基于工业视觉的水体表面污染监测系统

曾祥吉，鄢 锋，李勇刚，潘 岩，杨静雅，施 耘

(1.长沙有色冶金设计研究院有限公司 研发中心，长沙 410019;2.中南大学 自动化学院，长沙 410083)

0 引言

有色金属矿山、冶炼企业生产的水污染物一直是国家重点监控的对象，突发性水体污染事件时有发生[1]，经过对多家有色金属矿山、冶炼企业调研发现，造成突发性水污染事故的主要原因有：1)生产废水不稳定导致废水处理超标排放；2)生产工业设备发生重大泄露；3)地面水污染；4)有色金属矿山尾矿库溢流井泄露等。其主要特点有污染伴有悬浮物或明显颜色变化且多数污染可通过表层水体视觉方式直观判断，同时针对污染监测旨在及时发现污染，而不是了解污染成分。

目前突发性水污染事件监测主要依靠在线监测设备或人工视频监控方式。现有水质污染在线监测设备主要采用化学滴定方法检测水体中离子含量，同时设置PH计、溶氧量传感器及浊度计等传感器等设备[2-3]，不同产品、不同工艺所的污水所包含的污染物不同，其污染率也同样发生变化，故在线监测设备需要进行定制化配置，导致价格昂贵，监测速度慢且污染监测需使用各种化学药剂，使用及维护成本高；人工视频监控方式由人工通过视频观察现场情况，主要用于监测是否存在水体表面污染的偷排、漏排现象，人工判断是否存在异常情况。因此水污染处理环节经常出现滞后现象，导致污水处理后的排放经常不达标。

随着国家对环保标准的迅速提高，企业对于绿色生产的重视及投入性价比有较高期望。本文考虑以上实际需求，以某冶炼厂污水应急处理为背景，针对突发性水体污染监测过程运行成本高，监测效率低、劳动强度大的特点，在研究污水处理过程的基础上，采用模式识别的方式进行水体表面污染监测，以提高突发性水污染事故监测的快速性、高效性和稳定性。

故而本系统结合某冶炼厂的实际需求，采用工业视觉技术获取现场水体样本图像[4-9]，提取水体样本颜色信息并将其与水体污染指数对应，训练基于有导师学习神经网络的污染分析模型[10-19]，建立通用水体表面污染监测系统。该系统投入使用后，实现了突发性水污染事故的精确监测，为工矿企业提供急需一种经济、可靠、高效的自动水体表面污染监测系统，以替换现有的人工监测。

1 建立水体样本特征库

针对一般突发性水污染事故监测结果研究发现，被污染水体与可排放水体的视觉图像存在明细的颜色区分，针对不同现场的不同水体污染监测，其图像特征也并不完全一致，因此系统所需提取的特征值也不一致。

企业针对污水处理已经进行了化学化验，进行了污染参数分析，根据其不同的污染程度形成了污染指数报表，同时存留了污染水体样本，如图1所示。本系统根据某现场污水处理化验采集留存的水体样本作为对象，由工业相机对采样水体进行拍摄，得到了1 500幅图像, 调取某现场污水处理化学化验历史数据，提取水体样本图像颜色信息特征值并将其与水体污染指数对应形成数据集{θ|R,G,B,Cr}，其中R、G、B为彩色图像的3个颜色分量，Cr为对应的水体污染指数。经加权计算获得图像颜色特征值X、Y、Z，污染指数特征值S，得到数据集{θ|X,Y,Z,S}，据此构建了一个水体样本特征库。

图1 不同污染等级水体图像示意图

水体污染等级轻度污染中度污染重度污染严重污染图像数量/幅402395368335污染指数/%0～2525～5050～7575～100

2 基于神经网络算法训练的水体污染分析模型

根据上述研究可知：确定工艺条件下水体污染程度与图像颜色信息有特定的确定关系，因此本系统首先提取水体样本特征库中的1 400幅图像的特征值X、Y、Z与污染指数的特征值S，形成神经网络训练集{θ|X,Y,Z,S}，本文选取彩色图像颜色信息3组特征值X、Y、Z作为输入，污染指数特征值S作为输出，得到水体污染监测模型。

2.1 优化神经网络结构

设样本(X,Y,Z,S)为X=[x1,x2,…,xn]′，Y=[y1,y2,…,yn]′，Z=[z1,z2,…,zn]′，S=[s1,s2,…,sn]′隐含层神经元为O=[o1,o2,…,on]′。输入层与隐含层神经元的网络权值矩阵W1和隐含层与输出层神经元间的网络权值W2分别为:

(1)

隐含层神经元的阈值θ1和输出层神经元的阈值θ2分别为:

(2)

则隐含层神经元的输出为:

(3)

输出层神经元的输出为:

(4)

网络输出与期望输出的误差为:

(5)

(6)

(7)

其中:

由式(6)和式(7)可得权值的调整公式为:

(8)

其中:η1和η2分别为隐含层和输出层的学习步长。

(9)

(10)

由式(9)和式(10)可得阈值的调整公式为:

(11)

2.2 水体污染分析模型的建立

2.2.1 训练过程

将水体样本图像库中的图像划分成训练集和测试集。每次随机选择水体样本特征库中的1 400幅图像特征值作为训练集，针对训练集进行了1 400次训练测试，剩余100幅图像作为测试集。训练时，首先输入训练图像的特征值X、Y、Z，然后将训练图像集提取的特征和其对应的水体污染指数特征值S，输入优化神经网络，得到水体污染监测模型。测试时，将提取输入训练图像的特征值X、Y、Z，接着将特征值输入到优化神经网络中，最后利用水体污染监测模型估计测试图像的污染指数Cr。

2.2.2 仿真测试

利用Matlab工具以及其Simulink 提供的神经网络工具箱等功能模块，对系统进行了建模和仿真分析，为了验证水体污染监测方法的性能，进行了优化神经网络预测污染指数仿真，并将其预测结果与真实值进行了比较，如图2所示。

图2 仿真结果图

可以看出，本方法的预测误差围绕标准差仅小范围波动，预测精度较高，符合相关实际需求。

图3 仿真误差图

3 基于图像的水体污染监测方法

在得到水体污染监测模型后，将现场获取的实际图像输入图像预处理模块，将处理后图像中所有像素点的R、G、B值提取的特征值X、Y、Z输入水体污染监测模型，经模型识别后将该图像中的水体污染指数输出Cr，从而判断现场采集水体样本的污染程度，按照不同污染等级，保存污染水体图像同时控制系统进行预警、提醒、报警、消息推送等操作。

图4 水体污染监测流程图

其中图像预处理模块包括以下子模块：随机扰动图像信号的滤波处理、基于颜色信息评价的多级图像信息调节、水体污染指数评价。

图5 预处理流程图

3.1 随机扰动图像信号的滤波处理

图像获取过程中受水流流速、颗粒悬浮物和系统噪声等影响，经过水体图像上可能显示随机的颜色突变点，这些突变点与周围其他像素点的R、G、B相差较大，因此通过检测局部区域连续像素点的R、G、B的突变来实现噪声检测，可以得到噪声污染状况以及噪声分布。噪声滤波采用中值滤波法进行滤波处理，具体为：初始设置3×3滤波窗口，根据图像中各区域受噪声污染状况确定滤波窗口的尺寸，以每个噪声点为中心按照滤波窗口尺寸取一个矩形框，对该噪声点进行中值滤波

图6 信号滤波流程图

3.2 基于颜色信息评价的多级图像信息调节

为了提高水质分析的准确性，避免图像异常对水质分析的影响，本系统从时间连续性和空间连续性上来判断图像是否异常。

如果水体被污染，例如悬浮物污染或整片水体污染(污染颗粒不是静止不变的，而是运动的)，在时间连续性上，不可能存在多张连续图像同一像素点的移动距离超出对应的设定范围，也不可能存在多张连续图像中的某一图像的某个像素点的R、G、B值突变。根据污染物的沉降速度确定时间区间T，判断时间区间T内无异常水体图像中每个像素点的R、G、B值是否超出对应均值±Δδ。时间区间T值受颗粒漂移和沉降影响，悬浮物沉降速度(简称沉速)有如下极限沉速公式[20-21]：

(12)

其中:ωd为泥沙颗粒(球体)的沉速；Cd为阻力系数；γs为泥沙容重；γ为流体(水)容重；g为重力加速度；d为泥沙颗粒直径。根据沉速，再结合水体表面至底部的距离可以得到时间区间T。

在空间连续性上，不可能存在某一图像上的某个区域内多个像素点的R、G、B值均高于其他区域，根据时间连续性和空间连续性的结合来判断图像为异常图像，如存在异常图像则剔除该组图像，同时调整光源照度，消除可能因反光等其他原因造成的图像异常，而并非真正的水体被污染。

图7 多级图像信息调节流程图

3.3 水体污染特征值提取

由实时测量的水体彩色图像得到数据集{θ|R,G,B}，其中，R、G、B分别表示水体彩色图像中每个像素点的3个颜色分量值，通过统计图像中像素点的R、G、B值，经加权计算获得图像颜色特征值X、Y、Z。将特征值X、Y、Z输入至水体污染分析模型内进行水体图像分析，预测水体污染指数Cr。

4 实验结果与分析

为实现水体污染监测，控制系统的实现采用台达AS320 PLC控制器、变频器和机器视觉计算机，主站使用AS320P-B CPU，变频器和机器视觉计算机通过工业以太网与CPU通讯。主站配置有数字量输入模块，数字量输出模块。数字量输入模块主要接收取水泵、阀门状态和故障状态等信号，数字量输出模块主要发送取水泵电机、阀门启停和开关等信号，变频器接收取和发送水泵电机的运行速度反馈信号和电机速度信号。

雨水排放口逐一布置智能监测装置，系统正常工作时，首先由控制系统发送取水泵启动和速度信号，取水泵开始抽水。样本输送至水箱，水箱内水位达到工作液位后，视觉计算机控制工业相机和光源控制器进行拍照。

获取样本图像后，水体污染分析系统进行图像预处理：

1)检测图像噪点，自适应设置滤波窗口进行中值滤波。

2)滤波后图像检测多张图像同一像素点的移动距离和像素点颜色分量突变，若超出阈值则剔除该组图像，未超出阈值进入下一步处理

3)针对滤波后图像，提取每个像素点的3个颜色分量R、G、B，经加权计算获得图像颜色特征值X、Y、Z，将特征值X、Y、Z输入至水体污染分析模型内。

所获取的多路图像水体彩色图像经图像分析软件进行同时分析后，由水体污染指数评价模块进行评价，输出水体污染指数Cr。以含有《污水综合排放标准GB 8978-1996》中规定的第二类污染物类别的色度(稀释倍数)或悬浮物的水体为识别对象，污染指数为0%～25%为轻度污染(一级可排放水体)，25%～50%为中度污染(二级可排放水体)，50%～75%重度污染(二级以上污染水体)，75%～100%为严重污染(二级以上污染水体)。一级可排放水体污染指数Cr值为0，图示重度污染水体污染指数Cr值为72%，严重污染水体污染指数Cr值

表2 可排放水体污染指数指标

图8 控制系统界面

图9 图像分析系统界面

为88%，均已超过二级可排放水体色度(稀释倍数)或悬浮物指标。按照不同污染等级，保存污染水体图像同时控制系统进行报警、消息推送等操作并启动连锁保护。

5 结束语

本文分析了突发性水污染事故监测需求，研究了一种基于工业视觉的水体表面污染监测系统。该系统对水体图像进行分析，通过水中浊度、色度监测，实现快速判断是否存在污染，缩短判断时间、提高判断准确度，降低设备成本。在某冶炼企业应急站投用该系统后，降低了劳动强度，降低了环保事故发生率、减少了岗位人员数量、降低了成本，取得了显著的应用效果。