文摘

目标检测是识别对象,然后找到一些感兴趣的对象。随着计算机的发展,目标探测已经从传统的人工智能方法的检测方法,而后者主要是基于深度学习的一些算法。本文主要测试处理污水。第一,神经网络在深度学习和卷积神经网络算法进行了研究,然后目标探测系统是建立基于这两种算法。最后,处理过的污水检测,然后与传统的目标检测系统。实验结果表明,卷积神经网络算法的目标检测系统有一个非常稳定的处理污水的识别率,70%左右摆动,幅度不是很大。然而,神经网络算法的目标检测系统不是很稳定的识别率污水处理,识别率是60%左右。

1。介绍

1.1。背景

随着社会和经济的发展,环境问题已经成为人们面临的一个重要问题,污水的排放也增加。如果这个污水排放没有任何治疗,它会严重影响河流和表面。毫无疑问,人们需要采取各种措施来解决水污染的日益严重的问题。然而,依靠经营管理者的日常监控和操作经验来检测污水处理需要大量的人力和物力,所以自动检测是非常重要的。因此,很多学者的研究下,机器视觉的主题,尤其是目标探测中的应用,研究了在机器智能领域通过模拟眼睛的视觉信息。然后,基于目标检测的研究,以优化算法,提高目标检测的识别率,基于深度学习的目标探测系统的研究已经成为当前研究的一个重要话题。

1.2。意义

目前,污水处理过程的监控在大多数污水处理厂主要通过经营管理者的日常监控和操作经验。这就产生了一定的局限性。基于深度学习的目标探测系统可以很好地解决这个问题。污水处理过程主要是由机器监控,进一步的研究可以提高机器的识别率,从而减少污水的排放,逐步解决污水造成的环境问题。此外,它具有十分重要的意义提高污水处理的效率,促进经济的可持续发展战略,环境,和社会。

1.3。创新点

本文主要研究污水处理的识别目标探测系统基于神经网络算法和卷积神经网络算法,然后比较了它与传统的目标检测系统。本文的创新如下:(1)介绍了神经网络算法的区别和卷积神经网络算法。(2)比较和分析了传统目标探测系统和污水处理目标探测系统基于神经网络算法和卷积神经网络算法。(3)它描述了传统的目标检测和目标之间的差异检测基于神经网络算法和卷积神经网络算法在各种地方。

2。相关工作

深度学习的发展使得越来越多的研究人员关注污水处理。其中,风扇T研究机器学习方法的最新成果(深度学习)实现目标分类检测,提出一种改进的基于背景提取算法和感兴趣的区域提取算法减少图像像素(1]。卢奥克研究了红外目标探测技术,使用图像处理算法来自动检测对象在混乱背景和强噪声环境中。此外,他使用灰色关联度图像信息来研究灰色关联度的灰色直方图特征,形成了一个差分公式模型,灰色关联度分析的特征差异,并实现小目标的探测森林火灾。然而,[适用方面并不多2]。Reiner自动目标检测带来的影响进行了研究(ATD)士兵检测和识别性能。28名士兵有或没有ATD检测在一个身临其境的虚拟环境中,并通过实验发现,ATD帮助士兵检测和识别目标。然而,在实验中有一定的偏差,需要进一步改进(3]。Darwiesh提出了浸目标探测激光雷达模型。它允许用户识别和定位水下目标可衡量的光反射的存在。吸收、散射和后向散射光在不同介质的光传播被认为是实现精确的接收功率值不同的目标形状表达真正的条件(4]。Lei获得的系统目标光学扫描的几何参数随机连续状态和用它来检测辐射的分布特征和计算方法。结合建立露天旋转光学成像扫描模型,装甲车的贡献在不同的州在光学成像传感器的红外辐射的计算功能和移动传感器的输出信号有5]。使用典型的分散废水的废水处理技术在天津现代农业科技创新基地,赵问调查的同时脱氮和磷性能与部分循环曝气生物膜过程和两级待遇回报,但成本较高6]。博士阿宝公共机器学习技术进行了深入研究,目的是比较技术和确定合适的建模和预测真实数据的技术。为了确定合适的机器学习技术,有必要进行比较研究常用的机器学习技术。综述Box-Jenkins技术的目的,回归方法和人工神经网络(ann)是识别可靠和准确的建模数据的技术。然而,没有具体的实验分析进行了(7]。

3所示。深度学习目标探测系统

3.1。深度学习

深入学习人工神经网络研究的概念,特别指一种机器学习技术。是交叉的研究领域,如神经网络、图形建模、优化、模式识别、信号处理。其架构分为许多隐藏层,每一层的信息处理是用于模式分类或特性学习(8]。深度学习导致了许多成就在搜索技术,数据挖掘,机器学习,机器翻译、自然语言处理、多媒体学习,演讲,推荐和个性化技术,和其他相关领域。深度学习使得机器模仿人类活动,如看,听力,和思考,解决很多复杂的模式识别的挑战,使人工智能技术的重要进展。

因为大多数传统神经网络包含多个隐藏层,每个隐层还包含大量的神经元单位。因此,这样一个网络需要获得很多不同的参数和计算昂贵。上述问题的解决方案是使用卷积神经网络,这是极其计算高效的网络。它的理论基础是传统的神经网络理论的改进和创新。

3.2。神经网络和卷积神经网络

激活函数模型常用于神经网络的神经元被称为乙状结肠神经元。可以有三个输入神经元模型,但它也可以有其他数字的输入,来这里 。Rosenblatt提出的规则是一个简单的计算输出。他利用权重的概念,使用不同的权重来表示每个输入到模型中是多么重要。神经元的输出是由某个阈值权重后,和神经元的输出通常是0或1。阈值,如重量、也是一个参数的神经元,具体如图1。

我们使用严格的代数形式来表示输入图中并将其转化为一个公式如下:

其中,功能是激活函数; 分别对应三个输入和权值;和b是一个标量称为偏差参数(9]。使用的激活函数神经网络通常也有不同的类型,和使用不同的传输函数也会影响神经网络的结构和功能的差异。一个常见的激活函数图像如图2(10]。

其相对激活函数公式如下:

训练神经网络时,如果使用逻辑回归,一般来说,一条直线不能准确分类数据,叫做underfitting。这表明,该网络结构不适合二级数据集。在这个时候,人们应该切换到一个更深的结构和多个神经元。如果使用一个复杂的深层神经网络对这组数据进行分类的神经网络可能只适用于这组数据,这是一个过度拟合现象。需要获得的是一个神经网络分类器与温和的两者之间的拟合程度,叫做温和的拟合,其拟合程度如图3。

如果人们想解决装配问题,他们通常可以通过两种方法解决这个问题。一个是增加的数据量。如果不能获得足够的数据,人们需要考虑第二种方法。通常,L2辍学正则化方法。L2正规化辍学方法指的是事实,在线性代数理论中,一个坏心肠的问题通常是由一组线性代数方程定义的,这组方程通常起源于一个坏脾气的反问题与大量的条件。

卷积神经网络共享重量参数包含在他们的网络结构11]。由于上述优势,卷积神经网络已经被广泛使用在许多不同的领域,特别是在计算机视觉的目标检测和人脸识别。卷积神经网络可以直接获得目标的特点通过培训从输入原始图像的复杂背景。没有必要获得图像中目标的特点,通过手动标记,像传统的目标检测算法。因此,卷积神经网络可以减少模型研究人员的工作量,和提取的特征在目标检测有很好的效果,已广泛被业内研究人员(12]。卷积神经网络主要由两个重要部分:卷积层和汇聚层。其中,卷积层模型的最重要的部分,负责从输入原始图像中提取目标特征信息。池层起着重要的作用在减少网络规模,提高模型的训练速度,提高特征提取的鲁棒性。如图4,原没有预处理的图像可以直接作为输入。

池层通常是位于卷积后层,和它的主要目的是减少网络的规模,提高操作速度,提高提取的目标特征的鲁棒性。与此同时,它也有一个好的优化效果的过度拟合现象。之后,卷积层和池层交替运行提取图像的更深层次的功能目标。最后,卷积神经网络将使用相同的完全连接层作为传统的深度学习网络结构来完成图像的分类目标。

卷积层主要用于提取图像目标特征。特征提取指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。它导致点图像划分成不同的子集,这往往属于孤立的点、连续的曲线或者连续的区域。假设步长是1和填充是1。如果填充为0,它用于围绕着图像的边缘像素。一是防止多个旋转后的图像变得太小,另一个是防止丢失图像边缘信息在输入图像的卷积(13,14]。卷积核卷积层也称为过滤器。他们的主要功能是对图像中的像素执行卷积操作,但它不是一个完整的操作的数学意义。相反,卷积内核计算像素的加权和的在相应的区域形象;即卷积内核中包含的价值乘以像素值在相应的图像,然后计算总和,如图5:

假设输入图像的大小 ,卷积核的数量 ,卷积核的大小 ,填充边缘的长度d,步长年代后的输出图像卷积的计算公式如下:

池层是一个非常重要的结构,它通常也称为downsampling层。后池、卷积神经网络的规模降低,提高算法效率,提取的特征更多功能。池后,结果仍然包含在原始图像的特性。如果某些特性提取卷积核的卷积层,保留特征值将非常大的池的输出层的结果。如果没有提取特征在特征提取过程中,保留特征值的输出结果将小池层。一个地区在图像中提取的特征池层也可能存在于另一个地区这一形象,所以有必要融合相同的特性,存在于不同的区域,所以马克斯池层不需要学会调整参数。

有两种类型的池,现在常用的:第一种是最大池,用于查找最大值在每个区域的地图。第二种类型是平均池,用于平均每个区域中的所有值映射的特性。这两种方法的具体操作如图所示6(15]。

与传统的人工神经网络相比,卷积神经网络的优点是它的重量共享和稀疏连接的部分。训练神经网络的过程中,图像中目标的特征信息可以更好的提取,和网络的学习可以让自己更加健壮,可以更好地获得所需的目标的特点。

3.3。对象检测

目标检测是识别感兴趣的领域中的对象。这很容易让一个人做的,但对计算机非常困难。计算机,无论什么样的图形是什么,它是一个数字矩阵,每个值范围从0到255。除此之外,电脑没有任何其他深层含义的形象,更不用说定位和识别(16]。随着计算机技术的发展,计算机视觉原理的广泛应用,利用计算机图像处理技术实时跟踪的目标正变得越来越受欢迎,和动态实时跟踪和定位目标有广泛应用价值的智能交通系统、智能监控系统、军事目标探测和定位医疗导航手术的手术器械。

在传统的目标检测方法,首先对输入图像进行预处理操作,然后图像中感兴趣的区域,并在提取目标的特征。最后,目标分类的标识符,并输出检测结果。图像预处理的主要目的包括去除噪声和突然的变化出现在输入原始图像。通常情况下,在给定的图像数据的信息量是巨大的,和电脑不能直接处理输入图像。因为它是不能保证每个图像适合计算机处理感兴趣的区域的特点,我们需要消除不必要的干扰,例如,信息,如照明、大小和颜色,和增强的功能性能目标。

目标检测的过程中传统方法一般分为三个步骤:首先是图像预处理,其次是特征提取,最后分类的分类器是训练有素的,如图7。

在实际图像中检测对象的过程,并不是所有的图像,甚至只有几个图片可以直接使用。将遇到的各种不利因素原始数据的采集,例如不同的照明水平的影响在同一目标下相同的背景和不同角度的影响相同的目标在目标检测,也有完全相同的两张图片,还有两个相同的图像受到不同的分辨率17]。因此,它是非常重要的合理完成图像预处理操作。图像预处理不添加任何信息。事实上,图像预处理提高了图像的过程。这使得图像中的目标信息功能更具代表性和抑制图像中不必要的因素的影响,以提高图形信息和后续工作打下坚实的基础。下面简要介绍几种常见的图像预处理算法。(1)在灰度变换,没有必要专门确定图像中像素的位置,一个在原来的亮度范围 图像可以被改变了成为一个新的亮度范围 的b。其目的是改变原始图像的灰度值。例如,输入图像的表示F(一个),灰度值区间 ;输出图像是由G(b),灰度值范围 ;然后,转换可以表示如下: 如果图像是 ,的密度函数f对应于如下: 替换的左边(8)和(9)提供以下: 使用上面的公式,我们可以得到转换: 通过以上累积直方图,可以完成,直方图均衡化增强实现均衡的影响,因此提高了实验的效果。(2)在几何变换,人们通常处理这个问题下同一对象的两个不同的图像。几何变换的意义就是一个像素 在图像可以被映射到一个新的位置 通过向量函数G,其公式定义如下: 几何变换通常由两部分组成。一个是像素坐标变换。图像可能会扭曲,在输入和输出过程中脱臼了。图像的数字化电网不一定相互对应,所以原始图像中的每个像素映射输出图像通过连续数值计算坐标。第二是确定相应的亮度值在输入图像中的位置,通过插值输出图像。像素坐标变换找到一个新的坐标点公式,通常可以用一个多项式近似: u_ij和代表像素坐标转换之间的映射关系几何变换;本文主要是应用于翻译,旋转,缩放和mis-tangents。(3)当地预处理的意义是生成新的像素值通过添加一定的一个小邻域内像素的原始图像。一般来说,它可分为两种类型。一个是使用平滑方法操作,和处理图像的噪声降低。另一种是梯度算子,其主要功能是显示的位置与大图像的变化,通过图像的局部区域的导数。图像的平滑主要是平均相似度值的点附近的点处理。例如,中值滤波替换当前正被处理的像素点邻域的像素值的中值的当前点,可以达到消除噪声的影响,和邻居家的像素的中值可以减少噪声的干扰因素。边缘算子可以大大减少图像的数据量而不影响图像的内容。其中,边缘是一个向量,可以分配给单个像素的属性并使用图像的属性计算函数在附近的像素。

梯度大小连续图像函数如下:

梯度方向连续图像函数表达以下公式:

因为图像是离散的,上面两个公式应该通过差分近似。的一阶差分在垂直和水平方向如下:

计算机无法理解的内容,当他们看到一幅图片。为了让电脑更准确地找到图片中包含的信息,首先需要找到图像中的数据信息包括数值和向量。这些数据信息可以反映图像中包含的一些自然的特性,这个过程是图像特征提取的一般过程。能否快速、准确地检测到目标在传统的目标检测取决于质量的特征提取方法。因此,分类器也在目标检测中起着非常重要的作用。

本文主要是基于深度学习目标探测的研究,及其主要流程如图8(18]。

在这篇文章中,卷积神经网络用于提取图像中目标的特性。与传统方法不同,这需要有经验的研究人员在计算机视觉领域的执行复杂上手写功能,图像的特征信息,可以有效地代表了从大量的数据和监督培训。在深度学习,可以获得图像的基本信息特征没有手动操作。第一步通常是使用卷积内核提取特征,这些初始化回旋的内核更新一次又一次的迭代反向传播过程中,无限逼近真实解。与此同时,在这个网络结构,不需要有固定的要求输入的原始图像大小像以前执行的特征提取目标探测。原始图像需要裁剪或包装的形象满足神经网络所需的大小。这不仅会导致失真或原始图像的变形,但也失去了原始图像的基本信息,导致减少在目标检测的准确性和效率19]。根据研究,发现图像尺寸的要求只发生在完全连接层,所以人们可以输入任何大小的图像层底部的体积和只需要执行标准化操作的ROI池层之前完全连接层。这不仅保持了原始图像的完整性特征,而且还大大提高了特征提取的效率。提案的RPN地区网络的本质是使用滑动窗口操作直接找到该地区建议框功能映射由卷积神经网络输出。选择搜索算法无法使用地图功能特性具有良好的表征信息,并且不能实现目标探测的端到端操作。这是因为选择性搜索算法进行计算机的CPU,和目标的特征提取和分类的图像可以通过GPU加速技术处理,使得该模型无法实现端到端检测过程,减少目标探测的效率。另一方面,该地区网络可以直接生成项提案箱从功能映射表示卷积神经网络输出的信息(20.]。构建一个卷积神经网络对特征提取时,它不是必需的输入图像的大小必须相同。在过去的完全连接层,映射需要输入一个固定大小的特性,所以任何尺寸都可以输入的原始图像之前完全连接层。进行特征提取,区域建议帧输出通过RPN网络和区域的建议框架映射到特征映射到形成一个功能框架。最后,ROI池的输出层满足完整的连接尺寸要求。根据提案箱,假设功能框的大小 它分为 亚区,每个分区的大小 。各个区域的最大池后,功能框不一致的大小最终转化成大小一致的功能框满足完全连接的尺寸要求。最后,ROI池后功能框用于输入完全连接层的分类和边界框回归。多任务损失函数公式如下:

其中, 是分类成本函数,它是由真正的分类的概率u:

此外, 是回归成本函数。为预测pan-scaling参数 而真正的pan-scaling参数 ,真正的类u是用来比较两者之间的差距。

4所示。实验研究污水处理的目标检测系统基于深度学习

4.1。污水处理

一般来说,污水处理过程分为三个阶段,即预处理阶段,生化处理阶段,和先进的治疗阶段。首先,污水中的悬浮物和漂浮固体中通过筛选和沉降。在生化处理阶段,曝气池的污水会吸收有机营养生长和繁殖,然后污水和污泥的混合将流入二次沉淀池。底部的污泥沉积坦克的固液分离;污泥的一部分返回到曝气池污泥浓度保持,另一部分是直接埋或排入河流后,固体废物浓度、消化、脱水,如图9(21]。

4.2。污水处理目标探测系统基于深度学习

在这个实验中,使用卷积神经网络算法,目标探测系统的目标探测系统的神经网络算法,和传统的目标检测系统准备检测污水处理。我们使用这三个目标探测系统探测到相同的处理污水的时间2 - 6、6 - 10,10 - 14,在14到18岁,18岁,22,22-2和记录数据。10检测数据项在每个时间段随机取出。其中,6 - 18被认为是一天的时间,和后被认为是晚上的时间;连续4天的数据记录,共有240个数据项。数据如表所示1- - - - - -3。

从表中的数据可以看出,卷积神经网络算法的目标检测系统共有169成功识别,而神经网络算法的目标检测系统共有144成功识别时间。成功识别的总数乘以传统的目标检测只有71。因为一些比较不可见的表,一个条形图,具体如图10。

数据的比较,可以看出卷积神经网络算法的目标检测系统有超过7和6成功识别乘以每个时间段。神经网络算法的目标检测系统的平均6成功识别乘以每个时间段。与这两个基于深度学习目标探测系统相比,传统的目标检测系统少于4成功识别时间。每天的识别情况如图11和12。

可以从这两个比较图表,总目标探测系统的识别时间的两个深学习算法是相似的。然而,目标的识别率卷积神经网络算法的检测系统非常稳定,70%上下摆动,幅度不是很大。目标的识别率探测系统神经网络算法的波动在60%,但swing相对较大。与卷积神经网络算法相比,其识别率不高,检验的数量是巨大的,也是受到一些外部因素的影响,所以现在不推荐。然而,传统的目标检测系统的识别率不仅仅是低,而且不稳定,和差距的目标探测系统深入学习算法是非常大的。

5。讨论

本文主要介绍了神经网络算法的区别和卷积神经网络算法和训练过程,然后创建一个污水处理目标探测系统基于神经网络算法和卷积神经网络算法。,传统的目标检测系统用于进行实验,然后识别的三个比较和分析。进行这个实验的时间2 - 6、6 - 10,10 - 14,在14到18岁,18岁,22,22-2。每个时间段,系统将收集10个数据项和记录他们总共4天的数据。然而,在这个实验中可能会有一些错误,因为只有10个数据项在每个时间段收集在这个实验中,这可能是不够的。此外,没有re-experiment多次的污水处理。最重要的是,这个实验只检测到一种类型的污水处理。如果实验是不同的污水处理后,进行实验数据将更可靠,精度会更高。如果条件允许,可以记录更多的有效数据,使实验更完整。

6。结论

实验数据表明,卷积神经网络算法的目标检测系统有一个非常稳定的处理污水的识别率,70%左右摆动,幅度不是很大。识别的数量乘以每个时间段也相对稳定。每个时间段的总次数是40岁,成功识别的次数大约是28。然而,神经网络算法的目标检测系统不是很稳定的识别率污水处理,识别率是60%左右。与传统的目标检测系统相比,基于这两个深学习目标探测系统已经大大提高。传统的目标检测系统的识别率在这个实验中约为30%。实验表明,深一步一步学习算法优化传统算法和算法的目标检测系统也值得进一步优化,以提高系统发布后的污水识别率。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突与任何金融机构有关本文中报告的材料。

确认

这项工作是山西省自然科学基金的支持下,中国(201901 d111067),和山西省的重点研发项目,中国(201803 d31039和201803 d421098)。