基于学习的半监督识别污泥与废水处理中的微粒之间的粘附

科学领域:

• 环境工程 环境工程
• 生物技术是生物技术.
• 机器学习 机器学习

背景情况:

• 有效监测废水处理中的微粒转移对于优化性能至关重要.
• 对粒子检测的监督深度学习方法需要广泛的标记数据集,这构成了重大挑战.
• 现有的方法难以准确检测自由微粒和粘附于污泥的微粒.

研究的目的:

• 开发和评估一种半监督学习 (SSL) 方法,用于废水处理中的微粒子检测.
• 提高检测无污泥和附着污泥的微粒的准确性.
• 评估SSL在长期监测粒子转移过程中的实际适用性.

主要方法:

• 利用视觉表示的简单对比学习框架 (SimCLR) 在未标记的显微镜图像上预训练ResNet50骨干.
• 构建了一个Mask R-CNN架构,采用预先训练的ResNet50并使用有限数量的标记数据进行微调.
• 应用开发的SSL方法对来自废水处理实验室的显微镜图像进行性能评估.

主要成果:

• 与使用有限的标记数据的传统监督学习相比,SSL方法在平均精度上取得了显著的改善 (高达5%).
• 使用SSL方法,附着微粒的检测精度提高了12%以上.
• 基于SSL的检测可以在不同的操作条件下精确测量微粒附着效率.

结论:

• 拟议的SSL方法有效地提高了废水处理中的微粒子检测,克服了数据饥饿的监督方法的局限性.
• 这种技术为生物废水处理系统中细致,长期监测颗粒动态提供了实用和高效的解决方案.
• 改进的检测精度有助于更好地理解和控制微粒-泥相互作用,从而提高处理性能.