相关实验视频
Updated: Dec 27, 2025
06:05
Additive Manufacturing-Enabled Low-Cost Particle Detector
Published on: March 24, 2023
1.2K
基于深度学习的花传感器,用于在废水处理过程中在污泥脱水过程中自动控制花剂剂量
Hiroshi Yokoyama1, Takahiro Yamashita1, Yoichiro Kojima1
1Division of Animal Environment and Waste Management Research, Institute of Livestock and Grassland Science, National Agriculture and Food Research Organization (NARO), 2 Ikenodai, Tsukuba 305-0901, Japan.
Water research
|June 13, 2024
概括
本研究引入了一种使用深度学习的新型图像传感器,用于测量废水处理厂 (WWTP) 的花度 (DF). 开发的传感器可以自动控制聚合物剂剂量,提高效率并促进WWTP自动化.
科学领域:
- 环境工程 环境工程
- 水处理技术水处理技术
- 环境科学中的人工智能
背景情况:
- 在废水处理厂 (WWTP) 中的泥排水通常依赖于手动的聚合物花剂剂量,缺乏精确的控制.
- 缺乏可靠的花传感器阻碍了WWTP中花剂剂量流程的自动化.
研究的目的:
- 开发一种新的图像传感器,用深度学习来测量花度 (DF).
- 为了比较DF推理各种深度学习模型的性能.
- 为自动化控制建造和评估一个原型的花传感器.
主要方法:
- 实验室规模的花试验使用过剩的污泥和混合污泥样本进行.
- 10个深度学习模型,包括CNN,视觉转换器和MLP混合器,进行了对DF推断的比较分析.
- 使用EdgeAI设备与量子化ConvNeXt模型构建了一个原型传感器,并对推断速度和控制性能进行了测试.
主要成果:
- ConvNeXt和MLP混合器模型在DF推断中显示出高精度,R2值超过0.9.
- 使用一个模量加权,梯度加权的回归激活图来可视化图像区域对于DF推理至关重要.
- 原型传感器实现了12.8 FPS的最大推断速度,并通过调整聚合物剂量成功控制了DF.
结论:
- 开发的图像传感器提供了一种可靠的,数据驱动的方法来测量污泥花中的DF.
- 传感器促进了花剂剂量的自动化,为提高WWTP运营效率提供了一条途径.
- 这项技术支持了自动化废水处理过程的更广泛目标.
