直飲水在線殺菌智能裝置設(shè)計與多幀監(jiān)控技術(shù)研究

張立松 張丙寅 郭宗鳴

摘 要：為應(yīng)對傳統(tǒng)水質(zhì)監(jiān)測和殺菌方法存在無法實(shí)時監(jiān)測、效果較差等問題，研究對智慧直飲水在線殺菌裝置進(jìn)行了多項(xiàng)先進(jìn)技術(shù)和功能設(shè)計，包括紫外線殺菌、智能感應(yīng)等，并主要利用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)動態(tài)視頻多幀連續(xù)安全監(jiān)控。結(jié)果表明，在3次動態(tài)圖像識別中，所提出的監(jiān)控方法準(zhǔn)確率均超過了90%，并且運(yùn)行時間均在10 s以內(nèi)，最低僅為8.8 s，具有較高的識別準(zhǔn)確率和效率，能夠?qū)υ诰€殺菌裝置動態(tài)視頻進(jìn)行有效的安全監(jiān)控，為提高飲用水的安全性和可靠性提供有力支持。

關(guān)鍵詞：在線殺菌；直飲水；動態(tài)視頻；安全監(jiān)控；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP277;TQ424.1

文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2024）03-0128-04

Design of online sterilization intelligent device for direct drinking water and research on multi frame monitoring technology

ZHANG Lisong，ZHANG Bingyin，GUO Zongming

（North China Institute of Computing Technology，Beijing 100083，China）

Abstract：In order to cope with the problems of inability to monitor water quality and sterilization methods in real time and poor effect，a number of advanced technologies and functions were designed for the online sterilization device of smart direct drinking water，including ultraviolet sterilization and intelligent sensing，and the improved convolutional neural network was mainly used to realize the continuous safety monitoring of dynamic video multi-frame.The results showed that in three dynamic image recognition attempts，the accuracy of the proposed monitoring method was more than 90%，the running time was within 10 s，and the lowest was only 8.8 s，which had high recognition accuracy and efficiency.It can effectively monitor the dynamic video of online sterilization device，and provide strong support for improving the safety and reliability of drinking water.

Key words：online sterilization;direct drinking water;dynamic video;safety monitoring;convolutional neural network

隨著科技的不斷進(jìn)步和人們對健康的日益關(guān)注，智能飲水設(shè)備逐漸成為現(xiàn)代生活中的重要組成部分［1-2］。然而，由于水源的不確定性和水質(zhì)的不穩(wěn)定性，飲水設(shè)備中的細(xì)菌和微生物問題一直是人們關(guān)注的焦點(diǎn)［3-4］。傳統(tǒng)的水質(zhì)監(jiān)測方法主要依賴于采樣后的實(shí)驗(yàn)室測試，這種方法存在著時間和成本上的限制。隨著視頻監(jiān)控技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)可以用于處理動態(tài)視頻多幀連續(xù)安全監(jiān)控數(shù)據(jù)［5］。傳感器收集到的視頻數(shù)據(jù)可以被輸入到卷積神經(jīng)網(wǎng)絡(luò)中，通過卷積層和池化層等操作，提取出視頻中的特征。這些特征可以用來判斷水質(zhì)是否正常，以及是否存在異常情況，如污染或雜質(zhì)。但卷積神經(jīng)網(wǎng)絡(luò)在處理大規(guī)模數(shù)據(jù)時需要大量的計算資源和存儲空間，并且無法滿足實(shí)時監(jiān)控的需求。因此，研究在設(shè)計智慧直飲水在線殺菌裝置的基礎(chǔ)上，通過改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行動態(tài)視頻圖像識別，以期進(jìn)一步提升安全監(jiān)控效果。

1 直飲水在線殺菌智能裝置設(shè)計與安全監(jiān)控技術(shù)

1.1 智慧直飲水在線殺菌裝置設(shè)計

研究所設(shè)計的智慧直飲水在線殺菌裝置采用了多項(xiàng)先進(jìn)的技術(shù)和功能，包括紫外線殺菌、活性炭過濾、智能感應(yīng)、LED指示燈、水溫控制、智能控制、防漏保護(hù)、定時清洗等。裝置內(nèi)置紫外線殺菌技術(shù)能夠快速有效地殺滅水中的細(xì)菌和病毒。裝置還配備了活性炭過濾器，能夠去除水中的異味和有害物質(zhì)?；钚蕴烤哂袠O強(qiáng)的吸附能力，能夠有效地去除水中的有機(jī)化合物、余氯和重金屬等有害物質(zhì)，提供更清新、健康的直飲水［6］。同時，該裝置具備智能感應(yīng)功能，能夠自動感知用戶的需求并進(jìn)行相應(yīng)的處理。LED指示燈是另一個重要的功能，它能夠顯示裝置的工作狀態(tài)。水溫控制功能使得用戶可以根據(jù)自己的需求來調(diào)節(jié)直飲水的溫度。裝置內(nèi)置了水溫控制器，用戶可以通過操作面板或手機(jī)應(yīng)用程序來調(diào)節(jié)水溫，實(shí)現(xiàn)冷、熱水的切換。智能控制功能允許用戶通過手機(jī)遠(yuǎn)程控制裝置。用戶可以通過手機(jī)應(yīng)用程序，隨時隨地監(jiān)控和控制裝置的運(yùn)行狀態(tài)，輕松實(shí)現(xiàn)遠(yuǎn)程操作，提高使用便利性。防漏保護(hù)是為了保障用戶的安全和裝置的正常運(yùn)行而設(shè)計的功能。裝置內(nèi)置了漏水檢測傳感器，一旦檢測到漏水情況，會自動停止工作并發(fā)出警報，防止水源浪費(fèi)和設(shè)備損壞。定時清洗功能是保證裝置長期使用效果的重要一環(huán)。裝置會定期進(jìn)行清洗和消毒，確保殺菌效果和水質(zhì)的持續(xù)優(yōu)良。所設(shè)計的智慧直飲水在線殺菌裝置包含的技術(shù)和實(shí)現(xiàn)功能如圖1所示。

根據(jù)智慧直飲水在線殺菌裝置包含的技術(shù)和實(shí)現(xiàn)功能，研究進(jìn)行了裝置設(shè)計。水箱是裝置的核心部分，用于存儲待處理的水。水箱采用食品級不銹鋼材料制成，具有良好的耐腐蝕性和密封性，能夠確保水的安全和衛(wèi)生［7-8］。紫外線殺菌器是裝置的重要組成部分，采用高效紫外線燈管。紫外線殺菌器能夠發(fā)出特定波長的紫外線，具有較強(qiáng)的殺菌能力。臭氧殺菌器是裝置的另一個重要組成部分。臭氧殺菌器能夠?qū)⒀鯕廪D(zhuǎn)化為臭氧，并將臭氧注入水箱。臭氧具有強(qiáng)氧化性，能夠破壞細(xì)菌和病毒的細(xì)胞結(jié)構(gòu)，從而達(dá)到殺菌的效果。臭氧殺菌器具有殺菌效果好、速度快、殘留時間短等優(yōu)點(diǎn)。同時，裝置配備了智能控制系統(tǒng)，實(shí)現(xiàn)自動控制和監(jiān)測。裝置還配備了多重過濾系統(tǒng)，用于提供更干凈、更健康的直飲水。過濾系統(tǒng)包括顆粒物過濾器、活性炭過濾器和超濾膜過濾器等。顆粒物過濾器能夠去除水中的懸浮物和大顆粒雜質(zhì)，活性炭過濾器能夠去除水中的異味和有機(jī)物，超濾膜過濾器能夠去除水中的細(xì)菌和病毒等微生物。此外，裝置配備了多種安全保護(hù)裝置，確保裝置的安全運(yùn)行。水箱設(shè)有水位傳感器，當(dāng)水位過低時，裝置會自動停止工作，避免干燒。裝置還具有電氣保護(hù)裝置和漏電保護(hù)裝置，確保電路的安全可靠，避免發(fā)生電器故障和漏電危險。該裝置的簡易示意如圖2所示。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的動態(tài)視頻多幀連續(xù)安全監(jiān)控

在對智慧直飲水在線殺菌裝置進(jìn)行設(shè)計的基礎(chǔ)上，研究進(jìn)一步通過卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)動態(tài)視頻多幀連續(xù)安全監(jiān)控。卷積神經(jīng)網(wǎng)絡(luò)在動態(tài)圖像分類領(lǐng)域有著出色的性能效果，可以根據(jù)動態(tài)視頻圖像特征完成識別分類，以此達(dá)成安全監(jiān)控的目的［9-10］。但傳統(tǒng)的卷積分類模型無法有效處理復(fù)雜的分類問題，必須進(jìn)行相應(yīng)的改進(jìn)。ReLU函數(shù)具有不飽和、稀疏性以及計算簡單等優(yōu)勢，但ReLU函數(shù)同樣不可避免出現(xiàn)“神經(jīng)元死亡”問題，使得模型訓(xùn)練收斂性能下降。因此，為了解決激活函數(shù)問題，研究結(jié)合ReLU函數(shù)與Tanh函數(shù)構(gòu)建一種改進(jìn)T-ReLU激活函數(shù)，其數(shù)學(xué)表達(dá)如式（1）所示。

f（x）a（1－e－2x1+e－2x）， if x<0??????? x， if x≥0（1）

式中：a表示可調(diào)參數(shù)。ReLU函數(shù)具有不飽和與計算簡單的優(yōu)化，但“神經(jīng)元死亡”問題無法避免。Tanh激活函數(shù)的輸入與輸出屬于非線性的單調(diào)關(guān)系，滿足傳播反向求解要求，并且Tanh激活函數(shù)輸出［-1，1］，更貼近神經(jīng)元飽和要求［11-12］。因此，結(jié)合ReLU函數(shù)與Tanh函數(shù)構(gòu)建出改進(jìn)的T-ReLU函數(shù)，能夠?qū)崿F(xiàn)對“神經(jīng)元死亡”問題的優(yōu)化。通過改進(jìn)的T-ReLU函數(shù)來優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)而構(gòu)建改進(jìn)T-ReLU卷積神經(jīng)網(wǎng)絡(luò)動態(tài)視頻圖像分類模型，如圖3所示。

卷積神經(jīng)網(wǎng)絡(luò)可以對圖像數(shù)據(jù)各個層特征進(jìn)行提取，使得卷積神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域有著突出的優(yōu)勢［13-14］。但對更復(fù)雜數(shù)據(jù)特征的提取仍舊面臨困難。于是在改進(jìn)T-ReLU卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出改進(jìn)特征融合的卷積神經(jīng)網(wǎng)絡(luò)圖像分類識別模型（GT-ReLU）。卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中，隨著網(wǎng)絡(luò)模型層數(shù)（模型深度）的增加，不可避免地會出現(xiàn)圖像分類精度下降的問題［15-16］。殘差學(xué)習(xí)克服了卷積網(wǎng)絡(luò)深度增加而性能下降的問題，使得卷積神經(jīng)網(wǎng)絡(luò)圖像識別性能得到了進(jìn)一步提升。殘差學(xué)習(xí)過程為求和運(yùn)算，采用求和運(yùn)算能夠顯著降低網(wǎng)絡(luò)的計算量。因此，在模型中引入批量歸一化方法處理卷積輸入的圖像數(shù)據(jù)，并引入正則化操作，從而避免模型過擬合問題出現(xiàn)。歸一化處理表達(dá)如式（2）所示。

y（k）=γ（k）x^（k）+β（k）（2）

式中：γ與β為2個學(xué)習(xí)參數(shù)，如滿足學(xué)習(xí)要求，則表達(dá)如式（3）所示。

y（k）=Varx（k）β（k）=Ex（k）（3）

式中，Var表示特征分布。滿足式（2）要求，網(wǎng)絡(luò)則可以得到原始學(xué)習(xí)特征分布。最終歸一化中前向傳播表達(dá)如式（4）所示。

x^l←σ2B+Exi－μByi←γx^l+β（4）

式中：μB為均值;σB為方差;xi與yi分別為通過歸一化后得到的網(wǎng)絡(luò)輸入與輸出。通過對卷積網(wǎng)絡(luò)深層特征的融合，卷積神經(jīng)網(wǎng)絡(luò)對圖像特征的提取和分類將更準(zhǔn)確。

2 直飲水在線殺菌智能裝置多幀安全監(jiān)控效果分析

研究設(shè)計了智慧直飲水在線殺菌裝置，再通過改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對其動態(tài)視頻進(jìn)行安全監(jiān)測。為驗(yàn)證安全監(jiān)測效果，首先測試GT-ReLU模型性能。選用HMDB-51（Hollywood Movies Dataset with 51 action classes）數(shù)據(jù)集進(jìn)行測試。實(shí)驗(yàn)?zāi)Ｐ途矸e層數(shù)為4，池化層與全連接層數(shù)均為2。設(shè)置學(xué)習(xí)率為0.001，迭代次數(shù)為5 000，其余參數(shù)根據(jù)實(shí)驗(yàn)環(huán)境做調(diào)整。圖4為不同迭代次數(shù)下圖像分類模型的loss值變化結(jié)果。

由圖4可知，改進(jìn)T-ReLU圖像分類模型與改進(jìn)GT-ReLU圖像分類模型測試性能表現(xiàn)最好。GT-ReLU模型在迭代2 000次以逐步趨于收斂，在迭代5 000次時loss損失值為0.009。由此可見，所提出的改進(jìn)GT-ReLU模型擁有出色的收斂性能與loss損失表現(xiàn)。

為了更進(jìn)一步討論GT-ReLU模型中的性能的有效性，將對模型的權(quán)重參數(shù)利用率進(jìn)行測試。實(shí)驗(yàn)中設(shè)置0.010與0.005兩種閾值進(jìn)行測試，測試結(jié)果如圖5所示。

從圖5（a）中可知，隨著卷積神經(jīng)網(wǎng)絡(luò)通道數(shù)的不斷增加，各個模型的權(quán)重參數(shù)利用率呈現(xiàn)下降趨勢。T-ReLU模型與GT-ReLU模型權(quán)重使用率整體較高，不過改進(jìn)GT-ReLU模型整體波動更穩(wěn)定，能夠給模型帶來更穩(wěn)定的性能表現(xiàn)。從圖5（b）中可以看出，隨著卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，權(quán)重參數(shù)的利用率呈現(xiàn)下降趨勢。與0.010閾值相比，模型整體權(quán)重參數(shù)利用率更低。

為對所提出的安全監(jiān)控方法進(jìn)行實(shí)際效果的驗(yàn)證，研究準(zhǔn)備一定數(shù)量的細(xì)菌和病毒樣本，并將其加入待測試的水樣中，確保樣本的濃度和種類符合實(shí)際情況。隨后將待測試的水樣放入裝置中，啟動裝置并開始?xì)⒕^程。利用攝像設(shè)備或手機(jī)APP實(shí)時觀察裝置內(nèi)部的殺菌過程，并記錄視頻。最后利用GT-ReLU模型對所連續(xù)安全監(jiān)控視頻進(jìn)行識別，并對所屬4種模型的識別準(zhǔn)確率和時間進(jìn)行對比，所得結(jié)果如圖6所示。

從圖6（a）可以發(fā)現(xiàn)，在動態(tài)視頻圖像識別準(zhǔn)確率中，T-ReLU模型3次試驗(yàn)均在85%左右，而GT-RELU模型均超過了90%，最高為94.6%，明顯優(yōu)于其他模型，具有更好的識別效果。從圖6（b）可知，在識別時間的對比中，T-ReLU模型均在12 s以上，是3種對比模型中最優(yōu)的。所提出的GT-RELU模型均在10 s以下，最高為9.8 s，最低僅為8.8 s，識別效率更高，能夠更為有效地進(jìn)行安全監(jiān)控。

3 結(jié)語

飲用水安全一直是人們關(guān)注的重要問題。為進(jìn)一步保障飲用水安全，研究根據(jù)智慧直飲水在線殺菌裝置包含的技術(shù)和實(shí)現(xiàn)功能，進(jìn)行了該裝置的簡易設(shè)計。隨后結(jié)合ReLU函數(shù)與Tanh函數(shù)構(gòu)建一種改進(jìn)T-ReLU激活函數(shù)，并由此提出改進(jìn)特征融合的卷積神經(jīng)網(wǎng)絡(luò)圖像分類識別模型，最后將其應(yīng)用于動態(tài)視頻多幀連續(xù)安全監(jiān)控中。結(jié)果顯示，在動態(tài)視頻圖像識別準(zhǔn)確率中，T-ReLU模型3次試驗(yàn)均在85%左右，而GT-RELU模型均超過了90%，明顯優(yōu)于其他模型。在識別時間的對比中，T-ReLU模型均在12 s以上，GT-RELU模型均最高僅為9.8 s，說明該方法能夠有效提升智慧直飲水在線殺菌裝置的安全監(jiān)控效果。但安全監(jiān)控需要快速準(zhǔn)確地對異常情況進(jìn)行檢測和響應(yīng)，未來需要引入增量學(xué)習(xí)和遷移學(xué)習(xí)等技術(shù)進(jìn)行進(jìn)一步優(yōu)化。

【參考文獻(xiàn)】

［1］ 程凱.基于卷積神經(jīng)網(wǎng)絡(luò)的化工旋轉(zhuǎn)機(jī)械故障識別［J］.粘接，2022，49（4）：88-92.

［2］ 范德和，李新海，周恒，等.基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備運(yùn)行狀態(tài)智能控制優(yōu)化模型分析［J］.粘接，2023，50（6）：179-182.

［3］ 高西.基于大數(shù)據(jù)的影像分析模型的設(shè)計［J］.粘接，2022，49（7）：170-174.

［4］ 朱宗成，陶峰，肖良，等.深紫外LED裝置對單兵飲水消毒的試驗(yàn)研究［J］.中國消毒學(xué)雜志，2020，37（9）：652-655.

［5］ 仲玉晶，文靜.基于紫外可見光譜的地表水水質(zhì)硬度檢測方法研究［J］.粘接，2021，48（10）：42-45.

［6］ 李景文，韋晶閃，姜建武，等.多視角監(jiān)控視頻中動態(tài)目標(biāo)的時空信息提取方法［J］.測繪學(xué)報，2022，51（3）：388-400.

［7］ 蘇菠，姜軍，張志偉，等.基于連續(xù)視頻分析的化學(xué)危險品碼頭車輛測速方法研究［J］.粘接，2020，41（1）：180-184.

［8］ 李蓉.基于人機(jī)交互的全景智能化視頻目標(biāo)自動監(jiān)測方法［J］.粘接，2022，49（1）：111-115.

［9］ 金海燕，曹甜，肖聰，等.基于多特征圖像視覺顯著性的視頻摘要化生成［J］.北京航空航天大學(xué)學(xué)報，2021，47（3）：441-450.

［10］ 李燕萍.基于遙感技術(shù)的地表水水質(zhì)檢測方法分析［J］.粘接，2022，49（10）：122-125.

［11］ 趙小紅，衡春妮，杜淑娟.面向殘差網(wǎng)絡(luò)與Adam優(yōu)化算法的醫(yī)學(xué)圖像卷積超分辨率重建［J］.粘接，2020，44（12）：78-81.

［12］ ZHANG Q ，XU E G ，LI J ，et al.A review of microplastics in table salt，drinking water，and air：direct human exposure［J］.environmental science & technology，2020，54（7）：3740-3751.

［13］ 傅長弘，賈愛軍.局域生成對抗網(wǎng)絡(luò)下視頻動態(tài)監(jiān)控系統(tǒng)設(shè)計［J］.電子設(shè)計工程，2023，31（10）：186-190.

［14］ 熊祝青，徐楠，王興元，等.動態(tài)人臉識別視頻監(jiān)控系統(tǒng)設(shè)計［J］.中國新通信，2020，22（23）：75-77.

［15］ 尹萍.艦船遠(yuǎn)程監(jiān)控平臺模糊視頻高動態(tài)圖像拼接研究［J］.艦船科學(xué)技術(shù)，2019，41（12）：172-174.

［16］ 牛生奇，劉東文.軌道交通視頻監(jiān)控多協(xié)議注冊存儲災(zāi)備的改造研究與應(yīng)用［J］.無線互聯(lián)科技，2023，20（9）：120-122.

收稿日期：2023-09-05；修回日期：2023-12-08

作者簡介：

張立松（1977-），男，碩士，高級工程師，主要從事人工智能、模擬仿真研究;E-mail：greatmansir@sina.com。

引文格式：張立松，張丙寅，郭宗鳴.直飲水在線殺菌智能裝置設(shè)計與多幀監(jiān)控技術(shù)研究［J］.粘接，2024，51（3）：128-131.