[发明专利]一种活性污泥显微图像分割模型构建方法

说明书

本发明提供一种活性污泥显微图像分割模型构建方法，涉及一种污水处理智能检测方法，该方法采集活性污泥图像、创建活性污泥显微图像数据集、构建基于混合‑Transformer编码器和金字塔池化多层语义流对齐解码器组成的活性污泥显微图像分割模型、使用混合损失函数训练活性污泥显微图像分割模型、分割模型部署和推理。采用本发明提出的方法分割可以更精确的识别活性污泥显微图像中絮体和丝状菌的边界信息，减少由于伪影所带来的边缘轮廓模糊问题以及神经网络提取特征过程中带来的局部细节信息丢失问题，有助于精准的分割活性污泥显微图像，更有效的监控和预防活性污泥膨胀等现象，为下游应用提供更多重要的信息。

技术领域

本发明涉及一种污水处理智能检测方法，特别是涉及一种活性污泥显微图像分割模型构建方法。

背景技术

活性污泥相差显微图像中的微生物微观形态和特征能够直接反映污水处理厂活性污泥沉降性能，絮体和丝状菌的表征现状对于监测和预防污泥膨胀至关重要。然而，活性污泥显微图像中疏密度不同的絮体生长在细长的丝状菌骨架上，存在非均质、结构复杂多样等特点，这会使得深度神经网络在提取特征的过程中造成细节信息的丢失。并且，使用相差显微镜观察絮体和丝状菌时会存在伪影等固有现象，这会使絮体和丝状菌的边缘轮廓模糊，影响边缘细节的识别。

传统的活性污泥分割方法主要包括基于阈值分割方法、基于边缘的分割方法以及基于区域分割方法等，使用基于Otsu阈值算法对活性污泥相差显微图像进行分割，会使絮体过度分割，影响最终分割的效果。使用基于分水岭算法进行分割，不仅计算量庞大，而且阈值的选取与像素灰度值数量的选取都会影响分割结果。因此使用传统的图像分割方法对于参数敏感，需要手工调整参数，对复杂环境下絮体与丝状菌难以得到精准的分割结果。随着深度学习技术的发展，以深度卷积神经网络为主要方法的计算机视觉算法性能获得了极大地提升，与传统的分割方法相比，深度学习的方法分割精度更高。

发明内容

本发明的目的在于提供一种活性污泥显微图像分割模型构建方法，本发明基于Segformer提出的混合-Transformer作为编码器来提取多尺度特征，解码器使用金字塔池化多层语义流对齐模块。模型最后引入了跳跃连接使全局特征与局部特征相融合实现了更精准的分割。为了获取数量较小的难分样本的数据构建了混合损失函数来对整体模型进行反向传播更新模型的参数，有效提升了活性污泥显微图像的分割精度，解决了污水检测的技术瓶颈。

本发明的目的是通过以下技术方案实现的：

一种活性污泥显微图像分割模型构建方法，所述方法包括活性污泥样品自动分割系统的构建，其包括服务器和客户端两部分，其中，服务器与客户端相互连接；客户端用于实时采集活性污泥图像并传送给服务器进行模型推理，从服务器模型推理中得到分割结果；其制备步骤如下：

S1，采集活性污泥图像；

S2，创建活性污泥显微图像数据集；

S3，构建基于混合-Transformer编码器和金字塔池化多层语义流对齐解码器组成的活性污泥显微图像分割模型；

S4，使用混合损失函数训练活性污泥显微图像分割模型；

S5，分割模型部署和推理。

所述的一种活性污泥显微图像分割模型构建方法，所述采集活性污泥图像步骤S1，包括有如下步骤：

S11，从污水处理厂采集活性污泥样品；

S12，使用相差显微镜、工业数码相机和图像采集系统，图像采集软件从左上到右下路径扫描载玻片上样品。

所述的一种活性污泥显微图像分割模型构建方法，所述构建的活性污泥分割模型步骤S2，包括有如下步骤：

S21，从采集好的活性污泥图像中选取较为典型的活性污泥图像；