基于工業視覺的水體表面污染監測系統

曾祥吉，鄢 鋒，李勇剛，潘 巖，楊靜雅，施 耘

(1.長沙有色冶金設計研究院有限公司 研發中心，長沙 410019;2.中南大學 自動化學院，長沙 410083)

0 引言

有色金屬礦山、冶煉企業生產的水污染物一直是國家重點監控的對象，突發性水體污染事件時有發生[1]，經過對多家有色金屬礦山、冶煉企業調研發現，造成突發性水污染事故的主要原因有：1)生產廢水不穩定導致廢水處理超標排放；2)生產工業設備發生重大泄露；3)地面水污染；4)有色金屬礦山尾礦庫溢流井泄露等。其主要特點有污染伴有懸浮物或明顯顏色變化且多數污染可通過表層水體視覺方式直觀判斷，同時針對污染監測旨在及時發現污染，而不是了解污染成分。

目前突發性水污染事件監測主要依靠在線監測設備或人工視頻監控方式?，F有水質污染在線監測設備主要采用化學滴定方法檢測水體中離子含量，同時設置PH計、溶氧量傳感器及濁度計等傳感器等設備[2-3]，不同產品、不同工藝所的污水所包含的污染物不同，其污染率也同樣發生變化，故在線監測設備需要進行定制化配置，導致價格昂貴，監測速度慢且污染監測需使用各種化學藥劑，使用及維護成本高；人工視頻監控方式由人工通過視頻觀察現場情況，主要用于監測是否存在水體表面污染的偷排、漏排現象，人工判斷是否存在異常情況。因此水污染處理環節經常出現滯后現象，導致污水處理后的排放經常不達標。

隨著國家對環保標準的迅速提高，企業對于綠色生產的重視及投入性價比有較高期望。本文考慮以上實際需求，以某冶煉廠污水應急處理為背景，針對突發性水體污染監測過程運行成本高，監測效率低、勞動強度大的特點，在研究污水處理過程的基礎上，采用模式識別的方式進行水體表面污染監測，以提高突發性水污染事故監測的快速性、高效性和穩定性。

故而本系統結合某冶煉廠的實際需求，采用工業視覺技術獲取現場水體樣本圖像[4-9]，提取水體樣本顏色信息并將其與水體污染指數對應，訓練基于有導師學習神經網絡的污染分析模型[10-19]，建立通用水體表面污染監測系統。該系統投入使用后，實現了突發性水污染事故的精確監測，為工礦企業提供急需一種經濟、可靠、高效的自動水體表面污染監測系統，以替換現有的人工監測。

1 建立水體樣本特征庫

針對一般突發性水污染事故監測結果研究發現，被污染水體與可排放水體的視覺圖像存在明細的顏色區分，針對不同現場的不同水體污染監測，其圖像特征也并不完全一致，因此系統所需提取的特征值也不一致。

企業針對污水處理已經進行了化學化驗，進行了污染參數分析，根據其不同的污染程度形成了污染指數報表，同時存留了污染水體樣本，如圖1所示。本系統根據某現場污水處理化驗采集留存的水體樣本作為對象，由工業相機對采樣水體進行拍攝，得到了1 500幅圖像, 調取某現場污水處理化學化驗歷史數據，提取水體樣本圖像顏色信息特征值并將其與水體污染指數對應形成數據集{θ|R,G,B,Cr}，其中R、G、B為彩色圖像的3個顏色分量，Cr為對應的水體污染指數。經加權計算獲得圖像顏色特征值X、Y、Z，污染指數特征值S，得到數據集{θ|X,Y,Z,S}，據此構建了一個水體樣本特征庫。

圖1 不同污染等級水體圖像示意圖

水體污染等級輕度污染中度污染重度污染嚴重污染圖像數量/幅402395368335污染指數/%0～2525～5050～7575～100

2 基于神經網絡算法訓練的水體污染分析模型

根據上述研究可知：確定工藝條件下水體污染程度與圖像顏色信息有特定的確定關系，因此本系統首先提取水體樣本特征庫中的1 400幅圖像的特征值X、Y、Z與污染指數的特征值S，形成神經網絡訓練集{θ|X,Y,Z,S}，本文選取彩色圖像顏色信息3組特征值X、Y、Z作為輸入，污染指數特征值S作為輸出，得到水體污染監測模型。

2.1 優化神經網絡結構

設樣本(X,Y,Z,S)為X=[x1,x2,…,xn]′，Y=[y1,y2,…,yn]′，Z=[z1,z2,…,zn]′，S=[s1,s2,…,sn]′隱含層神經元為O=[o1,o2,…,on]′。輸入層與隱含層神經元的網絡權值矩陣W1和隱含層與輸出層神經元間的網絡權值W2分別為:

(1)

隱含層神經元的閾值θ1和輸出層神經元的閾值θ2分別為:

(2)

則隱含層神經元的輸出為:

(3)

輸出層神經元的輸出為:

(4)

網絡輸出與期望輸出的誤差為:

(5)

(6)

(7)

其中:

由式(6)和式(7)可得權值的調整公式為:

(8)

其中:η1和η2分別為隱含層和輸出層的學習步長。

(9)

(10)

由式(9)和式(10)可得閾值的調整公式為:

(11)

2.2 水體污染分析模型的建立

2.2.1 訓練過程

將水體樣本圖像庫中的圖像劃分成訓練集和測試集。每次隨機選擇水體樣本特征庫中的1 400幅圖像特征值作為訓練集，針對訓練集進行了1 400次訓練測試，剩余100幅圖像作為測試集。訓練時，首先輸入訓練圖像的特征值X、Y、Z，然后將訓練圖像集提取的特征和其對應的水體污染指數特征值S，輸入優化神經網絡，得到水體污染監測模型。測試時，將提取輸入訓練圖像的特征值X、Y、Z，接著將特征值輸入到優化神經網絡中，最后利用水體污染監測模型估計測試圖像的污染指數Cr。

2.2.2 仿真測試

利用Matlab工具以及其Simulink 提供的神經網絡工具箱等功能模塊，對系統進行了建模和仿真分析，為了驗證水體污染監測方法的性能，進行了優化神經網絡預測污染指數仿真，并將其預測結果與真實值進行了比較，如圖2所示。

圖2 仿真結果圖

可以看出，本方法的預測誤差圍繞標準差僅小范圍波動，預測精度較高，符合相關實際需求。

圖3 仿真誤差圖

3 基于圖像的水體污染監測方法

在得到水體污染監測模型后，將現場獲取的實際圖像輸入圖像預處理模塊，將處理后圖像中所有像素點的R、G、B值提取的特征值X、Y、Z輸入水體污染監測模型，經模型識別后將該圖像中的水體污染指數輸出Cr，從而判斷現場采集水體樣本的污染程度，按照不同污染等級，保存污染水體圖像同時控制系統進行預警、提醒、報警、消息推送等操作。

圖4 水體污染監測流程圖

其中圖像預處理模塊包括以下子模塊：隨機擾動圖像信號的濾波處理、基于顏色信息評價的多級圖像信息調節、水體污染指數評價。

圖5 預處理流程圖

3.1 隨機擾動圖像信號的濾波處理

圖像獲取過程中受水流流速、顆粒懸浮物和系統噪聲等影響，經過水體圖像上可能顯示隨機的顏色突變點，這些突變點與周圍其他像素點的R、G、B相差較大，因此通過檢測局部區域連續像素點的R、G、B的突變來實現噪聲檢測，可以得到噪聲污染狀況以及噪聲分布。噪聲濾波采用中值濾波法進行濾波處理，具體為：初始設置3×3濾波窗口，根據圖像中各區域受噪聲污染狀況確定濾波窗口的尺寸，以每個噪聲點為中心按照濾波窗口尺寸取一個矩形框，對該噪聲點進行中值濾波

圖6 信號濾波流程圖

3.2 基于顏色信息評價的多級圖像信息調節

為了提高水質分析的準確性，避免圖像異常對水質分析的影響，本系統從時間連續性和空間連續性上來判斷圖像是否異常。

如果水體被污染，例如懸浮物污染或整片水體污染(污染顆粒不是靜止不變的，而是運動的)，在時間連續性上，不可能存在多張連續圖像同一像素點的移動距離超出對應的設定范圍，也不可能存在多張連續圖像中的某一圖像的某個像素點的R、G、B值突變。根據污染物的沉降速度確定時間區間T，判斷時間區間T內無異常水體圖像中每個像素點的R、G、B值是否超出對應均值±Δδ。時間區間T值受顆粒漂移和沉降影響，懸浮物沉降速度(簡稱沉速)有如下極限沉速公式[20-21]：

(12)

其中:ωd為泥沙顆粒(球體)的沉速；Cd為阻力系數；γs為泥沙容重；γ為流體(水)容重；g為重力加速度；d為泥沙顆粒直徑。根據沉速，再結合水體表面至底部的距離可以得到時間區間T。

在空間連續性上，不可能存在某一圖像上的某個區域內多個像素點的R、G、B值均高于其他區域，根據時間連續性和空間連續性的結合來判斷圖像為異常圖像，如存在異常圖像則剔除該組圖像，同時調整光源照度，消除可能因反光等其他原因造成的圖像異常，而并非真正的水體被污染。

圖7 多級圖像信息調節流程圖

3.3 水體污染特征值提取

由實時測量的水體彩色圖像得到數據集{θ|R,G,B}，其中，R、G、B分別表示水體彩色圖像中每個像素點的3個顏色分量值，通過統計圖像中像素點的R、G、B值，經加權計算獲得圖像顏色特征值X、Y、Z。將特征值X、Y、Z輸入至水體污染分析模型內進行水體圖像分析，預測水體污染指數Cr。

4 實驗結果與分析

為實現水體污染監測，控制系統的實現采用臺達AS320 PLC控制器、變頻器和機器視覺計算機，主站使用AS320P-B CPU，變頻器和機器視覺計算機通過工業以太網與CPU通訊。主站配置有數字量輸入模塊，數字量輸出模塊。數字量輸入模塊主要接收取水泵、閥門狀態和故障狀態等信號，數字量輸出模塊主要發送取水泵電機、閥門啟停和開關等信號，變頻器接收取和發送水泵電機的運行速度反饋信號和電機速度信號。

雨水排放口逐一布置智能監測裝置，系統正常工作時，首先由控制系統發送取水泵啟動和速度信號，取水泵開始抽水。樣本輸送至水箱，水箱內水位達到工作液位后，視覺計算機控制工業相機和光源控制器進行拍照。

獲取樣本圖像后，水體污染分析系統進行圖像預處理：

1)檢測圖像噪點，自適應設置濾波窗口進行中值濾波。

2)濾波后圖像檢測多張圖像同一像素點的移動距離和像素點顏色分量突變，若超出閾值則剔除該組圖像，未超出閾值進入下一步處理

3)針對濾波后圖像，提取每個像素點的3個顏色分量R、G、B，經加權計算獲得圖像顏色特征值X、Y、Z，將特征值X、Y、Z輸入至水體污染分析模型內。

所獲取的多路圖像水體彩色圖像經圖像分析軟件進行同時分析后，由水體污染指數評價模塊進行評價，輸出水體污染指數Cr。以含有《污水綜合排放標準GB 8978-1996》中規定的第二類污染物類別的色度(稀釋倍數)或懸浮物的水體為識別對象，污染指數為0%～25%為輕度污染(一級可排放水體)，25%～50%為中度污染(二級可排放水體)，50%～75%重度污染(二級以上污染水體)，75%～100%為嚴重污染(二級以上污染水體)。一級可排放水體污染指數Cr值為0，圖示重度污染水體污染指數Cr值為72%，嚴重污染水體污染指數Cr值

表2 可排放水體污染指數指標

圖8 控制系統界面

圖9 圖像分析系統界面

為88%，均已超過二級可排放水體色度(稀釋倍數)或懸浮物指標。按照不同污染等級，保存污染水體圖像同時控制系統進行報警、消息推送等操作并啟動連鎖保護。

5 結束語

本文分析了突發性水污染事故監測需求，研究了一種基于工業視覺的水體表面污染監測系統。該系統對水體圖像進行分析，通過水中濁度、色度監測，實現快速判斷是否存在污染，縮短判斷時間、提高判斷準確度，降低設備成本。在某冶煉企業應急站投用該系統后，降低了勞動強度，降低了環保事故發生率、減少了崗位人員數量、降低了成本，取得了顯著的應用效果。