Prediction of Activated Sludge Settling Characteristics from Microscopy Images with Deep Convolutional Neural Networks and Transfer Learning

要約

微生物群集は生物学的廃水処理プロセスにおいて重要な役割を果たします。
例えば、活性汚泥の沈降特性は、微生物群集の組成の影響を受け、下水処理プラント（WWTP）の運転条件や流入水の特性の変化によって変化します。
繊維状バルキング（FB）などの沈降問題を引き起こす微生物組成の変化をタイムリーに評価および予測することで、操作上の問題、処理効率の低下、および環境への悪影響を防ぐことができます。
この研究は、顕微鏡画像内のフロックとフィラメントの形態学的特性に基づいて活性汚泥の沈降特性を評価するための革新的なコンピュータビジョンベースのアプローチを提示します。
ディープ畳み込みニューラル ネットワーク (CNN) モデルの転移学習を実装するこのアプローチは、既存の定量的画像解析技術の限界を克服することを目的としています。
オフライン顕微鏡画像データセットは、ベルギーの本格的な工業用下水処理場で毎週サンプリングを行い、2 年間にわたって収集されました。
CNN モデルの一般化可能性を高めるために、複数のデータ拡張技術が採用されました。
Inception v3、ResNet18、ResNet152、ConvNeXt-nano、ConvNeXt-S などのさまざまな CNN アーキテクチャがテストされ、汚泥の沈降特性の予測性能を評価しました。
汚泥体積指数は最終的な予測変数として使用されましたが、この方法は、選択した他の沈降指標を予測するように簡単に調整できます。
その結果、提案された CNN ベースのアプローチは、労働集約度が低く、客観的で一貫した評価を提供する一方で、転移学習は特にトレーニング段階を最小限に抑え、その結果、リアルタイム アプリケーションで使用できる汎用化可能なシステムが得られることを示しました。

要約(オリジナル)

Microbial communities play a key role in biological wastewater treatment processes. Activated sludge settling characteristics, for example, are affected by microbial community composition, varying by changes in operating conditions and influent characteristics of wastewater treatment plants (WWTPs). Timely assessment and prediction of changes in microbial composition leading to settling problems, such as filamentous bulking (FB), can prevent operational challenges, reductions in treatment efficiency, and adverse environmental impacts. This study presents an innovative computer vision-based approach to assess activated sludge-settling characteristics based on the morphological properties of flocs and filaments in microscopy images. Implementing the transfer learning of deep convolutional neural network (CNN) models, this approach aims to overcome the limitations of existing quantitative image analysis techniques. The offline microscopy image dataset was collected over two years, with weekly sampling at a full-scale industrial WWTP in Belgium. Multiple data augmentation techniques were employed to enhance the generalizability of the CNN models. Various CNN architectures, including Inception v3, ResNet18, ResNet152, ConvNeXt-nano, and ConvNeXt-S, were tested to evaluate their performance in predicting sludge settling characteristics. The sludge volume index was used as the final prediction variable, but the method can easily be adjusted to predict any other settling metric of choice. The results showed that the suggested CNN-based approach provides less labour-intensive, objective, and consistent assessments, while transfer learning notably minimises the training phase, resulting in a generalizable system that can be employed in real-time applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google