基于计算机视觉技术的污水处理厂智慧管理系统.pdf

中国科技期刊数据库 工业 A 63 基于计算机视觉技术的污水处理厂智慧管理系统 侯文俊1 李 云1 陈士军2 朱国营2 1.华北电力大学苏州研究院，江苏 苏州 215123 2.苏州苏净环保工程有限公司，江苏 苏州 215122 摘要：摘要：随着智慧城市智慧水务等概念的提出,污水处理厂正在逐渐从自动化向智慧化方向转变。目前，污水处理厂的安全管理需要管理人员对视频设备进行实时监控。然而，在异常情况发生后，回放监控视频这种方式分析判断人员异常行为，无法及时有效地进行预警和预防。因此，设计了一种基于深度学习的污水处理厂智慧管理系统，并设置结果反馈模块将情况通知管理人员。该系统实现了对污水处理厂更加智能化、自动化和便捷化的监管。关键词：关键词：行为检测；目标跟踪；安全监控 中图分类号：中图分类号：TP18 随着国家对环保问题的不断重视，污水处理作为环保工程的重要环节，污水处理厂的建设和运营管理水平关注度也变的越来越高。当前大部分污水处理厂的运维基本实现了自动化的标准配置，但仅停留在集中监控和远程操作的常规控制层面。在这个过程中，视频监控技术成为了一种非常有用的工具，可以帮助企业实现对厂区内部和周围环境的实时监测，以及对异常事件进行预警和反应。1 系统结构及原理 目标检测算法在监控领域的应用历史可以追溯到二十世纪八十年代。当时，研究者们开始使用计算机视觉技术，对厂区内部的各种活动进行实时监控1。随着计算机硬件和算法的不断发展，目标检测算法逐渐变得更加强大和灵活。在二十一世纪初期，一些基于特征工程的传统目标检测算法开始出现2。这些算法通常采用人工定义的特征来描述目标，例如 Haar-like 特征和 HOG 特征等。然而，这些算法对于场景复杂度和目标形变等方面的鲁棒性较差，难以实现高精度的目标检测3。随着深度学习技术的兴起，基于深度学习的目标检测算法逐渐成为监控领域的主流4。其中最著名的算法之一是 Faster R-CNN，它是一种基于区域提议网络（RPN）的目标检测算法。该算法通过使用卷积神经网络（CNN）提取图像特征，并利用 RPN 生成候选框进行目标检测5。Faster R-CNN 具有较好的检测精度和较快的检测速度，在监控领域得到了广泛应用。除了Faster R-CNN 之外，还有一些其他基于深度学习的目标检测算法也被应用于监控领域6。例如，YOLO 系列算法通过将目标检测问题转化为回归问题，实现了非常高的检测速度；Mask R-CNN 算法则进一步扩展了Faster R-CNN 的功能，可以实现目标检测和实例分割等多种任务7。YOLOv4-tiny 是 YOLO 系列目标检测算法中的一种，它相对于 YOLOv4 具有更轻量级的网络结构和更快的推理速度8。在污水处理监控领域，YOLOv4-tiny 不仅可以帮助企业实现对于废弃物、人员等关键目标的实时监测和管理，还可以为企业提供更加全面、高效、精确的监控服务。同时，随着深度学习技术的不断发展和成熟，基于深度学习的目标检测算法也将不断优化和改进，为污水处理监控领域带来更多的创新和应用。2 智能安全监控模型 2.1 基于自适应阈值的 YOLOv4-tiny 人员异常行为检测 基于自适应阈值的 YOLOv4-tiny 人员异常行为检测是一个基于深度学习技术的视频监控算法，它可以帮助企业实现对厂区人员异常行为的实时检测和预警。该算法基于 YOLOv4-tiny 目标检测框架，通过使用卷积神经网络提取视频帧中的特征，并利用自适应阈值方法进行人员行为分析。具体地，该算法首先将视频帧分割成网格，并对每个网格进行目标检测，得到每个人员的位置和行为。然后，通过计算每个人员在一定时间范围内的运动速度和方向等特征，来判断其是否中国科技期刊数据库 工业 A 64 存在异常行为。最后，根据实际情况调整自适应阈值参数，提高算法的准确性和鲁棒性。2.2 基于 Biubic 插值的 YOLOv4-tiny 人员异常行为检测 基于 Bicubic 插值改进的 YOLOv4-tiny 方法是在YOLOv4-tiny 模型的基础上，通过使用双三次插值（Bicubic interpolation）来对输入图像进行预处理，从而提高了模型的精度和稳定性。具体来说，该方法将输入图像的大小调整为网络所需的大小时，使用Bicubic 插值方法进行图像重采样，以减少图像变形的影响，并提高了目标检测的准确性。本文提出的基于异常行为分析的智能污水处理储监控模型，训练过程如下：Step1：为了增强 Yolov4-tiny 的特征融合效果，在上采样模块中引入了双三次插值。这一步的目的是通过图像处理技术来提高模型对低分辨率图像的处理能力，以增加图像细节信息，从而提高目标检测的准确性。Step2：为了解决人体异常行为检测结果冗余的问题，优化了 NMS 方法。这一步的目的是通过改进非极大值抑制算法，减少重复检测的情况，从而提高模型的精度和速度。Step3：整合了上述改进并在服务器上训练模型。这一步的目的是将前两步的改进应用到模型中，对模型进行重新训练，以提高模型的准确性和稳定性。Step4：在设备中安装了 Ubuntu 操作系统，并配置了深度学习开发环境。这一步的目的是为了搭建一个适合深度学习模型训练和测试的开发环境。Step5：不断在设备上测试模型并收集实验结果。这一步的目的是通过不断地测试和调整模型参数，收集实验结果来评估模型性能，并作出进一步的改进。Step6：根据实验结果，将模型返回给服务器进行修改，不断重复 Step5 和 Step6，直到获得预期的实验结果。这一步的目的是通过对实验结果的分析和评估，不断改进模型，以提高其准确性和稳定性，并最终达到厂区安全监控系统的要求。3 实验结果与分析 3.1 实验设置 在进行 Yolov4-tiny 目标识别模型的实验时，本文使用以下常见的实验设置：数据集选择：根据实际需求选择合适的数据集，例如 COCO、VOC、Kitti 等。其中，COCO 数据集是目前应用最广泛的目标检测数据集之一，包含 80 个不同种类的物体，具有较高的难度和挑战性。图像尺寸：选择合适的图像尺寸可以在一定程度上影响模型的准确性和速度。本文采用 416x416 或者 320 x320 的图像尺寸。Batch size：Batch size 表示每次迭代训练时输入到模型中的样本数目，本文选择较大的 Batch size 可以提高模型训练速度，但也可能导致显存不足，采用的 Batch size 为 50。学习率：学习率是控制模型参数更新速度的超参数，过大的学习率会导致模型无法收敛，而过小的学习率则会导致训练时间过长。本文初始学习率为 0.005的 Adam 优化器进行训练，并在训练过程中动态调整学习率。训练轮数：训练轮数是指模型在整个数据集上迭代的次数。本文进行 200 轮左右的训练，并根据实际情况进行调整。3.2 实验分析 为了比较不同上采样模块对检测结果的影响，我们在数据集上获得了检测结果，并且只改变了插值算法。表 1 展示了实验结果，其中使用 Yolov4-tiny+Bicubic 的准确率、召回率、F1 和平均精度相比使用 Yolov4-tiny+Bilinear 分别提高了 15%、19%、18%和 18%；使用 Yolov3-tiny+Bicubic 的准确率、召回率、F1 和平均精度相比使用 Yolov3-tiny+Bilinear 分别提高了 3%、4%、3%和 3%；使用 Yolov4-tiny+Bicubic的准确率、召回率、F1 和平均精度相比使用 Yolov3-tiny+Bicubic 分别提高了 16%、15%、15%和 19%。从实验结果可以得出结论：与使用双线性插值的检测模型相比，使用双三次插值的检测模型能够更好地融合低级特征和高级特征，并且具有更好的边界框回归能力。表 1 上采样模块的影响 方法 准确率 召回率 F1 平均精度 Yolov3-tiny+Bilinear 0.72 0.69 0.69 0.69 Yolov3-tiny+Bicubic 0.75 0.73 0.72 0.72 Yolov4-tiny+Bilinear 0.76 0.69 0.69 0.73 Yolov4-tiny+Bicubic 0.91 0.88 0.87 0.91 除此之外，我们还进行了与其他流行深度学习检中国科技期刊数据库 工业 A 65 测模型的对比实验，如 Yolov3、生成对抗网络、贝叶斯网络、多模态双流 3D 网络和 HRNet 等。对比实验结果见下表 2。表 2 模型比较（自制数据集）方法 准确率 召回率 F1 平均精度 HRNet 0.79 0.84 0.84 0.88 多模态双流 3D 网络 0.87 0.82 0.80 0.84 贝叶斯网络 0.89 0.84 0.87 0.88 生成对抗网络 0.85 0.81 0.80 0.83 Yolov3 0.90 0.89 0.81 0.86 Yolov4 0.78 0.72 0.73 0.74 Yolov3-tiny 0.72 0.69 0.69 0.69 Yolov4-tiny 0.76 0.69 0.69 0.73 Ourmethod 0.92 0.93 0.91 0.92 根据表格显示，前四名的模型按照 F1 排名依次为提出的算法、贝叶斯网络、HRNet 和 Yolov3。与贝叶斯网络、HRNet 和 Yolov3 这些模型相比，我们的方法具有更好的识别准确性。4 结束语 污水处理厂智慧管理系统是一个重要的领域，计算机视觉技术可以帮助其实现运行的智能化控制和管理，包括对工作人员进行异常行为识别。本文提出了一种基于 Yolov4-tiny 的人体异常行为检测网络模型，通过自适应 NMS 方法和双三次插值等改进措施，提高了检测准确度和实时性。同时，还设计了基于深度学习的安全监控系统，并设置了结果反馈模块，及时通知管理人员有关变化情况。未来研究方向可以涉及以下几个方面：算法优化：进一步提高人体异常行为检测算法的检测精度和实时性，例如通过改进注意力机制、增加深度学习网络层数等方式来提高算法性能。更广泛应用：将人体异常行为检测技术应用于更广泛的物流场景中，如生产车间、商超、公共场所等，以实现对人员、设备和物品等的全方位监控。结合其他技术：将人体异常行为检测技术与其他物联网技术相结合，例如传感器网络、云计算、大数据等，从而实现更智能化、更高效的物流管理。隐私保护：在开发人体异常行为检测系统时，需要考虑隐私保护的问题，例如采用匿名化处理、数据加密等方式来保护用户的隐私。参考文献 1 Singh R K,Chaudhary N,Saxena N.Selection of warehouse location for a global supply chain:A case studyJ.IIMB management review,2018,30(4):343-356.2 Pane S F,Awangga R M,Azhari B R.Qualitative evaluation of RFID implementation on warehouse management systemJ.Telkomnika,2018,16(3):1303-1308.3侯莹.城市污水处理过程多目标优化控制方法及应用研究D.北京:北京工业大学,2018.4 Shyshkin V,Onyshchenko O,Cherniak K.Modern approaches to warehouse logistics managementJ.Management and Entrepreneurship:Trends of Development,2020,2(12):105-117.5 Zheng W Y,Lichtner V,Van Dort B A,et al.The impact of introducing automated dispensing cabinets,barcode medication administration,and closed-loop electronic medication management systems on work processes and safety of controlled medications in hospitals:a systematic reviewJ.Research in Social and Administrative Pharmacy,2021,17(5):832-841.6 Li X N.Automatic identification management of goods in warehouse logistics based on RFID technologyJ.Telecommunications and Radio Engineering,2020,79(13):1167-1176.7杜胜利,张庆达,曹博琦,等.城市污水处理过程模型 预 测 控 制 研 究 综 述 J.信 息 与 控制,2022,51(01):41-53.8邱勇,李冰,刘垚,等.污水处理厂化学除磷自动控制系统优化研究J.给水排水,2016,52(7):126-129.作者简介：作者简介：侯文俊（1988），男，汉族，山西平遥人，硕士研究生，研究员，研究方向为新型环保材料的合成、污水处理、厌氧发酵及热电联产。