基于深度學習的活性污泥絲狀菌指數識別模型

趙立杰 陳茜 王國剛 黃明忠

基金項目：國家重點研發計劃“網絡協同制造與智能工廠”重點專項（批準號：2018YFB1700200）資助的課題；2020年遼寧省高等學校創新人才支持計劃項目；2021年度高等學校基本科研項目（重點項目）（批準號：LJKZ0442）資助的課題。

作者簡介：趙立杰（1972-），教授，從事智能信息處理的研究。

通訊作者：王國剛（1977-），教授，從事數字圖像處理的研究，ggwang@syuct.edu.cn。

引用本文：趙立杰，陳茜，王國剛，等.基于深度學習的活性污泥絲狀菌指數識別模型[J].化工自動化及儀表，2023，50（6）：000-000.

DOI：10.20030/j.cnki.1000-3932.202306000

摘? 要? 傳統絲狀菌數量的計量和長度的測量依賴人工顯微鏡下目視方式，非常耗時且困難，為此提出一種基于活性污泥相差顯微圖像快速量化活性污泥絲狀菌與菌膠團細菌比例等級方法，實現絲狀菌指數的自動識別。該方法在ResNet18模型框架內添加空間注意力機制增強絲狀菌特征提取能力，采用多分類Focal Loss損失函數緩解絲狀菌與菌膠團細菌樣本類別失衡問題。實際污水處理廠活性污泥相差顯微圖像數據的仿真實驗結果，驗證了所提不均衡數據絲狀菌指數識別模型的有效性。

關鍵詞? 活性污泥? 絲狀菌指數? ResNet? Focal Loss? 空間注意力機制

中圖分類號? TP274? ? ? 文獻標志碼? A? ? ? ? ? ? ? ? ?文章編號? 1000-3932（2023）06-0000-00

當活性污泥膨脹時，污泥中的微生物群落發生變化，絲狀菌大量繁殖，污泥結構相對松散，在泥水分離過程中不易沉淀，導致污水處理能力下降[1]。一般用30 min沉降比（SV30）[2]、污泥體積指數（SVI）[3]等指標對活性污泥的沉降性能進行評判。此外，用絲狀菌長度、絲狀菌指數及絲狀菌數量[4]等指標從微觀層面表征污泥的沉降性能。污泥沉降性能主要與污泥中絲狀菌數量有關[5]，但是在不同的污水處理系統中，絲狀菌的數量存在較大差異。因此，對絲狀菌的數量進行定量分析非常重要。在實際情況中，絲狀菌的精確計數是一項非常耗時的工作。因此，可以通過確定絲狀菌指數（Filamentous Index，FI）[6]這種相對簡便易行的方法對絲狀菌的數量進行日常檢查。

絲狀菌指數是一種通過顯微鏡下目視來判斷污泥中絲狀菌數量的直觀評價方法。絲狀菌指數是根據活性污泥中絲狀菌與菌膠團細菌的比例，把絲狀菌的數量分成0～5這6個等級。當FI值確定時，絲狀菌的數量可以從表面上進行量化[7]。雖然這種方法不是很精準，但是在實際應用中，可以快速提供一些污泥沉降的信息。大量觀察也已證實，污泥中絲狀菌數量越多，FI指數越大，活性污泥的沉降性能越差[8]。通過對活性污泥的常規微觀觀察，記錄FI值，并關注絲狀菌量的變化情況，就可以盡快對活性污泥沉降性能惡化的情況進行預測，從而及時采取措施。

目前，數字圖像分析涉及對活性污泥絮體和絲狀菌的顯微圖像觀察，這些圖像以數字形式存儲在計算機上并對其進行分析，以在微觀層面上收集有關活性污泥的信息。用數字圖像分析識別活性污泥絲狀菌的形態和數量，這是化學-物理測量方法無法做到的[9]。與傳統的化學-物理測量方法相比，數字圖像分析有助于提前識別污水處理廠中出現的異常情況。一些學者提出了基于傳統方法的活性污泥圖像分析方法，GINS G等基于現有的活性污泥圖像信息，選擇合適的活性污泥參數（絲狀菌長度、絮凝體分形維數和絮凝體圓度）后，提出并訓練了一種分類器，采用LSSVM方法訓練分類函數，以區分活性污泥廢水處理廠中的膨脹和非膨脹情況，目的是預測和監測絲狀菌膨脹[10]。SELVAN S等提出一種從污泥圖像中分割出絲狀菌和絮體的方法[11]，從絲狀菌和絮體中提取紋理和形狀特征，采用支持向量機（SVM）分類器對提取到的絮體和絲狀菌特征[12]進行分類，為后續的污水處理過程提供幫助。傳統的活性污泥圖像識別方法，其準確性取決于提取特征的方法，但分類器與特征提取分離，很難保證識別結果的穩定性。隨著深度模型的發展，深度學習在活性污泥顯微圖像研究中也得到應用。SATOH H等開發了一個自動顯微圖像采集系統[13]，并用該設備采集的污泥圖像建立了雙標簽分類器，用于識別聚集或分散的絮體（classfier-1）并判斷絲狀菌的存在或不存在（classfier-2），但該方法只能夠判斷污泥圖像中絲狀菌是否存在，不能對絲狀菌數量進行識別。但是與傳統方法相比，基于卷積神經網絡這種端到端的活性污泥圖像分類方法避免了復雜的特征工程與預處理工作，在準確性方面有較大提升。

結合數字圖像分析，筆者從絲狀菌指數這一指標出發，采用深度學習方法實現活性污泥絲狀菌指數的自動識別，進而對活性污泥沉降性能進行預測?，F以ResNet18為基礎模型，將Focal Loss損失函數和空間注意力機制引入到模型中，提高模型對活性污泥絲狀菌指數識別的準確性，不僅可以改善通過人眼觀察絲狀菌指數這種傳統方法的不準確性，還可以節省時間，提高工作效率，實現對絲狀菌數量的智能監控。

1? 材料與方法

1.1? 數據采集

實驗所用污泥樣本采集自沈陽某污水處理廠和吉林某污水處理廠，在生化池出口處采集污泥樣本。每次污泥樣品取500 mL，使用一個帶有截面尖端槍頭的校準移液槍，取8 μL樣品置于載玻片上，并用24 mm×24 mm的正方體蓋玻片覆蓋。微生物圖像采集系統包括倒置的光學顯微鏡（Nikon Eclipse TS100）、工業數碼相機（ToupTek ToupCam ucoms03100kpa）和圖像采集軟件（ToupView）。在樣本采集過程中，使用顯微鏡以100倍放大倍數，從左上到右下以Z字路徑掃描載玻片上的污泥樣本，污泥樣品像素為1536×2048的RGB彩色圖像，總共采集樣本4 911張?；钚晕勰鄨D像采集流程如圖1所示。

表1[14]為不同FI下活性污泥絲狀菌的描述情況。依據表1可將實驗采集的所有污泥圖像分為6類，不同FI的活性污泥圖像如圖2所示。

在構建的數據中，不同FI下的污泥圖像分布如圖3所示?；钚晕勰郌I可以從微觀層面反映污泥沉降性能，當FI小于3時，絲狀菌幾乎對污泥的沉降性能沒有影響；當FI大于3時，污泥的沉降性能出現明顯惡化的現象，尤其是在污泥中存在粗壯絲狀菌的情況下惡化更加劇烈。

由圖3可以看出，FI=0、FI=1、FI=2時污泥樣本數量較多，其中FI=1有2 546張圖像，FI=3、FI=4、FI=5時污泥樣本數量較少，FI=5只有101張圖像，各類樣本之間分布不均衡。

1.2? 基于空間注意力機制的活性污泥絲狀菌指數識別模型

本研究采用的網絡模型是ResNet18，該模型中有殘差塊單元，殘差塊結構不僅可以增加模型深度，還可以防止梯度消失。在ResNet18模型中，block1、block2、block3、block4所對應的殘差塊數量都為2，殘差塊加起來一共有16層，加上Conv1的77卷積層和全連接層一共18層[15]。為了提高模型對活性污泥圖像特征的提取能力，筆者將空間注意力模塊應用在ResNet18網絡的每個殘差塊之后，然后與輸入的特征映射相乘，對活性污泥絲狀菌進行特征提取。模型構建完成后，采用Focal Loss損失函數進行模型訓練，本研究整體流程如圖4所示，活性污泥絲狀菌識別網絡結構如圖5所示。

1.2.1? 空間注意力機制

為了提高模型對活性污泥圖像特征的提取能力，將ResNet18模型與空間注意力機制結合?？臻g注意力機制作用于每張活性污泥圖像的特征圖內，能夠加強模型提取關鍵特征的能力[16]，其結構如圖6所示。

圖6? 空間注意力模塊

空間注意力模塊是將大小為HWC的三維特征圖分別輸入最大池化層和平均池化層，從而得到兩個HW1的特征向量x和l，然后對兩個特征信息進行拼接，經過卷積操作后，通過Sigmoid激活函數[17]得到相應的權重，然后與原始特征進行相乘以獲得新的特征向量Msa，計算式如下：

（1）

其中，代表Sigmoid激活函數。

1.2.2? 多分類Focal Loss

ResNet18模型采用交叉熵損失函數（Cross Entropy，CE）[18]，當訓練的數據集各類別數量均衡時，模型具有很好的分類效果。由1.1節可知，文中使用的活性污泥數據集存在類別不均衡問題，其中FI較大的污泥樣本數量少，FI較小的污泥樣本數量多。為了使模型在不均衡數據上達到理想的效果，將Focal Loss函數[19]引入到ResNet18模型中，使模型在6類不均衡活性污泥圖像的多分類識別任務中具有更好的識別效果。多分類Focal Loss函數表達式如下：

（2）

其中，c為活性污泥絲狀菌指數類別總數；p為預測概率；y為真實類別值；r為抑制參數，r0，r越大，則容易分類的樣本損失權重越低；各類別權重的取值范圍為0～1。

2? 實驗結果與分析

2.1? 實驗環境及參數設置

實驗使用深度學習框架Pytorch構建活性污泥絲狀菌指數識別模型，在Windows10操作系統，Intel i7-7700CPU，NVIDIA GeForce GTX1060 GPU平臺上進行實驗。

實驗數據為4 911張6類不同FI的活性污泥圖像，將其按照8：2劃分為訓練集、測試集。實驗參數為：批次大小設置為8，迭代次數為150次，學習率為0.001，Focal Loss損失函數中的抑制參數r設置為2。由于采集到的活性污泥圖像尺寸較大，為了方便訓練模型的同時又不損失太多的圖像信息，對污泥圖像進行預處理，處理后的圖像尺寸均為384512。最后，基于Pytorch框架進行活性污泥絲狀菌指數識別模型的訓練。

2.2? 評價指標

筆者采用準確性（Accuracy）、精度（Precision）、召回率（Recall）、調和均值（F1-score）對模型進行性能評價。

準確性（Accuracy）表示樣本中預測正確的數目與樣本總數的比值，計算式如下：

（3）

精度（Precision）表示正確預測為正的樣本與全部預測為正的樣本比值，計算式如下：

（4）

召回率（Recall）表示正確預測為正的樣本與所有正樣本的比值，計算式如下：

（5）

調和均值（F1-score）是精度和召回率的調和平均數，計算式如下：

（6）

其中，TP、FP、TN、FN分別表示預測為正實際為正，預測為正實際為負，預測為負實際為負，預測為負實際為正的樣本量。

2.3? 實驗結果與分析

針對活性污泥圖像數據不均衡問題，采用Focal Loss損失函數，新模型簡稱為F-ResNet18。為了更好地提取活性污泥圖像的特征，采用了空間注意力機制模塊，將加入該模塊后的模型簡稱為Sa-ResNet18。將同時采用Focal Loss損失函數和空間注意力模塊的模型簡稱為F-Sa-ResNet18。

模型訓練完成后，讀取模型在活性污泥絲狀菌數據集上的歷史訓練記錄，并繪制出測試集的準確性和損失值在150個訓練迭代次數上的變化曲線，上述4類模型在測試集上的準確性和模型損失變化如圖7所示。

通過圖7可以看出，迭代次數增加，各模型不斷優化，測試集的準確性不斷增加，損失不斷減小。F-ResNet18和Sa-ResNet18模型的識別準確相差不大，F-Sa-ResNet18模型在測試集上的準確性明顯高于其他3種模型，各模型的具體準確性見表2。模型訓練階段，F-Sa-ResNet18模型在第20次迭代時就達到了很低的損失值，而且損失值變化平穩，相較于其他模型收斂更快，說明該模型進行了有效的訓練。

準確性是反映模型整體分類性能的指標。從表2可以看出，相較于基礎ResNet18模型，加入空間注意力模塊后的Sa-ResNet18模型的準確性比基礎ResNet18模型準確性提高0.109，比采用Focal Loss損失函數的F-ResNet18模型準確性提高0.119，驗證了Focal Loss函數在6種分類不均衡數據的活性污泥絲狀菌指數識別任務中的有效性。F-Sa-ResNet18模型相較ResNet18模型準確性提高0.261，是分類效果最好的模型。

對每個類別識別效果的評價標準由精度、召回率和調和均值進行評判。為了驗證筆者所提方法的效果，將原始網絡和加入不同方法的網絡進行對比，實驗結果見表3。

F-Sa-ResNet18模型在FI=1、FI=2、FI=3、FI=4下的精度高于其他模型，這4類污泥圖像的精度相較ResNet18模型提高0.176、0.348、0.311、0.075；召回率在FI=0、FI=1、FI=3下高于其他模型；調和均值6類均高于其他模型。由表3中各個指標的均值可以看出，改進后的F-Sa-ResNet18模型分別提高0.180、0.104、0.153，可以明顯看出F-Sa-ResNet18模型在這4種模型中分類效果最好，相較基礎ResNet18模型性能有明顯的提升，驗證了筆者所提方法在解決活性污泥絲狀菌指數分類任務中的有效性。

3? 結束語

筆者使用深度卷積神經網絡ResNet18對活性污泥絲狀菌進行FI識別分類。為了使模型更好地提取活性污泥的特征，引入空間注意力機制模塊。構建完成活性污泥絲狀菌指數特征提取網絡，在訓練該網絡時，采用多分類Focal Loss損失函數進行訓練，Focal Loss在不均衡數據上有較好的表現，提高了整體模型的分類性能。實驗結果表明，所提模型能夠對活性污泥圖像進行有效的分類，分類性能相較基礎ResNet18模型有顯著提高，可以更好地對活性污泥絲狀菌指數進行識別。筆者將深度學習運用到活性污泥中絲狀菌指數的分類任務中，實現了端到端的絲狀菌指數分類，提高了活性污泥絲狀菌識別工作的效率，為絲狀菌指數識別提供了一個新的思路。

參? 考? 文? 獻

[1]B?RGER R，CAREAGA J，DIEHL S，et al.Simulations of reactive settling of activated sludge with a reduced biokinetic model[J].Computers & Chemical Engineering，2016，92：216-229.

[2]高春娣，王惟肖，李浩，等.SBR法交替缺氧好氧模式下短程硝化效率的優化[J].中國環境科學，2015，35（2）：403-409.

[3]何志江，趙媛，張源凱，等.活性污泥表面性質對絮凝沉降性能與出水懸浮物的影響[J].環境科學，2016，37（8）：3135-3143.

[4]AMARAL A L，FERREIRA E C.Activated sludge monitoring of a wastewater treatment plant using image analysis and partial least squares regression[J].Analytica Chimica Acta，2005，544（1-2）：246-253.

[5]高春娣，韓穎璐，程麗陽，等.溫度沖擊引起的絲狀菌污泥膨脹菌群特征[J].中國環境科學，2022，42（6）：2680-2689.

[6]JIN B，WIL?N B-M，LANT P.Impacts of morphological， physical and chemical properties of sludge flocs on dewaterability of activated sludge[J].Chemical Engineering Journal，2004，98（1-2）：115-126.

[7]ARA?JO DOS SANTOS L，FERREIRA V，NETO M，et al.Study of 16 Portuguese activated sludge systems based on filamentous bacteria populations and their relationships with environmental parameters[J].Applied Microbiology and Biotechnology，2015，99（12）：5307-5316.

[8]MENG F G，ZHANG H M，YANG F L，et al.Effect of filamentous bacteria on membrane fouling in submerged membrane bioreactor[J].Journal of Membrane Science，2006，272（1-2）：161-168.

[9]DEEPNARAIN N，NASR M，KUMARI S，et al.Decision tree for identification and prediction of filamentous bulking at full-scale activated sludge wastewater treatment plant[J].Process Safety and Environmental Protection，2019，126：25-34.

[10]GINS G，SMETS I Y，JENN? R，et al.Activated sludge image analysis data classification：An LS-SVM approach[J].IFAC Proceedings Volumes，2005，38（1）：37-42.

[11]SELVAN S，JOSEPH J F，RAJ K D，et al.Analysis and Classification of Active Sludge in Wastewater[J].Journal of Physics：Conference Series，2021，1916（1）：012016.

[12]SHEYKHMOUSA M，MAHDIANPARI M.Support vector machine versus random forest for remote sensing image classification：A meta-analysis and systematic review[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：6308-6325.

[13]SATOH H，KASHIMOTO Y，TAKAHASHI N，et al.Deep learning-based morphology classification of activated sludge flocs in wastewater treatment plants[J].Environmental Science：Water Research & Technology，2021，7（2）：298-305.

[14]EIKELBOOM D H.Process control of activated sludge plants by microscopic investigation[M].London：IWA Publishing，2000.

[15]王陽，劉立波.面向細粒度圖像分類的雙線性殘差注意力網絡[J].激光與光電子學進展，2020，57（12）：171-180.

[16]ROY S K，MANNA S，SONG T，et al.Attention-based adaptive spectral-spatial kernel ResNet for hyperspectral image classification[J].IEEE Transactions on Geoscience and Remote Sensing，2020，59（9）：7831-7843.

[17]ROMDHANE T F，ALHICHRI H，OUNI R，et al.Electrocardiogram heartbeat classification based on a deep convolutional neural network and focal loss[J].Computers in Biology and Medicine，2020，123：103866.

[18]CHEN Z，DUAN J，KANG L，et al. Class-imbalanced deep learning via a class-balanced ensemble[J].IEEE Transactions on Neural Networks and Learning Systems，2021，33（10）：5626-5640.

[19]許詩雨，莫思特，閆惠君，等.基于焦點損失函數的嵌套長短時記憶網絡心電信號分類研究[J].生物醫學工程學雜志，2022，39（2）：301-310.

（收稿日期：2023-01-14，修回日期：2023-07-26）