基于机器视觉的水处理过程中的加药控制方法与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图6来描述根据本公开的这种实施方式的电子设备600。上述服务器可以被配置为如电子设备600的形式。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行本公开实施方式的水处理过程中的加药控制方法的各个步骤。存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（ram）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（rom）6203。存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（i/o）接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络（例如局域网（lan），广域网（wan）和/或公共网络，例如因特网）通信。如图6所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是cd-rom，u盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本公开实施方式的方法。此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

背景技术：

1、水处理是通过物理、化学、生物等手段去除水中对于生产或生活而言不需要的异常物质的过程。加药作为水处理过程中重要的环节，对水处理的效果起着决定作用。

2、目前，通过人为分析进水量的方式来对加药量进行控制，这种方式存在加药量控制不准确的问题。

3、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开的目的在于提供一种基于机器视觉的水处理过程中的加药控制方法，进而至少在一定程度上克服当前水处理加药量控制不准确的问题。

2、根据本公开的第一方面，提供了一种基于机器视觉的水处理过程中的加药控制方法，包括：获取出水图像，确定出水图像的亮度；根据出水图像的亮度并利用预先构建的图像亮度与浊度之间的映射曲线确定出水浊度；获取进水ph、进水温度、进水浊度、进水流量以及絮凝池中水下摄像机拍摄的絮体图像；根据出水浊度、进水ph、进水温度、进水浊度、进水流量以及絮体图像对水处理过程中的加药量进行控制；其中，构建图像亮度与浊度之间的映射曲线的过程包括：获取多个水样本的图像，各水样本的浊度不同；确定各水样本的图像的亮度；检测各水样本的浊度；根据各水样本的图像的亮度与浊度拟合出图像亮度与浊度之间的映射曲线。

3、可选地，根据出水浊度、进水ph、进水温度、进水浊度、进水流量以及絮体图像对水处理过程中的加药量进行控制包括：提取絮体图像的絮体特征，并生成包含絮体特征的絮体文本；利用出水浊度生成出水浊度文本，并利用进水ph、进水温度、进水浊度、进水流量生成进水参数文本；将絮体文本、出水浊度文本和进水参数文本进行拼接，以生成目标文本；确定与目标文本对应的目标加药量等级；根据目标加药量等级对水处理过程中的加药量进行控制。

4、可选地，提取絮体图像的絮体特征，并生成包含絮体特征的絮体文本，包括：利用经训练的第一神经网络提取絮体图像的絮体特征，并将絮体特征转换为絮体文本；其中，絮体特征包括絮体的形态、尺寸和单位面积数量。

5、可选地，加药控制方法还包括：获取样本集，样本集包括多个样本对，每个样本对包括絮体样本图像以及与絮体样本图像对应的絮体样本文本；利用第一神经网络提取絮体样本图像的特征；利用双向变换器提取与絮体样本图像对应的絮体样本文本的特征；计算絮体样本图像的特征与絮体样本文本的特征之间的相似度，并基于相似度的结果执行随机梯度下降算法，以更新第一神经网络的参数和双向变换器的参数；将利用样本集实现参数更新之后的第一神经网络确定为经训练的第一神经网络。

6、可选地，确定与目标文本对应的目标加药量等级包括：将目标文本输入经训练的第二神经网络，以确定出与目标文本对应的目标加药量等级；其中，第二神经网络包括嵌入层、特征提取层和全连接层；通过嵌入层将目标文本转换为初始特征矩阵；通过特征提取层对初始特征矩阵进行特征提取，以得到中间特征矩阵；通过全连接层将中间特征矩阵映射为目标加药量等级。

7、可选地，目标加药量等级对应目标加药量范围；其中，根据目标加药量等级对水处理过程中的加药量进行控制包括：确定加药站的剩余药量以及下次来药时间；根据剩余药量以及目标加药量范围确定加药站无药的时间范围；如果下次来药时间在加药站无药的时间范围内，则根据加药站无药的时间范围、下次来药时间、目标加药量范围确定下次来药时间的时间点对应的目标加药量；控制加药设备按目标加药量进行加药。

8、可选地，获取絮凝池中水下摄像机拍摄的絮体图像包括：每隔预定时间段向絮凝池中水下摄像机发送拍摄指令；获取水下摄像机响应拍摄指令拍摄并反馈的第一候选图像集合；第一候选图像集合中连续拍摄的两张图像之间拍摄时间间隔大于时间阈值；计算第一候选图像集合中各候选图像之间的相似度，从第一候选图像集合中剔除相似度小于相似度阈值的一个或多个候选图像，以得到第二候选图像集合；确定第二候选图像集合中各候选图像的图像质量；从第二候选图像集合中选择图像质量最优的候选图像作为絮体图像。

9、根据本公开的第二方面，提供了一种基于机器视觉的水处理过程中的加药控制装置，包括：亮度确定模块，用于获取出水图像，确定出水图像的亮度；浊度确定模块，用于根据出水图像的亮度并利用预先构建的图像亮度与浊度之间的映射曲线确定出水浊度；数据获取模块，用于获取进水ph、进水温度、进水浊度、进水流量以及絮凝池中水下摄像机拍摄的絮体图像；加药量控制模块，用于根据出水浊度、进水ph、进水温度、进水浊度、进水流量以及絮体图像对水处理过程中的加药量进行控制；其中，浊度确定模块还用于构建图像亮度与浊度之间的映射曲线，并且构建图像亮度与浊度之间的映射曲线的过程包括：获取多个水样本的图像，各水样本的浊度不同；确定各水样本的图像的亮度；检测各水样本的浊度；根据各水样本的图像的亮度与浊度拟合出图像亮度与浊度之间的映射曲线。

10、可选地，加药量控制模块被配置为执行：提取絮体图像的絮体特征，并生成包含絮体特征的絮体文本；利用出水浊度生成出水浊度文本，并利用进水ph、进水温度、进水浊度、进水流量生成进水参数文本；将絮体文本、出水浊度文本和进水参数文本进行拼接，以生成目标文本；确定与目标文本对应的目标加药量等级；根据目标加药量等级对水处理过程中的加药量进行控制。

11、可选地，加药量控制模块被配置为执行：利用经训练的第一神经网络提取絮体图像的絮体特征，并将絮体特征转换为絮体文本；其中，絮体特征包括絮体的形态、尺寸和单位面积数量。

12、可选地，加药量控制模块还被配置为执行：获取样本集，样本集包括多个样本对，每个样本对包括絮体样本图像以及与絮体样本图像对应的絮体样本文本；利用第一神经网络提取絮体样本图像的特征；利用双向变换器提取与絮体样本图像对应的絮体样本文本的特征；计算絮体样本图像的特征与絮体样本文本的特征之间的相似度，并基于相似度的结果执行随机梯度下降算法，以更新第一神经网络的参数和双向变换器的参数；将利用样本集实现参数更新之后的第一神经网络确定为经训练的第一神经网络。

13、可选地，加药量控制模块被配置为执行：将目标文本输入经训练的第二神经网络，以确定出与目标文本对应的目标加药量等级；其中，第二神经网络包括嵌入层、特征提取层和全连接层；通过嵌入层将目标文本转换为初始特征矩阵；通过特征提取层对初始特征矩阵进行特征提取，以得到中间特征矩阵；通过全连接层将中间特征矩阵映射为目标加药量等级。

14、可选地，目标加药量等级对应目标加药量范围。在这种情况下，加药量控制模块被配置为执行：确定加药站的剩余药量以及下次来药时间；根据剩余药量以及目标加药量范围确定加药站无药的时间范围；如果下次来药时间在加药站无药的时间范围内，则根据加药站无药的时间范围、下次来药时间、目标加药量范围确定下次来药时间的时间点对应的目标加药量；控制加药设备按目标加药量进行加药。

15、可选地，数据获取模块获取絮凝池中水下摄像机拍摄的絮体图像的过程被配置为执行：每隔预定时间段向絮凝池中水下摄像机发送拍摄指令；获取水下摄像机响应拍摄指令拍摄并反馈的第一候选图像集合；第一候选图像集合中连续拍摄的两张图像之间拍摄时间间隔大于时间阈值；计算第一候选图像集合中各候选图像之间的相似度，从第一候选图像集合中剔除相似度小于相似度阈值的一个或多个候选图像，以得到第二候选图像集合；确定第二候选图像集合中各候选图像的图像质量；从第二候选图像集合中选择图像质量最优的候选图像作为絮体图像。

16、根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一种基于机器视觉的水处理过程中的加药控制方法。

17、根据本公开的第四方面，提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；该处理器被配置为经由执行可执行指令来实现上述任一种基于机器视觉的水处理过程中的加药控制方法。

18、在本公开的一些实施例所提供的技术方案中，一方面，本公开在进行水系统加药量控制时，除依据进水流量之外，还考虑到了进水ph、进水温度、进水浊度、絮凝池中絮体图像以及出水浊度，尤其加入了出水浊度作为控制因素，相比于仅考虑进水参数和/或絮体图像的方案，本公开出水浊度因素的加入，能够起到矫正控制结果的作用，大大提高了水处理过程中加药量控制的准确度，有助于得到优异的水处理结果；另一方面，本公开利用图像亮度分析的方式确定出水浊度，无需现场配置专用浊度检测设备，可以降低成本。

19、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。