Измерение мутности предоставляет важные показатели качества воды в процессе очистки питьевой воды, в промышленной водоподготовке и мониторинге сточных вод. Традиционные датчики мутности, использующие непеллометрические принципы — измеряющие свет, рассеянный под углом 90 градусов от падающего луча — надежно работают в чистой воде, но сталкиваются с трудностями в сложных матрицах образцов, содержащих частицы различного размера, состава и концентрации. Компьютерное зрение и машинное обучение теперь позволяют применять методы обнаружения мутности, которые выходят за рамки одного значения NTU.
Table of Contents
Ограничения традиционного измерения мутности
Обычные датчики мутности, откалиброванные по стандартам Формазина, обеспечивают точные измерения в контролируемых условиях, но сталкиваются с проблемами в реальных приложениях. Характеристики частиц — распределение по размеру, форма, показатель преломления — сильно влияют на поведение рассеяния света, создавая вариации, которые не может учесть однопунктовая калибровка. Условия высокой мутности могут превышать линейный диапазон датчика, в то время как воды с низкой мутностью приближаются к пределам обнаружения.
Регулирующие органы и программы оптимизации очистки давно признали, что мутность сама по себе дает неполную картину — распределение по размеру частиц и их состав важны для производительности фильтров и оценки соблюдения норм. Насколько много возможностей для оптимизации упускается, зависит от завода, но одно значение NTU не может различить, скажем, легкое переноса флоков от резкого изменения популяции частиц, которое случайно дает то же самое значение.
Основы технологий компьютерного зрения
Обнаружение мутности с помощью машинного зрения заменяет простое измерение рассеяния света на основанную на изображениях характеристику частиц. Цифровые камеры захватывают изображения частиц в потоковых образцах, а алгоритмы анализа изображений извлекают распределение по размеру частиц, количество, характеристики формы и временные изменения. Эти данные поддерживают интерпретацию мутности, выходящую далеко за пределы одного значения NTU.
Исследования анализа частиц на основе изображений сообщают о сильном соответствии с эталонными непеллометрическими методами для поверхностных вод, подземных вод и промышленной процессной воды. Практическая ценность, однако, заключается не в самом корреляции — это дополнительные данные о характеристике частиц, которые позволяют применять решения, которые обычный датчик мутности не может поддерживать: обнаружение событий загрязнения, мониторинг производительности фильтров и идентификация сбоев в процессе.
Обнаружение событий с помощью ИИ
Алгоритмы машинного обучения, анализирующие непрерывные изображения частиц, выявляют события загрязнения через распознавание паттернов, которые не могут сопоставиться с пороговым обнаружением. Эти системы изучают нормальные характеристики частиц для конкретного места установки и генерируют оповещения, когда обнаруженные паттерны отклоняются от установленной базы.
Полевые развертывания мониторинга на основе изображений сообщили о том, что события загрязнения были выявлены на несколько часов раньше, чем при традиционном пороговом мониторинге мутности, поскольку изменения популяции частиц обычно проявляются раньше, чем общая мутность изменится достаточно, чтобы сработать установленная точка. Подходы на основе изображений также были применены для обнаружения цветения водорослей и вторжения дождевой воды в исследования питьевой воды, где морфология частиц предоставляет различия, которые не может предложить общее значение NTU.
Оптимизация производительности фильтров
Характеристика частиц поддерживает оптимизацию фильтров через время обратной промывки, основанное на фактическом накоплении частиц, а не на прошедшем времени или порогах потерь давления. Этот подход избегает ненужных циклов обратной промывки в периоды с низким содержанием частиц, при этом все равно очищая вовремя, когда емкость фильтра близка к исчерпанию.
Установки, которые основывают обратную промывку на измерениях частиц, а не на фиксированных графиках, сообщают о значительном сокращении использования воды для обратной промывки, наряду с улучшением качества фильтрата. Энергосбережения от уменьшения насосной нагрузки для обратной промывки добавляют к выгоде. Точные сбережения зависят от изменчивости исходной воды — заводы с сильно изменчивой сырой водой имеют наибольшую выгоду.
Рекомендации по внедрению
Системы мутности на основе компьютерного зрения требуют внимания к представлению образцов, условиям освещения и обучению алгоритмов для конкретной установки. В отличие от замены традиционного датчика мутности, системы машинного зрения обычно требуют специализированных условий для отбора образцов, чтобы обеспечить постоянные условия для получения изображений частиц.
Затраты на установку в несколько раз выше, чем у традиционных датчиков мутности, хотя анализ жизненного цикла — учитывающий более раннее обнаружение и операционные сбережения — часто оправдывает инвестиции в критические приложения мониторинга. Технология имеет наибольший смысл там, где раннее обнаружение загрязнения имеет высокую ценность: в системах питьевой воды, обслуживающих уязвимые группы населения, в производстве фармацевтической воды и в переработке продуктов питания.
Будущее развития технологий
Постоянные достижения в технологии камер, алгоритмах обработки изображений и вычислениях на краю продолжают улучшать производительность систем мутности на основе компьютерного зрения, одновременно снижая затраты. Миниатюризация позволяет интеграцию в встроенные конфигурации, которые ранее требовали ячеек для проточной выборки.
Интеграция данных о мутности на основе компьютерного зрения с другими датчиками качества воды и системами управления процессами является активной областью разработки, при этом данные о характеристике частиц уточняют интерпретацию последующих измерений — растворенного органического углерода, потребности в хлоре и индикаторов биологической активности.
Заключение
Компьютерное зрение представляет собой значительный шаг вперед в мониторинге мутности, добавляя возможность характеристики, выходящей за рамки традиционного непеллометрического измерения. Приложения, требующие раннего обнаружения загрязнения, оптимизации фильтров или более богатой характеристики качества воды, должны рассмотреть это как инвестицию в возможности мониторинга. Поскольку затраты на внедрение продолжают снижаться, ожидайте, что системы мутности на основе машинного зрения будут дополнять — а не заменять — традиционные подходы к мониторингу.
