一种活性污泥显微图像分割模型构建方法

本发明涉及一种污水处理智能检测方法，特别是涉及一种活性污泥显微图像分割模型构建方法。

背景技术：

1、活性污泥相差显微图像中的微生物微观形态和特征能够直接反映污水处理厂活性污泥沉降性能，絮体和丝状菌的表征现状对于监测和预防污泥膨胀至关重要。然而，活性污泥显微图像中疏密度不同的絮体生长在细长的丝状菌骨架上，存在非均质、结构复杂多样等特点，这会使得深度神经网络在提取特征的过程中造成细节信息的丢失。并且，使用相差显微镜观察絮体和丝状菌时会存在伪影等固有现象，这会使絮体和丝状菌的边缘轮廓模糊，影响边缘细节的识别。

2、传统的活性污泥分割方法主要包括基于阈值分割方法、基于边缘的分割方法以及基于区域分割方法等，使用基于otsu阈值算法对活性污泥相差显微图像进行分割，会使絮体过度分割，影响最终分割的效果。使用基于分水岭算法进行分割，不仅计算量庞大，而且阈值的选取与像素灰度值数量的选取都会影响分割结果。因此使用传统的图像分割方法对于参数敏感，需要手工调整参数，对复杂环境下絮体与丝状菌难以得到精准的分割结果。随着深度学习技术的发展，以深度卷积神经网络为主要方法的计算机视觉算法性能获得了极大地提升，与传统的分割方法相比，深度学习的方法分割精度更高。

技术实现思路

1、本发明的目的在于提供一种活性污泥显微图像分割模型构建方法，本发明基于segformer提出的混合-transformer作为编码器来提取多尺度特征，解码器使用金字塔池化多层语义流对齐模块。模型最后引入了跳跃连接使全局特征与局部特征相融合实现了更精准的分割。为了获取数量较小的难分样本的数据构建了混合损失函数来对整体模型进行反向传播更新模型的参数，有效提升了活性污泥显微图像的分割精度，解决了污水检测的技术瓶颈。

2、本发明的目的是通过以下技术方案实现的：

3、一种活性污泥显微图像分割模型构建方法，所述方法包括活性污泥样品自动分割系统的构建，其包括服务器和客户端两部分，其中，服务器与客户端相互连接；客户端用于实时采集活性污泥图像并传送给服务器进行模型推理，从服务器模型推理中得到分割结果；其制备步骤如下：

4、s1，采集活性污泥图像；

5、s2，创建活性污泥显微图像数据集；

6、s3，构建基于混合-transformer编码器和金字塔池化多层语义流对齐解码器组成的活性污泥显微图像分割模型；

7、s4，使用混合损失函数训练活性污泥显微图像分割模型；

8、s5，分割模型部署和推理。

9、所述的一种活性污泥显微图像分割模型构建方法，所述采集活性污泥图像步骤s1，包括有如下步骤：

10、s11，从污水处理厂采集活性污泥样品；

11、s12，使用相差显微镜、工业数码相机和图像采集系统，图像采集软件从左上到右下路径扫描载玻片上样品。

12、所述的一种活性污泥显微图像分割模型构建方法，所述构建的活性污泥分割模型步骤s2，包括有如下步骤：

13、s21，从采集好的活性污泥图像中选取较为典型的活性污泥图像；

14、s22，对选取好的活性污泥图像进行标注，得到与原图相同大小的标签图像，标签图像中包括背景、絮体和丝状菌。

15、所述的一种活性污泥显微图像分割模型构建方法，所述构建的活性污泥分割模型步骤s3，包括有如下步骤：

16、s31，选取segformer中提出的混合-transformer作为编码器，编码器由四个transformer块组成，每个transformer块都由高效的自注意力模块、混合的前馈神经网络以及重叠的图块合并模块三部分组成；经过四个transformer块后的特征图分别为原始图像分辨率的可以提取到活性污泥图像的多尺度特征；

17、s32，编码器提取到的多尺度特征中最高级特征，经过金字塔池化模型(ppm)来提取到更高级的语义信息，最深层的特征包含了更大的感受野，这种大的感受野可以提取多层次特征；为后面的多层语义流对齐模块提供更多的特征信息；多层语义流对齐模块中，为了统一通道的深度，每个特征图都要经过1×1卷积层；两个相邻的特征图中高级特征图和低级特征图分别记为fh、fl；fh经过双线性插值上采样至与fl相同尺寸，便于后续的拼接；fl经过1×1卷积后的结果与fl上采样后的结果进行通道维度上的拼接，这样可以加入不同尺度的特征；随后，经过一个3×3卷积层，提取融合后的特征，得到最后的语义流场，该语义流场记录了两个特征图之间的位置信息；将产生语义流场和fh进行对齐操作，得到输出的特征图；这可以使图像在保有全局特征的基础上增加了更多局部信息，实现了一种精细的上采样操作；

18、s33，引入跳跃连接，使经过ppmsfam后得到的特征图与编码器中产生的四个不同尺度特征图fi进行拼接，不同尺度的fi均经过一个线性层，这里的线性层是由多层感知机构成，然后再进行上采样，使特征图大小与经过ppmsfam后得到的特征图尺寸相一致，便于后续的拼接。

19、所述的一种活性污泥显微图像分割模型构建方法，所述使用混合损失函数训练活性污泥显微图像分割模型步骤s4，包括有如下步骤：

20、s41，为了获取数量较小的难分样本的数据，定义模型混合损失函数：

21、l(pt)fl＝-(1-pt)γlog(pt)

22、

23、mixloss＝ω1l(pt)fl+ω2lls

24、其中，-log(pt)为初始交叉熵损失函数，(1-pt)γ为简单/困难样本调节因子，而γ为聚焦参数，m(c)是像素误差向量，c是所属的类，|c|是类别总数，δjc是jaccard损失函数，是jaccard损失的代理损失函数，ω1、ω2分别为focal loss和lovász-softmax loss所对应的权重；

25、s42，使用定义的混合损失函数训练活性污泥分割模型，获得模型参数。

26、所述的一种活性污泥显微图像分割模型构建方法，所述分割模型部署和推理步骤s5，包括有如下步骤：

27、s51，对分割模型进行部署；

28、s52，使用实时获取活性污泥图像对分割模型推理，得到最终分割结果。

29、本发明的优点与效果是：

30、本发明具有更精准的分割结果。在对模型进行训练的过程中，使用segformer提出的混合-transformer作为编码器来提取活性污泥显微图像中絮体和丝状菌的多尺度特征。解码器部分使用了金字塔池化多层语义流对齐模块，将编码器中提取的最高级特征送入金字塔池化模型(ppm)来获取更高级的语义信息。随后，将提取到的更高级的语义信息送入多层语义流对齐模块，在保留更多的全局特征信息的基础上增加了更多的局部特征信息，实现了一种更精细的上采样操作。引入了跳跃连接使全局特征信息和局部特征信息相融合，使絮体和丝状菌的边缘信息更精细。为了获取数量较小的难分样本的数据使用了混合损失函数来对整体模型进行反向传播更新参数，提高模型的分割精度，得到最终的分割结果。