环保用工厂污水处理设备

技术领域

本申请涉及智能化污水处理技术领域，且更为具体地，涉及一种环保用工厂污水处理设备。

背景技术

随着我国经济的发展，化工业占据了我国国民经济中的主要地位，众多石油化工、煤化工企业在发展过程中，其污水的排放问题一直都是人们关注的重点，化工污水中酸碱性含量高，成分复杂，如果不经过处理直接排放入江河湖海中，对水资源污染十分严重，水源流经的土地也会造成---定的腐蚀和二次污染，极大程度的影响到了人们生产、生活质量。

污水处理是指为使污水达到排放标准或再次使用的水质要求对其进行净化的过程，污水处理被广泛应用于建筑、农业、交通、能源、石化、环保、城市景观、医疗、餐饮等各个领域，也越来越多地走进寻常百姓的日常生活，地表水污染显而易见，地下水的污染却是触目惊心，随着我国工业的大力发展，工业污水急剧增加，工业污水处理势在必行。然后污水处理也会存在处理不当不彻底等现象，仍需要对处理后的污水进行实时监测，是否达到排放标准。

因此，期望一种更为优化的环保用工厂污水处理设备。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种环保用工厂污水处理设备，其首先获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频，然后，通过深度神经网络模型模拟并建立水质污浊度变化与pH值变化之间的复杂映射关系以得到分类特征向量，最后，对所述分类特征向量进行解码以得到用于表示当前时间点处理后的污水是否达到可排放标准，若数据超过限值，则发出警报或触发相应的控制措施。

根据本申请的一个方面，提供了一种环保用工厂污水处理设备，其包括：

数据获取模块，用于获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频；

关键帧提取模块，用于从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧；

第一卷积编码模块，用于将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量；

上下文编码模块，用于将所述多个水质污浊度特征向量通过基于转换器的上下文编码器以得到水质污浊度上下文语义特征向量；

第二卷积编码模块，用于将所述多个预定时间点的pH值按照时间维度排列为pH值输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到pH值特征向量；

融合模块，用于对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量；

分类模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点处理后的污水是否达到可排放标准。

在上述环保用工厂污水处理设备中，所述关键帧提取模块，包括：以预定采样频率从所述水质污浊度监控视频中提取多个水质污浊度关键帧。

在上述环保用工厂污水处理设备中，所述第一卷积编码模块，包括：卷积单元，用于基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；池化单元，用于对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图；激活单元，用于对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述第一卷积神经网络模型的输入分别为所述多个预定时间点的水质污浊度监控关键帧中的各个关键帧，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出分别为所述多个水质污浊度特征向量中的各个水质污浊度特征向量。

在上述环保用工厂污水处理设备中，所述上下文编码模块，包括：向量排列单元，用于将所述多个水质污浊度特征向量排列为一维向量；矩阵转化单元，用于将所述一维向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化处理单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；激活单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元，用于将所述自注意力特征矩阵与所述多个水质污浊度特征向量中各个水质污浊度特征向量分别进行相乘以得到所述水质污浊度上下文语义特征向量。

在上述环保用工厂污水处理设备中，所述第二卷积编码模块，用于：将所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于一维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于局部特征矩阵的全局均值池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述第二卷积神经网络模型的输入为所述pH值输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述pH值特征向量。

在上述环保用工厂污水处理设备中，所述融合模块，包括：以如下公式对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量；其中，如下公式为：

其中，V

在上述环保用工厂污水处理设备中，所述分类模块，包括：全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；Softmax分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点处理后的污水达到可排放标准的第一概率以及归属于当前时间点处理后的污水未达到可排放标准的第二概率；分类结果单元，用于基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。

根据本申请的另一方面，还提供了一种环保用工厂污水处理方法，其包括：

获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频；

从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧；

将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量；

将所述多个水质污浊度特征向量通过基于转换器的上下文编码器以得到水质污浊度上下文语义特征向量；

将所述多个预定时间点的pH值按照时间维度排列为pH值输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到pH值特征向量；

对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量；

将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点处理后的污水是否达到可排放标准。

在上述环保用工厂污水处理方法中，从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧，包括：以预定采样频率从所述水质污浊度监控视频中提取多个水质污浊度关键帧。

在上述环保用工厂污水处理方法中，将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量，包括：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述第一卷积神经网络模型的输入分别为所述多个预定时间点的水质污浊度监控关键帧中的各个关键帧，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出分别为所述多个水质污浊度特征向量中的各个水质污浊度特征向量。

与现有技术相比，本申请提供的一种环保用工厂污水处理设备，其首先获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频，然后，通过深度神经网络模型模拟并建立水质污浊度变化与pH值变化之间的复杂映射关系以得到分类特征向量，最后，对所述分类特征向量进行解码以得到用于表示当前时间点处理后的污水是否达到可排放标准，若数据超过限值，则发出警报或触发相应的控制措施。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的环保用工厂污水处理设备的框图示意图。

图2为根据本申请实施例的环保用工厂污水处理设备中第一卷积编码模块的框图。

图3为根据本申请实施例的环保用工厂污水处理方法的流程图。

图4为根据本申请实施例的环保用工厂污水处理方法的架构示意图。

图5图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

示例性设备

图1图示了根据本申请实施例的环保用工厂污水处理设备的框图示意图。如图1所示，根据本申请实施例的环保用工厂污水处理设备100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频；关键帧提取模块120，用于从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧；第一卷积编码模块130，用于将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量；上下文编码模块140，用于将所述多个水质污浊度特征向量通过基于转换器的上下文编码器以得到水质污浊度上下文语义特征向量；第二卷积编码模块150，用于将所述多个预定时间点的pH值按照时间维度排列为pH值输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到pH值特征向量；融合模块160，用于对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量；分类模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点处理后的污水是否达到可排放标准。

在本申请实施例中，数据获取模块110，用于获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频。应可以理解，pH值和水质污浊度是评估水质状况的重要指标。通过获取pH值和水质污浊度监控视频，可以实时了解污水的质量状况。这有助于及时发现异常情况或突发事件，如水质污染事件或处理设备故障，以便及时采取措施进行调整和修复。

在本申请实施例中，关键帧提取模块120，用于从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧。应可以理解，考虑到在所述水质污浊度监控视频中，水质污浊度变化特征可以通过所述水质污浊度监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示水质污浊度的变化情况。但是，考虑到水质污浊度监控视频通常包含大量的连续帧图像，而并非每一帧都包含重要信息，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，通过以预定采样频率提取关键帧，可以在时间上均匀地选择关键帧，确保采样的数据具有一定的平衡性和代表性。这样可以避免过于集中在某个时间段的数据采样，导致对水质污浊度变化的不完整或片面的观察。因此，在本申请的技术方案中，以预定采样频率从所述水质污浊度监控视频中提取多个水质污浊度关键帧。

在本申请实施例中，第一卷积编码模块130，用于将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量。应可以理解，卷积神经网络的第一卷积层可以自动学习并提取图像中的低级特征，例如边缘、纹理和颜色等。通过将关键帧图像输入到卷积神经网络中，可以提取关键帧中的重要特征，用于表示水质污浊度的视觉属性。通过使用卷积神经网络作为过滤器，可以从每个关键帧图像中提取具有辨别性和表征能力的特征，以更好地描述水质污浊度的属性和变化。因此，在本申请的技术方案中，使用在图像的局部隐含特征提取方面具有优异表现的作为过滤器的第一卷积神经网络模型来进行所述多个预定时间点的水质污浊度监控关键帧的特征挖掘，以分别提取出所述各个水质污浊度监控关键帧中关于水质污浊度的隐含特征分布信息，从而得到多个水质污浊度特征向量。

在本申请的一个实施例中，图2图示了根据本申请实施例的环保用工厂污水处理设备中第一卷积编码模块的框图。如图2所示，在上述环保用工厂污水处理设备100中，所述第一卷积编码模块130，包括：卷积单元131，用于基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；池化单元132，用于对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图；激活单元133，用于对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述第一卷积神经网络模型的输入分别为所述多个预定时间点的水质污浊度监控关键帧中的各个关键帧，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出分别为所述多个水质污浊度特征向量中的各个水质污浊度特征向量。

在本申请实施例中，上下文编码模块140，用于将所述多个水质污浊度特征向量通过基于转换器的上下文编码器以得到水质污浊度上下文语义特征向量。应可以理解，转换器模型可以对水质污浊度数据序列中的每个时间点进行建模，并捕捉数据之间的上下文关系，基于自注意力机制的转换器模型能够在不同时间点之间捕捉长期依赖性。这对于水质污浊度监控任务很重要，因为水质的变化可能受到之前时间点的影响，需要考虑更长时间范围内的上下文信息。通过将自注意力权重与原始特征向量相乘，可以得到水质污浊度上下文语义特征向量。这些特征向量捕捉了时间序列中的重要上下文信息，可以用于更深入的分析和决策。因此，引入基于转换器的上下文编码器，将多个水质污浊度特征向量作为输入，通过自注意力机制和Transformer等技术手段，对不同水质污浊度之间的相互关联性进行建模和学习，得到水质污浊度语义关联特征向量，这些特征向量能够表达出不同水质污浊度之间的相互影响。具体而言，基于转换器的上下文编码器能够对不同水质污浊度之间的相互关系进行建模，得到具有上下文感知能力的特征向量表示。通过这种方式，可以将不同的水质污浊度之间的关联信息考虑进去，并体现在特征向量的表示中，提高后续分类和控制的准确性。

在本申请的一个实施例中，所述上下文编码模块140，包括：向量排列单元，用于将所述多个水质污浊度特征向量排列为一维向量；矩阵转化单元，用于将所述一维向量通过可学习嵌入矩阵分别转化为查询向量和关键向量；自注意单元，用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵；标准化处理单元，用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵；激活单元，用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵；注意力施加单元，用于将所述自注意力特征矩阵与所述多个水质污浊度特征向量中各个水质污浊度特征向量分别进行相乘以得到所述水质污浊度上下文语义特征向量。

在本申请实施例中，第二卷积编码模块150，用于将所述多个预定时间点的pH值按照时间维度排列为pH值输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到pH值特征向量。应可以理解，一维卷积神经网络能够在时间维度上进行滑动窗口的操作，从而有效地学习到时间序列中的局部和全局模式。考虑到所述pH值通常具有时间相关性，通过按照时间维度排列pH值，可以保留时间序列的顺序信息，使得模型能够利用时间维度上的关联性。这有助于捕捉到pH值在时间上的变化趋势和规律。因此，将预定时间点的pH值按时间维度排列为pH值输入向量，并通过一维卷积神经网络模型进行特征提取，可以有效地利用时间维度的信息，提取有意义的特征表示，降低维度，并捕捉时间序列数据的上下文信息。

在本申请的一个实施例中，所述第二卷积编码模块150，用于：将所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：基于一维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行基于局部特征矩阵的全局均值池化处理以生成池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述第二卷积神经网络模型的输入为所述pH值输入向量，所述第二卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第二卷积神经网络模型的最后一层的输出为所述pH值特征向量。

在本申请实施例中，融合模块160，用于对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量。应可以理解，水质污浊度上下文语义特征向量捕捉了时间序列中的上下文关系和依赖性，可以提供关于水质变化趋势的信息。而pH值特征向量则提供了关于水质酸碱度的信息。融合不同类型的特征可以提供更多的判别信息，从而增强分类模型的性能。通过将水质污浊度上下文语义特征向量和pH值特征向量合并成分类特征向量，可以更好地表示水质的多个方面信息，提供更准确的特征输入给分类模型，从而提高分类任务的性能。

特别地，在本申请的技术方案中，考虑到水质污浊度上下文语义特征向量是从监控视频中提取的水质污浊度特征向量经过上下文编码器处理得到的语义特征向量，而pH值特征向量是直接从时间维度排列的pH值输入向量中提取得到的，水质污浊度上下文语义特征向量和pH值特征向量分别对应不同的高维数据流形，即它们在特征空间中的表示方式和结构是不同的。如果直接以级联或按位置加权和的方式来融合这两种特征向量，可能会导致以下问题，首先，由于水质污浊度上下文语义特征向量和pH值特征向量对应不同的数据流形，它们在特征空间中的分布方式可能不同。直接级联或加权融合可能会导致在类边界区域存在模糊性，使得生成的分类特征向量难以准确判断当前时间点处理后的污水是否达到可排放标准，从而降低生成结果的准确性。其次，不同数据流形的特征向量在融合时，可能会丢失它们之间的内在相关性。直接简单地将它们融合可能无法很好地捕捉到水质污浊度上下文语义特征向量和pH值特征向量之间的复杂关系，导致特征向量之间的相关性降低。为了避免这些问题，在本申请技术方案中，对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影。

在本申请的一个实施例中，所述融合模块160，包括：以如下公式对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量；其中，如下公式为：

其中，V

这里，在本申请的技术方案中，对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影，其利用概率密度域维度衍生思想，将所述水质污浊度上下文语义特征向量和所述pH值特征向量映射到相互关联的概率密度域空间中，使得在该空间中，所述水质污浊度上下文语义特征向量和所述pH值特征向量的分布具有一致性，即两者的概率密度函数相同或者相近。进而，利用一致性投影思想，将所述概率密度域空间中的数据投影到相同的分类特征空间中，使得在该空间中，所述水质污浊度上下文语义特征向量和所述pH值特征向量的类别信息得到保留和增强，即两者的类别边界更加清晰和分离，以提高所述分类特征向量通过分类器进行分类判断的精准度。

在本申请实施例中，分类模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点处理后的污水是否达到可排放标准。应可以理解，通过将分类特征矩阵通过分类器以得到分类结果，可以自动、高效地判断当前时间点处理后的污水是否达到可排放标准。这样的分类结果可以为监测和决策提供重要的信息，帮助评估污水质量并采取适当的措施。具体地，在本申请的技术方案中，所述分类器的标签表示当前时间点处理后的污水是否达到可排放标准，其中，所述分类器通过Softmax分类函数来确定所述分类特征矩阵属于哪个分类标签。

在本申请的一个实施例中，所述分类模块170，包括：全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；Softmax分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到归属于当前时间点处理后的污水达到可排放标准的第一概率以及归属于当前时间点处理后的污水未达到可排放标准的第二概率；分类结果单元，用于基于所述第一概率和所述第二概率之间的比较，确定所述分类结果。

综上，基于本申请实施例的所述环保用工厂污水处理设备，其首先获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频，然后，通过深度神经网络模型模拟并建立水质污浊度变化与pH值变化之间的复杂映射关系以得到分类特征向量，最后，对所述分类特征向量进行解码以得到用于表示当前时间点处理后的污水是否达到可排放标准，若数据超过限值，则发出警报或触发相应的控制措施。

如上所述，根据本申请实施例的所述环保用工厂污水处理设备100可以实现在各种终端设备中，例如环保用工厂污水处理设备的服务器等。在一个示例中，根据环保用工厂污水处理设备100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该环保用工厂污水处理设备100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该环保用工厂污水处理设备100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该环保用工厂污水处理设备100与该终端设备也可以是分立的设备，并且该环保用工厂污水处理设备100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图3为根据本申请实施例的环保用工厂污水处理方法的流程图。图4为根据本申请实施例的环保用工厂污水处理方法的架构示意图。如图3和图4所示，根据本申请实施例的环保用工厂污水处理方法，包括：S110，获取预定时间段内多个预定时间点的pH值和所述多个预定时间点的水质污浊度监控视频；S120，从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧；S130，将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量；S140，将所述多个水质污浊度特征向量通过基于转化器的上下文编码器以得到水质污浊度上下文语义特征向量；S150，将所述多个预定时间点的pH值按照时间维度排列为pH值输入向量后通过使用一维卷积核的第二卷积神经网络模型以得到pH值特征向量；S160，对所述水质污浊度上下文语义特征向量和所述pH值特征向量进行概率密度域维度衍生一致性投影以得到分类特征向量；S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点处理后的污水是否达到可排放标准。

在本申请的一个实施例中，从所述水质污浊度监控视频中提取所述多个预定时间点的水质污浊度监控关键帧，包括：以预定采样频率从所述水质污浊度监控视频中提取多个水质污浊度关键帧。

在本申请的一个实施例中，将所述多个预定时间点的水质污浊度监控关键帧分别通过作为过滤器的第一卷积神经网络模型以得到多个水质污浊度特征向量，包括：基于卷积核对所述输入数据进行卷积处理以生成卷积特征图；所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图；对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述第一卷积神经网络模型的输入分别为所述多个预定时间点的水质污浊度监控关键帧中的各个关键帧，所述第一卷积神经网络模型的第二层至最后一层的输入为上一层的输出，所述第一卷积神经网络模型的最后一层的输出分别为所述多个水质污浊度特征向量中的各个水质污浊度特征向量。

这里，本领域技术人员可以理解，上述环保用工厂污水处理方法中的各个步骤的具体操作已经在上面参考图1到图2的环保用工厂污水处理设备的描述中得到了详细介绍，并因此，将省略其重复描述。

示例性电子设备

下面，参考图5来描述根据本申请实施例的电子设备。

图5图示了根据本申请实施例的电子设备的框图。

如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的环保用工厂污水处理以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储多个预定时间点的pH值和预定时间段的水质污浊度监控视频等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的环保用工厂污水处理方法的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的环保用工厂污水处理方法的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。