基于深度卷积神经网络与迁移学习的显微镜图像活性污泥沉降特性评估
计算机视觉与模式识别
2024-07-08 v3 计算工程、金融与科学
摘要
微生物群落在生物废水处理过程中起着关键作用。例如，活性污泥的沉降特性受微生物群落组成的影响，并随污水处理厂 (WWTPs) 运行条件和进水特征的变化而改变。及时评估和预测导致沉降问题（如丝状菌膨胀 (FB)）的微生物组成变化，可防止运行挑战、处理效率降低及不利的环境影响。本研究提出了一种创新的基于计算机视觉的方法，通过分析显微镜图像中絮体和丝状菌的形态特征来评估活性污泥沉降特性。该方法通过实施深度卷积神经网络 (CNN) 模型的迁移学习，旨在克服现有定量图像分析技术的局限性。离线显微镜图像数据集是在比利时某全尺寸工业污水处理厂历时两年、每周采样收集而成。采用了多种数据增强技术以提高 CNN 模型的泛化能力。测试了包括 Inception v3、ResNet18、ResNet152、ConvNeXt-nano 和 ConvNeXt-S 在内的多种 CNN 架构，以评估其预测污泥沉降特性的性能。污泥体积指数被用作最终预测变量，但该方法可轻松调整以预测任何其他选定的沉降指标。结果表明，所提出的基于 CNN 的方法提供了劳动强度更低、更客观且一致的评估，而迁移学习显著缩短了训练阶段，从而形成了一种可用于实时应用的泛化系统。
引用
@article{arxiv.2402.09367,
title = {Evaluation of Activated Sludge Settling Characteristics from Microscopy Images with Deep Convolutional Neural Networks and Transfer Learning},
author = {Sina Borzooei and Leonardo Scabini and Gisele Miranda and Saba Daneshgar and Lukas Deblieck and Piet De Langhe and Odemir Bruno and Bernard De Baets and Ingmar Nopens and Elena Torfs},
journal= {arXiv preprint arXiv:2402.09367},
year = {2024}
}
备注
34 Pages, 8 figures