污泥沉降比试验融合图像识别技术的应用研究

洪 雷 王德凯

（1.广西博世科环保科技股份有限公司，广西 南宁 530000；2.广西环保产业发展研究院，广西 南宁 530000）

0 概述

从蒸汽机时代、电气化时代、信息化时代到数字化时代，每次工业革命的出现都给社会各领域带来深远的影响。在环保领域中，以大数据、云计算、物联网和人工智能为技术驱动，传统的水处理行业将开启人工智能新时代。环保水务行业作为国家新兴战略产业，发展信息技术与大数据、人工智能与环保水务行业的应用具有重要的战略意义。

环保水务行业涉及面广、应用灵活，其行业技术的发展历程可认为是与其他各类专业领域不断进行技术融合应用的过程；而在与计算机/大数据和人工智能技术的融合上，同样也能产生许多融合的切入点。该文将以污废水处理技术活性污泥法处理工艺的活性污泥沉降比试验过程智能检测作为切入点，展示图像识别技术与活性污泥法污泥沉降比试验过程观测的融合应用的方法。

1 污泥沉降比

污泥沉降比（SludgeSettlingVelocity）简称SV，是指在采用活性污泥法进行污废水处理的好氧生物处理中，取曝气池末端混合液1000mL 于1000mL 的量筒中，静止30min后，沉淀的活性污泥体积占整个混合液的体积比例即为活性污泥的沉降比，单位用百分数%表示[1]。在实际运用中，沉降比不仅是指30min 内的沉降过程，还包括SV5、SV30和SV120 等一系列不同时间的沉淀比测试，而不同时间的沉降比测试观察的结果和意义又有所不同，一方面能反映曝气池正常运行时的污泥量和污泥的凝聚、沉降性能，另一方面通过SV 值变化可以判断和发现污泥膨胀现象。通过沉降比在生产中的指导作用，可以认识到污泥沉降比不仅是一个数值。污泥的一些异常现象也可通过沉降试验反映出来，例如通过外观、沉降速率、泥水界面清晰程度和上层液的混浊情况，是否有悬浮物等情况可以了解污泥的结构和沉降性能，并在无其他异常的情况下，作为剩余污泥排放的参考依据。

由此可见，SV 值测定简单便捷、表征明确，常用于活性污泥浓度及污泥性能的评测。污泥沉降比测试应该包括3 个部分。1）获取测试数据。2）对沉降过程的观察和记录。3）对结果和记录进行综合分析。

由于沉降比试验过程可以传递大量信息，因此沉降比试验的采样和过程观测时间往往需要30 min 以上；在污水处理厂实际运行的过程中，传统的沉降比试验过程观测操作，一方面占用工艺技术工程师比较多的工作时间，某些污水处理厂倾向于减少甚至不进行污泥沉降比试验观测，或者因为操作人员的工作责任心不够强，对沉降比作用认识不到位，往往只是例行公事，只读取30 min 的沉降比数值，而并没有认真观察和掌握实际的沉降过程。另一方面，沉降比试验过程的特征分析暂时没有很明确的量化标准，这些特征变化影响往往通过工艺技术工程师的经验进行判断，评估结果的准确性以及从沉降比试验中获取信息量的多少受运营技术工程师的经验值是否足够的影响，因此传统沉降比试验过程传达出来的信息往往难以被及时和全量获取，从而不能给污水处理系统的良好运行提供其应有的决策价值。

综上所述，这个由“人力”的不可控和成本高造成的问题矛盾，在当前的数字化时代，可以尝试通过使用计算机和人工智能技术进行替代。

2 图像识别技术

图像识别是指利用计算机对图像进行处理、分析，以识别各种不同模式的目标和对象的技术。采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，另外，在地理学中指将遥感图像进行分类的技术。

图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程，也叫图像再认。在图像识别中，既要有当时进入感官的信息，也要有记忆中存储的信息。只有通过存储的信息与当前的信息进行比较的加工过程，才能对图像再认[2]。

图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出不同的图像识别模型。例如模板匹配模型、原型匹配模型。

图像识别过程分为图像处理和图像识别2 个部分。

图像处理（image Processing）利用计算机对图像进行分析，以达到所需的结果。图像处理可分为模拟图像处理和数字图像处理，而图像处理一般指数字图像处理。这种处理大多数是通过软件实现的。其目的是去除干扰、噪声，将原始图像编程适于计算机进行特征提取的形式，主要包括图像采样、图像增强、图像复原、图像编码与压缩和图像分割。

图像识别将图像处理得到的图像进行特征提取和分类。识别方法中基本的也是常用的方法有统计法（StatisticMethod，或决策理论法）、句法（或结构）识别法（Syntactic Recognition）、神经网络法（NeuralNetwork）、模板匹配法（TemplateMatching）和几何变换法（Hough Transform）[3]。

污泥沉降比试验过程中有各种不同的特征，包括沉降比试验的量筒沉降污泥刻度、污泥颜色和形态、泥水分界面、量筒筒壁、沉降速度、上清液颜色和形态以及液面形态等，图像识别技术的丰富性可以很好地满足自动观测的技术融合应用要求。例如在读取量筒沉降污泥刻度的过程中，采用模板匹配法对刻度进行标定，即可比较容易获得自动获取沉降刻度的能力。

3 技术融合应用

3.1 融合方案及装置

在进行了污泥沉降比试验过程呈现的不同特征提取和识别尝试后，针对该文所要解决的问题，制作一套自动采集、观测及识别活性污泥沉降比试验过程的装置，该装置能自动采集和观测识别沉降比试验过程，较为准确地描述污泥特征和性状，对生化池的污泥性能进行评价，给污水处理系统的运行提供参考。

如图1 所示，自动采集、观测及识别活性污泥沉降比试验过程的装置，由自动采样模块A、比对模块B、摄像模块C、数据处理模块D 和壳体模块E 组成。1）自动采样模块A 包括锥形透明量筒1，其底部设置废液流出管7，上部设置溢出口6（该溢出口经“U”形管道与废液流出管相连通），顶部设置布水管5，与进液管3、清水管4 相连通；废液流出管、进液管和清水管上设置电磁阀，进液管上安装有蠕动泵2。2） 摄像模块C 包括带数据传输装置的摄像头c。3）比对模块B 包括比对背板8，比对背板与摄像头分别安装在锥形透明量筒的两侧，且摄像头位于透明量筒侧边的中间位置；比对背板上设置刻度标识9 以及比对色域，当以摄像头的位置作为视线起点时，透明量筒内沉降污泥界面的刻度范围（即最大持水量的刻度范围）与比对背板的刻度范围形成角度成像对应关系，摄像头拍摄到的量筒叠加比对背板的图像，能显示沉淀过程中透明量筒内废水和沉降污泥界面的位移情况，同时比对背板的色域能提升透明量筒内的沉降污泥观测性状的视觉特征。4）摄像模块与数据处理模块D 相连接，摄像模块将拍摄到的图像传输至数据处理模块进行人工智能视觉识别和分析，获取沉降比试验的量筒沉降污泥刻度、污泥颜色和形态、泥水分界面、量筒筒壁黏附物、沉降速度、上清液颜色和形态以及液面形态信息，以预测评估判定污泥性状。另外，数据处理模块储存于服务器或云端服务器，且能自动输出技术报告信息。

图1 SV30 测定试验装置结构示意

图2 2 个案例的污泥沉降比沉降情况对比

特别补充说明如下：1）透明量筒采用带溢流口的英霍夫管，以利于观测，且设定最大持水量控制在1000 mL。2）进液采用蠕动泵，可保证污泥性状完好，污泥性状还原度高。3） 比对背板设置能显示透明量筒内混合液沉淀位移的对比度较高的底色。4）蠕动泵、摄像头以及所有电磁阀均与PLC 自动控制系统相连接，以实现自动控制功能。

装置的使用过程如下：1）启动蠕动泵，开启进水管和废液流走管道的电磁阀，使前60 s 抽取的混合液从废液流走管道排走。2）蠕动泵启动后60 s，关闭废液流走管道的电磁阀，混合液从布水管进入锥形透明量筒内，30 s后，锥形透明量筒内的水量满至1000 mL 刻度线，抽取的过量的混合液通过溢出口流出，并经液流管道排走，蠕动泵自动关停。3）蠕动泵关停后开始触发摄像头c 计时，第5 min、10 min、15 min、20 min、25 min、30 min 分别进行摄像，摄像头将采集到的图像通过无线网络传至网络云数据处理系统。4）摄像头完成30 min 摄像后，网络云数据处理系统对采集到的沉降比试验过程图像进行特征点提取，进而进行比对识别和分析，获取信息包括但不限于沉降比试验的量筒沉降污泥刻度、污泥颜色和形态、泥水分界面、量筒筒壁、沉降速度、上清液颜色和形态以及液面形态等，预测评估判定污泥性状包括但不限于污泥浓度、污泥负荷、污泥老化或膨胀情况、污泥反硝化情况以及曝气情况等。5）综合污泥沉降过程特征，根据读取到的特征信息，自动生成活性污泥性状评估报告，报告内容包括但不限于污泥浓度、污泥负荷、污泥老化或膨胀情况、污泥反硝化情况、曝气情况等。

4.2 试验案例

4.2.1 试验案例1

应用该文的装置对广西南宁市某市政生活污水处理厂好氧池进行SV 沉降试验过程的自动检测。首先，读取沉降泥水分界刻度，读取的数据分别为5min 刻度——380mL、10min 刻度——300mL、15min 刻度——250mL、20min 刻度——200mL、25min 刻度——190mL、30min 刻度——190mL。其次，在提取其他沉降比试验过程特征点并进行比对后，提取到的其他异常信息如下：清液的感官清澈度比系统预存的标准低（颗粒更多）、液面有明显的浮渣和气泡混合。

采用数据处理系统进行分析后，以30 min 刻度线作为最终沉降污泥计算的沉降比为19%；将6 个时间点的沉降比和0 刻度、满刻度连成的曲线，与标准沉降曲线比对符合程度较高，结合清液的感官清澈度和液面特征点的比对结果，最后数据处理平台给出的结论为活性污泥沉降性能良好，SV30 数值正常，污泥出现老龄化倾向。基本符合现场运行工艺技术工程师的判断。

4.2.2 试验案例2

应用该文的装置对广西某乡镇生活污水处理厂好氧池进行SV 沉降试验过程的自动检测。首先，当读取沉降泥水分界刻度时，读取的数据分别为5 min 刻度——960 mL、10 min 刻度——900 mL、15 min 刻度——830 mL、20 min 刻度——800 mL、25 min 刻度——780 mL、30 min 刻度——770 mL。其次，在提取其他沉降比试验过程特征点并进行比对后，提取到的其他异常信息有，整个量筒分布大量气泡，沉淀污泥颜色浅且松散。

数据处理系统进行分析后，以30 min 刻度线作为最终沉降污泥计算出沉降比为77%；将6 个时间点的沉降比和0 刻度、满刻度连成的曲线，与标准沉降曲线比对符合程度偏差较远，结合沉淀污泥颜色性状特征点的比对结果，最后数据处理平台给出的结论为活性污泥沉降性能不良，SV30 数值过高，污泥有处于污泥膨胀的可能。也基本符合现场运行工艺技术工程师的判断。

5 结论

综上所述，通过上述的试验证实采用该文的方法和装置提升了自动观测沉降试验过程的深度和广度，如每5min沉降比数值连线的观测理念比仅读取30min 沉降比单次数值的理念具有更强的实用性和准确性。另外，能对过程图像进行特征点提取，进而进行人工智能视觉识别和分析，获取信息包括但是不限于沉降比试验的量筒沉降污泥刻度、污泥颜色和形态、泥水分界面、量筒筒壁黏附物、沉降速度、上清液颜色和形态以及液面形态等信息，预测评估判定污泥性状包括但不限于污泥浓度、污泥负荷、污泥老化或膨胀情况、污泥反硝化情况以及曝气情况等，能较为准确地理解和描述污泥特征和性状，对生化池的污泥性能进行评价，给污水处理系统的运行提供参考。