張立松 張丙寅 郭宗鳴

摘 要：為應(yīng)對(duì)傳統(tǒng)水質(zhì)監(jiān)測(cè)和殺菌方法存在無(wú)法實(shí)時(shí)監(jiān)測(cè)、效果較差等問(wèn)題，研究對(duì)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(jì)，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(dòng)態(tài)視頻多幀連續(xù)安全監(jiān)控。結(jié)果表明，在3次動(dòng)態(tài)圖像識(shí)別中，所提出的監(jiān)控方法準(zhǔn)確率均超過(guò)了90%，并且運(yùn)行時(shí)間均在10 s以內(nèi)，最低僅為8.8 s，具有較高的識(shí)別準(zhǔn)確率和效率，能夠?qū)υ诰€殺菌裝置動(dòng)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(dòng)態(tài)視頻；安全監(jiān)控；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP277;TQ424.1

文獻(xiàn)標(biāo)志碼：A文章編號(hào)：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(duì)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(wèn)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(cè)方法主要依賴于采樣后的實(shí)驗(yàn)室測(cè)試，這種方法存在著時(shí)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(dòng)態(tài)視頻多幀連續(xù)安全監(jiān)控?cái)?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(guò)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(lái)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(shí)需要大量的計(jì)算資源和存儲(chǔ)空間，并且無(wú)法滿足實(shí)時(shí)監(jiān)控的需求。因此，研究在設(shè)計(jì)智慧直飲水在線殺菌裝置的基礎(chǔ)上，通過(guò)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)態(tài)視頻圖像識(shí)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(jì)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(jì)

研究所設(shè)計(jì)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(guò)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(shí)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(guò)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(shí)，該裝置具備智能感應(yīng)功能，能夠自動(dòng)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(gè)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(lái)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(guò)操作面板或手機(jī)應(yīng)用程序來(lái)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(guò)手機(jī)遠(yuǎn)程控制裝置。用戶可以通過(guò)手機(jī)應(yīng)用程序，隨時(shí)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(jì)的功能。裝置內(nèi)置了漏水檢測(cè)傳感器，一旦檢測(cè)到漏水情況，會(huì)自動(dòng)停止工作并發(fā)出警報(bào)，防止水源浪費(fèi)和設(shè)備損壞。定時(shí)清洗功能是保證裝置長(zhǎng)期使用效果的重要一環(huán)。裝置會(huì)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(jì)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(jì)。水箱是裝置的核心部分，用于存儲(chǔ)待處理的水。水箱采用食品級(jí)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(zhǎng)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(gè)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(shí)間短等優(yōu)點(diǎn)。同時(shí)，裝置配備了智能控制系統(tǒng)，實(shí)現(xiàn)自動(dòng)控制和監(jiān)測(cè)。裝置還配備了多重過(guò)濾系統(tǒng)，用于提供更干凈、更健康的直飲水。過(guò)濾系統(tǒng)包括顆粒物過(guò)濾器、活性炭過(guò)濾器和超濾膜過(guò)濾器等。顆粒物過(guò)濾器能夠去除水中的懸浮物和大顆粒雜質(zhì)，活性炭過(guò)濾器能夠去除水中的異味和有機(jī)物，超濾膜過(guò)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(guò)低時(shí)，裝置會(huì)自動(dòng)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(xiǎn)。該裝置的簡(jiǎn)易示意如圖2所示。

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

在對(duì)智慧直飲水在線殺菌裝置進(jìn)行設(shè)計(jì)的基礎(chǔ)上，研究進(jìn)一步通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)動(dòng)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(dòng)態(tài)圖像分類領(lǐng)域有著出色的性能效果，可以根據(jù)動(dòng)態(tài)視頻圖像特征完成識(shí)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(wú)法有效處理復(fù)雜的分類問(wèn)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(jì)算簡(jiǎn)單等優(yōu)勢(shì)，但ReLU函數(shù)同樣不可避免出現(xiàn)“神經(jīng)元死亡”問(wèn)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(wèn)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(jì)算簡(jiǎn)單的優(yōu)化，但“神經(jīng)元死亡”問(wèn)題無(wú)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(duì)“神經(jīng)元死亡”問(wèn)題的優(yōu)化。通過(guò)改進(jìn)的T-ReLU函數(shù)來(lái)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(dòng)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(duì)圖像數(shù)據(jù)各個(gè)層特征進(jìn)行提取，使得卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域有著突出的優(yōu)勢(shì)［13-14］。但對(duì)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(shí)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(huì)出現(xiàn)圖像分類精度下降的問(wèn)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(wèn)題，使得卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別性能得到了進(jìn)一步提升。殘差學(xué)習(xí)過(guò)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(jì)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(guò)擬合問(wèn)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(gè)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(guò)歸一化后得到的網(wǎng)絡(luò)輸入與輸出。通過(guò)對(duì)卷積網(wǎng)絡(luò)深層特征的融合，卷積神經(jīng)網(wǎng)絡(luò)對(duì)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(jì)了智慧直飲水在線殺菌裝置，再通過(guò)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)其動(dòng)態(tài)視頻進(jìn)行安全監(jiān)測(cè)。為驗(yàn)證安全監(jiān)測(cè)效果，首先測(cè)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(cè)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(cè)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(shí)loss損失值為0.009。由此可見(jiàn)，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(duì)模型的權(quán)重參數(shù)利用率進(jìn)行測(cè)試。實(shí)驗(yàn)中設(shè)置0.010與0.005兩種閾值進(jìn)行測(cè)試，測(cè)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(gè)模型的權(quán)重參數(shù)利用率呈現(xiàn)下降趨勢(shì)。T-ReLU模型與GT-ReLU模型權(quán)重使用率整體較高，不過(guò)改進(jìn)GT-ReLU模型整體波動(dòng)更穩(wěn)定，能夠給模型帶來(lái)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(shì)。與0.010閾值相比，模型整體權(quán)重參數(shù)利用率更低。

為對(duì)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(cè)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(cè)試的水樣放入裝置中，啟動(dòng)裝置并開(kāi)始?xì)⒕^(guò)程。利用攝像設(shè)備或手機(jī)APP實(shí)時(shí)觀察裝置內(nèi)部的殺菌過(guò)程，并記錄視頻。最后利用GT-ReLU模型對(duì)所連續(xù)安全監(jiān)控視頻進(jìn)行識(shí)別，并對(duì)所屬4種模型的識(shí)別準(zhǔn)確率和時(shí)間進(jìn)行對(duì)比，所得結(jié)果如圖6所示。

從圖6（a）可以發(fā)現(xiàn)，在動(dòng)態(tài)視頻圖像識(shí)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(guò)了90%，最高為94.6%，明顯優(yōu)于其他模型，具有更好的識(shí)別效果。從圖6（b）可知，在識(shí)別時(shí)間的對(duì)比中，T-ReLU模型均在12 s以上，是3種對(duì)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(shí)別效率更高，能夠更為有效地進(jìn)行安全監(jiān)控。

3 結(jié)語(yǔ)

飲用水安全一直是人們關(guān)注的重要問(wèn)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(jiǎn)易設(shè)計(jì)。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(shí)別模型，最后將其應(yīng)用于動(dòng)態(tài)視頻多幀連續(xù)安全監(jiān)控中。結(jié)果顯示，在動(dòng)態(tài)視頻圖像識(shí)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(guò)了90%，明顯優(yōu)于其他模型。在識(shí)別時(shí)間的對(duì)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(shuō)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(duì)異常情況進(jìn)行檢測(cè)和響應(yīng)，未來(lái)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(shí)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(jì)［J］.粘接，2022，49（7）：170-174.

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

［5］ 仲玉晶，文靜.基于紫外可見(jiàn)光譜的地表水水質(zhì)硬度檢測(cè)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(dòng)態(tài)目標(biāo)的時(shí)空信息提取方法［J］.測(cè)繪學(xué)報(bào)，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(xiǎn)品碼頭車輛測(cè)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(dòng)監(jiān)測(cè)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(jué)顯著性的視頻摘要化生成［J］.北京航空航天大學(xué)學(xué)報(bào)，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(cè)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(zhǎng)弘，賈愛(ài)軍.局域生成對(duì)抗網(wǎng)絡(luò)下視頻動(dòng)態(tài)監(jiān)控系統(tǒng)設(shè)計(jì)［J］.電子設(shè)計(jì)工程，2023，31（10）：186-190.

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

［15］ 尹萍.艦船遠(yuǎn)程監(jiān)控平臺(tái)模糊視頻高動(dòng)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(cè)存儲(chǔ)災(zāi)備的改造研究與應(yīng)用［J］.無(wú)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(jiǎn)介：

張立松（1977-），男，碩士，高級(jí)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(jì)與多幀監(jiān)控技術(shù)研究［J］.粘接，2024，51（3）：128-131.