趙立杰 陳茜 王國剛 黃明忠

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃“網(wǎng)絡(luò)協(xié)同制造與智能工廠”重點(diǎn)專項(xiàng)（批準(zhǔn)號(hào)：2018YFB1700200）資助的課題；2020年遼寧省高等學(xué)校創(chuàng)新人才支持計(jì)劃項(xiàng)目；2021年度高等學(xué)校基本科研項(xiàng)目（重點(diǎn)項(xiàng)目）（批準(zhǔn)號(hào)：LJKZ0442）資助的課題。

作者簡介：趙立杰（1972-），教授，從事智能信息處理的研究。

通訊作者：王國剛（1977-），教授，從事數(shù)字圖像處理的研究，ggwang@syuct.edu.cn。

引用本文：趙立杰，陳茜，王國剛，等.基于深度學(xué)習(xí)的活性污泥絲狀菌指數(shù)識(shí)別模型[J].化工自動(dòng)化及儀表，2023，50（6）：000-000.

DOI：10.20030/j.cnki.1000-3932.202306000

摘? 要? 傳統(tǒng)絲狀菌數(shù)量的計(jì)量和長度的測量依賴人工顯微鏡下目視方式，非常耗時(shí)且困難，為此提出一種基于活性污泥相差顯微圖像快速量化活性污泥絲狀菌與菌膠團(tuán)細(xì)菌比例等級(jí)方法，實(shí)現(xiàn)絲狀菌指數(shù)的自動(dòng)識(shí)別。該方法在ResNet18模型框架內(nèi)添加空間注意力機(jī)制增強(qiáng)絲狀菌特征提取能力，采用多分類Focal Loss損失函數(shù)緩解絲狀菌與菌膠團(tuán)細(xì)菌樣本類別失衡問題。實(shí)際污水處理廠活性污泥相差顯微圖像數(shù)據(jù)的仿真實(shí)驗(yàn)結(jié)果，驗(yàn)證了所提不均衡數(shù)據(jù)絲狀菌指數(shù)識(shí)別模型的有效性。

關(guān)鍵詞? 活性污泥? 絲狀菌指數(shù)? ResNet? Focal Loss? 空間注意力機(jī)制

中圖分類號(hào)? TP274? ? ? 文獻(xiàn)標(biāo)志碼? A? ? ? ? ? ? ? ? ?文章編號(hào)? 1000-3932（2023）06-0000-00

當(dāng)活性污泥膨脹時(shí)，污泥中的微生物群落發(fā)生變化，絲狀菌大量繁殖，污泥結(jié)構(gòu)相對(duì)松散，在泥水分離過程中不易沉淀，導(dǎo)致污水處理能力下降[1]。一般用30 min沉降比（SV30）[2]、污泥體積指數(shù)（SVI）[3]等指標(biāo)對(duì)活性污泥的沉降性能進(jìn)行評(píng)判。此外，用絲狀菌長度、絲狀菌指數(shù)及絲狀菌數(shù)量[4]等指標(biāo)從微觀層面表征污泥的沉降性能。污泥沉降性能主要與污泥中絲狀菌數(shù)量有關(guān)[5]，但是在不同的污水處理系統(tǒng)中，絲狀菌的數(shù)量存在較大差異。因此，對(duì)絲狀菌的數(shù)量進(jìn)行定量分析非常重要。在實(shí)際情況中，絲狀菌的精確計(jì)數(shù)是一項(xiàng)非常耗時(shí)的工作。因此，可以通過確定絲狀菌指數(shù)（Filamentous Index，F(xiàn)I）[6]這種相對(duì)簡便易行的方法對(duì)絲狀菌的數(shù)量進(jìn)行日常檢查。

絲狀菌指數(shù)是一種通過顯微鏡下目視來判斷污泥中絲狀菌數(shù)量的直觀評(píng)價(jià)方法。絲狀菌指數(shù)是根據(jù)活性污泥中絲狀菌與菌膠團(tuán)細(xì)菌的比例，把絲狀菌的數(shù)量分成0～5這6個(gè)等級(jí)。當(dāng)FI值確定時(shí)，絲狀菌的數(shù)量可以從表面上進(jìn)行量化[7]。雖然這種方法不是很精準(zhǔn)，但是在實(shí)際應(yīng)用中，可以快速提供一些污泥沉降的信息。大量觀察也已證實(shí)，污泥中絲狀菌數(shù)量越多，F(xiàn)I指數(shù)越大，活性污泥的沉降性能越差[8]。通過對(duì)活性污泥的常規(guī)微觀觀察，記錄FI值，并關(guān)注絲狀菌量的變化情況，就可以盡快對(duì)活性污泥沉降性能惡化的情況進(jìn)行預(yù)測，從而及時(shí)采取措施。

目前，數(shù)字圖像分析涉及對(duì)活性污泥絮體和絲狀菌的顯微圖像觀察，這些圖像以數(shù)字形式存儲(chǔ)在計(jì)算機(jī)上并對(duì)其進(jìn)行分析，以在微觀層面上收集有關(guān)活性污泥的信息。用數(shù)字圖像分析識(shí)別活性污泥絲狀菌的形態(tài)和數(shù)量，這是化學(xué)-物理測量方法無法做到的[9]。與傳統(tǒng)的化學(xué)-物理測量方法相比，數(shù)字圖像分析有助于提前識(shí)別污水處理廠中出現(xiàn)的異常情況。一些學(xué)者提出了基于傳統(tǒng)方法的活性污泥圖像分析方法，GINS G等基于現(xiàn)有的活性污泥圖像信息，選擇合適的活性污泥參數(shù)（絲狀菌長度、絮凝體分形維數(shù)和絮凝體圓度）后，提出并訓(xùn)練了一種分類器，采用LSSVM方法訓(xùn)練分類函數(shù)，以區(qū)分活性污泥廢水處理廠中的膨脹和非膨脹情況，目的是預(yù)測和監(jiān)測絲狀菌膨脹[10]。SELVAN S等提出一種從污泥圖像中分割出絲狀菌和絮體的方法[11]，從絲狀菌和絮體中提取紋理和形狀特征，采用支持向量機(jī)（SVM）分類器對(duì)提取到的絮體和絲狀菌特征[12]進(jìn)行分類，為后續(xù)的污水處理過程提供幫助。傳統(tǒng)的活性污泥圖像識(shí)別方法，其準(zhǔn)確性取決于提取特征的方法，但分類器與特征提取分離，很難保證識(shí)別結(jié)果的穩(wěn)定性。隨著深度模型的發(fā)展，深度學(xué)習(xí)在活性污泥顯微圖像研究中也得到應(yīng)用。SATOH H等開發(fā)了一個(gè)自動(dòng)顯微圖像采集系統(tǒng)[13]，并用該設(shè)備采集的污泥圖像建立了雙標(biāo)簽分類器，用于識(shí)別聚集或分散的絮體（classfier-1）并判斷絲狀菌的存在或不存在（classfier-2），但該方法只能夠判斷污泥圖像中絲狀菌是否存在，不能對(duì)絲狀菌數(shù)量進(jìn)行識(shí)別。但是與傳統(tǒng)方法相比，基于卷積神經(jīng)網(wǎng)絡(luò)這種端到端的活性污泥圖像分類方法避免了復(fù)雜的特征工程與預(yù)處理工作，在準(zhǔn)確性方面有較大提升。

結(jié)合數(shù)字圖像分析，筆者從絲狀菌指數(shù)這一指標(biāo)出發(fā)，采用深度學(xué)習(xí)方法實(shí)現(xiàn)活性污泥絲狀菌指數(shù)的自動(dòng)識(shí)別，進(jìn)而對(duì)活性污泥沉降性能進(jìn)行預(yù)測。現(xiàn)以ResNet18為基礎(chǔ)模型，將Focal Loss損失函數(shù)和空間注意力機(jī)制引入到模型中，提高模型對(duì)活性污泥絲狀菌指數(shù)識(shí)別的準(zhǔn)確性，不僅可以改善通過人眼觀察絲狀菌指數(shù)這種傳統(tǒng)方法的不準(zhǔn)確性，還可以節(jié)省時(shí)間，提高工作效率，實(shí)現(xiàn)對(duì)絲狀菌數(shù)量的智能監(jiān)控。

1? 材料與方法

1.1? 數(shù)據(jù)采集

實(shí)驗(yàn)所用污泥樣本采集自沈陽某污水處理廠和吉林某污水處理廠，在生化池出口處采集污泥樣本。每次污泥樣品取500 mL，使用一個(gè)帶有截面尖端槍頭的校準(zhǔn)移液槍，取8 μL樣品置于載玻片上，并用24 mm×24 mm的正方體蓋玻片覆蓋。微生物圖像采集系統(tǒng)包括倒置的光學(xué)顯微鏡（Nikon Eclipse TS100）、工業(yè)數(shù)碼相機(jī)（ToupTek ToupCam ucoms03100kpa）和圖像采集軟件（ToupView）。在樣本采集過程中，使用顯微鏡以100倍放大倍數(shù)，從左上到右下以Z字路徑掃描載玻片上的污泥樣本，污泥樣品像素為1536×2048的RGB彩色圖像，總共采集樣本4 911張?；钚晕勰鄨D像采集流程如圖1所示。

表1[14]為不同F(xiàn)I下活性污泥絲狀菌的描述情況。依據(jù)表1可將實(shí)驗(yàn)采集的所有污泥圖像分為6類，不同F(xiàn)I的活性污泥圖像如圖2所示。

在構(gòu)建的數(shù)據(jù)中，不同F(xiàn)I下的污泥圖像分布如圖3所示?；钚晕勰郌I可以從微觀層面反映污泥沉降性能，當(dāng)FI小于3時(shí)，絲狀菌幾乎對(duì)污泥的沉降性能沒有影響；當(dāng)FI大于3時(shí)，污泥的沉降性能出現(xiàn)明顯惡化的現(xiàn)象，尤其是在污泥中存在粗壯絲狀菌的情況下惡化更加劇烈。

由圖3可以看出，F(xiàn)I=0、FI=1、FI=2時(shí)污泥樣本數(shù)量較多，其中FI=1有2 546張圖像，F(xiàn)I=3、FI=4、FI=5時(shí)污泥樣本數(shù)量較少，F(xiàn)I=5只有101張圖像，各類樣本之間分布不均衡。

1.2? 基于空間注意力機(jī)制的活性污泥絲狀菌指數(shù)識(shí)別模型

本研究采用的網(wǎng)絡(luò)模型是ResNet18，該模型中有殘差塊單元，殘差塊結(jié)構(gòu)不僅可以增加模型深度，還可以防止梯度消失。在ResNet18模型中，block1、block2、block3、block4所對(duì)應(yīng)的殘差塊數(shù)量都為2，殘差塊加起來一共有16層，加上Conv1的77卷積層和全連接層一共18層[15]。為了提高模型對(duì)活性污泥圖像特征的提取能力，筆者將空間注意力模塊應(yīng)用在ResNet18網(wǎng)絡(luò)的每個(gè)殘差塊之后，然后與輸入的特征映射相乘，對(duì)活性污泥絲狀菌進(jìn)行特征提取。模型構(gòu)建完成后，采用Focal Loss損失函數(shù)進(jìn)行模型訓(xùn)練，本研究整體流程如圖4所示，活性污泥絲狀菌識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

1.2.1? 空間注意力機(jī)制

為了提高模型對(duì)活性污泥圖像特征的提取能力，將ResNet18模型與空間注意力機(jī)制結(jié)合?？臻g注意力機(jī)制作用于每張活性污泥圖像的特征圖內(nèi)，能夠加強(qiáng)模型提取關(guān)鍵特征的能力[16]，其結(jié)構(gòu)如圖6所示。

圖6? 空間注意力模塊

空間注意力模塊是將大小為HWC的三維特征圖分別輸入最大池化層和平均池化層，從而得到兩個(gè)HW1的特征向量x和l，然后對(duì)兩個(gè)特征信息進(jìn)行拼接，經(jīng)過卷積操作后，通過Sigmoid激活函數(shù)[17]得到相應(yīng)的權(quán)重，然后與原始特征進(jìn)行相乘以獲得新的特征向量Msa，計(jì)算式如下：

（1）

其中，代表Sigmoid激活函數(shù)。

1.2.2? 多分類Focal Loss

ResNet18模型采用交叉熵?fù)p失函數(shù)（Cross Entropy，CE）[18]，當(dāng)訓(xùn)練的數(shù)據(jù)集各類別數(shù)量均衡時(shí)，模型具有很好的分類效果。由1.1節(jié)可知，文中使用的活性污泥數(shù)據(jù)集存在類別不均衡問題，其中FI較大的污泥樣本數(shù)量少，F(xiàn)I較小的污泥樣本數(shù)量多。為了使模型在不均衡數(shù)據(jù)上達(dá)到理想的效果，將Focal Loss函數(shù)[19]引入到ResNet18模型中，使模型在6類不均衡活性污泥圖像的多分類識(shí)別任務(wù)中具有更好的識(shí)別效果。多分類Focal Loss函數(shù)表達(dá)式如下：

（2）

其中，c為活性污泥絲狀菌指數(shù)類別總數(shù)；p為預(yù)測概率；y為真實(shí)類別值；r為抑制參數(shù)，r0，r越大，則容易分類的樣本損失權(quán)重越低；各類別權(quán)重的取值范圍為0～1。

2? 實(shí)驗(yàn)結(jié)果與分析

2.1? 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)使用深度學(xué)習(xí)框架Pytorch構(gòu)建活性污泥絲狀菌指數(shù)識(shí)別模型，在Windows10操作系統(tǒng)，Intel i7-7700CPU，NVIDIA GeForce GTX1060 GPU平臺(tái)上進(jìn)行實(shí)驗(yàn)。

實(shí)驗(yàn)數(shù)據(jù)為4 911張6類不同F(xiàn)I的活性污泥圖像，將其按照8：2劃分為訓(xùn)練集、測試集。實(shí)驗(yàn)參數(shù)為：批次大小設(shè)置為8，迭代次數(shù)為150次，學(xué)習(xí)率為0.001，F(xiàn)ocal Loss損失函數(shù)中的抑制參數(shù)r設(shè)置為2。由于采集到的活性污泥圖像尺寸較大，為了方便訓(xùn)練模型的同時(shí)又不損失太多的圖像信息，對(duì)污泥圖像進(jìn)行預(yù)處理，處理后的圖像尺寸均為384512。最后，基于Pytorch框架進(jìn)行活性污泥絲狀菌指數(shù)識(shí)別模型的訓(xùn)練。

2.2? 評(píng)價(jià)指標(biāo)

筆者采用準(zhǔn)確性（Accuracy）、精度（Precision）、召回率（Recall）、調(diào)和均值（F1-score）對(duì)模型進(jìn)行性能評(píng)價(jià)。

準(zhǔn)確性（Accuracy）表示樣本中預(yù)測正確的數(shù)目與樣本總數(shù)的比值，計(jì)算式如下：

（3）

精度（Precision）表示正確預(yù)測為正的樣本與全部預(yù)測為正的樣本比值，計(jì)算式如下：

（4）

召回率（Recall）表示正確預(yù)測為正的樣本與所有正樣本的比值，計(jì)算式如下：

（5）

調(diào)和均值（F1-score）是精度和召回率的調(diào)和平均數(shù)，計(jì)算式如下：

（6）

其中，TP、FP、TN、FN分別表示預(yù)測為正實(shí)際為正，預(yù)測為正實(shí)際為負(fù)，預(yù)測為負(fù)實(shí)際為負(fù)，預(yù)測為負(fù)實(shí)際為正的樣本量。

2.3? 實(shí)驗(yàn)結(jié)果與分析

針對(duì)活性污泥圖像數(shù)據(jù)不均衡問題，采用Focal Loss損失函數(shù)，新模型簡稱為F-ResNet18。為了更好地提取活性污泥圖像的特征，采用了空間注意力機(jī)制模塊，將加入該模塊后的模型簡稱為Sa-ResNet18。將同時(shí)采用Focal Loss損失函數(shù)和空間注意力模塊的模型簡稱為F-Sa-ResNet18。

模型訓(xùn)練完成后，讀取模型在活性污泥絲狀菌數(shù)據(jù)集上的歷史訓(xùn)練記錄，并繪制出測試集的準(zhǔn)確性和損失值在150個(gè)訓(xùn)練迭代次數(shù)上的變化曲線，上述4類模型在測試集上的準(zhǔn)確性和模型損失變化如圖7所示。

通過圖7可以看出，迭代次數(shù)增加，各模型不斷優(yōu)化，測試集的準(zhǔn)確性不斷增加，損失不斷減小。F-ResNet18和Sa-ResNet18模型的識(shí)別準(zhǔn)確相差不大，F(xiàn)-Sa-ResNet18模型在測試集上的準(zhǔn)確性明顯高于其他3種模型，各模型的具體準(zhǔn)確性見表2。模型訓(xùn)練階段，F(xiàn)-Sa-ResNet18模型在第20次迭代時(shí)就達(dá)到了很低的損失值，而且損失值變化平穩(wěn)，相較于其他模型收斂更快，說明該模型進(jìn)行了有效的訓(xùn)練。

準(zhǔn)確性是反映模型整體分類性能的指標(biāo)。從表2可以看出，相較于基礎(chǔ)ResNet18模型，加入空間注意力模塊后的Sa-ResNet18模型的準(zhǔn)確性比基礎(chǔ)ResNet18模型準(zhǔn)確性提高0.109，比采用Focal Loss損失函數(shù)的F-ResNet18模型準(zhǔn)確性提高0.119，驗(yàn)證了Focal Loss函數(shù)在6種分類不均衡數(shù)據(jù)的活性污泥絲狀菌指數(shù)識(shí)別任務(wù)中的有效性。F-Sa-ResNet18模型相較ResNet18模型準(zhǔn)確性提高0.261，是分類效果最好的模型。

對(duì)每個(gè)類別識(shí)別效果的評(píng)價(jià)標(biāo)準(zhǔn)由精度、召回率和調(diào)和均值進(jìn)行評(píng)判。為了驗(yàn)證筆者所提方法的效果，將原始網(wǎng)絡(luò)和加入不同方法的網(wǎng)絡(luò)進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果見表3。

F-Sa-ResNet18模型在FI=1、FI=2、FI=3、FI=4下的精度高于其他模型，這4類污泥圖像的精度相較ResNet18模型提高0.176、0.348、0.311、0.075；召回率在FI=0、FI=1、FI=3下高于其他模型；調(diào)和均值6類均高于其他模型。由表3中各個(gè)指標(biāo)的均值可以看出，改進(jìn)后的F-Sa-ResNet18模型分別提高0.180、0.104、0.153，可以明顯看出F-Sa-ResNet18模型在這4種模型中分類效果最好，相較基礎(chǔ)ResNet18模型性能有明顯的提升，驗(yàn)證了筆者所提方法在解決活性污泥絲狀菌指數(shù)分類任務(wù)中的有效性。

3? 結(jié)束語

筆者使用深度卷積神經(jīng)網(wǎng)絡(luò)ResNet18對(duì)活性污泥絲狀菌進(jìn)行FI識(shí)別分類。為了使模型更好地提取活性污泥的特征，引入空間注意力機(jī)制模塊。構(gòu)建完成活性污泥絲狀菌指數(shù)特征提取網(wǎng)絡(luò)，在訓(xùn)練該網(wǎng)絡(luò)時(shí)，采用多分類Focal Loss損失函數(shù)進(jìn)行訓(xùn)練，F(xiàn)ocal Loss在不均衡數(shù)據(jù)上有較好的表現(xiàn)，提高了整體模型的分類性能。實(shí)驗(yàn)結(jié)果表明，所提模型能夠?qū)钚晕勰鄨D像進(jìn)行有效的分類，分類性能相較基礎(chǔ)ResNet18模型有顯著提高，可以更好地對(duì)活性污泥絲狀菌指數(shù)進(jìn)行識(shí)別。筆者將深度學(xué)習(xí)運(yùn)用到活性污泥中絲狀菌指數(shù)的分類任務(wù)中，實(shí)現(xiàn)了端到端的絲狀菌指數(shù)分類，提高了活性污泥絲狀菌識(shí)別工作的效率，為絲狀菌指數(shù)識(shí)別提供了一個(gè)新的思路。

參? 考? 文? 獻(xiàn)

[1]B?RGER R，CAREAGA J，DIEHL S，et al.Simulations of reactive settling of activated sludge with a reduced biokinetic model[J].Computers & Chemical Engineering，2016，92：216-229.

[2]高春娣，王惟肖，李浩，等.SBR法交替缺氧好氧模式下短程硝化效率的優(yōu)化[J].中國環(huán)境科學(xué)，2015，35（2）：403-409.

[3]何志江，趙媛，張?jiān)磩P，等.活性污泥表面性質(zhì)對(duì)絮凝沉降性能與出水懸浮物的影響[J].環(huán)境科學(xué)，2016，37（8）：3135-3143.

[4]AMARAL A L，F(xiàn)ERREIRA E C.Activated sludge monitoring of a wastewater treatment plant using image analysis and partial least squares regression[J].Analytica Chimica Acta，2005，544（1-2）：246-253.

[5]高春娣，韓穎璐，程麗陽，等.溫度沖擊引起的絲狀菌污泥膨脹菌群特征[J].中國環(huán)境科學(xué)，2022，42（6）：2680-2689.

[6]JIN B，WIL?N B-M，LANT P.Impacts of morphological， physical and chemical properties of sludge flocs on dewaterability of activated sludge[J].Chemical Engineering Journal，2004，98（1-2）：115-126.

[7]ARA?JO DOS SANTOS L，F(xiàn)ERREIRA V，NETO M，et al.Study of 16 Portuguese activated sludge systems based on filamentous bacteria populations and their relationships with environmental parameters[J].Applied Microbiology and Biotechnology，2015，99（12）：5307-5316.

[8]MENG F G，ZHANG H M，YANG F L，et al.Effect of filamentous bacteria on membrane fouling in submerged membrane bioreactor[J].Journal of Membrane Science，2006，272（1-2）：161-168.

[9]DEEPNARAIN N，NASR M，KUMARI S，et al.Decision tree for identification and prediction of filamentous bulking at full-scale activated sludge wastewater treatment plant[J].Process Safety and Environmental Protection，2019，126：25-34.

[10]GINS G，SMETS I Y，JENN? R，et al.Activated sludge image analysis data classification：An LS-SVM approach[J].IFAC Proceedings Volumes，2005，38（1）：37-42.

[11]SELVAN S，JOSEPH J F，RAJ K D，et al.Analysis and Classification of Active Sludge in Wastewater[J].Journal of Physics：Conference Series，2021，1916（1）：012016.

[12]SHEYKHMOUSA M，MAHDIANPARI M.Support vector machine versus random forest for remote sensing image classification：A meta-analysis and systematic review[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：6308-6325.

[13]SATOH H，KASHIMOTO Y，TAKAHASHI N，et al.Deep learning-based morphology classification of activated sludge flocs in wastewater treatment plants[J].Environmental Science：Water Research & Technology，2021，7（2）：298-305.

[14]EIKELBOOM D H.Process control of activated sludge plants by microscopic investigation[M].London：IWA Publishing，2000.

[15]王陽，劉立波.面向細(xì)粒度圖像分類的雙線性殘差注意力網(wǎng)絡(luò)[J].激光與光電子學(xué)進(jìn)展，2020，57（12）：171-180.

[16]ROY S K，MANNA S，SONG T，et al.Attention-based adaptive spectral-spatial kernel ResNet for hyperspectral image classification[J].IEEE Transactions on Geoscience and Remote Sensing，2020，59（9）：7831-7843.

[17]ROMDHANE T F，ALHICHRI H，OUNI R，et al.Electrocardiogram heartbeat classification based on a deep convolutional neural network and focal loss[J].Computers in Biology and Medicine，2020，123：103866.

[18]CHEN Z，DUAN J，KANG L，et al. Class-imbalanced deep learning via a class-balanced ensemble[J].IEEE Transactions on Neural Networks and Learning Systems，2021，33（10）：5626-5640.

[19]許詩雨，莫思特，閆惠君，等.基于焦點(diǎn)損失函數(shù)的嵌套長短時(shí)記憶網(wǎng)絡(luò)心電信號(hào)分類研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2022，39（2）：301-310.

（收稿日期：2023-01-14，修回日期：2023-07-26）