[发明专利]一种基于神经网络的污泥膨胀预测方法与系统

权利要求书

1.一种基于神经网络的污泥膨胀预测方法，其特征在于，所述神经网络的层结构包括序列输入层、序列折叠层、卷积层、序列展开层、扁平化层、长短期记忆人工神经网络以及输出层，所述污泥膨胀预测方法包括步骤：

S01：获取训练样本，所述训练样本为若干个活性污泥图像视频，所述训练标签为活性污泥图像视频对应在预设时段后的SVI指数；

S02：通过训练样本以预设时段后的SVI指数为训练标签训练神经网络，所述训练后的神经网络为可通过活性污泥图像视频利用神经网络的层结构预测出预设时段后活性污泥SVI指数的预测神经网络；

S03：通过输入活性污泥图像视频至预测神经网络以预测出预设时段后活性污泥的SVI指数，并根据SVI指数获取污泥膨胀概率；

所述步骤S03中预测SVI指数的具体步骤包括：

S31：通过序列输入层获取预设时长的活性污泥图像视频，所述活性污泥图像视频储存为间隔预设时间的连续的活性污泥图像序列；

S32：通过序列折叠层将活性污泥图像序列转换为活性污泥图像阵列；所述活性污泥图像阵列由活性污泥图像序列中的各个序列图片以预设顺序排列组成；

S33：通过卷积层提取活性污泥图像阵列中的图像特征；

S34：通过序列展开层将活性污泥图像阵列中各序列图片的图像特征以图像序列的方式进行存储，并通过扁平化层以各个序列图片的时间先后顺序对其对应的图像特征进行排序，以获取特征图像序列；

S35：根据长短期记忆人工神经网络利用特征图像序列获取图像变化序列；

S36：根据图像变化序列利用输出层输出预设时段后活性污泥的SVI指数。

2.根据权利要求1所述的一种基于神经网络的污泥膨胀预测方法，其特征在于，所述步骤S01以及步骤S31中活性污泥图像序列中的各个图片均为放大20倍的序列图片。

3.一种基于神经网络的污泥膨胀预测系统，其特征在于，所述神经网络的层结构包括序列输入层、序列折叠层、卷积层、序列展开层、扁平化层、长短期记忆人工神经网络以及输出层，所述污泥膨胀预测系统包括：

样本获取模块，用于获取训练样本，所述训练样本为若干个活性污泥图像视频，所述训练标签为活性污泥图像视频对应在预设时段后的SVI指数；

训练模块，用于通过训练样本以预设时段后的SVI指数为训练标签训练神经网络，所述训练后的神经网络为可通过活性污泥图像视频利用神经网络的层结构预测出预设时段后活性污泥SVI指数的预测神经网络；

预测模块，用于通过输入活性污泥图像视频至预测神经网络以预测出预设时段后活性污泥的SVI指数，并根据SVI指数获取污泥膨胀概率；

所述预测模块包括：

序列输入层单元，用于通过序列输入层获取预设时长的活性污泥图像视频，所述活性污泥图像视频储存为间隔预设时间的连续的活性污泥图像序列；

序列折叠层单元，用于通过序列折叠层将活性污泥图像序列转换为活性污泥图像阵列；所述活性污泥图像阵列由活性污泥图像序列中的各个序列图片以预设顺序排列组成；

卷积层单元，用于通过卷积层提取活性污泥图像阵列中的图像特征；

特征图像序列单元，用于通过序列展开层将活性污泥图像阵列中各序列图片的图像特征以图像序列的方式进行存储，并通过扁平化层以各个序列图片的时间先后顺序对其对应的图像特征进行排序，以获取图像特征序列；

图像变化序列单元，用于根据长短期记忆人工神经网络利用图像特征序列获取图像变化序列；

输出单元，用于根据图像变化序列利用输出层输出预设时段后活性污泥的SVI指数。

4.根据权利要求3所述的一种基于神经网络的污泥膨胀预测系统，其特征在于，所述污泥膨胀预测系统还包括：

警报模块，用于在污泥膨胀概率大于预设阀值概率时，进行警报。