Wybrane algorytmy uczenia maszynowego w segmentacji obrazu kłaczków osadów ściekowych

• Autorzy: Wodołażski Artur

Identyfikatory

DOI

10.15199/48.2021.08.23

Warianty tytułu

EN

Selected machine learning algorithms for processing the microscopic image of oxidized sewage sludge flocs

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wybrane algorytmy uczenia maszynowego do przetwarzania obrazu mikroskopowego utlenionych kłaczków osadów ściekowych w celu oceny skuteczności monitorowania procesu tlenowej stabilizacji. Przedstawiono i porównano trzy techniki segmentacji algorytmem: k-means, fuzzy c-means oraz progowania Otsu w ocenie skuteczności segmentacji obszarów utlenionych i wykryciu zjawiska spęcznienia lub pienienia się kłaczków osadu ściekowego. Wykorzystane metryki GCE, RI, VI skutecznie porównują zmiany morfologiczne i strukturalne kłaczków poprzez ocenę segmentacji i kwantyfikacji obrazu. Analiza obrazów mikroskopowych przy wykorzystaniu technik uczenia maszynowego zapewniają oszczędność czasu i stanowią alternatywę metod fizyko-chemicznych w ocenie tlenowej stabilizacji osadu ściekowego

EN

The article presents selected machine learning algorithms for processing the microscopic image of oxidized sewage sludge flocs in order to assess the effectiveness of monitoring the oxygen stabilization process. Three techniques of segmentation were presented and compared by algorithm: k-means, fuzzy c-means and Otsu thresholding in assessing segmentation effectiveness of oxidized areas and detecting the swelling or foaming phenomenon of sewage sludge flocs. The GCE, RI, VI metrics has been effectively used and compared for morphological and structural changes of the flocs by assessing the image segmentation and quantification. The analysis of microscopic images using machine learning techniques save time and constitute an alternative to the physico-chemical methods to assessment aerobic stabilization of sewage sludge.

Słowa kluczowe

PL

metody uczenia maszynowego; tlenowa stabilizacja osadów ściekowych; przetwarzanie obrazu

EN

machine learning method; aerobic stabilization of sewage sludge; image processing

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 8
• Strony: 134--136
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Wodołażski Artur

• Główny Instytut Górnictwa, Zakład Oszczędności Energii i Ochrony Powietrza

• https://orcid.org/0000%E2%80%900003%E2%80%904287%E2%80%908279

Bibliografia

• [1] Bizukojc E.L: Application of image analysis techniques in activated sludge wastewater treatment processes, Biotechnology Letters, (2005), 1427-1433.
• [2] Mesquita D. P., Amaral A. L., Fareira E. C.: Identifying different types of bulking in an activated sludge system through quantitative image analysis, Chemoshpere, (2011), 643-652.
• [3] Xue-Yong L., Humaira N., Ho Yeap K.: An Approach for the Segmentation and Quantification of Activated Sludge Floc Blobs, Advanced Science Letters, (2013), 140-146.
• [4] Khan M. B., Nisar H., Choon Aun Ng.: Segmentation and quantification of activated sludge flocs for wastewater treatment, IEEE Conference on Open Systems (ICOS) (2014).
• [5] Tatiraju S., Mehta A.: Image Segmentation using k-means clustering, EM and Normalized Cuts.: University Of California Irvine, (2008).
• [6] Jenne R., Banadda E. N., Philips N., Impe J.F.V.: Image analysis as a monitoring tool for activated sludge properties in lab- scal installations, J. Environ. Sci. Health A Tox Hazard Subst Environ Eng.(2003), 2009-2018..
• [7] Heine W., Sekoulov I., Burkhardt H., Bergen L.: Early warning system for operation failures in biological stages of WWTPs by online image analysis, IWA Conference, Berlin, (2001), 15-19.
• [8]Sikora M., Smolka B.:Feature analysis of activated sludge based on microscopic images, Canadian conference on Electrical and Computer Engineering, (2001),1309-1314.
• [9] Perez Y. G., Leite S. G.F., Coelho M. A. Z.:Activated sludge morphology characterisation through an image analysis procedure, Brazilian Journal of Chemical Engineering, (2006), 319 - 330.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).