训练网 络， 得到实时画面中映射出精确数值的最优模 型， 具体采用以AlexNet为基础的神经网络架构； 第三步， 将输出数值视为图片二值化的阈值； 第 四步， 通过人工判定泥水界面的位置， 具体采用 以YOLO的神经网络加以训练， 得到通过二值化的 图片确定泥水分界面位置的最优模型， 第五步， 图像数据后处理。 本发明将相机采集到的画面进 行自适应二值化后， 通过深度神经网络， 得到在 不同的环境中， 能获取高质量的自适应阈值， 并 通过阈值判断出此时的泥水分界面的准确位置 。 权利要求书1页 说明书4页 附图4页 CN 115331176 A 2022.11.11 CN 115331176 A 1.一种基于 污泥界面判定的二 沉池运行工况监测方法， 其特 征在于， 包括以下步骤: 步骤一： 构建输入样本数据， 对样本数据进行预处理， 根据二值化的阈值， 得到二值化 后的图片； 步骤二： 采用以Alex  Net为基础的神经网络架构， 对步骤一得到的图片及相应阈值进 行匹配训练， 得到最优的重建模型； 步骤三： 将图片通过重建模型进行 数值的输出， 将输出值定位该图片二 值化的阈值； 步骤四： 通过人工判定图片泥水界面的位置， 采用以YOLO神经网络训练二值化的泥水 界面， 得到通过二 值化的图片确定泥水分界面 位置的最优 模型； 步骤五： 通过最优 模型识别出 该图片中的泥水界面。 2.根据权利要求1所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 步骤一中， 样本数据的获取是通过在二沉池内设置泥 水界面监测设备， 泥 水界面监测 设备整体安装包括横向滑轨、 竖向滑轨和驱动电机组， 在竖向滑轨底端安装摄像机， 通过驱 动电机组驱动摄像机沿横向滑轨及竖向滑轨在二沉中移动， 可运动至二沉池中各个区域及 深度， 完成现场画面的采集； 其中， 驱动电机组包括驱动电机一和驱动电机二， 驱动电机一用于驱动摄像机在竖向 滑轨上移动， 驱动电机二用于驱动摄 像机在横向滑轨上移动。 3.根据权利要求2所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 位于所述竖向滑轨且在摄像机一侧安装补光灯， 竖向滑轨及其安装的摄像机、 补光 灯、 驱动电机均密封 于透明防水装置中。 4.根据权利要求1所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 步骤一中， 二 值化后的图片的获取 是预先设定一个最优的二 值化的阈值； 对二值化后的图片进行人工标记二沉池中的泥水分界面， 将正常以及异常的情况标 出。 5.根据权利要求1所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 步骤二中， Alex  Net神经网络包括五层的卷积层、 三个池化层、 三层的全连接层以及 输出模块。 6.根据权利要求5所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 所述Alex  Net神经网络训练过程中使用线性整流 函数进行训练。 7.根据权利要求5所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 所述Alex  Net神经网络训练前对数据进行归一 化处理。 8.根据权利要求1所述的一种基于污泥界面判定的二沉池运行工况监测方法,其特征 在于， 步骤三中， 对图片通过阈值进行二 值化的处理。权　利　要　求　书 1/1 页 2 CN 115331176 A 2一种基于污 泥界面判定的二沉池运行工况监测方 法 技术领域 [0001]本发明涉及污水处理二沉池的识别技术领域， 具体涉及 一种基于污泥界面判定的 二沉池运行工况监测方法。 背景技术 [0002]二沉池是污水处理厂中重要的污泥沉降单元， 通过沉降起到泥水分离 的作用； 二 沉池前接生化池， 后接深度处理单元， 是二级处理的最后一道工序， 也是保证深度处理单元 进水水质的重要单体。 [0003]但是由于污泥腐化、 脱氮、 丝状菌膨胀等原因造成的二沉池污泥膨胀上浮等问题， 严重影响了污泥沉降效果， 使得二沉池中污泥沉降性差， 泥水界面不清晰， 泥水界面高， 甚 至接近水面， 导 致污泥随水流出， 二 沉池出水不达标， 进 而影响后续处 理单元的处理效果。 [0004]污水处理厂一般由人工进行定期巡检， 辅以污泥界面仪， 判断池中泥水界面， 若发 生污泥停留时间过长、 污泥上浮、 污泥膨胀等异常工况， 则可能导致泥水界面过高， 污泥随 出水流出等情况， 应及时采取排泥等相应解决措施。 二沉池一般安装污泥界面仪进 行监测， 但固定安装的污泥界面仪仅能监测某一个点 位的数据， 难以反映整池状况。 [0005]深度学习可以将 人工识别的方式交给机器识别进行处理， 从而直接得出场景的污 泥分界面， 观察是否有安全问题。 这种端到端的方式， 降低了学习成本， 对场景的要求较低， 能够适应不同的污泥环境。 发明内容 [0006]本发明的目的在于提供一种基于污泥界面判定的二沉池运行工况监测方法， 能够 在不同沉淀情况准确判断出二沉池的泥水分 界面， 从而检测判断此时的二沉池状态是否异 常。 [0007]本发明的目的可以通过以下技 术方案实现： [0008]一种基于 污泥界面判定的二 沉池运行工况监测方法， 包括以下步骤: [0009]步骤一： 构建输入样本数据， 对样本数据进行预处理， 根据二值化的阈值， 得到二 值化后的图片； [0010]步骤二： 采用以Alex  Net为基础的神 经网络架构， 对步骤一得到的图片及相应阈 值进行匹配训练， 得到最优的重建模型； [0011]步骤三： 将图片通过重建模型进行数值的输出， 将输出值定位该 图片二值化的阈 值； [0012]步骤四： 通过人工判定图片泥水界面 的位置， 采用以YOLO神经网络训练二值化的 泥水界面， 得到通过二 值化的图片确定泥水分界面 位置的最优 模型； [0013]步骤五： 通过最优 模型识别出 该图片中的泥水界面。 [0014]作为本发明进一步的方案： 步骤一中， 样本数据的获取是通过在二沉池内设置泥 水界面监测设备， 泥 水界面监测设备整体安装包括横向滑轨、 竖向滑轨和驱动电机， 在竖向说　明　书 1/4 页 3 CN 115331176 A 3