自来水厂在采用絮凝剂对原水中泥沙等杂质进行处理的过程中,絮凝剂投加量控制是相当重要的环节^[1] 。投加量过多不仅造成浪费,而且会导致化学物质过量而危害人体健康;投加量过少则达不到良好的絮凝沉淀效果。

　　 在水厂絮凝环节中,一直难以很好解决的是絮凝过程中混凝效果检测的非线性、大迟滞、多变量因素影响问题^[2] 。近年数字图像处理技术逐渐被应用到水厂处理工艺过程中,加快了对上述问题的解决进程。例如李春静等^[3] 从水厂絮凝池取不同时段水样到实验室拍摄图像,根据矾花的数量、总面积、平均粒径的变化趋势判断絮凝剂投加量是否适当,然而,实验室器皿中静态的水样与现场实际情况大不相同,不能客观体现絮凝池的动态变化。李建华等^[4] 基于定时拍摄池水样图像,分析矾花平均等效粒径,得到絮凝剂投加量与矾花平均等效粒径关系曲线,从而评估絮凝剂的投加量。马伟亮等^[5] 也做了类似研究。但是在应用中原水受多因素影响,简单以平均等效粒径作为决定性因素来判断絮凝剂投加量,难以获得良好的准确性和稳定性。王新增等^[6] 取单色矾花图像灰度信息,以互相关函数作为第一级分类器,以矾花分布密度、图像矩特征、共现矩特征构建第二级距离分类器,对矾花状态进行分类。但是处理池中矾花分布是动态变化的,小视场单帧图像特征有很大随机性,少量的矾花状态分类特征难以准确描述其与絮凝剂投加量之间的相关性,未经大样本训练的矾花图像分类器缺乏强健的鲁棒性。

　　 针对自来水厂投矾量控制问题,设计制作了水下图像采集装置,在自来水厂絮凝池中以一定帧率连续采集流动水样图像,采用数字图像处理技术和神经网络技术对在自来水厂絮凝池中采集到的矾花图像进行处理,将处理结果应用到投矾控制系统中,以达到适量投矾的目的。图像处理技术主要是在MATLAB平台下,对采集的图像进行阈值分割、形态学处理、提取众多图像特征。通过将采集的大量图像中各特征值变化情况与采集图像时刻对应的水厂浊度仪数据、投矾量数据分布情况进行对比,剔除与投矾量相关性不大的图像特征,对保留的各图像特征进行标准化处理。神经网络技术主要是采用libsvm工具箱中SVM算法、MATLAB神经网络工具箱中BP神经网络和GRNN神经网络相结合,对标准化后各特征进行训练,得到3个不同的分类器,应用分类器实时处理现场池中动态矾花图像,将矾花分类结果利用多数投票决策法判断投矾量是否合适。

　　 自行设计附带光源的水下图像采集装置(采用国产500万像素工业相机、定焦镜头)安装于自来水厂絮凝池水中一定深度(见图1,采样位置和深度可调)。采样区水体厚10mm,视场47mm×56mm。由计算机软件触发以一定帧率(如20s间隔)采集流水图像,保证有充足的当前图像处理时间,并可匹配比较自来水厂浊度仪60s记录一次的数据。即使水中矾花运动速度很快,该装置获取的矾花图像也非常清晰(见图2)。

　　 图像阈值分割是将图像中有价值的部分与图像背景区分开。本文比较了直方图阈值分割、二维最大熵阈值分割、大津法、迭代阈值分割、分水岭法等多种常用的图像阈值分割方法,比较结果见表1。据此采用大津法进行矾花图像分割,其流程见图3(将图像总像素用k分为2组,其中灰度级从1~k为A组,k+1~256为B组)。

　　 形态学图像处理经常在阈值分割之后进行,其基本思想是结合集合论,用定量方式描述图像几何结构,基本操作是用结构元素与图像进行运算,再根据结构元素和运算结果推断图像更本质的形态信息^[7] 。采用MATLAB图形处理工具箱中的strel、imopen、imclose函数对阈值分割后的二值图进行形态学处理,imfill函数对图中黑色孔洞进行填充。通过多次测试发现,strel函数中参数shape取square,parameters为3时能很好地保持矾花形态,有效地简化了图像信息,有利于分离粘连纤细的矾花,同时消除图像中噪声干扰。形态学处理和孔洞填充后的结果如图4所示。

　　 图像灰度特征反映图像亮度和色度信息,图像纹理特征能较好地兼顾图像宏观性质和局部结构两个方面,包含了物体表面结构组织排列的重要信息以及与周围环境的联系^[8] 。图像形态特征中胡氏不定矩是表达图像集合形状信息的参数,具有平移、尺度及旋转等多畸变不变性和良好的图像描述能力^[9] 。根据图像的灰度特征、图像纹理特征、图像形态特征分别提取核心特征量。总体特征量为矾花灰度图像的方差、倾斜度、峰态、熵;矾花二值图像中矾花平均面积、平均周长、平均等效直径;矾花灰度图像的灰度共生矩阵8个,胡氏不变矩阵7个,小波变换提取纹理特征26个。其中平均等效直径是将矾花颗粒图像假设为圆形,根据图像中矾花平均面积推导而得。对应全天图像获取时间段,测量水质参数(pH、入水浊度、入水溶解氧、待滤水浊度、清进浊度、出水浊度等);对全天采集的图像提取特征量,计算各种特征值的均值,根据各特征值与其均值的差距,剔除差异幅度大于均值50%的特征值;与水质参数对照,剔除相关性不强的特征,剩下相关性较大的特征;重复5次,最后被剔除的为每次剔除特征的交集。剩余特征量分别为图像中矾花平均面积、平均周长、等效直径;图像灰度的方差、倾斜度、峰态;灰度共生矩阵3个,胡氏不变矩阵2个,小波变换特征14个。表2为图4的剩余各特征的特征值。

　　 然后进行数据标准化处理,即:使各不同性质的特征值对测评方案的作用力同趋化,以及以数据无量纲化处理来解决数据的量纲不一致而影响分类、聚类或离群点检测结果的问题。本文采用极差标准差对图像各个特征数据进行标准化处理,将特征值标准化至0~1。

　　 本文将采集的矾花图像分为5类,分别对应絮凝剂补加控制量为多加、少加、合适、多减、少减5种状态。前期在自来水厂现场试验,模拟5个絮凝池加矾量分别对应着多加、少加、合适、多减、少减的5种状态,分别采集其水下矾花图像。在每个池中采集500幅图像,从中分别随机选取250幅用于训练分类器,剩下的250幅图像用于测试分类识别率。探索了用多种分类方法建构分类器,并比较其分类效果。

　　 SVM多类法大致分为两类:

　　 (1)构造一系列的两类分类器并将之组合起来实现多类分类。

　　 (2)将多个分类器的参数求解,利用最优化求解参数,实现多类分类。

　　 第二种方法在最优化问题求解过程中变量比第一种方法多很多,在训练速度方面远不及第一种方法,而且在分类精度上也不占优势。所以本文采用第一种方法即1-v-1算法,实现SVM多类分类。算法1-v-1是将N类中的每两类构造1个子分类器,从而需要构造N(N-1)/2个子分类器;组合这些子分类器,利用投票法确定分类结果,得票最多的类别即是该样本所属类别。本文采用libsvm工具箱中svmtrain函数构建svm分类器,用svmpredict函数进行分类。矾花图像的5种状态识别,要建立10个分类器。

　　 利用SVM方法对5个不同状态的絮凝池中采集的250幅图像构建5个分类器,然后用构建出的5个分类器来识别剩下的250幅图像,结果证明本方法构建的分类器可以以94%的识别率正确识别图像对应的投矾状态。

　　 本文中提取的矾花图像特征量多,单个特征与投矾量均无较好的线性关系。为此,引入BP神经网络。BP神经网络有较强的非线性映射、自适应、泛化和容错能力,应用于二维图像识别有较好的识别效果^[10] 。

　　 BP神经网络拓扑类型结构模型通常包括输入层、隐含层和输出层。在对矾花图像5种状态的分类中,采用梯度下降法、sigmoid核函数,输入层为29层,隐含层为50层,输出层为5层。

　　 结果证明通过BP方法构建的分类器可以以90%的识别率正确识别图像对应的投矾状态。

　　 GRNN网络是基于非线性回归理论的前馈型神经网络,有学习快速以及当样本数量大时能快速逼近函数的特点。GRNN网络也包含输入层、隐含层和线性输出层。

　　 本文GRNN神经网络对矾花图像5种状态的分类中,采用MATLAB神经网络工具箱中newgrnn函数,设置spread为0.9,构建分类器,利用sim函数进行分类。

　　 结果证明通过GRNN方法构建的分类器可以以91%的识别率正确识别图像对应的投矾状态。

　　 除单独使用某种分类器,还可多种分类方法综合利用。如张春芬^[11] 利用灰度直方图、灰度共生矩阵、小波变换等特征提取方法提取医学图像特征,结合多种分类算法构造分类器,成功地将图像分类。本文将训练后的SVM、BP和GRNN 3种分类器及其混合方法用于水下矾花图像分类识别试验,采用多数投票法决策级数据融合。当出现3种分类器的分类结果均不相同时,采用可信度更高的SVM分类结果;当出现2种或者2种以上分类器的分类结果相同时,采用出现次数最多的分类结果。

　　 试验结果表明,混合分类法的矾花图像类型识别高于任一单分类器,比较结果见表3。

　　 采用自行设计的图像采集装置在自来水厂絮凝池中以一定帧率连续采集水下矾花图像,经大量试验,从众多图像特征中筛选得到与絮凝剂添加量和水质参数相关性良好的特征量为图像中矾花平均面积、平均周长、等效直径、图像灰度的方差、倾斜度、峰态、灰度共生矩阵3个、胡氏不变矩阵2个、小波变换特征14个;对应絮凝剂补加控制量为多加、少加、合适、多减、少减5种状态将矾花图像分为5类,采用SVM算法、BP神经网络和GRNN神经网络方法,大样本训练出相应的3种矾花图像分类器及其混合分类器;用于实时处理自来水厂絮凝池中水下矾花图像,结果表明本文所构建的分类器能实时识别出矾花图像对应的絮凝剂添加状态,其中混合法的识别正确率最高,多次试验的总体识别正确率达94%~98%。