为了通过具有多尺度特征聚合功能的变压器来监测废水处理过程中纤维和絮状物的分离情况

《Journal of Water Process Engineering》：Toward segmentation of filaments and flocs to monitor wasterwater treatment via a transformer with multi-scale feature aggregation

精准分割丝状细菌和絮体对污水处理中污泥膨胀监测至关重要。现有方法难以有效捕捉细长菌丝形态并区分复杂背景。本文提出基于Vision Transformer的MFAFormer模型，创新性地融合多尺度特征聚合模块和膨胀卷积注意力模块。前者通过带卷积保留菌丝纵向结构特征，后者采用1D膨胀卷积扩展感受野，显著提升细粒度特征提取能力。实验表明，在自建ASPCCM数据集上，模型实现56.62%的IoU指标，较现有方法提升8.3个百分点，同时通过形态学特征预测SVI取得R2=0.966的高效关联。

　　

赵丽杰|彭世豪|黄明忠|赵华池|王国刚

沈阳化工职业技术学院信息工程学院，中国沈阳110142

摘要

准确分割丝状细菌和絮体对于监测污水处理厂中的污泥膨胀至关重要。然而，现有方法在捕捉丝状细菌的细长结构并将其与相衬显微镜图像中的复杂背景区分开来时面临挑战。为了解决这些挑战，我们提出了MFAFormer，这是一种深度学习模型，它在视觉变换器框架内整合了多尺度特征聚合和扩张卷积注意力机制。多尺度特征聚合模块在编码器中捕获了形态多样的絮体和丝状细菌，同时使用条状卷积来更好地保留它们的细长结构特征。扩张卷积注意力模块利用一维扩张卷积扩大感受野，而不会增加计算成本，从而能够更精确地辨别细粒度细节和微观结构。在自构建的活性污泥相衬显微镜图像数据集上进行的实验表明，MFAFormer的丝状细菌IoU达到了56.62%，在准确性和分割连续性方面均超过了现有模型。此外，我们从分割掩码中提取了形态特征来预测污泥体积指数（SVI），得到了0.966的高决定系数（R²）。这些发现突显了所提出方法在污泥状况监测等下游应用中的实际效用。分割数据集将可在https://github.com/SYUCT-InfoEng/PCM_data获取。

引言

活性污泥是一种生物活性絮状混合物，由细菌、真菌、原生动物和后生动物以及废水中的悬浮固体组成[1]。其在污水处理中的性能在很大程度上取决于污泥的结构特征和沉淀行为，这是污泥质量的关键指标。这一特性主要受形成絮体的细菌（促进紧密且快速沉淀的絮体）和提供结构支持的丝状细菌之间的平衡所控制[2]。然而，过度的丝状细菌生长会破坏絮体的完整性，导致污泥膨胀，从而降低沉淀性能[3]。为了监测微生物动态并在早期检测污泥膨胀，显微图像分析已成为广泛采用的方法[4]、[5]、[6]、[7]。通过应用图像分割技术，研究人员可以从显微图像中提取絮体和丝状细菌的形态特征，以估算物理化学参数（如污泥体积指数SVI），从而有助于早期发现污水处理厂中的运行异常[8]、[9]、[10]。

相衬显微镜（PCM）在生物学和医学研究中被广泛用于通过提高透明细胞成分的对比度来观察活体和微生物[11]。PCM无需染色即可有效区分活性污泥中的丝状细菌，因为它们的深色特征在背景下清晰可见，使其成为研究微生物的宝贵工具[12]。然而，PCM中的阴影效应和晕圈伪影使得难以识别絮体和丝状结构的边界。

图像分割是图像处理中的关键步骤，因为后续分析的性能取决于分割算法的准确性。传统方法，包括基于边缘的分割算法、拉普拉斯算子和基于相位拉伸变换的算法[13]、[14]，通常需要手动调整参数才能获得准确的结果。丝状细菌具有细长、分枝或缠绕的结构，其与絮体的边界不明显，使用传统分割方法难以准确区分[15]。

与传统分割算法相比，深度学习已成为自动化显微图像分割的强大解决方案，有效克服了传统方法的局限性[16]。其端到端学习范式结合大规模数据集，消除了对手工预处理的依赖，并提高了在不同任务中的泛化能力[17]。卷积神经网络（CNN），如FCN[18]和U-Net[19]，由于其强大的边界分割能力，在医学和微生物成像中得到了广泛应用[20]。有研究提出了具有混合损失函数的U-Net架构来解决分割任务中的类别不平衡问题[21]。然而，基于CNN的方法本质上受到其局部感受野和最大池化操作的局限，难以捕捉丝状细菌等细长结构的完整形态[21]。有研究开发了基于AI的污泥膨胀检测分割框架，但该方法仅依赖转置卷积进行上采样，可能会在复杂背景下丢失细小结构细节[22]。视觉变换器（ViT）在全局建模能力方面优于CNN[22]、[23][24]。有研究将金字塔池化和流对齐融合纳入基于ViT的分割框架，利用语义流恢复边界细节[24]。然而，他们的模型并未明确解决分割细长丝状细菌的挑战，级联解码器设计显著增加了计算复杂性[24]。

这些研究表明了深度学习在微生物图像分割中的适应性，但也突显了其在捕捉方向连续性和处理活性污泥显微镜中的形态复杂性方面的局限性。为了解决这些挑战，我们提出了MFAFormer，这是一种专门设计用于改进丝状细菌和絮体分割的基于变换器的模型。主要贡献如下：

• 我们提出了MFAFormer，这是一种基于变换器的分割模型，通过注意力融合聚合多尺度特征，并通过集成投票策略抑制背景噪声，同时增强细小结构细节。
• 与传统基于卷积的模型不同，MFAFormer使用条状卷积来更好地保留丝状细菌的细长形态，并结合扩张注意力机制，以便在复杂的空间背景下实现稳健和具有区分性的特征学习。
• 在我们构建的ASPCM数据集上的广泛实验表明，MFAFormer在准确性和稳健性方面优于现有的语义分割模型。
• 我们进一步通过使用分割结果预测SVI来验证其实际价值，发现形态与沉淀性能之间存在强相关性。

材料与方法

本节详细介绍了复杂语义分割的图像采集和数据集准备过程，并概述了我们的分割模型。

结果与讨论

本节评估了模型在构建的ASPCM数据集上的性能，并进行了消融研究，以评估每个核心组件的影响。

结论

本研究提出了MFAFormer，这是一种基于变换器的分割模型，具有多尺度特征聚合和扩张注意力机制，旨在实现活性污泥显微镜图像中的精确微生物分割。该模型解决了分割细长丝状结构和复杂背景的挑战，并在ASPCM数据集上进行了评估。主要结论如下：

• 基于变换器的模型有效捕捉了全局依赖性和空间结构，使得

CRediT作者贡献声明

赵丽杰：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、概念化。彭世豪：撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、形式分析、概念化。黄明忠：资源、方法论

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了辽宁省人工智能创新与发展计划项目（2023JH26/1030008）和辽宁省教育厅基础科学研究项目（LJ212510149028；LJ212410149042）的支持。