一种好氧颗粒污泥的图像识别和污泥粒径检测方法

技术领域

本发明涉及污水处理技术领域，尤其涉及一种好氧颗粒污泥的图像识别和污泥粒径检测方法。

背景技术

好氧颗粒污泥是指在特定培养条件下将普通活性污泥从絮体状态转化为颗粒化状态的污泥，是一种新型的应用于污水处理领域中的活性污泥。

由于好氧颗粒污泥培养过程周期长、受影响因素多(如温度、水力剪切力、有机负荷、pH、沉淀时间等)、稳定性能差，这使得好氧颗粒污泥技术在实际应用上受到了限制。好氧颗粒污泥培养过程需要在将絮体活性污泥培养成颗粒污泥过程中，掌握活性污泥的实时颗粒化状态。

现有技术的一个方面，通过人员通过目测进行预判断活性污泥呈现出颗粒化，然后对活性污泥进行取样送至实验室，通过实验人员在微镜下观察好氧颗粒污泥粒径及数量来计算其平均粒径，在操作过程中需要多次测定取平均值，操作过程繁琐；同时，由于好氧颗粒污泥粒径小、数量多，因此在人工测量统计过程精度差、存在较大误差，难以判断活性污泥颗粒化程度。

现有技术的另一个方面，是将样品送至专业实验室，通过激光粒度分析仪进行分析监测，但是存在以下缺陷：一方面，激光粒度分析在监测过程需要知道颗粒样品的折射率、吸收率等参数，在实际操作过程中，难以了解颗粒样品的准确折射率等参数；另一方面，好氧颗粒污泥为混合物质，测量其粒径会存在一定误差，且获取好氧颗粒污泥的粒径的操作过程繁琐，耗时长。

因而，市场上急需一种对好氧活性污泥颗粒可以准确、快捷、实时识别和分析的方法。

发明内容

鉴于上述的分析，本发明旨在提供一种好氧颗粒污泥的图像识别和污泥粒径检测方法，用以解决现有的技术问题中的好氧颗粒污泥识别检测存在的准确度差、测试周期长不能实时检测的问题之一。

本发明的目的主要是通过以下技术方案实现的：

一种好氧颗粒污泥的图像识别方法，包括：

基于不同粒径的微粒，对深度学习分割网络模型训练，获取可以识别不同粒径微粒的深度学习分割网络模型；

基于完成训练的深度学习分割网络模型对好氧颗粒污泥轮廓识别，获取不同区域给出二值分类结果的二值图像；

基于二值分类结果，获取好氧颗粒污泥轮廓的拟合图像及好氧颗粒污泥外轮廓所有点的位置信息。

优选的，所述基于不同粒径的微粒，对深度学习分割网络模型训练，包括：

对不同粒径的微粒的图片进行标记，将标记后的图片分割为只含有一种标记名称的标记区域；基于标记区域对深度学习分割网络模型进行训练。

优选的，所述对深度学习分割网络模型训练，包括：

S101：设置拍照参数，获取不同粒径的微粒单层分散图片；

S102：对图片中不同粒径的标准圆形颗粒进行像素标记，获取具有多个标记区域的图片和每个标记区域对应的标记结果；

S103：将标记后的标记区域和标记结果作为训练集对学习分割网络模型进行训练。

优选的，S102中，所述对图片中不同粒径的标准圆形颗粒进行像素标记，包括：

使用图像标记工具，对获得的图片文件中每个标准圆形颗粒的边界采取手动标记，获取多个标记区域，每个标记区域和标准圆形颗粒一一对应。

优选的，所述图像标记工具标记完成后生成json文本文件，标准圆形颗粒的图像分割数据以json格式保存并给予颗粒或背景的命名；每个标记区域和json文本文件一一对应。

优选的，所述深度学习分割网络模型包括Unet模型。

优选的，所述对好氧颗粒污泥轮廓识别，包括：

对混合均匀未沉降的好氧颗粒污泥水溶液拍照获取好氧颗粒污泥轮廓图像，基于该轮廓图像使用完成训练的深度学习分割网络模型识别，获取好氧颗粒污泥轮廓图像的二值分类结果。

优选的，所述获取好氧颗粒污泥轮廓的拟合图像，包括：

由二值图像获取好氧颗粒污泥轮廓信息，基于好氧颗粒污泥轮廓信息生成好氧颗粒污泥轮廓的拟合图像。

优选的，使用python软件opencv库的findContours函数获取好氧颗粒污泥轮廓信息，包括：

S301：opencv库检索模式下，将RETR_EXTERNAL参数设置为只检测外轮廓信息，并使用参数CHAIN_APPROX_NONE存储轮廓的所有信息；

S302：运行findContours函数，返回构成每个好氧颗粒污泥外轮廓所有点的位置信息，输出二值图像中外轮廓所在像素点的行、列坐标，获取好氧颗粒污泥轮廓信息。

一种好氧颗粒污泥粒径检测方法，包括上述图像识别方法。

与现有技术相比，本发明至少可实现如下有益效果之一：

(1)本发明通过采用标准微粒标记的训练方法对深度学习分割网络模型训练，实现对好氧颗粒污泥轮廓准确、迅速和实时的识别，相对现有技术的激光粒度分析方法，克服了在实际操作过程中，由于难以了解颗粒样品的准确折射率等参数，实施困难的缺陷；也克服了现有技术对好氧颗粒污泥的识别和检测准确度差、滞后性明显的缺陷。

(2)本发明采用不同粒径的标准微粒对深度学习分割网络模型训练，提供了一个粒径可调、更好的匹配好氧颗粒污泥粒径的训练方法，优选Unet模型在较少训练数据下，可以取得较好的训练效果和高精度的分割结果；一方面解决了现有技术中好氧颗粒污泥粒径难以标定、不能作为标准进行模型训练的问题；另一方面，该训练方法和Unet模型匹配后，具有较好的训练效率和识别精度。

(3)本发明通过对不同粒径的标准微粒实时拍照和照片的像素化标记实现了对单个微粒的识别，较现有技术中整体识别获取二值灰度图像，再基于灰度进行二次分类的方法，本发明的在先标记方法有利于模型训练后对好氧活性污泥等粒径更小微粒实现单颗粒识别，具有更高的识别精度。

(4)本发明通过构建好氧活性污泥粒径检测的深度学习模型，可以实现对像素化的污泥粒径图片实时检测、分析，对污泥粒径变化趋势实时监控。

(5)本发明采用的Unet模型设置有扩大了的FCN的网络架构，Unet模型包含多次下采样和卷积计算，具有很高的特征提取效率，使其能够使用很少的训练图像就得到很精确的分割结果。

(6)本发明的Unet模型添加上采样阶段，并且添加了跳跃连接结构，允许下采样中原图像纹理的信息在高分辨率的层中传播到下采样中，弥补了上采样中原始图片信息缺失，有利于获取准确的分类结果。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书实施例以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为一种可行的实施方式中检测好氧颗粒污泥粒径的装置示意图；

图2为Unet模型结构示意图；

图3为一种可行的实施方式中好氧颗粒污泥粒径的图像识别方法流程图；

图4为一种可行的实施方式中好氧颗粒污泥粒径分布曲线；

图5为一种可行的实施方式中不同粒径好氧颗粒污泥占比分布图。

附图标记

箱体1、样品容器2、图像采集装置3、主机系统4、编码器6、激活连接模块7、解码器8、分类模块9。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本发明的一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

为了更好的阐述本发明的技术方案，特对以下技术术语进行说明：

LabelMe

LabelMe是一个用于在线图像标记的Javascript标记工具。与传统图像标记工具相比，其优势在于我们可以在任意地方使用该工具；此外，它也可以帮助我们标记图像，不需要在电脑中安装或复制大型数据集。

一方面，本发明公开一种好氧颗粒污泥的图像识别方法，具体步骤如下：

步骤1：基于不同粒径的微粒，对深度学习分割网络模型训练，获取可以识别不同粒径微粒的深度学习分割网络模型；

步骤2：基于完成训练的深度学习分割网络模型对好氧颗粒污泥轮廓识别，获取不同区域给出二值分类结果的二值图像；

步骤3：基于二值分类结果，获取好氧颗粒污泥轮廓的拟合图像及好氧颗粒污泥外轮廓所有点的位置信息。

与现有技术相比，通过对深度学习分割网络模型训练实现对好氧颗粒污泥轮廓识别，极大改善了现有技术中采用激光粒度分析，在实际操作过程中，由于难以了解颗粒样品的准确折射率等参数，实施困难的缺陷，也克服了现有技术对好氧颗粒污泥的识别和检测准确度差、滞后性明显的缺陷。

与现有技术相比，本发明采用不同粒径的微粒对深度学习分割网络模型训练，提供了一个粒径可调并更好的匹配好氧颗粒污泥粒径的训练方法，解决了现有技术中好氧颗粒污泥粒径难以标定、不能作为标准的问题。

具体的，步骤1所述对深度学习分割网络模型训练，包括：

对不同粒径的微粒的图片进行标记，将标记后的图片分割为只含有一种标记名称的标记区域；基于标记区域对深度学习分割网络模型进行训练。

具体的，本发明标记名称指的是对标记区域给予是颗粒或背景的分类命名。

实施时，将不同粒径的微粒单层分散至平面，利用摄像设备对该平面拍照获取不同粒径微粒的分布图片；利用标记软件对图片进行标记，获取具有多个标记区域的图片和每个标记区域对应的标记结果，将标记后的标记区域和标记结果作为训练集对学习分割网络模型进行训练。

具体的，摄像设备的镜头可变焦，分辨率小于0.05mm物体，放大倍数10～400。

可选的，摄像设备获取的图片存为jpg格式。

具体的，步骤1所述对深度学习分割网络模型训练，包括：

S101：设置拍照参数，获取不同粒径的微粒单层分散图片；

S102：对图片中不同粒径的标准圆形颗粒进行像素标记，获取具有多个标记区域的图片和每个标记区域对应的标记结果；

S103：将标记后的标记区域和标记结果作为训练集对深度学习分割网络模型进行训练。

优选的，标准圆形颗粒粒径范围：0.1mm～3.0mm；该范围内符合绝大多数好氧活性污泥颗粒的分布范围；在该范围内设置标准圆形颗粒作为训练集，有利于提高训练后模型检测准确率。

具体的，S101中，拍照参数包括：放大倍数a和拍照距离d。

需要说明的是，训练深度学习分割网络模型和深度学习分割网络模型，为避免摄像或拍照过程带来的系统误差，摄像或拍照获取图片时，设备的放大倍数a倍和拍照距离d应保持一致；其中，拍照后图像采集的面积S和图片中对应的图像采集的面积S’，满足S’＝a×S。

具体的，S102中，使用图像标记工具，对获得的图片文件中每个标准圆形颗粒的边界采取手动标记，获取多个标记区域，每个标记区域和标准圆形颗粒一一对应。

优选的，图像标记工具标记完成后生成json文本文件，标准圆形颗粒的图像分割数据以json格式保存并给予颗粒或背景的命名；每个标记区域和json文本文件一一对应。

优选的，图像标记工具可选labelme。

需要说明的是，深度学习分割网络模型训练时通过获取json文本文件的命名，可以区分哪些像素对应的是颗粒，哪些像素对应的是背景，完成训练目的。

具体的，使用图像标记工具labelme标记，包括：

S1021：在labelme标记界面选取需要标记的数据文件夹；

S1022：在编辑菜单栏中选择点标记方案；

S1023：选择多边形制作模式，选取一个标准圆形颗粒，沿该标准圆形颗粒轮廓，选取多个标记点构建封闭的标记区域，保存获取该标准圆形颗粒的图像分割数据；

S1024：按照S1021-S1023获取其余所有标准圆形颗粒的图像分割数据。

与现有技术相比，本发明通过对不同粒径的标准微粒实时拍照和照片的像素化标记实现了对单个微粒的识别，较现有技术中整体识别获取二值灰度图像，再基于灰度进行二次分类的方法，本发明的在先标记方法有利于模型训练后对好氧活性污泥等粒径更小微粒实现单颗粒识别，对小颗粒具有更高的识别精度。

具体的，所述深度学习分割网络模型，包括：

1)编码器：将原始图片转化为特征图，通过卷积单元处理保留特征，不断缩小特征图的分辨率；

2)激活连接模块：把特征图密集矩阵转化为稀疏矩阵，保留数据的关键信息，去除噪音；

3)解码器：解码器呈现与编码器对称的扩张结构，逐步修复分割特征图的细节和空间维度，实现精准的定位；

4)分类模块：使用大小为1×1的卷积对特征图卷积处理，获取像素点，对像素点进行分类。

需要说明的是，计算机不能对图片直接识别和处理，而是将图片分割为多个像素单元并给予像素数值，将多个像素单元特征值构成的特征图卷积计算获取不同区域卷积计算对应的数值构成新的特征图，筛除非特征区域对应的卷积计算数值获得更高级的特征图，该特征图包含了特征区域相关的所有特征信息；经过多次卷积计算并筛除非特征区域，可以获得占用存储资源最少的特征图，并删除非特征区域无关数据，完成特征提取。

实施时，卷积计算卷积核匹配特征区域，非特征区域卷积计算结果为0或远小于特征区域计算结果；进一步通过最大池化操作对各区域卷积计算结果比较，进而筛选出特征区域并将其对应的卷积计算特征值构成更高级的特征图。

需要说明的是，编码器输出特征图是以密集矩阵形式存在的，即使通过最大池化处理，仍有部分不利于特征区域被特征识别的干扰信息，为了提高模型对特征图识别灵敏度，需要加入激活连接模块对编码器输出特征图处理，把特征图密集矩阵转化为稀疏矩阵，保留数据的关键信息，去除噪音。

需要说明的是，编码器完成了对原始图片的特征提取，但提取出的是具有不同像素数值的像素单元，并与特征区域对应，但分类模块无法直接对经过多次处理的低维度特征图进行分类，分类模块需要对和原始图片一一对应的高维度特征图进行处理，该高维度特征图相比于编码器处理原始图片获得的特征图减少了非特征区域干扰，有利于获得针对特征区域的高精度分类结果。

具体的，所述深度学习分割网络模型为Unet模型。

具体的，如图2所示：Unet模型包括编码器、激活连接模块、解码器和分类模块；编码器通过激活连接结构与解码器连接，分类器与解码器输出端连接。

具体的，编码器分为多个顺序连接的卷积单元。

具体的，如图2所示，编码器包括4个以数据流顺次连接的编码卷积单元，前一编码卷积单元输出可以作为后一编码卷积单元输入。

具体的，每个编码卷积单元在输入端设有一个最大池化层，最大池化层后顺序连接有两个SAME卷积连接层。

其中，最大池化层用于完成下采样提取特征图的同时实现降维，并保持特征提取的不变性，有助于减小卷积层参数误差造成估计均值的偏移，更多的保留原始图片的纹理信息。

其中，SAME卷积连接层可以对特征图特征优化处理同时保证SAME卷积连接层输出特征图和最大池化后特征图大小一致，有利于减少卷积计算时在特征图边缘计算时，边缘信息损失，提高特征提取准确度。

需要说明的是，最大池化层满足valid卷积计算规则，最大池化层输出特征图的大小W

其中，W

优选的，最大池化层输出特征图的大小W

具体的，经编码器4个编码码卷积单元，获得特征图较编码器输入端特征图缩小了16倍。

具体的，激活连接模块选择relu激活函数，针对最大池化和卷积计算的结果，总有一部分特征为负数，属于无关特征；relu函数可以舍弃负值特征，对特征和任务相关性的检测，只保留有用特征，除掉无关特征，实现了特征提取。

同时和传统的sigmoid函数相比，relu函数的导数只有0或1，在计算过程中避免了梯度消失问题，大大提高了训练速度。

具体的，如图2所示，解码器输入端和激活连接结构输出端连接，解码器包括4个以数据流顺次连接的解码卷积单元，前一解码卷积单元输出可以作为后一解码卷积单元输入。

同时，如图2所示，Unet模型的解码器和编码器通过跳跃连接结构连接，将解码器的浅层特征与编码器的深层特征结合起来，可以实现对图片像素级的精确分割。

具体的，所述神经网络模型设有跳跃连接，即解码器每上采样一次，就以拼接的方式将解码器和编码器中对应相同分辨率的特征图进行特征融合，帮助解码器更好地恢复目标的细节。

需要说明的是，纯粹的编解码器框架，在编码过程中压缩和丢失了大量细节信息，而这些信息很可能会有助于后期的图像分割；反卷积或上采样过程需要填补图像中很多空白内容，从无到有的生成一些东西，这个过程缺乏足够多的辅助信息。采用跳跃连接结构的好处是，把对应尺度上的特征信息引入到上采样或反卷积过程，为后期图像分割提供多尺度多层次的信息，由此可以得到更精细的分割效果。

与现有技术相比，本发明采用的Unet模型设置有扩大了的FCN的网络架构，该模型包含多次下采样和卷积计算，具有很高的特征提取效率，使其能够使用很少的训练图像就得到很精确的分割结果；本发明的Unet模型添加上采样阶段，并且添加了跳跃连接结构，允许下采样中原图像纹理的信息在高分辨率的层中传播到上采样中，弥补了上采样中原始图片信息缺失，有利于获取准确的分类结果。具体的，每个解码卷积单元在输入端设有一个拼接层，拼接层后顺序连接有两个SAME反卷积连接层。

其中，拼接层用于将解码器的浅层特征与上采样提取特征图拼接，上采样增大特征图的分辨率，左右两边对应大小的特征图进行拼接，增大了特征图的通道，可以获得更准确的分割。

具体的，直接将两个特征进行连接。作为举例，两个输入特征x和y的维数若为p和q，输出特征z的维数为p+q。

具体的，由编码器输入解码器的浅层特征与上采样提取特征图的大小相同，经拼接层处理获得特征图的大小二倍于输入的上采样提取特征图。

其中，SAME反卷积连接层可以对特征图特征优化处理同时保证SAME反卷积连接层输出特征图和最大池化后特征图大小一致，有利于减少卷积计算时在特征图边缘计算时，边缘信息损失，提高特征提取准确度。

具体的，经解码器4个解码卷积单元，获得特征图较解码器输入端特征图放大了16倍。

具体的，分类模块采用softmax函数对图像中每一个像素进行类别划分。

实施时，对图像中每一个像素数值输入softmax函数获取其对应原始图像的像素单元作为背景概率和作为样品颗粒的概率，且两个概率和为1，取二者较大者作为该像素单元在softmax函数的输出：即该像素单元属于背景或样品颗粒。

关于深度学习分割网络模型的训练，需要说明的是，深度学习分割网络模型，例如Unet模型初始模型的识别效果可能不符合要求，需要经过训练获得较好的识别效果。

一方面，需要引入损失函数对深度学习分割网络模型最后的输出进行识别效果表征，并判断是否满足训练要求；另一方面，需要根据深度学习分割网络模型各模块，例如卷积单元的损失进行计算，基于各模块损失对模型参数，例如卷积核进行调整。

具体的，深度学习分割网络模型损失计算通过交叉熵函数实现；深度学习分割网络模型中最大池化层、卷积层等利用本领域方法计算损失，并基于损失调整模型参数。

具体的，S103中，对深度学习分割网络模型进行训练，包括：

S1031：模型参数的初始化，赋予初始值；

S1032：输入数据经过深度学习分割网络模型向前传播得到输出值；

S1033：基于损失函数，获取模型输出值与目标值之间的误差；

S1034：当误差等于或小于期望值时，结束训练；

当误差大于期望值时，将误差传回深度学习分割网络模型，依次求得各模块的误差；基于各模块的误差进行各模块的模型参数更新，重复S1032-S1034，直至误差等于或小于期望值。

具体的，S1034中期望值，可以根据实际需要选择和设定，例如设定交叉熵函数损失0.01％为期望值。

具体的，作为举例：使用python将每个标记区域对应的标记结果的json文件转为png文件，将原始图片作为训练集，png文件作为标记集，基于pycharm开发环境及pytorch机器学习库，使用Unet深度神经网络模型结构进行模型的训练。

具体的，步骤2中，所述对好氧颗粒污泥轮廓识别，包括：

对混合均匀未沉降的好氧颗粒污泥水溶液拍照获取好氧颗粒污泥轮廓图像，基于该轮廓图像使用完成训练的深度学习分割网络模型识别，获取好氧颗粒污泥轮廓图像的二值分类结果。

具体的，步骤2中，将取样后污水置于至少一个侧面为平面的容器，通过摄像设备在该侧面对未沉降污泥水样品拍照，获取平面内好氧颗粒污泥轮廓图像。

需要说明的是，由于照相原理是拍摄拍照平面内投影的所有不透明的物体，因而经容器内壁最外层平面排布污泥微粒间隙也可以拍到不属于最外层平面的微粒，造成检测模型测量数值偏高。

因此，至少一个侧面为平面的容器垂直拍照平面的内腔厚度应稍大于好氧颗粒污泥的最大粒径d

优选的，长方体透明容器的内腔厚度与污泥颗粒最大粒径d

具体的，完成训练的深度学习分割网络模型识别好氧颗粒污泥轮廓图像，获取不同区域给出二值分类结果的二值图像，不同区域的二值分类结果包括：属于好氧颗粒污泥或属于背景。

具体的，二值图像是包含每个像素单元属于好氧颗粒污泥或背景的分类结果的特征图，相比较原始特征图，已经基于前述步骤的特征提取完成了特征图基本像素单元的分类；进一步可以经拟合生成轮廓图像。

步骤3中，获取好氧颗粒污泥轮廓的拟合图像，包括：

由二值图像获取好氧颗粒污泥轮廓信息，基于好氧颗粒污泥轮廓信息生成好氧颗粒污泥轮廓的拟合图像。

具体的，使用python软件opencv库的findContours函数找到每个好氧颗粒污泥的轮廓信息，包括：

S301：opencv库检索模式下，将RETR_EXTERNAL参数设置为只检测外轮廓信息，并使用参数CHAIN_APPROX_NONE存储轮廓的所有信息；

S302：运行findContours函数，返回构成每个好氧颗粒污泥外轮廓所有点的位置信息，输出二值图像中外轮廓所在像素点的行、列坐标，获取好氧颗粒污泥轮廓信息。

具体的，使用python软件opencv库的approxPolyDP函数绘制好氧颗粒污泥轮廓的拟合图像，包括：

S303：运行approxPolyDP函数对图像轮廓点进行多边形拟合，获取好氧颗粒污泥轮廓的拟合图像。

与现有技术相比，本发明选用python软件opencv库进行图像轮廓信息获取和图像拟合，可以无缝衔接直接获取深度学习模型输出的二值图像中轮廓信息，具有更高的处理效率。

另一方面，本发明公开一种好氧颗粒污泥粒径的检测方法，除包含上述图像识别方法外，还包括：

步骤4：基于好氧颗粒污泥外轮廓所有点的位置信息，获取每个好氧颗粒污泥轮廓的面积；

具体的，使用python软件opencv库的contourArea获取好氧颗粒污泥轮廓的拟合图像，包括：

S401：将S302中findContours函数返回的构成最外层轮廓所有点信息传入contourArea函数；

S402：contourArea函数返回输出每个好氧颗粒污泥轮廓的面积。

步骤5：基于每个好氧颗粒污泥轮廓的面积，获取好氧颗粒污泥真实截面积和直径及不同粒径范围的好氧颗粒污泥分布规律。

具体的，好氧颗粒污泥的实际面积S满足：S＝S’/a，其中，S’为每个好氧颗粒污泥轮廓的面积；将好氧颗粒污泥看做近似球体，基于球体截面面积计算公式获取每个好氧颗粒污泥的直径d＝(4S/π)

具体的，数据处理模块将对不同粒径下的好氧颗粒污泥数量进行统计，作为举例，按照0.1mm的区间间隔，分为0～0.1mm，0.1mm～0.2mm，…，2.9mm～3.0mm多个区间对不同粒径下的好氧颗粒污泥数量进行统计；其中粒径间隔单位可设置为0.01mm～0.5mm之间任意值。

具体的，统计图像中所有好氧颗粒污泥数量之和X

不同粒径区间好氧颗粒污泥占比，Y

步骤5中，不同粒径范围的好氧颗粒污泥分布规律，包括不限于：不同粒径好氧颗粒污泥占比统计表、不同粒径好氧颗粒污泥占比曲线图、不同粒径好氧颗粒污泥占比直方图。

另一方面，本发明公开一种检测好氧颗粒污泥粒径的检测装置，如图1所示，包括：箱体1、样品容器2、图像采集装置3和主机系统4。通过本装置可实现好氧颗粒污泥粒径的检测与识别，并识别分析出不同粒径污泥的占比，从而判断好氧颗粒污泥的颗粒化程度。

样品容器2用于装好氧颗粒污泥混合溶液，放置箱体中固定。

图像采集装置3用于获取好氧颗粒污泥静态图像，将图像传输至主机系统4。

主机系统4包括图像识别模块、数据处理模块、显示屏幕、存储模块。主机系统4中的图像识别模块基于图像识别算法可对传输的图片进行拟合处理；数据处理模块主要是根据对识别出的图像数据进行处理、计算与分析，显示屏用于显示好氧颗粒污泥的粒径分布图与占比图；存储模块用于存储收集、处理后的数据。

箱体1用于固定主机系统与图像采集模块，固定样品容器，从而确定摄像头到样品间的距离。

为了说明本发明的技术进步之处，进一步公开以下实施例：

实施例1

本发明公开一种好氧颗粒污泥粒径的图像识别方法，包括以下步骤：

步骤1：深度学习分割网络模型训练

S101：系统自动调整拍照放大倍数10倍，和拍照距离30cm，以及划定拍照后图像采集的面积5cm×5cm；获取粒径范围0.1mm、0.2mm、0.5mm、0.8mm、1.0mm、1.2mm、1.5mm、1.8mm、2.0mm、2.2mm、2.5mm、2.8mm、3.0mm的同等数量不同粒径的标准圆形颗粒微粒单层分散图片；

S102：对图片中不同粒径的标准圆形颗粒进行像素标记，获取具有多个标记区域的图片和每个标记区域对应的标记结果；

S1021：在labelme标记界面选取需要标记的数据文件夹；

S1022：在编辑菜单栏中选择点标记方案；

S1023：选择多边形制作模式，选取一个标准圆形颗粒，沿该标准圆形颗粒轮廓，选取多个标记点构建封闭的标记区域，保存获取该标准圆形颗粒的图像分割数据；

S1024：按照S1021-S1023获取其余所有标准圆形颗粒的图像分割数据。

S103：将标记后的标记区域和标记结果作为训练集对Unet模型进行训练；包括：

S1031：模型参数的初始化，赋予卷积核等模型参数初始值；

S1032：输入数据经过深度学习分割网络模型向前传播得到输出值；

S1033：基于损失函数，获取模型输出值与目标值之间的误差；

S1034：当误差等于或小于期望值时，结束训练；

当误差大于期望值时，将误差传回深度学习分割网络模型，依次求得各模块的误差；基于各模块的误差进行各模块的模型参数更新，重复S1032-S1034，直至误差等于或小于期望值，期望值为交叉熵函数损失0.1％。

步骤2：将获取的好氧颗粒污泥放入容器中，通过摄像头在拍照放大倍数10倍，和拍照距离30cm下正对玻璃容器进行拍照获取好氧颗粒污泥图像信息。

步骤3：使用opencv库，在检索模式使用RETR_EXTERNAL参数设置为只检测外轮廓信息，并使用参数CHAIN_APPROX_NONE存储轮廓的所有信息；

运行findContours函数，返回构成每个好氧颗粒污泥外轮廓所有点的位置信息，输出二值图像中外轮廓所在像素点的行、列坐标；

运行approxPolyDP函数对图像轮廓点进行多边形拟合，获取好氧颗粒污泥轮廓的拟合图像。

实施例2

本发明公开一种好氧颗粒污泥粒径的检测方法，除包含实施例1图像识别方法外，还包括：

步骤4：使用opencv库的contourArea获取好氧颗粒污泥轮廓的拟合图像，包括：

S401：将S302中findContours函数返回的构成最外层轮廓所有点信息传入contourArea函数；

S402：contourArea函数返回输出每个好氧颗粒污泥轮廓的面积。

步骤5：数据处理模块将对0～0.1mm、0.1mm～0.2mm、0.2mm～0.3mm…1.8mm～1.9mm、1.9mm～2.0mm……下不同粒径下的好氧颗粒污泥数量进行统计，统计得出好氧颗粒污泥共1825个；单位面积内好氧颗粒污泥数量＝1825÷25＝73个/cm

实施例3

本发明公开一种检测好氧颗粒污泥粒径的检测装置，用于实施例2的检测方法，如图1所示，包括：箱体1、样品容器2、图像采集装置3和主机系统4。通过本装置可实现好氧颗粒污泥粒径的检测与识别，并识别分析出不同粒径污泥的占比，从而判断好氧颗粒污泥的颗粒化程度。

样品容器2为透明玻璃长方体容器；用于装好氧颗粒污泥混合溶液，放置箱体中固定。

图像采集装置3包括显微镜头、摄像机、信息传输模块、闪光灯；图像采集装置3用于调节拍照放大倍数及闪光灯，获取好氧颗粒污泥静态图像，将图像传输至主机系统4。

主机系统4包括图像识别模块、数据处理模块、显示屏、存储模块。主机系统4中的图像识别模块基于图像识别算法可对传输的图片进行拟合处理；数据处理模块主要是根据对识别出的图像数据进行处理、计算与分析；显示屏用于显示好氧颗粒污泥的粒径分布图与占比图；存储模块用于存储收集、处理后的数据。

箱体1为装置外壳，可用于固定主机系统与图像采集模块，固定样品容器，从而确定摄像头到样品间的距离。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。