1024手机在线观看日韩新款,日韩一本大道免费dvd2022,深夜A级毛片免费视频,俺来啦2021最新官网,yy6080私人影院午夜无码,国产又污又爽又色的网站

【合肥純水設備行業(yè)新聞】

生化池的線監(jiān)測對污水處置廠的穩(wěn)定運行具有重要意義?，F(xiàn)有生化池監(jiān)測依賴流量計、傳感器以及人工巡查和綜合判斷。為降低生化池人工巡檢的工作量，提升監(jiān)測的連續(xù)性和準確性，本研究提出基于機器視覺的監(jiān)測方案，并以曝氣量預測為目標，考察了該技術方案的可行性。以小試規(guī)模生化池曝氣量1,2,3,4,5L/min為預測對象，通過采集生化池的曝氣圖像、構建數(shù)據(jù)庫、使用卷積神經(jīng)網(wǎng)絡提取特征、建立模型的監(jiān)測框架，實現(xiàn)了污水處置過程中曝氣量變化的自動感知。模型分析標明測試集的預測精度達到99%且模型預測精度穩(wěn)定性較高，滿足自動監(jiān)測的需求。進一步考察機器視覺技術從小試遷移到中試規(guī)模生化池的可行性，證明了該方法在不同的生化池中均具有可行性，表示出良好的應用潛力。研究利用硬件（攝像頭）和軟件（機器學習模型）實現(xiàn)生化池運行關鍵信息的線監(jiān)測和異常識別，可實現(xiàn)對人工巡視的局部替代，從而為污水處置廠的智慧化運行提供可行思路。

研究背景

生化池是污水處置廠的核心構筑物，凈化污水的關鍵場所，也是日常巡查的重點。污水、活性污泥與空氣在生化池充分混合[1]發(fā)生一系列生化反應，將污水中的氨氮、有機物等污染物質(zhì)降解轉(zhuǎn)化[2,3]生化池的穩(wěn)定運行與污水處置廠出水水質(zhì)密切相關，對于污水處置廠的穩(wěn)定運行具有重要意義，因此生化池監(jiān)測是污水處置廠運行的關鍵。

用于生化池監(jiān)測的傳感器類型豐富，包括溶解氧探頭、氣體流量計、壓力表等，可有效反映生化池運行狀態(tài)，但受成本影響，傳感器布置密度和采集范圍有限[4]難以完整地反映真實運行狀況，日常運行仍依賴有經(jīng)驗的運維人員巡視并進行判斷決策。因此現(xiàn)有生化池監(jiān)測體系以傳感器監(jiān)測為基礎，加以技術人員定期巡檢，技術人員對傳感器數(shù)據(jù)和巡檢獲得的視覺信息進行綜合分析，完成判斷決策。技術人員是生化池監(jiān)測體系的核心”技術人員通過日常巡視獲取傳感器無法直接或間接表征的信息，其中最重要的就是生化池的圖像數(shù)據(jù)。如生化池曝氣圖像中蘊含曝氣量、曝氣均勻性、氧轉(zhuǎn)移效率等關鍵信息[3]能夠直接反映生化池運行狀態(tài)[5]目前污水處置廠對生化池也進行圖像數(shù)據(jù)的采集，局限于現(xiàn)場監(jiān)控，缺乏對圖像信息進行更深度的挖掘和分析。這樣的監(jiān)測體系依賴技術人員的靈活巡視，存在一定的滯后性。而且圖像數(shù)據(jù)分析的準確性難以保證，數(shù)據(jù)分析較為主觀，效率偏低，因此智能化的生化池監(jiān)測方法仍有待于開發(fā)。

近年來，數(shù)據(jù)驅(qū)動的深度學習機器視覺監(jiān)測技術發(fā)展迅速，因可識別不同類別圖像的潛在模式在環(huán)境領域得到廣泛應用[6-8]卷積神經(jīng)網(wǎng)絡（ConvolutNeuralNetworkCNN可通過卷積層和池化層的組合自動提取文本數(shù)據(jù)和圖像數(shù)據(jù)特征，圖像識別效率和準確性接近甚至高于人的水平，因此CNN受到環(huán)境領域研究者和技術人員的青睞，并應用到分割定位、特征識別、時序預測等領域[9]1目標分割定位領域。Kraus等[10]使用小參數(shù)量的fully-CNN網(wǎng)絡，實現(xiàn)了水樣顯微鏡圖像中硅藻的標志與計數(shù)，與人工計數(shù)相比效率顯著提升；Moreno-Rodena等[11]使用語義分割CNN對污水泵站進水池的油脂層進行自動監(jiān)測，結(jié)果標明模型可有效識別油脂層形成和消失的動力學過程并進行報警。2目標特征識別方面。研究者將CNNan用于污染水體圖像分類[12]可對潔凈水和污染水高精度分類，且可以細化湖、河、海等潔凈水和藻類、油脂、垃圾、工業(yè)等污染水種類；Hassan等[13]使用CNN對地下污水管道圖像特征提取，實現(xiàn)管道缺陷高效監(jiān)測與類型標記；卷積神經(jīng)網(wǎng)絡實現(xiàn)對垃圾類型的識別與分揀也逐漸成熟[14-16]3時序預測方面。Pyo等[17]改進了CNN網(wǎng)絡，通過強調(diào)葉綠素a濃度對水體中藍藻濃度進行預測，預測精度高于激進流體力學模型和常規(guī)CNN模型；CNN河流總磷含量及空氣污染物PM2.5濃度預測方面也得到廣泛應用[18,19]深度學習機器視覺技術具有可靠、高效、穩(wěn)定等特點，環(huán)境監(jiān)測領域具有顯著的應用潛力。理論上卷積神經(jīng)網(wǎng)絡在污水處置廠生化池監(jiān)測領域的應用可行性還有待研究。

曝氣是重要的能量輸入，不只能夠提供溶解氧，還可以起到攪拌的作用，對于生化池正常運行至關重要。為提升生化池曝氣監(jiān)測的精度和連續(xù)性，本研究以曝氣量監(jiān)測為研究對象，開發(fā)基于機器視覺的智能監(jiān)測模型，代替運維人員完成曝氣的智能監(jiān)測。本研究將生化池曝氣圖像作為一種監(jiān)測維度信息，通過采集生化池典型曝氣圖像，對圖像對應曝氣量進行標定，構建數(shù)據(jù)庫，使用改進的卷積神經(jīng)網(wǎng)絡提取圖像特征并訓練網(wǎng)絡參數(shù)，構建生化池曝氣量監(jiān)測模型，實現(xiàn)生化池曝氣量智能監(jiān)測。小試規(guī)模生化池進行曝氣量監(jiān)測，并對監(jiān)測模型性能進行評價，同時使用可視化技術對模型特征提取過程和特征學習區(qū)域進行可視化表達，之后將該曝氣量監(jiān)測方法在中試規(guī)模生化池進行遷移測試，探究該監(jiān)測方法的可行性。

01資料與方法

1.機器視覺監(jiān)測框架

基于機器視覺的生化池曝氣量監(jiān)測工作框架如圖1所示。試驗研究思路為首先在小試規(guī)模生化池進行模型開發(fā)和模型測試，驗證監(jiān)測方法的可行性，之后將該監(jiān)測框架遷移至中試規(guī)模生化池，驗證其可遷移性。

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

圖1基于機器視覺的生化池曝氣量監(jiān)測工作框架

2.數(shù)據(jù)采集與處理

1試驗生化池。

本試驗涉及兩個生化池。兩生化池進水均為某家屬院生活污水，進水水質(zhì)見表1小試規(guī)模生化池裝置主體資料為有機玻璃，污泥為某污水處置廠二沉池回流污泥，生化池容積為100L污泥濃度為5700mg/L左右，水力停留時間為6h不主動排泥，可通過調(diào)節(jié)氣閥實現(xiàn)不同的曝氣量。氣泵為海利ACO-9730流量計為矽翔數(shù)顯流量計M9702

表1進水水質(zhì)信息

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

中試規(guī)模生化池處置工藝為SBR工藝，罐體直徑2.0m總高2.8m有效體積為8m3污泥濃度為5000mg/L左右，水力停留時間為8h污泥停留時間為200d鼓風機為百事德HC-251氣體流量計為奧松AMS2000

2圖像采集。

圖像采集硬件包括計算機、顯示器、攝像頭、數(shù)據(jù)傳輸線、串口通訊設備，軟件包括PyCharm和CuteCom串口通信工具。數(shù)控設備包括計算機和顯示器，計算機為樸賽深度學習工作站，CPU為IntelRCoreTMi7-12700顯卡為NvidiaGeForcRTX309016G攝像頭為高清無畸變雙目攝像頭，使用綠聯(lián)USB3.0數(shù)據(jù)傳輸線和RS485串口轉(zhuǎn)換器作為數(shù)據(jù)讀取設備。PyCharm平臺上編寫基于Python語言的圖像采集腳本，導入cv2庫，調(diào)用攝像頭，讀取視頻流中的幀圖像，同時獲取圖像拍攝時間，保管圖像至指定文件夾。小試規(guī)模生化池曝氣量監(jiān)測試驗中，以矽翔數(shù)顯流量計M9702作為圖像曝氣量標定工具，使用CuteCom串口通訊工具獲取氣體流量計實時流量值，以“時間＋流量值”作為圖像的文件名。對于小試生化池，滿足生化反應需要的正常曝氣量為3L/min采集對應曝氣量為1,2,3,4,5L/min5類圖像，分別代表曝氣量過低、偏低、正常、偏高、過高5種情況，每類圖像共采集1000張。中試規(guī)模生化池正常曝氣階段曝氣量穩(wěn)定在228~234L/min之間，試驗中使用圖像采集腳本，調(diào)用攝像頭，采集SBR生化池典型曝氣圖像。根據(jù)氣體流量計示數(shù)對采集的曝氣圖像進行流量標定，分別為200,220,240,260L/min作為圖像數(shù)據(jù)標簽，分別代表曝氣量過低、正常偏低、正常偏高、過高4種情況，每類圖像共采集1000張。

3.圖像預處置和數(shù)據(jù)庫構建

為去除小試試驗曝氣圖像中的無關區(qū)域，減少訓練干擾和計算量，編寫圖像裁剪代碼，對采集的曝氣圖像進行裁剪處置。裁切圖像用于后續(xù)模型訓練和驗證。由于中試試驗生化池采集圖像不涉及無關區(qū)域，因此不進行圖像裁切。構建圖數(shù)融合數(shù)據(jù)庫。

4.卷積神經(jīng)網(wǎng)絡模型與環(huán)境設置

VGG16網(wǎng)絡是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡，具有良好的特征提取和分類能力，由輸入層、卷積層、池化層、全連接層和輸出層組成，如圖2所示。VGG16模型的核心是每個卷積層都使用33卷積核與輸入圖像進行卷積，通過反向傳達調(diào)整網(wǎng)絡層權重和偏置，從而獲取圖像的內(nèi)部特征，激活函數(shù)有助于學習輸入的非線性特征。最大池化層較小的卷積核在不減少計算量的同時，增加了網(wǎng)絡層的深度和寬度，保證了特征提取的效率和準確性。最后通過全連接層和Softmax激活函數(shù)對目標進行分類。本研究采用VGG16模型，以圖像數(shù)據(jù)作為輸入，以圖像對應曝氣量標簽作為輸出。

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

圖2卷積神經(jīng)網(wǎng)絡結(jié)構（VGG16

所用深度學習服務器CPU為IntelRCoreTMi7-12700顯卡型號為NvidiaGeForcRTX3090編程語言為Python3.10深度學習框架為Pytorch1.11.0訓練前將訓練集和測試集圖像修改成224224像素大小，并進行圖像增強操作，如使用隨機裁剪，隨機水平翻轉(zhuǎn)等圖像增強方法，使圖像數(shù)據(jù)更加豐富，之后對圖像進行規(guī)范化處理。為提高VGG16網(wǎng)絡精度，對傳統(tǒng)VGG16網(wǎng)絡進行改造。使用“卷積層+批歸一化”組合，使網(wǎng)絡中間層的輸出更加穩(wěn)定，加速網(wǎng)絡訓練和收斂，整體提高網(wǎng)絡推理速度[20]同時為防止模型過擬合，3層全連接層之間添加了2層dropout層，可以使某些節(jié)點權重變?yōu)?有效地學習抽象特征[21,22]批大小設置為64損失函數(shù)采用交叉熵損失函數(shù)，使用Adam優(yōu)化器，學習率為0.0001dropout率設置為0.5將圖像數(shù)據(jù)按41比例隨機劃分為訓練集和測試集，訓練集圖像用于訓練模型，測試集圖像用于測試模型性能。

5.模型性能評價

使用混淆矩陣以及Macro-PrecisMacro-RecalMacro-F1-Scor多分類模型評價指標來多方面評價監(jiān)測模型的性能?；煜仃囀且环N衡量分類模型性能的圖表，對模型預測結(jié)果和實際結(jié)果進行了統(tǒng)計，橫軸為實際類別，縱軸為模型預測類別。從中可以獲得以下基礎信息：真正例（TruePositTP模型正確預測的正例樣本數(shù)；假正例（FalsPositFP模型錯誤預測的正例樣本數(shù)；真反例（TrueNegTF模型正確預測的反例樣本數(shù)；假反例（FalsNegFN模型錯誤預測的反例樣本數(shù)。

精確率（Precis召回率（Recal和F1分數(shù)（F1-Score常用的二分類模型評價指標，計算公式如下：

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

為了從所有類別的分類情況上總體評價模型的性能，使用宏平均作為本研究模型評價指標。宏平均[23]計算各類別PrecisRecal和F1-Score算術平均數(shù)：

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

式中：i為第i個類別；k為總類別數(shù)。

02結(jié)果與討論

1.小試規(guī)模生化池曝氣量監(jiān)測評價

使用基于小試規(guī)模生化池構建的曝氣量圖像數(shù)據(jù)庫（1~5L/min共5類，共5000張圖像數(shù)據(jù)）對卷積神經(jīng)網(wǎng)絡（VGG16進行訓練。以“圖像＋曝氣量”數(shù)據(jù)作為模型輸入，模型網(wǎng)絡對圖像特征進行提取學習，并將數(shù)據(jù)向后傳播，輸出后與圖像標定的曝氣量值進行對比，將誤差反向傳達至網(wǎng)絡前端，從而修正網(wǎng)絡參數(shù)，直到完成所有圖像數(shù)據(jù)的獲取和學習。以上為模型的一次迭代過程，也是模型的學習過程。模型迭代達到指定次數(shù)后，對模型的預測性能進行測試，考察模型根據(jù)曝氣圖像預測曝氣量的精度。

模型迭代10次后，使用測試集對構建模型進行預測性能測試，預測結(jié)果以混淆矩陣的形式表示，圖例中顏色表示對應預測類別的圖像數(shù)量，如圖3a所示。模型對曝氣量的總體識別效果較好，正確率為86.8%設置10組平行實驗，使用多分類模型評價指標對曝氣量監(jiān)測模型預測精度的穩(wěn)定性進行評價，結(jié)果如圖3b所示。模型迭代10次時，Macro-PrecisMacro-RecalMacro-F1-Scor三類指標的均值和中位數(shù)都在90%以上，但數(shù)值動搖較大。進一步增加模型迭代次數(shù)至50次，模型的預測正確率顯著提高，從86.8%增加至99.1%如圖3c所示。10次平行試驗后的模型穩(wěn)定性評價結(jié)果標明，迭代50次的模型穩(wěn)定性明顯提升，三類評價指標的平均數(shù)達到0.975左右，中位數(shù)約為0.990如圖3d所示。以上結(jié)果標明通過增加模型迭代次數(shù)后，模型可充分學習圖像特征，得到更高精度的預測效果?？傮w來說，基于生化池曝氣圖像數(shù)據(jù)的生化池流量監(jiān)測方法具有一定可行性，預測準確度滿足實際需求。

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

圖3基于曝氣圖像數(shù)據(jù)的生化池曝氣量監(jiān)測模型性能測試

2.小試規(guī)模生化池曝氣量監(jiān)測可視化探究

特征圖是神經(jīng)網(wǎng)絡提取信息的可視化表達方式[24]通過遍歷所有網(wǎng)絡層，并將各通道的特征圖映射成圖像，實現(xiàn)網(wǎng)絡特征圖的可視化表達。本研究中，以5L/min圖像的特征提取過程為例，圖4中展示了小試規(guī)模生化池曝氣量監(jiān)測模型各網(wǎng)絡層的典型特征圖?？梢?，淺層卷積層保留了原始圖像的所有信息，而深層卷積層關于圖像視覺內(nèi)容信息減少，關于類別的信息增加。淺層卷積層提取信息包括生化池圖像更多像素點和細節(jié)信息，可以實現(xiàn)曝氣圖像輪廓、邊緣、顏色、紋理和形狀等細粒度、容易理解的低級視覺特征提取，如生化池輪廓、外表氣泡大小和數(shù)量、水面波紋等，這使得網(wǎng)絡準確確定目標位置，理解圖像內(nèi)容。隨著網(wǎng)絡層的加深，卷積層將簡單特征組合成更復雜的特征，提取曝氣圖像粗粒度的視覺信息，特征越來越籠統(tǒng)，難以用視覺信息直觀解釋，代表著該類別獨特的高級籠統(tǒng)特征，具有更強的語義信息。

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

圖4小試規(guī)模生化池曝氣量監(jiān)測模型可視化

特征圖可視化表明VGG16網(wǎng)絡可以對曝氣圖像特征進行定位提取，而類別激活映射(ClassActivatMapCA M可以反映網(wǎng)絡在訓練過程學習和提取的特征信息類別。CA M一種用于分析卷積神經(jīng)網(wǎng)絡中間特征圖中每個特征圖的重要水平的方法[25]CA M可表達各區(qū)域特征對網(wǎng)絡分類的貢獻水平，即網(wǎng)絡的分類依據(jù)。CA M圖區(qū)域顏色越接近紅色高亮表示原始圖片對應區(qū)域?qū)W(wǎng)絡的響應越高、貢獻越大，即網(wǎng)絡越關注此區(qū)域的特征，網(wǎng)絡的主要判斷依據(jù)。圖431層特征圖和學習權重加權計算后獲得的響應熱力圖，結(jié)果標明模型對于曝氣圖像的特征學習的高響應區(qū)域主要集中在生化池中心區(qū)域，說明生化池中心包括豐富的圖像特征，模型對不同曝氣量圖像中心區(qū)域的獨有特征進行有效識別并學習，以此作為曝氣量圖像分類的依據(jù)。該特征學習區(qū)域包括生化池重要表觀信息，據(jù)此推測模型可根據(jù)實際曝氣情況捕捉該區(qū)域的圖像特征，如氣泡大小、氣泡密集水平、水面動搖等信息進行曝氣量圖像分類，完成曝氣量預測的任務。

3.曝氣量監(jiān)測框架遷移測試：從小試到中試

將小試規(guī)模生化池監(jiān)測框架遷移至中試規(guī)模生化池進行驗證。中試規(guī)模生化池的工況相對更加復雜，生化池外表有浮泥層存在并且基于人的視覺對曝氣量判斷存在困難。因此，該中試規(guī)模生化池場景下探究此機器視覺的監(jiān)測方法的可行性具有重要意義。

使用基于中試規(guī)模生化池構建的曝氣量圖像數(shù)據(jù)庫（200,220,240,260L/min共4000張圖像數(shù)據(jù)）訓練卷積神經(jīng)網(wǎng)絡（VGG16模型迭代次數(shù)設置為50次，待模型迭代完成后進行測試，中試規(guī)模生化池遷移測試工作流程如圖5所示。測試結(jié)果標明，模型迭代50次后識別率為91.6%進行10次平行試驗，迭代50次模型的Macro-PrecisMacro-RecalMacro-F1-Scor值分別為0.9150.870.863中間值為0.9240.8960.894最大值可達0.97以上。可見，該模型的遷移測試精度和穩(wěn)定性仍保持在較高水平，能夠完成更大規(guī)模、更復雜工況的生化池曝氣量監(jiān)測任務。不過，與小試規(guī)模生化池曝氣量監(jiān)測模型相比，評價指標值動搖有所增加，數(shù)值分布更加離散，精度與穩(wěn)定性有所降低，考慮是由于中試規(guī)模生化池實際運行情況更復雜，曝氣時表面的污泥浮沫較多，且浮沫外表較為相似，導致模型特征學習難度大，精度和穩(wěn)定性下降。

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

圖5生化池曝氣量監(jiān)測遷移測試工作框架

03機器視覺技術的應用展望

1.機器視覺技術開發(fā)與應用框架

本研究提出“平臺搭建、數(shù)據(jù)獲取、模型訓練、監(jiān)測應用”生化池曝氣監(jiān)測框架，使用圖像傳感器和計算機等硬件獲取并傳輸圖像數(shù)據(jù)，使用編程算法建立參數(shù)預測模型，反映生化池基本運行狀況。除以上研究外，本研究進一步考慮了應用場景的特殊情況，如夜間、陰天等自然光照條件不理想的應用場景。通過近紅外傳感器構建圖像數(shù)據(jù)庫并開發(fā)預測模型，模型的預測精度接近80%因此不同圖像傳感器和神經(jīng)網(wǎng)絡模型的聯(lián)合應用，可實現(xiàn)生化池“247全天候連續(xù)監(jiān)測。

該監(jiān)測技術的應用場景可拓展到各個污水處置單元，如曝氣盤堵塞水平感知、序批式反應器工況監(jiān)測、污泥沉降性監(jiān)測[28]污泥絲狀膨脹早期預警[29]污泥顆?；潭缺碚?、出水懸浮物監(jiān)測等情形，構建污水處置全流程多元監(jiān)測信息網(wǎng)絡，為污水處置單元高效運營提供技術支持。另外，可強化特征提取過程，深度挖掘圖像信息[26]實現(xiàn)多特征信息提取，如從曝氣圖像同時提取污泥濃度、曝氣量、曝氣均勻性等特征，提高數(shù)據(jù)的利用效率，為建模提供數(shù)據(jù)基礎。該監(jiān)測方法通過深度挖掘圖像信息增加了監(jiān)測信息維度，理論上可代替運維人員巡視，降低監(jiān)測本錢，提高監(jiān)測連續(xù)性，從而實現(xiàn)自動化的智能感知[27]

2.機器視覺監(jiān)測技術展望

基于該機器視覺技術在生化池監(jiān)測的初步可行性，未來研究可從不同維度進一步深化。1多模態(tài)信息整合。對圖像數(shù)據(jù)、水質(zhì)數(shù)據(jù)、傳感器數(shù)據(jù)、微生物群落數(shù)據(jù)等進行多元數(shù)據(jù)融合[30,31]提高污水處置單元監(jiān)測的整體性和系統(tǒng)性，各數(shù)據(jù)間交叉驗證，輔助工程師進行判斷決策，從而提供前期預警、異常報警、后期溯源的智能監(jiān)測方案；2模型輕量化通用化研究。保證模型有效監(jiān)測的前提下，開展模型輕量化研究[32]減少算力依賴，增強實際應用可行性；與大模型技術耦合，助力無監(jiān)督、智能化的水處置監(jiān)測大模型開發(fā)應用；3研發(fā)“感存算一體化設備”實現(xiàn)運行狀態(tài)的原位判斷和初步分析，降低數(shù)據(jù)傳輸能耗。AI+污水處置廠”將進一步提高污水處置廠的運維水平，協(xié)助地下污水處置廠、偏遠地區(qū)污水處置廠等難監(jiān)測、難控制場景進行智慧化升級改造，真正實現(xiàn)污水處置廠的少人化、無人化運行管理[33]如圖6所示。

張亮教授團隊：基于機器視覺的生化池監(jiān)測技術

圖6污水處置廠生化池智能監(jiān)測

04結(jié)論

本研究使用可解釋的機器視覺監(jiān)測方法對生化池進行曝氣量智能監(jiān)測。通過構建圖像數(shù)據(jù)庫，使用卷積神經(jīng)網(wǎng)絡自動對圖像進行特征提取，訓練網(wǎng)絡參數(shù)，構建曝氣量監(jiān)測模型。通過模型可視化發(fā)現(xiàn)，模型可從曝氣圖像中提取和學習豐富的多維特征，從而識別不同曝氣量。曝氣量監(jiān)測模型在小試規(guī)模生化池監(jiān)測中表現(xiàn)良好，具有較高的精度和穩(wěn)定性，識別精度達86.8%同時可通過增加模型迭代次數(shù)進一步提高曝氣監(jiān)測模型的性能。模型在中試規(guī)模生化池的遷移應用中三類模型性能評價指標均值均高于0.8最高可達0.97證明基于圖像數(shù)據(jù)的生化池曝氣量監(jiān)測方法具有可行性。因此，基于機器視覺的生化池曝氣監(jiān)測方法具有一定的應用價值，圖像數(shù)據(jù)可作為一種生化池監(jiān)測維度信息，進一步與機器視覺技術結(jié)合用于生化池日常監(jiān)測，提升日常監(jiān)測的準確性和連續(xù)性。