基于深度学习的废水处理中丝状和絮状细菌的图像分析

图1：不同背景强度（MI：平均强度）的活性污泥显微图像样本。

废水处理在保护环境和确保安全排放污水方面起着至关重要的作用。在基于活性污泥的系统中，平衡丝状细菌和絮凝细菌对高效运行至关重要。过量的丝状细菌会导致污泥膨胀，破坏污泥絮凝体的形成和沉降，从而降低出水质量。传统的监测方法，如污泥体积指数（SVI）和总悬浮固体（TSS）测量，在及时检测膨胀问题方面存在局限性。此外，传统的人工技术，如光学显微镜，既费时又容易出错，这促使人们转向自动化监测方法。自动图像分析，特别是使用深度学习算法（如卷积神经网络（CNNs）和编码解码模型），已成为实时监测活性污泥的有效工具。这些先进的方法可以提供精确、客观、及时的微生物结构信息，改善丝状膨胀的检测，并提高整体废水处理效率。这种方法通过及早识别问题并优化处理厂的运行，提高了活性污泥的监测和管理的可靠性

图2：图像分割工作流程，用于输入显微图像中丝状菌和絮凝菌的背景分离、预处理和分类。

本研究采用了图像分割和深度学习相结合的两阶段方法，旨在通过自动化方式对污水处理厂（WWTPs）中的显微镜图像进行细菌分类与分割。首先，图像分割算法通过逐像素标注图像生成地面实况数据（ground truth），提供了一个可靠的训练基础。图像分割的主要步骤包括背景与细菌区分、形态学处理（如边缘检测、孔填充、碎片去除）以及基于颜色和形态特征（如HSV色彩空间、紧凑性）对细菌进行分类。为了应对显微图像中的光照不均、噪声和复杂的细菌形态，研究采用了底帽变换来改善图像质量，使用Canny和Approx-Canny边缘检测算法，并结合形态学操作和颜色过滤精确分割丝状细菌与絮状细菌。最终，分割结果为深度学习模型提供了标注数据，训练了一个基于卷积神经网络（CNN）的深度学习模型，该模型采用编码器-解码器架构来提取图像特征并进行细菌分类。在模型训练过程中，图像首先通过双三次插值（bicubic interpolation）缩小，以减少计算量并保持图像的关键细节。模型的训练采用了自适应动量估计（Adam）优化器，经过100个epoch的训练，采用五折交叉验证提高了模型的泛化能力。模型结构包括两个3×3卷积层、2×2最大池化操作、2×2转置卷积层和批量归一化层（batch normalization），以提升特征提取能力和防止过拟合。最后，模型通过计算准确率、敏感性和虚警率等指标对分割效果进行了评估，结果显示高准确度和敏感性，虚警率较低，证明了该深度学习模型在细菌图像分割中的有效性和可用性。该模型使用58张原始显微图像（48张训练图像和10张验证图像）及其相应的标签进行训练，其中每个epoch的最大epoch数和步数分别设置为100和3。  

图三：具有训练步骤的深度学习模型架构

本研究提出了一种创新的方法，通过结合传统图像处理技术（如分割模型）与深度学习技术，成功实现了对活性污泥样本显微图像中丝状细菌和絮状细菌的精准分割。这种方法解决了常见的背景变化、细菌结构复杂性以及丝状细菌形态的挑战，表现出较高的鲁棒性和准确性。与传统分割算法（以地面实况标签为标准）进行定量比较，深度学习模型的表现得到了验证，特别是在丝状细菌和絮状细菌的定量分析中展现了显著优势。实验结果表明，对于丝状细菌，模型的准确率为95.2%，敏感性为66.6%，虚警率为2.6%；而对于絮状细菌，模型则展现了更高的准确性，达到了96.6%，敏感性为77.5%，虚警率仅为1.0%。尽管丝状细菌的敏感性相对较低，这一现象主要由于在分割阶段对部分误分类的细菌进行修正所致。更进一步，实验也表明，细菌类别在图像中的面积分布与背景相比，会对敏感性产生一定影响，这也为未来优化模型提供了思路。该研究展示了深度学习模型在微生物分割中的应用潜力，特别是在自动化分析和污水处理过程中。尽管训练时使用的样本数量相对较少，但模型表现仍非常出色，能够有效捕捉到传统规则分割方法无法识别的细菌特征。此项工作不仅为微生物分析提供了新思路，也为污水处理厂中的实时监测工具开发铺平了道路。然而，本研究也揭示了一些需要进一步解决的问题。未来的研究可以关注如何进一步提升模型对输入参数（如样本数量、训练数据质量等）的敏感度，避免模型精度的波动。此外，未来工作还应探讨如何建立分割结果与污泥膨胀严重性之间的量化关系，以及引入更多先进的量化方法来优化分割精度。虽然本研究采用的自动化算法生成的地面实况标签已有一定精度，但仍然存在伪影和光晕等误差，这提示着在图像标注和模型训练中还有优化的空间。

原文doi：https://doi.org/10.1016/j.jwpe.2024.105772