Maturity classification for composted sewage sludge and rapeseed straw mixture based on neural analysis of images acquired in UV-A light

• Autorzy: Kujawa S.

Warianty tytułu

PL

Klasyfikacja dojrzałości kompostowanej mieszaniny osadu ściekowego i słomy rzepakowej na podstawie neuronowej analizy obrazów pozyskanych w świetle UV-A

• Języki publikacji: EN

Abstrakty

EN

Composting is one of the most efficient ways of managing municipal sewage sludge. Recently, due to the increased demand for composting, the issue of conducting this process in cost effective way is of particular importance. Determining the early maturity stage of the composted material can significantly improve the efficiency of surface management of relatively expensive compost plant. The following research presents classification of neural models for determining the early stage of composted mixture of sewage sludge and rapeseed straw, basing on information contained in images of material samples obtained with UV-A illumination. The topology of the MLP network was used in the construction of classification models. As input variables, 25 color parameters and 21 texture parameters were originally used, but also steps were taken to eliminate their number. The classification error for the developed neural models ranged from 1.83 to 4.27%. The best model in terms of the lowest value of error, and the smallest number of input variables required, included 16 neurons in the input layer, 50 neurons in the hidden layer and 2 neurons in the output layer. The following model is characterized by a slightly lower classification error and a slightly simpler structure than the best possible model developed in earlier studies for visible light illumination.

PL

Kompostowanie jest jednym z najwłaściwszych sposobów zagospodarowania komunalnych osadów ściekowych. W ostatnim czasie, ze względu na wzmożone zapotrzebowania na kompostowanie tych osadów, szczególnego znaczenia nabiera kwestia prowadzenia tego procesu w sposób wydajny. Odpowiednio wczesne wykrywanie osiągnięcia przez kompostowany materiał stadium wczesnej dojrzałości może znacząco poprawić efektywność gospodarowania powierzchnią relatywnie drogiej płyty kompostowej. W pracy opracowano klasyfikacyjne modele neuronowe do określania tego stadium dla kompostowanej mieszaniny osadu ściekowego i słomy rzepakowej, bazujące na informacjach zawartych w obrazach próbek materiału, pozyskanych przy oświetleniu UV-A. Przy budowie modeli klasyfikacyjnych wykorzystano topologię sieci MLP. Jako zmienne wejściowe pierwotnie wykorzystano 25 parametrów dotyczących barwy oraz 21 parametrów dotyczących tekstury, przy czym wykonano również działania dążące do eliminacji ich liczby. Błąd klasyfikacji dla opracowanych modeli neuronowych zawierał się w przedziale od 1.83 do 4.27%. Najlepszy model pod względem najniższej wartości tego błędu, a przy tym najmniejszej liczby wymaganych zmienny wejściowych, zawierał 16 neuronów w warstwie wejściowej, 50 neuronów w warstwie ukrytej i 2 neurony w warstwie wyjściowej. Model ten cechował się nieco niższym błędem klasyfikacji i nieco prostszą strukturą, niż najlepszy z modeli opracowanych we wcześniejszych badaniach dla oświetlenia w postaci światła widzialnego.

Słowa kluczowe

EN

image analysis; neural networks; UV-A lighting; compost maturity; communal sewage sludge; rapeseed straw

PL

analiza obrazu; sieci neuronowe; oświetlenie UV-A; dojrzałość kompostu; komunalny osad ściekowy; słoma rzepakowa

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2018
• Tom: Vol. 63, nr 4
• Strony: 94--100
• Opis fizyczny: Bibliogr. 16 poz., rys., tab., wykr., zdj.

Twórcy

autor

Kujawa S.

• Poznan University of Life Sciences, Institute of Biosystems Engineering ul. Wojska Polskiego 50, 60-637 Poznań, Poland

Bibliografia

• [1] Boniecki P., Dach J., Pilarski K., Piekarska-Boniecka H. (2012): Artificial neural networks for modeling ammonia emissions released from sewage sludge composting. Atmospheric Environment, 57, 49-54.
• [2] Boniecki P., Nowakowski K., Tomczak R. (2011): Neural networks type MLP in the process of identification chosen varieties of maize. Proc. SPIE 8009, Third International Conference on Digital Image Processing (ICDIP 2011), 800908 (9 July 2011), doi:10.1117/12.896184.
• [3] Czekała W., Dach J., Ludwiczak A., Przybylak A., Boniecki P., Koszela K., Zaborowicz M., Przybył K., Wojcieszak D., Witaszek K. (2015): The use of image analysis to investigate C:N ratio in the mixture of chicken manure and straw. Proc. SPIE 9631, Seventh International Conference on Digital Image Processing (ICDIP 2015), 963117 (July 6, 2015), doi:10.1117/12.2197041.
• [4] Dach J. (2010): Influence of C:N level on ammonia emission from composted sewage sludge (in polish). Journal of Research and Applications in Agricultural Engineering, 55 (2), 14-18.
• [5] Dach J., Niżewski P., Czekała J., Zbytek Z. (2008): Comparison of ammonia emmision from composted swine farmyard manure and composted sewage sludge (in polish). Journal of Research and Applications in Agricultural Engineering, 53 (1), 58-64.
• [6] Haralick R.M., Shanmugan K., Dinstein I. (1973): Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics SMC-3, 610-621.
• [7] Haug R.T. (1980): Compost Engineering. Principles and Practice. Ann Arbor, Ann Arbor Science Publishers.
• [8] Kujawa S., Dach J., Kozłowski R.J., Przybył K., Niedbała G., Mueller W., Tomczak R.J., Zaborowicz M., Koszela K. (2016): Maturity classification for sewage sludge composted with rapeseed straw using neural image analysis. Proc. SPIE 10033, Eighth International Conference on Digital Image Processing (ICDIP 2016), 100332H (August 29, 2016), doi:10.1117/12.2243989.
• [9] Kujawa S., Nowakowski K., Tomczak R.J., Dach J., Boniecki P., Weres J., Mueller W., Raba B., Piechota T., Rodríguez Carmona P.C. (2014): Neural image analysis for maturity classification of sewage sludge composted with maize straw. Computers and Electronics in Agriculture, 109 (2014), 302-310, doi:10.1016/j.compag.2014.08.014.
• [10] Kujawa S., Tomczak R.J., Kluza T., Weres J., Boniecki P. (2012): A stand for the image acquisition of composted material based on the sewage sludge. Proc. SPIE 8334, Fourth International Conference on Digital Image Processing (ICDIP 2012), 83341R (May 1, 2012), doi:10.1117/12.949899.
• [11] Nowakowski K., Kujawa S., Piechota T., Matz R., Tomczak R.J., Tyksiński T. (2016): Measurement of the development degree of the selected crop root system based on the computer image analysis. Journal of Research and Applications in Agricultural Engineering, 61(4), 77-83.
• [12] Piotrowska-Cyplik A., Chrzanowski Ł., Cyplik P., Dach J., Olejnik A., Staninska J., Czarny J.,. Lewicki A, Marecik R., Powierska-Czarny J. (2013): Composting of oiled bleaching earth: Fatty acids degradation, phytotoxicity and mutagenicity changes. International Biodeterioration & Biodegradation, 78, 49-57.
• [13] Piotrowska-Cyplik A., Olejnik A., Cyplik P., Dach J., Czarnecki Z. (2009): The kinetics of nicotine degradation, enzyme activities and genotoxic potential in the characterization of tobacco waste composting. Bioresource Technology, 100 (21), 5037-5044.
• [14] Pourreza A., Pourreza H., Abbaspour-Fard M.-H., Sadrnia H. (2012): Identification of nine Iranian wheat seed varieties by textural analysis with image processing. Computers and Electronics in Agriculture, 83, 102-108, doi:10.1016/j.compag. 2012.02.005.
• [15] Uchwała nr 88 Rady Ministrów z dnia 1 lipca 2016 r. w sprawie Krajowego planu gospodarki odpadami 2022, Monitor Polski, Warszawa.
• [16] Wolna-Maruwka A., Schroeter-Zakrzewska A., Dach J. (2012): Analysis of the growth and metabolic activity of microorganisms in substrates prepared on the base of sewage sludges and their impact on growth and flowering of garden verbena. Fresenius Environmental Bulletin, 21 (2), 325-336.