Обработка цифровых фотографий: Обработка цифровых фотографий

Джилл Смит — специалист по визуализации в региональной полиции Йорка в Онтарио, Канада, работает в области компьютерного компьютерного анализа изображений отпечатков пальцев, обуви, следов укусов и других улик.Она следит за новейшими технологиями и обучает других техникам Adobe Photoshop. Джилл в течение десяти лет была приглашенным лектором в Полицейском колледже Онтарио и вместе с Брайаном Далримплом преподавала на курсах техники отпечатков пальцев. Она публиковалась в отраслевых журналах, в том числе несколько раз в журнале IAI’s Journal of Forensic Identification.

(PDF) Рекомендации по обработке изображений для цифровой фотографии

из инструкций умножения и сложения, которые допускают свертку любого размера

без потери производительности.

Сбор статистики и просмотр таблицы: Сбор статистики

часто включает построение гистограммы некоторых компонентов анимации

. Компонент imagepixelcomponent

0 1 …

1 оценивается и используется для увеличения записи гистограммы -bin

. Эта информация часто используется для создания переназначения

значений компонентов пикселя в форме поиска в таблице

. Здесь служит индексом

в таблице с записями и является значением выбранной записи таблицы

.

Обычным случаем является повторное отображение значения 8-битного пиксельного компонента

на другое 8-битное значение. Это можно сделать, просмотрев

таблицы из 256 записей, каждая из которых имеет ширину 8 бит. Начиная с

исходные значения пикселей имеют тенденцию упаковываться вплотную, 8

пикселей упаковываются в 64-битное слово. Поиск таблицы для каждых

из этих 8 пикселей требует 3 инструкции: извлечь 8-битное значение,

использовать его как индексированную инструкцию загрузки байта и поместить эти

байта в соответствующую позицию в регистре результатов.Это

требует 8 * 3 = 24 инструкций, включая 8 инструкций загрузки.

Иногда можно использовать альтернативное решение:

для аппроксимации 256 записей таблицы 8 кусочно-линейными

функциями, каждая из которых имеет вид

(1 2 8). Поскольку

, суммируя каждый наклон и каждое пересечение, представлено

8-битными значениями, тогда все 8 наклонов могут содержаться в одном 64-битном регистре

, а все 8 точек пересечения могут содержаться в другом

.Мы можем выполнить переназначение 8 пикселей с помощью 4 инструкций

: 1) выбрать наклон для каждого из 8 входных пикселей,

2) выбрать точки пересечения для каждого из 8 входных пикселей, 3) умножить 8

входных пикселей на 8 выбранных наклоны и 4) сложите эти 8 результатов

к 8 выбранным точкам пересечения. Очевидно, что возможны многие комбинации аппроксимаций функций и небольших таблиц

. Например, начальный сегмент кривой

может не быть хорошо аппроксимирован одной прямой линией.Для этого начального сегмента можно использовать поиск по таблице

.

5. Заключение

Мы описали несколько вопросов, касающихся обработки изображений

для системы цифровой камеры. Описаны основные блоки обработки изображений

, которые необходимы для создания высококачественных отпечатков

. Мы описали, как мультимедийные структуры

, добавленные к универсальным процессорам, могут использоваться

для ускорения некоторых важных операций обработки изображений,

и упомянули некоторые новые инструкции, которые могут быть полезны.

Несколько интересных вопросов обработки изображений для дальнейшего рассмотрения

сидерации включают перекрестную демозаизацию, нанесение водяных знаков,

алгоритмы шумоподавления и альтернативные конвейеры обработки.

Ссылки

[1] Руководство по цифровой камере. Plug-In Systems,

http://rainbow.rmii.com/˜plugin/dcg

table.html, 1996.

[2] Дж. П. Аллебах и П. В. Вонг. Увеличение цифрового изображения

с использованием карты краев. Патент США 5446804, август.1995.

[3] Б. Э. Байер. Оптимальный способ двухуровневой передачи

непрерывных изображений. В Proc.IEEEInt. Конф. Commun.,

с. 26.11–26.15,1973.

[4] Д. Х. Брейнард. Байесовский метод восстановления цветных

изображений из трехцветных образцов. В Proc. IS&T 47

th

An-

nual Meeting, pp. 375–380, 1994.

[5] Л. Дж. Д’Луна и К. А. Парульски. Системный подход к cus-

tom VLSI для цифровой системы формирования цветных изображений.IEEE J. Solid —

State Circuits, 26: 727–737, май 1991 г.

[6] Р. Эшбах. Декомпозиция стандартных изображений, сжатых с помощью ADCT,

. Патент США 5379122, январь 1995 г.

[7] Р. Флойд и Л. Стейнберг. Адаптивный алгоритм для пространственной шкалы серого

. В SID Int. Symp., Dig. Tech. Papers, pp. 36–37,

1975.

[8] Д. Хант. Расширенные характеристики производительности 64-битного PA-

8000. In Proc. IEEE Compcon, март 1995 г.

[9] Рек.T.81 — ISO / IEC № 10918-1. Informationtech-

nology — Цифровое сжатие и кодирование неподвижных изображений с непрерывным тоном

, Часть I: Требования и руководящие принципы, 1993.

[10] А. К. Джайн. Основы цифровой обработки изображений.

Prentice-Hall, Inc. , Энглвуд Клиффс, Нью-Джерси, 1989.

[11] К. Дженсен и Д. Анастассиу. Локализация краев субпикселей

и интерполяция неподвижных изображений. IEEE Trans. Изображение

Обработка, стр. 285–295, мар.1995.

[12] Р. Л. Джоши, Х. Джафархани, Дж. Х. Каснер, Т. Р. Фишер, Н. Фар-

Вардин, М. В. Марселлин и Р. Х. Бамбергер. Сравнение

различных методов классификации при кодировании поддиапазонов

изображений. IEEE Trans. Обработка изображений, 1997. Появиться.

[13] Х. Ли. Метод определения цвета освещения сцены —

нант по цветному изображению. Патент США 4685071, 1987.

[14] R. Lee. Ускорение мультимедиа с помощью расширенных процессоров mircropro-

.IEEE Micro, стр. 22-32, апрель 1995 г.

[15] Р. Ли. Параллелизм подслов с MAX2. IEEE Micro,

, стр. 51–59, август 1996 г.

[16] Р. Ли и М. МакМахан. Отображение прикладного ПО

в мультимедийные инструкции универсальных микропроцессоров

. В Proceedings SPIE, Multimedia HardwareArchi-

tectures, Feb. 1997.

[17] Дж. Мураяма и К. Судзуки. Источник света распознающий

прибор для фотоаппарата. Патент США 5128708, 1992.

[18] А. Н. Нетравали и Б. Г. Хаскелл. Цифровые изображения: репрезентация

, сжатие и стандарты. Plenum Press, New

York, NY, 2

nd

ed., 1995.

[19] К. А. Парульски. Цветные фильтры и варианты обработки для однокристальных камер

. IEEE Trans. Электронные устройства, стр. 1381–

1389, август 1985 г.

[20] А. Пелег и У. Вайзер. Расширение технологии MMX для архитектуры Intel

. IEEE Micro, стр.42–50, Aug. 1996.

[21] А. Саиданд В. А. Перлман. Новый, быстрый и четкий кодек

, основанный на разделении наборов в иерархических деревьях. IEEE

Пер. Circuits Syst. Video Tech., Стр. 243–250, июнь 1996.

[22] М. Трембли, М. Коннор, В. Нараянан и Л. Хе. VIS

ускоряет обработку новых медиа. IEEE Micro, стр. 10–20,

августа 1996 г.

6

Frontiers | Разработка цифровой обработки изображений как инновационного метода количественного определения биомассы активированного ила

Введение

Использование активного ила (AS) — наиболее распространенный биологический метод очистки сточных вод (Gernaey et al., 2004). AS представляет собой комплекс жизнеспособных микроорганизмов, который обычно состоит в основном из гетеротрофных бактерий, которые могут использовать органические вещества, измеряемые как биологическая потребность в кислороде (БПК) или химическая потребность в кислороде (ХПК), в сточных водах, чтобы выжить и удалить их из сточных вод, следовательно ( Garakani et al., 2011; Ratkovich et al., 2013; Ju, Zhang, 2015). Количественный и качественный мониторинг различных характеристик АС иногда играет ключевую роль в хорошей работе очистных сооружений.Среди всего прочего, контроль концентрации биомассы AS в оптимальном диапазоне является наиболее важным, потому что любое отклонение от оптимального диапазона может привести либо к плохому удалению БПК, либо к выбросу взвешенных твердых частиц в поток сточных вод очистных сооружений, что может вызвать микробное загрязнение (Gernaey и др. , 2001). Поэтому были предприняты многочисленные попытки мониторинга концентрации биомассы в описанных здесь системах AS.

Методы измерения концентрации биомассы делятся на две группы: прямые и косвенные (Frasier et al., 2016). В прямых методах вес или количество клеток биомассы будет измеряться напрямую, в то время как в косвенных методах физические, химические или биологические свойства, которые зависят от концентрации биомассы, будут использоваться в качестве прокси для определения концентрации биомассы (Раткович и др., 2013). Смешанные жидкие взвешенные твердые вещества (MLSS) — самый популярный показатель, который используется для определения концентрации биомассы в системах AS и определяется как концентрация всех взвешенных твердых частиц, включая биомассу, в определенном объеме образца, взятого из биореакторов (Martín-Pascual et al., 2015). Невозможность онлайн-измерения, заметные ошибки отбора проб, процедуры измерения и задержка во времени в представлении результатов являются основными недостатками прямых методов, таких как измерение MLSS. Поэтому в последние годы внимание исследователей данной области было сосредоточено на разработке соответствующих косвенных методов. Измерение коэффициента отражения лазера (Expósito et al., 2017), измерение затухания ультразвука и обратного рассеяния (Rodriguez-Molares et al., 2014; Elvira et al., 2016), определение клеточных соединений и содержания метаболитов, таких как аденозинтрифосфат (ATP) (Abushaban et al., 2019), респирометрия и измерение скорости поглощения кислорода (OUR) в аэробном иле (Garcia-Ochoa et al. ., 2010), проточная цитометрия (Brown et al., 2019), измерение плотности (Cano et al., 2014) и измерение электрических свойств биомассы, таких как диэлектрическая проницаемость, емкость и импеданс (Sarrafzadeh et al., 2005; Bobowski и Johnson, 2012; Zhang et al., 2012; Shariati et al., 2013; Pajoum-Shariati et al., 2014) являются наиболее применяемыми методами, которые были разработаны для измерения концентрации биомассы в различных биологических системах, особенно бактериальных, таких как активный ил. Часть этих методов успешно находит свое коммерческое применение в нескольких биотехнологических процессах, но не в установках биологической очистки сточных вод (Sarrafzadeh et al., 2005, 2015b). Потому что они часто считаются высокотехнологичными и сложными методами, которые требуют обученных операторов в дополнение к высоким капитальным затратам для применения на очистных сооружениях.

Обработка изображений в последние годы широко использовалась для количественного анализа биологических систем, таких как дрожжи, бактерии и микроводоросли (Selinummi et al., 2005; Acevedo et al., 2009; Sarrafzadeh et al., 2015a). Этот метод обычно основан на анализе визуальных характеристик биологических культур, таких как цвет, интенсивность света и т. Д., С помощью их изображений (Murphy et al., 2014). Анализ RGB — один из простейших и наиболее распространенных методов обработки изображений, при котором извлекаются интенсивности трех цветов: красного (R), зеленого (G) и синего (B) изображения культуры (Uyar, 2013). .Различные методы обработки изображений для мониторинга систем AS нашли свое место среди других методов количественной оценки биомассы в последние годы, и анализ микроскопических изображений ила использовался для оценки общего количества взвешенных твердых частиц (TSS), индекса объема ила (SVI), способности осаждения. , аномалии ила ила (Amaral and Ferreira, 2005; Mesquita et al., 2009, 2011a, b, 2013; Amaral et al., 2013). Однако использование обработки изображений для мониторинга культур AS ограничивается микроскопическими изображениями клеток, а не макроскопическими цифровыми изображениями.Получение изображений с помощью микроскопа не только делает невозможным онлайн-мониторинг, но и ошибки, связанные с оператором и ограниченным обзором микроскопа, обычно значительны. Кроме того, необходимость в сложных устройствах микроскопии увеличит стоимость анализа в этой технике. Таким образом, использование макроскопических цифровых изображений, полученных с помощью простой камеры или смартфона, не только облегчает процедуру анализа, но также является очень хорошим инструментом для количественной оценки биомассы в режиме онлайн (Sarrafzadeh et al. , 2015b).

Большинство современных методов мониторинга активного ила требует отбора проб, что увеличивает неточность из-за вмешательства человека. С другой стороны, обработка изображений — это неразрушающий метод с потенциалом онлайн-приложения, который может точно измерять концентрацию активного ила с минимальной задержкой по времени. Более того, дешевые методы мониторинга активного ила (включая сушку и взвешивание, цитометрию и т. Д.) Неспособны различить живые и мертвые клетки, однако сочетание обработки изображений с методами окрашивания или микроскопических изображений может дать ценную информацию о качественных условиях клетки в культуре активного ила (Саладра, Коперник, 2016).Такие методы, как диэлектрическая проницаемость или измерение OUR, которые способны обеспечить качественное исследование ячеек с активным илом, либо высокотехнологичны и требуют дорогостоящих устройств и обученных операторов, либо не поддаются обобщению и имеют ограниченную область применения, например, измерение OUR, которое применимо только в аэробных условиях. осадок.

В этом исследовании делается попытка разработать обработку изображений как неинвазивный метод количественной оценки активного ила с использованием макроскопических цифровых изображений, при этом полностью обсуждаются преимущества и ограничения этого метода.Основная цель этого исследования — изучить возможность анализа RGB для измерения концентрации биомассы в системах AS.

Материалы и методы

Образцы активированного ила и измерение MLSS

AS предварительно культивировали в колбе объемом 500 мл с глюкозой в качестве источника углерода для роста биомассы. Размер инокулята для предварительного культивирования составлял 172000 клеток на мл, который измеряли пластиковым гемоцитометром Neubauer (Improved DHC-N01, C-Chip, NanoEnTek, Корея).Культуру непрерывно аэрировали со скоростью потока 100 мл.мин ^–1 для обеспечения адекватного перемешивания. После увеличения MLSS и достижения желаемого количества, AS вводили в биореактор периодического действия из оргстекла объемом 2 л с глюкозой в качестве источника углерода и скоростью подачи 3 г глюкозы (COD = 3200 мг. Л ^–1 ) на 12 h (Rezaee et al., 2015; Leong et al., 2018). Затем в разное время производился отбор проб из биореактора. Для отбора проб СА из реактора использовали пластиковый шприц на 100 мл.Чтобы получить однородный образец, представляющий всю биомассу в биореакторе, отбор образцов проводился с трех разных высот биореактора (поверхность, центр и дно) одинакового размера и смешивался вместе.

MLSS — это основной показатель концентрации биомассы AS, который показывает вес взвешенных частиц ила в определенном объеме. Для измерения MLSS определенный объем смеси AS фильтруют, чтобы разделить жидкую и твердую фазы. Для фильтрации используются предварительно взвешенные фильтровальные бумаги (chm, 125 мм, Испания), воронка Бюхнера и вакуумный насос (Value, одноступенчатый, VE 115N, Китай).После фильтрации остаток и фильтр сушат в сушильном шкафу при 103–105 ° С более 1 ч. Затем высушенный фильтр и осадок взвешиваются, и после вычитания из веса фильтровальной бумаги определяется сухой вес AS в начальном удельном объеме. Расчет сухого веса на 1 л смеси дает MLSS активного ила в г л ^–1 (Baird et al., 2017).

Условия фотосъемки и получение изображений

Важно, чтобы все изображения были сделаны в постоянных условиях.Чтобы сохранить постоянство условий фотосъемки, все параметры окружающей среды, такие как интенсивность света, расстояние между камерой освещения и образцами, а также расположение источника света, которые могут влиять на качество изображений, должны оставаться неизменными. Поэтому был разработан бокс без попадания света извне и с определенными размерами для получения наилучших изображений (Рисунок 1). Чтобы обеспечить необходимый свет для фотосъемки, были использованы холодные белые светодиодные лампы. Высота коробки рассчитана таким образом, чтобы обеспечить наилучшее расстояние, на котором камера может сфокусироваться.

Рисунок 1. Схематическое изображение установки для фотосъемки.

В данном исследовании использовалась камера (Nikon D5300, Япония), оснащенная объективом (Nikon, 18–140 мм f / 3,5-5,6 VR, Япония). Поскольку использование масштабирования камеры значительно влияет на фокусное расстояние объектива и, следовательно, на разрешение изображения, все изображения получаются с постоянным масштабированием 140/18. Фокусное расстояние объектива в этом случае будет 140 мм.

Образцы необходимо разлить в подходящие чашки с минимальными коэффициентами поглощения света и преломления.Кроме того, высота посуды должна быть незначительной по сравнению с расстоянием между камерой и образцом, чтобы избежать влияния высоты жидкости на качество изображений. Для этого использовали стеклянные чашки Петри (диаметр = 54 мм, PIREX, Великобритания), в которых преломление света незначительно из-за высокой прозрачности и очень малой толщины. В чашки Петри в каждом тесте с помощью пробоотборника наливают пять миллилитров образца. Пять миллилитров — это минимальное количество, которое могло полностью покрыть поверхность чашки Петри с незначительной высотой.Ключевым моментом является минимизация высоты образца, поскольку увеличение высоты логарифмически увеличивает поглощение света во время диффузии через образец, делает изображения темнее, чем их реальное значение, и снижает точность измерения (Durduran et al. , 2010). Также важно, чтобы образец, наливаемый в чашу, был хорошо перемешан, чтобы его можно было рассматривать как однородный образец всей культуры.

Диаметр диафрагмы, выдержка и число ISO — три основных параметра, которые могут заметно влиять на разрешение, интенсивность света и цветов на изображениях (Radulescu and Vladareanu, 2017).

Чтобы поддерживать постоянные условия фотосъемки во время испытаний, параметры фотосъемки приведены в таблице 1. Критерии выбора условий фотосъемки являются полностью качественными и основываются на разрешении и интенсивности цвета изображений. Логика выбора этих условий зависит от диапазона изменения MLSS, и они будут выбраны таким образом, чтобы разрешение изображения могло охватывать самый высокий диапазон изменений MLSS. Это более важно при очень низком и очень высоком MLSS, в которых изображения слишком яркие и слишком темные соответственно.Следовательно, лучшим решением является оценка наивысшего MLSS, который может быть достигнут во время процесса (около 15 гл ^–1 в этом исследовании), и установка условий визуализации в этом MLSS таким образом, чтобы был возможен анализ RGB и изображение не полностью черное. Затем настройки будут отрегулированы для MLSS ≤ 1 g.L ^–1 , чтобы избежать получения слишком ярких изображений, которые делают невозможным анализ RGB, а изображение полностью белое. Поскольку критерием оценки качества изображений является качественный (а не количественный) статистический анализ, а планирование экспериментов для уменьшения количества изображений невозможно, необходимо следовать этому инновационному методу, основанному на оценке в границах.Однако определение количественного критерия качества изображений в процессе анализа RGB может быть предложением для дальнейших исследований.

Таблица 1. Условия фотосъемки и настройки камеры для съемки.

В этом исследовании оптимальные условия для получения наиболее подходящих изображений получены (Таблица 1) с 9 различными изображениями. В приложениях с активным илом, поскольку 15 г л ^–1 обычно является самой темной концентрацией, которая может быть достигнута, эти настройки могут применяться в большинстве других случаев, когда обработка изображений используется для измерения MLSS в системах с активным илом.

Для каждого образца визуализация проводится трижды, и окончательное значение RGB рассматривается как среднее значение RGB всех трех изображений.

Процедура обработки изображения

RGB-анализ AS означает выделение интенсивностей красного, зеленого и синего цветов на изображениях ила и сопоставление их с количественным параметром исследуемой системы, например MLSS. Извлечение RGB будет осуществляться с использованием ImageJ ^® , который представляет собой программное обеспечение с открытым исходным кодом для управления, редактирования и обработки изображений (Schneider et al., 2012). В модели RGB трехвекторная координация для каждого пикселя изображения будет определяться на основе R, G и B, которые показывают интенсивность цвета пикселя. Каждый цвет определяется как 8-битный пакет данных, и, учитывая три вектора R, G и B для каждого цвета, обозначается 8 ³ = 256 различных чисел для всех цветов, существующих в изображении. Следовательно, числа RGB находятся в диапазоне от 0 до 255, где (0,0,0) и (255,255,255) являются черным и белым соответственно (Kelda and Kaur, 2014).Однако работать с трехпараметрическим пространством RGB не всегда просто, и обычно более желательно работать в однопараметрическом пространстве. Оттенки серого — это преобразование, которое обычно используется для преобразования пространства RGB в пространство с одним параметром (Bala and Braun, 2003).

Существуют различные уравнения и процедуры для преобразования пространства RGB в оттенки серого, которые использовались в зависимости от приложения, в котором используется обработка изображения. Córdoba-Matson et al. (2010) предложили новый подход для преобразования оттенков серого, чтобы определить количество клеток в культурах микроводорослей путем обработки изображений.В этом подходе уравнения 1–4 используются для преобразования цветного изображения в оттенки серого:

Оттенки серого = KRR + KGG + KBB (1)

K _R , K _G и K _B — это коэффициенты серого для красного, зеленого и синего соответственно, которые рассчитываются следующим образом:

KR = MR / (MR + MG + MB) (2)

КГ = MG / (MR + MG + MB) (3)

КБ = МБ / (MR + MG + МБ) (4)

, где M _R , M _G и M _B — наклоны линейной аппроксимации значений R, G и B в зависимости отжелаемый параметр (в данном случае MLSS).

Результаты и обсуждение

На рис. 2 показано изменение цвета с увеличением MLSS в активном иле. Это помогает читателю лучше понять результаты анализа RGB и тенденции на рисунке 3. Другими словами, рисунок 2 — это реализация рисунка 3 для создания визуального изображения того, что происходит в действительности с изменением RGB. Более того, из рисунка 2 очевидно, что цвет культуры заметно изменяется с MLSS, и это доказывает, что анализ RGB может быть подходящим методом для изучения изменения MLSS активного ила.На Рисунке 2 видно, что образцы темнеют с увеличением MLSS. Следовательно, ожидается, что с ростом MLSS, соответственно, уменьшатся значения RGB.

Рис. 2. Изменение цвета с увеличением MLSS в активном иле.

Рис. 3. Вариация значений RGB в зависимости от MLSS для активного ила.

На рис. 3 и в таблице 2 показано изменение значений RGB с MLSS в AS. Получение RGB было выполнено в 21 различных выборках с разными MLSS.Каждый образец был сфотографирован три раза, и данные RGB каждого образца представляют собой среднее значение данных RGB этих трех изображений. Всего было снято и обработано 63 изображения, результаты которых представлены на Рисунке 3.

Таблица 2. Данные MLSS и RGB в этом исследовании.

Из рисунка 3 можно сделать вывод, что B — лучший вектор для оценки MLSS в системах AS, который показывает R ² = 0,99. Поскольку синий цвет находится в конце электромагнитного спектра и очень близко к УФ-области, его коэффициент поглощения выше по сравнению с зеленым и красным, и, следовательно, его изменение более интенсивное.Следовательно, когда диапазон изменения MLSS в смеси AS станет шире (0–15 г L ^–1 ), B будет более точно подходить для изучения системы. Этот диапазон MLSS наиболее применим в системах AS. Обычные системы активного ила не могут эффективно работать при концентрациях выше 5 г л ^–1 , а их рабочий MLSS составляет от 1 до 5 г л ^–1 с оптимальным значением 3–4 г л ^–1 . С другой стороны, мембранные биореакторы (MBR) обычно работают при более высоких концентрациях (5–15 г.L ^–1 ) (Сари Эркан и др., 2018). Таким образом, метод достаточно точен для применения как в обычных, так и в MBR-системах AS.

Как упоминалось ранее, чтобы избежать работы с трехпараметрическим пространством RGB, обычно используется преобразование оттенков серого. В соответствии с результатами, показанными на рисунке 3, получается таблица 3, в которой показаны коэффициенты преобразования в градациях серого для MLSS активного ила на основе уравнений 1–4. Была применена линейная аппроксимация с использованием данных RGB и MLSS, а наклоны представлены как M _R , M _G и M _B .Затем K _R , K _G и K _B определяются с использованием данных M и согласно уравнениям 2–4. Замена данных K в уравнении. 1 приводит к формуле. 5.

Таблица 3. Коэффициенты преобразования шкалы серого для активного ила MLSS.

Используя данные, представленные в Таблице 3, уравнение 1 переписывается в уравнение 5, а график изменения оттенков серого с MLSS получается, как на Рисунке 4.

Рисунок 4. Изменение серого тона в зависимости отактивный ил MLSS.

Оттенки серого = 0,185R + 0,311G + 0,503B (5)

Уравнение 5 — это уравнение преобразования оттенков серого для AS, которое преобразует изображение RGB в изображение в оттенках серого.

Наклон и точка пересечения достигнутой корреляции для оценки MLSS с использованием серого тона настолько похожи на B, и коэффициенты R ² почти такие же. Таким образом, можно сделать вывод, что выбор B как лучший вектор для оценки MLSS в системах AS является рациональным и точным.

На рисунке 5 показано отклонение между прогнозируемыми значениями MLSS активного ила, полученными с помощью анализа RGB, и фактическими измеренными значениями.

Рис. 5. Прогнозируемое MLSS активного ила на основе красного, зеленого, синего и серого цветов в сравнении с фактическим MLSS биомассы.

На Рисунке 5 очевидно, что предсказанный MLSS на основе B показывает наименьшее отклонение от фактических результатов при сравнении R, G и серого. Таблица 4 показывает сводку результатов статистического анализа для R, G и B, чтобы выбрать наиболее точный индекс для оценки MLSS активного ила.

Таблица 4. Статистические отклонения оценки MLSS на основе индексов RGB индивидуально.

Согласно данным таблицы 3, синий индекс (B) показывает наименьшие ошибки и наибольшее значение R ² и наименьшее количество ошибок, что делает его наиболее точным показателем для оценки MLSS активного ила, который был предложен ранее. Кроме того, серый цвет показывает достаточную точность измерения MLSS активного ила, что может оказаться полезным, учитывая его совокупный характер.

В нижних диапазонах MLSS, которые являются обычными для обычных систем с активным илом (<6 g.L ^–1 ), изменения темноты изображений не столь интенсивны, так что G также показывает высокую точность измерения MLSS, в то время как отклонение в точности R увеличивается, потому что G находится в средней зоне светового спектра и менее чувствителен к резким изменениям. Тем не менее, B показывает более высокое значение R ² и подтверждает утверждение, что B является наиболее точным вектором во всех диапазонах MLSS, поскольку он показывает наименьшее отклонение от фактических данных (рисунок 5) во всех диапазонах. На рисунке 6 показано изменение данных RGB с MLSS в низких диапазонах.

Рис. 6. Изменение значений RGB в зависимости от MLSS активного ила в низких диапазонах (MLSS <6 gL ^{— 1} ).

Как уже упоминалось, изображение, которое записывается камерой, является результатом света, который рассеивается через образец AS и достигает камеры. Другими словами, интенсивность света, который попадает в камеру, определяет качество изображения, включая интенсивность цвета. Следовательно, прогнозируется, что в диапазоне концентраций биомассы, где поглощение света незначительно по сравнению с рассеиванием света, изменение значений RGB по сравнению сMLSS похож на изменение силы света.

Согласно теории оптического рассеяния, интенсивность света изменяется экспоненциально с разницей в концентрации клеток (Ripoll et al., 2003). Следовательно, RGB должен изменяться экспоненциально с MLSS при меньших количествах концентрации клеток, поскольку с увеличением MLSS культура становится более мутной и, следовательно, увеличивается поглощение света. В результате увеличения поглощения света увеличивается рассеяние света в культуре AS и впоследствии увеличивается отклонение от теории оптического рассеяния.В этом разделе мы попытаемся проверить результаты этого исследования, чтобы увидеть, соответствуют ли они предположениям оптического рассеивания. На рисунке 7 показан экспоненциальный тренд значений RGB с MLSS.

Рис. 7. Экспоненциальная зависимость между значениями RGB и MLSS активного ила на основе оптической диффузной теории.

Как показано на рисунке 7, для MLSS <8 g.L ^–1 экспоненциальная зависимость может точно анализировать систему AS с использованием всех трех векторов R, G и B.Однако B по-прежнему показывает наибольшую точность по сравнению с R и G. В более низких диапазонах MLSS (MLSS <8 gL ^–1 ) диффузное приближение действительно для передачи света и предположения о логарифмической корреляции между данными RGB и MLSS физически логично, что согласуется с допущением оптического рассеяния (Гибсон и Дехгани, 2009). Это также доказывает, что B является наиболее подходящим вектором во всех диапазонах MLSS. Однако сравнение результатов рисунка 6 с рисунком 3 показывает, что линейная аппроксимация, разработанная в этой рукописи для измерения MLSS с использованием B, все же более точна, чем логарифмическая аппроксимация, что, вероятно, связано с некоторыми упрощающими допущениями в оптическом диффузном приближении, которые могут быть неприменимы в активный ил среды и снижает точность измерения.

Заключение

Концентрация биомассы является ключевым параметром в системах очистки сточных вод с активным илом, который необходимо контролировать во время процесса, чтобы гарантировать оптимальную производительность системы очистки. В этом исследовании предлагается новый метод измерения концентрации активного ила на основе макроскопических изображений и анализа RGB. Метод, предложенный в этом исследовании, показывает приемлемые результаты в количественной оценке активного ила без необходимости использования дорогих или сложных устройств или навыков.Однако это ранние стадии применения этого метода для онлайн-мониторинга культур активного ила, и необходимо принять во внимание некоторые соображения, чтобы не только сделать метод пригодным для онлайн-измерения, но и обеспечить ситуацию качественного исследования системы, которая будет основным направлением наших будущих исследований. Применение этого метода в крупных промышленных масштабах (например, на очистных сооружениях) требует различных предварительных условий, большинство из которых рассматривается в данном исследовании, таких как критерии получения изображения, выбор наиболее точного вектора для анализа изображения, уравнение подгонки и статистические данные. анализ метода.Следовательно, результаты этого исследования необходимы для применения этого метода. Следовательно, с учетом результатов текущего исследования, измерение других параметров активного ила, связанных с концентрацией, таких как его осаждающие свойства, с помощью обработки изображений и анализа RGB, может быть хорошим предметом для дальнейших исследований исследователей в этой области. По сравнению с другими методами количественной оценки MLSS в системах с активным илом обработка изображений оказалась дешевле, поскольку в этом методе нет необходимости в высокотехнологичных устройствах.У него большой потенциал для онлайн-подачи, что делает его очень подходящим кандидатом для коммерциализации оценок. Поскольку в этом методе практически исключается процесс отбора и подготовки образцов, человеческие ошибки минимизированы, что обеспечивает приемлемую точность для этого метода. Кроме того, он имеет возможность сочетания с микроскопическим изображением, что обеспечивает возможность одновременного качественного и количественного исследования систем активного ила и может быть предметом дальнейших исследований в этой области.

Авторы подтверждают, что в статье доступны все данные, подтверждающие выводы этого исследования.

Авторские взносы

HA: эксперименты, анализ данных, проверка данных, программное обеспечение и написание — первоначальный проект. M-HS: концептуализация, надзор, администрирование проекта и написание — рецензирование и редактирование. Оба автора внесли свой вклад в статью и одобрили представленную версию.

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Список литературы

Абушабан А., Салинас-Родригес С. Г., Мангал М. Н., Мондаль С., Гуэли С. А., Кнезев А. и др. (2019). Измерение АТФ в системах обратного осмоса морской воды: устранение матричных эффектов морской воды с помощью метода фильтрации. Опреснение 453, 1–9. DOI: 10.1016 / j.desal.2018.11.020

CrossRef Полный текст | Google Scholar

Асеведо, К. А., Скуртис, О., Янг, М. Е., Энрионе, Дж., Педрески, Ф. и Осорио, Ф. (2009).Неразрушающий метод цифровой визуализации для прогнозирования иммобилизованной биомассы дрожжей. LWT Food Sci. Technol. 42, 1444–1449. DOI: 10.1016 / j.lwt.2009.03.013

CrossRef Полный текст | Google Scholar

Амарал А. и Феррейра Э. (2005). Мониторинг активного ила на очистных сооружениях с использованием анализа изображений и частичной регрессии методом наименьших квадратов. Analyt. Чим. Acta 544, 246–253. DOI: 10.1016 / j.aca.2004.12.061

CrossRef Полный текст | Google Scholar

Амарал, А.Л., Мескита, Д. П., и Феррейра, Э. К. (2013). Автоматическая идентификация нарушений активного ила и оценка эксплуатационных параметров. Chemosphere 91, 705–710. DOI: 10.1016 / j.chemosphere.2012.12.066

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Бэрд, Р. Б., Итон, А. Д., Райс, Э. У. и Бриджуотер, Л. (2017). Стандартные методы исследования воды и сточных вод. Вашингтон, округ Колумбия: Американская ассоциация общественного здравоохранения.

Google Scholar

Бала Р. и Браун К. М. (2003). «Преобразование цвета в оттенки серого для сохранения (различимости)» в Proceedings of the Color Imaging IX: Processing, Hardcopy, and Applications , San Jose, CA.

Google Scholar

Бобовски, Дж. С., и Джонсон, Т. (2012). Измерение диэлектрической проницаемости биологических образцов по открытой коаксиальной линии. Прог. Электромагнит. Res. В 40, 159–183. DOI: 10.2528 / PIERB12022906

CrossRef Полный текст | Google Scholar

Браун, М., Хэндс, К., Коэльо-Гарсия, Т., Сани, Б., Отт, А., Смит, С., и др. (2019). Метод проточной цитометрии для количественного определения бактерий и оценки биомассы в активном иле. J. Microbiol. Методы 160, 73–83. DOI: 10.1016 / j.mimet.2019.03.022

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кано, Г., Муахид, А., Карретье, Э., и Мулен, П. (2014). Концентрация биомассы путем измерения плотности: активный ил и мембранный биореактор. J. Water Sustain. 4:49.

Google Scholar

Кордова-Матсон, М. В., Гутьеррес, Дж., И Порта-Гандара, М. Б. (2010). Оценка количества клеток Isochrysis galbana (клон T-ISO) с помощью анализа интенсивности цвета цифрового изображения. J. Appl. Phycol. 22, 427–434. DOI: 10.1007 / s10811-009-9475-0

CrossRef Полный текст | Google Scholar

Дурдуран Т., Чоу Р., Бейкер В. Б. и Йодх А. Г. (2010). Диффузная оптика для тканевого мониторинга и томографии. Rep.Прог. Phys. 73: 076701. DOI: 10.1088 / 0034-4885 / 73/7/076701

CrossRef Полный текст | Google Scholar

Эльвира Л., Вера П., Каньядас Ф. Дж., Шукла С. К. и Монтеро Ф. (2016). Измерение концентрации дрожжевых суспензий с помощью высокочастотного обратного рассеяния ультразвука. Ультразвук 64, 151–161. DOI: 10.1016 / j.ultras.2015.08.009

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Expósito, P. L., Suárez, A. B., and Álvarez, C.Н. (2017). Измерение коэффициента отражения лазера для онлайн-мониторинга концентрации биомассы Chlorella sorokiniana . J. biotechnol. 243, 10–15. DOI: 10.1016 / j.jbiotec.2016.12.020

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фрейзер, И., Ноэльмейер, Э., Фернандес, Р., и Кирога, А. (2016). Метод прямого поля для количественной оценки корневой биомассы в агроэкосистемах. Методы X 3, 513–519. DOI: 10.1016 / j.mex.2016.08.002

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Гаракани, А.К., Мостоуфи, Н., Садеги, Ф., Хоссейнзаде, М., Фатуречи, Х., Саррафзаде, М., и др. (2011). Сравнение различных моделей реологических характеристик активного ила. Иран. J. Environ. Health Sci. Англ. 8: 255.

Google Scholar

Гарсия-Очоа, Ф., Гомес, Э., Сантос, В. Е., и Мерчук, Дж. К. (2010). Скорость поглощения кислорода в микробных процессах: обзор. Biochem. Англ. J. 49, 289–307. DOI: 10.1016 / j.bej.2010.01.011

CrossRef Полный текст | Google Scholar

Герней, А.К., Петерсен, Б., Оттой, Ж.-П., и Ванроллегем, П. (2001). Мониторинг активного ила с комбинированными респирометрическими и титриметрическими измерениями. Water Res. 35, 1280–1294. DOI: 10.1016 / s0043-1354 (00) 00366-3

CrossRef Полный текст | Google Scholar

Герней, К. В., Ван Лосдрехт, М. К., Хенце, М., Линд, М., и Йоргенсен, С. Б. (2004). Моделирование и моделирование установок по очистке сточных вод активным илом: современное состояние. Environ. Модель. Софтв. 19, 763–783.DOI: 10.1016 / j.envsoft.2003.03.005

CrossRef Полный текст | Google Scholar

Гибсон, А., Дехгани, Х. (2009). Диффузное оптическое отображение. Philos. Пер. R. Soc. А 367, 3055–3072.

Google Scholar

Цзюй Ф. и Чжан Т. (2015). Бактериальная сборка и временная динамика в активном иле полномасштабных городских очистных сооружений. ISME J. 9: 683. DOI: 10.1038 / ismej.2014.162

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кельда, Х.К., и Каур, П. (2014). Обзор: цветовые модели в обработке изображений. Междунар. J. Comput. Technol. Appl. 5, 319–322.

Google Scholar

Leong, W.-H., Lim, J.-W., Lam, M.-K., Uemura, Y., Ho, C.-D., and Ho, Y.-C. (2018). Совместное культивирование активного ила и микроводорослей для одновременного улучшения биоремедиации богатых азотом сточных вод и производства липидов. J. Taiwa. Instit. Chem. Англ. 87, 216–224. DOI: 10.1016 / j.jtice.2018.03.038

CrossRef Полный текст | Google Scholar

Мартин-Паскуаль, J., Реболейро-Ривас, П., Лопес-Лопес, К., Лейва-Диас, Дж., Ховер, М., Муньио, М. и др. (2015). Влияние степени наполнения, MLSS, гидравлического времени удерживания и температуры на поведение гибридной биомассы в установке гибридного мембранного биореактора с подвижным слоем для очистки городских сточных вод. J. Environ. Англ. 141: 04015007. DOI: 10.1061 / (asce) ee.1943-7870.0000939

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мескита Д., Амарал А. и Феррейра Э. (2011a).Определение характеристик аномалий активного ила с помощью анализа изображений и хемометрических методов. Analyt. Чим. Acta 705, 235–242. DOI: 10.1016 / j.aca.2011.05.050

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мескита Д., Амарал А. и Феррейра Э. (2011b). Выявление различных типов набухания в системе активного ила с помощью количественного анализа изображений. Chemosphere 85, 643–652. DOI: 10.1016 / j.chemosphere.2011.07.012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мескита, Д., Диас, О., Диас, А., Амарал, А., и Феррейра, Э. (2009). Корреляция между способностью осаждения ила и информацией анализа изображений с использованием метода частичных наименьших квадратов. Analyt. Чим. Acta 642, 94–101. DOI: 10.1016 / j.aca.2009.03.023

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мескита, Д. П., Амарал, А. Л., и Феррейра, Э. К. (2013). Характеристика активного ила с помощью микроскопии: обзор количественного анализа изображений и хемометрических методов. Analyt. Чим. Acta 802, 14–28. DOI: 10.1016 / j.aca.2013.09.016

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мерфи Т. Э., Мейкон К. и Бербероглу Х. (2014). Экспресс-диагностика водорослей в открытых водоемах с использованием мультиспектрального анализа изображений. Biotechnol. Прог. 30, 233–240. DOI: 10.1002 / btpr.1843

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Паджум-Шариати, Ф., Саррафзаде, М.-Х., Мерния, М.-R., Sarzana, G., Ghommidh, C., Grasmick, A., et al. (2014). Диэлектрический мониторинг и респирометрическая активность активного ила с высокой плотностью клеток. Environ. Technol. 35, 425–431. DOI: 10.1080 / 09593330.2013.831459

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Радулеску, М., Владареану, В. (2017). Аэрофотосъемка и использование фотоаппаратов, прикрепленных к дронам. Sci. Res. Educ. ВВС 1, 201–206.

Google Scholar

Раткович, Н., Horn, W., Helmus, F., Rosenberger, S., Naessens, W., Nopens, I., et al. (2013). Реология активного ила: критический обзор сбора данных и моделирования. Water Res. 47, 463–482. DOI: 10.1016 / j.watres.2012.11.021

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Резаи, С., Саррафзаде, М.-Х., Мерния, М.-Р., Мохаммади, А.-Р., и Паджум-Шариати, Ф. (2015). Определение адсорбции озона в системе активного ила и ее влияние на свойства ила. Десалин. Водное лечение. 54, 3575–3581. DOI: 10.1080 / 19443994.2014.923203

CrossRef Полный текст | Google Scholar

Риполл, Дж., Шульц, Р. Б., и Нциахристос, В. (2003). Распространение рассеянного света в свободном пространстве: теория и эксперименты. Phys. Rev. Lett. 91: 103901.

Google Scholar

Родригес-Моларес А., Ховард К. и Зандер А. (2014). Определение концентрации биомассы путем измерения затухания ультразвука. Заявл.Акуст. 81, 26–30. DOI: 10.1016 / j.apacoust.2014.02.008

CrossRef Полный текст | Google Scholar

Сари Эркан, Х., Бакараки Туран, Н. и Онкал Энгин, Г. (2018). «Мембранные биореакторы для очистки сточных вод», в Основы определения кворума, аналитических методов и приложений в мембранных биореакторах , ред. Д. Чорми, С. Бакирдере, Н. Туран и Г. Энджин (Амстердам: издательство Elsevier Publishing Company), 151 –200.

Google Scholar

Саррафзаде, М., Беллой, Л., Эстебан, Г., Наварро, Дж., И Гоммид, К. (2005). Диэлектрический мониторинг роста и споруляции Bacillus thuringiensis. Biotechnol. Lett. 27, 511–517. DOI: 10.1007 / s10529-005-2543-x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Sarrafzadeh, M.H., La, H.-J., Lee, J.-Y., Cho, D.-H., Shin, S.-Y., Kim, W.-J., et al. (2015a). Количественная оценка биомассы микроводорослей с помощью цифровой обработки изображений и цветового анализа RGB. J. Appl. Phycol. 27, 205–209. DOI: 10.1007 / s10811-014-0285-7

CrossRef Полный текст | Google Scholar

Sarrafzadeh, M.H., La, H.-J., Seo, S.-H., Asgharnejad, H., and Oh, H.-M. (2015b). Оценка различных методов количественной оценки биомассы микроводорослей. J. Biotechnol. 216, 90–97. DOI: 10.1016 / j.jbiotec.2015.10.010

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Селинумми Дж., Сеппала Дж., Юли-Харья О. и Пухакка Дж. А. (2005).Программное обеспечение для количественного определения меченых бактерий по изображениям с цифрового микроскопа путем автоматического анализа изображений. Биотехники 39, 859–863. DOI: 10.2144 / 000112018

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шариати, Ф. П., Херан, М., Саррафзаде, М. Х., Мехрния, М. Р., Сарзана, Г., Гоммид, К. и др. (2013). Определение характеристик биомассы с помощью диэлектрического мониторинга жизнеспособности и измерения скорости поглощения кислорода в новом мембранном биореакторе. Биоресурсы.Technol. 140, 357–362. DOI: 10.1016 / j.biortech.2013.04.099

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Уяр, Б. (2013). Новый неинвазивный метод цифровой визуализации для непрерывного мониторинга биомассы и картирования распределения клеток в фотобиореакторах. J. Chem. Technol. Biotechnol. 88, 1144–1149. DOI: 10.1002 / jctb.3954

CrossRef Полный текст | Google Scholar

Zhang, J., Hu, H., Dong, J., and Yan, Y. (2012). Измерение концентрации трехфазного потока биомассы / угля / воздуха путем интеграции электростатических и емкостных датчиков. Flow Measur. Инструмент. 24, 43–49. DOI: 10.1016 / j.flowmeasinst.2012.03.003

CrossRef Полный текст | Google Scholar

Номенклатура