污泥沉降比检测方法研究

🌞欢迎来到图解强化学习的世界
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

📆首发时间：🌹2026年3月28日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

目录

摘 要

污泥沉降比图像预处理

边缘检测

霍夫变换

ROI 获取

污泥沉降比计算

摘 要

污泥沉降比是反映活性污泥沉降性能的主要参数。针对现有污泥沉降比智能监测易受刻度信息受

到干扰的问题，设计了一种无需量筒刻度信息识别污泥沉降比的新方法。该方法主要是将图像经过

一系列图像处理方法获得沉降污泥和上清液的高度，并根据其高度计算污泥沉降比。结果表明，

识别值与实际值拟合R2为 0.99，均方误差仅为0.199，满足实际应用的精度要求。因此，提出的污

泥沉降比识别方法在污水处理厂智能化 监管中具有一定的应用价值。

污泥沉降比图像预处理

容器改良：弃用传统带刻度的量筒，改用平底玻璃试管或矩形玻璃容器。这消除了物理刻度对图像分割的干扰。

验证机制：在容器旁侧放置标尺，仅作为后续验证识别精度的“真值”参考。

拍摄环境：使用手机在摄影棚内拍摄，原始分辨率为 3024 *3024。

图像预处理五部曲

缩放处理

本文获取的污泥沉降比图像原始像素均为3 024×3 024，为减少运算时间，将原图像按等比例缩 小

至756×756。

剪切处理

本文为验证无标尺图像识别的精确度，将原图像中含有标尺部分进行剪切。本文通过只含容器部分

图片和其原始图片的识别结果残差值用以判定无标尺图像的精确度。

A组（原始图）：包含容器和旁边的标尺（标尺是真值参考）。

B组（剪切图）：把标尺部分裁掉，只剩下光秃秃的试管。

灰度化处理

本文采集的图像均为RGB彩色图像，为了更方便的获取边缘信息及简化运算，需对彩色图像进行

灰度化处理。本文采用加权平均法进行图像的灰度化处 理。加权平均法是将3个分量进行加权平均

的值作为灰度值。

图像滤波

数据集中随机选取10张污泥沉降比图像，图像分别采用高斯滤波和双边滤波进行降噪处理，处理后

图像的信噪比见图1。信噪比越大，图像降噪效果越好。双边滤波后的图像信噪比数值更大，表明

噪声进去除效果更高。因此本文选择采用双边滤波算法。

最后图片应该是一个单通道的，像素值应该在0-255之前的值（可以打印出来看一下效果）：

0 代表纯黑（没有一点光，最暗）。

255 代表纯白（光线最强，最亮）。

边缘检测

边缘检测

滤波处理后的图像需进行边缘检测，图像通过Sobel 算子卷积后进行边缘检测。在Sobel算子卷积

过程中，X方向卷积的图像更能体现垂直边缘，Y方向卷积的图像更能体现水平边缘。后续进一步

的处理中垂直边缘更符合判定需求。因此，X方向权重设为1，Y方向权重为0，卷积后的图像进行

边缘检测。见表1，本文根据灰度值划分了6组，C/A值小表明图像边缘连续性好，而C/B值小表明

单个像素点所占比例越大。双阈值偏小表明图像具有更多的轮廓信息，同样存在许多非边缘点的信

息。而双阈值偏大则会损失掉一些轮廓信息。综合考虑，本文采用双阈值为40和80的双阈值进行

边缘检测。

通过操控 X 和 Y 的权重，精准地实现“只要管壁，不要液面”的过滤效果。

如果不设置权重的话

前面我们用 Sobel 算子找到了管壁。但在真实照片里，管壁不是一条完美的数学几何线，它是

有厚度的（比如在照片里占了 5 个像素的宽度）。如果不处理，提取出来的边缘就会像用粗马克笔

画的一样，又粗又虚。

非极大值抑制

假设计算机在一个水平区域（从左到右）扫描到了 5 个相邻的像素点，它们构成了一道粗粗的垂直

边缘（ 90）。这 5 个点的梯度强度（数字大小）分别是：[ 50, 120, 200, 130, 40 ]

[ 50, 120, 200, 130, 40 ] 变成了 [ 0, 0, 200, 0, 0 ]

双阈值检测与连接

高阈值 maxValue = 80，低阈值 minValue= 40

滞后边缘连接 (Hysteresis)

计算机去检查那个处于留校察看状态的【虚边缘】（第三行那个 70）。看它的8 个方向（上下左

右、斜对角）里，有没有挨着任何一个【强边缘】。

边缘点数 (A)在二值化边缘图中，梯度模值满足 Canny 双阈值判定准则（即强边缘点及与强边缘

连接的虚边缘点）的总像素个数。代表图像特征的信息保留总量。数值越大，说明图像细节（包括

真实边缘和噪声轮廓）捕获越丰富。随阈值升高，由于判定条件趋于苛刻，该值呈现单调递减趋

势。

4 连通数 (B) 与 8 连通数 (C)

4 连通 (4-Connected)：仅考虑像素上下左右四个方向的邻接性。8 连通 (8-Connected)：在 4 连

通基础上增加对角线四个方向的邻接性。这两个指标反映了边缘像素点的拓扑聚合度。在数值上，

它们代表了图像中独立连通区域（Connected Components）的数量。

霍夫变换

为了简化计算，我们脱离复杂的三角函数，用一个最直观的例子。

假设在你的边缘图中，有 3 个白色像素点：肉眼可见，它们排成了一条 x=1的垂直线。计算机建立

了一个表格。假设为了精确， 每隔 45 为一档，r 每隔 1 为一档。

ROI 获取

当照片里【没有标尺】时，计算机直接找到最左边的那条竖线（左管壁），再找到最右边的那条

竖线（右管壁）。把这两条线中间的区域保留，外面的全扔掉。完美切出试管！当照片里【有黄色

的标尺】时，计算机找到的最左边的竖线，其实是标尺的左边缘。如果你从那儿开剪，切下来的图

就会包含一大块毫无用处的黄色标尺，把真正的试管全挡住了。

黄色标尺在“蓝色(B)通道”里，数值几乎是 0（也就是纯黑）。虽然标尺很黑，但污泥由于颜色深，

在蓝色通道里也挺黑的。怎么办？作者定了个规矩：把灰度值在 0 到 35 之间的（极度黑的区域）

强行涂成纯白（255），其他稍微亮一点的统统涂成纯黑（0）。现在，画面变成了一张黑白图

（二值图）：标尺变成了一大块耀眼的白色，但遗憾的是，污泥里有些特别黑的地方，也变成了画

面上的“白色小雪花（噪点）”。 为了清理掉这些讨厌的白色小雪花噪点，同时不伤害标尺，作者使

用了两个经典的图像“微整形”手术：

当 3 *3的小印章盖下去时，只有印章底下的 9 个格子全都是白色，中心点才能保留为白色。 只要

碰到了哪怕一点点黑色，中心点就直接变成黑色！如果画面上有一个只有 1~2 个像素大的白色小

噪点（污泥里的杂质反光），印章盖上去，根本盖不满 9 个白格。结果：这个小噪点被彻底抹杀，

从画面上永远消失了！但巨大的标尺因为面积很大，虽然被刮掉了一圈边缘（瘦身了），核心部

分依然存活。 当 3* 3 的印章盖下去时，只要印章碰到了任何一个白色像素，中心点就会变成白

色！对图像先做开运算（杀光外面的噪点），紧接着再做闭运算（填满标尺内部的黑洞）。

污泥沉降比计算

灰度与二值化：先把切好的 ROI 彩色图变成灰度图，再切一刀变成纯黑白的二值图。因为污泥颜

色深，在二值图里它会变成一块巨大的黑色（或白色，取决于设定）实心色块。寻找“最大连通

域”：什么是连通域？你可以把它想象成地图上的“岛屿”或“大陆”。画面上可能有一些散落的噪点

（小岛），但试管底部的污泥绝对是连在一起的、面积最大的那块“欧亚大陆”。计算机只要计算面

积，瞬间就能锁定这块“最大连通域”就是污泥！提取 Y 坐标（算高度）：计算机找到这块“大陆”最

顶端的边缘，记下它的坐标y_top。再找到这块“大陆”最底端的边缘，记下坐标 y_bottom（这就

是试管最底部）。污泥高度计算就是两者的减法。

测量上清液的高度（寻找“水面线”）

上清液（清水）是透明的，找清水其实就是在找最顶端的那条液面边缘线。这里，作者打出了极其

漂亮的前后呼应！滤波除噪，Y 方向权重设为 0.9，X 方向权重设为 0.1！水面的边缘通常比较微

弱，所以作者把 Canny 的双阈值从之前的 40-80 调低到了30-60，用霍夫变换把这条发虚的水面

边缘变成一条真正的几何直线。如果有好几条横线（比如试管口的刻度、背景干扰），计算机就选

离污泥顶部 y_top最近的那条横线，把它确认为真正的水面线。记下它的坐标 y_surface。清水高

度计算：清水的高度就是水面坐标减去泥面坐标的绝对值。就是两者的想减法。

到这个时候，我们可能就有个疑问了？单独去算“上清液（清水）的高度”呢？

试管的高度部不等于液面的高度。（这个是我写代码实现的方式）

关于水面顶端的线：