基于絮体图像的卷积神经网络（CNN）在运行水厂混凝评估中的季节性性能、跨厂迁移与低置信度转交

《Water Research》：Seasonal evaluation of a convolutional neural network for coagulation assessment using floc images at operating water treatment plants

　　

基于絮体图像的卷积神经网络（CNN）用于运行水厂混凝评估的季节性评价
• 按jar-test（烧杯试验）分组验证获得80.1%的图像准确率和83.2%的jar-test（烧杯试验）准确率。
• 按周campaign-blocked验证的图像准确率为79.7%，jar-test（烧杯试验）准确率为81.1%。
• 当絮体小、淡或类别边界处标签模糊时出现错误。
• 一次425 NTU台风事件被正确分类。
• 将37%的低置信度jar-test（烧杯试验）转交人工，可将假接受率降至2.1%。

该论文发表在《Water Research》，作者为 Hiroshi Yamamura、Eryanti Utami Putri、Akihiro Suzuki、Herto Dwi Ariesyady、Hai Ling 和 Yuichi Nemoto。研究背景是：混凝是地表水处理中不可缺少的单元过程，需要随天气和季节引起的原水浊度、碱度及有机物特征变化持续调整混凝剂投加量。Jar test（烧杯试验）仍是选择投加量的参考方法，但耗时、耗力并依赖操作人员经验，从混合到浊度读数常超过30 min；经验丰富操作人员退休和进入水行业的工程师减少，使水厂尤其小型水厂难以维持传统混凝控制。数据驱动投药工具多利用人工神经网络或回归模型，由原水浊度、温度、pH和碱度等预测投加量，但常在训练范围内表现良好，在陌生条件或不同流域迁移差，原因是学习统计关联而非絮体形成的物理过程。季节变化和极端降雨进一步使训练外条件增多，常规模型可能失败。替代思路是从絮体图像评估混凝，因为絮体沉降性受尺寸和密度控制，并反映在视觉外观中。卷积神经网络（CNN，卷积神经网络）可直接从像素学习视觉特征，但此前应用于混凝絮体图像的研究较少，多限于实验室或单一条件；早期研究对合成高岭土-腐殖酸絮体的分类准确率超过96%，但自然水部分仅初步包含冬季三个月9个jar test（烧杯试验）。近期研究结合絮体形态、时间卷积和Transformer预测投加量，R²达0.99，但模型每周更新，固定模型全季节表现及失败条件仍不清楚。因此，本研究需要回答：能否跨季节温度、有机物、雨季高浊及冬季淡絮体维持性能；能否应用于无训练数据的第二水厂；能否区分两类错误的运行后果。研究人员在Yoshimi水处理厂（WPP，水处理厂/净水厂）开展10个月监测，每周两次采样，进行515个jar test（烧杯试验），其中428个有视频；比较AlexNet与ResNet-50，采用背景归一化，提取加药后4–6 min图像，按上清液浊度分为Class 1、2、3。结果表明：ResNet-50在按jar test（烧杯试验）分组五折交叉验证中达到80.1%图像准确率和83.2% jar-test准确率；按周campaign-blocked分析为79.7%和81.1%；在同一河流下游Okubo WPP初步外部测试中为68.7–77.8%图像准确率和75.0% jar-test准确率。错误集中于中间类和原水浊度低于约10 NTU的淡絮体条件，标签边界模糊也影响评价；高浊事件包括425 NTU台风事件分类准确。低置信度转交人工可显著降低假接受率。其意义在于，该CNN可作为运行水厂中快速筛查jar test（烧杯试验）的辅助层，而不能自主作出接受/拒绝决定。

关键技术方法概括：在Yoshimi WPP（埼玉县企业局，Ara River）采集2018年12月至2019年9月每周两次共69个原水样，并在Okubo WPP于2019年11月22日和27日采集外部测试样本。采用八桨jar test（烧杯试验），测试0.5×、1×、2×和4×经验最优剂量的PAC（聚合氯化铝），4K摄像记录，提取加药后4–6 min、每jar test 121帧、300×300像素图像，像素尺度约33 μm。标签由上清液浊度定义：Class 1为0.1–0.5 NTU（散射浊度单位），Class 2为0.5–1.0 NTU，Class 3为>1.0 NTU。比较AlexNet与ResNet-50，使用背景归一化、ImageNet预训练；评估采用按jar test分组五折、周campaign-blocked交叉验证、嵌套模型选择、随机森林基线、Grad-CAM（梯度加权类激活映射）和絮体描述符分析。

研究结果如下。3.1 原水的季节性变化：10个月监测显示水温4.9–26.5°C，浊度2.1–425 NTU，SUVA₂₅₄（比紫外吸光度，UV₂₅₄/DOC）为1.1–5.8 L mg^?1 m^?1，碱度29.6–73.2 mg CaCO₃ L^?1；覆盖雪融、梅雨和两次台风高浊事件，表明测试条件跨越温带季风气候水厂全年范围及极端事件。3.2 自然水絮体图像模型改进：AlexNet在自然水图像上不收敛，验证准确率在27%–68%间振荡；ResNet-50稳定在约77%。背景归一化将验证准确率由76.2%提高至84.2%。加药后4–6 min为三个温度类别中最有信息量的记录窗口，低温下前2 min图像无效。嵌套的按jar test分组模型选择给出80.0%图像准确率和82.5% jar-test准确率，确认ResNet-50较优，但背景归一化收益在49个jar test内验证中难以区分。3.3 Yoshimi WPP十个月性能：留出集图像准确率80.1%，jar-test准确率82.6%；分组五折交叉验证图像准确率80.1%，jar-test准确率83.2%；周campaign-blocked分析为79.7%和81.1%。CNN优于基于12个常规图像描述符的随机森林，尤其改善Class 2识别，但Class 2召回率仍仅61%。分组交叉验证中假接受率为每帧12.6%、每jar test 10.2%，正确拒绝87.4%不足混凝帧和89.8%不足混凝jar test；安全水平α为94.2%或周均值95.2%。最严重Class 3判为Class 1的错误占不足混凝图像的0.81%、jar test的1.1%。因此模型适合筛查而非自主决策。3.4 失败模式：周准确率与原水单一参数无单调关系；四个失败周原水浊度均较低，为2.7–7.9 NTU，而所有浊度高于10 NTU的周包括425 NTU台风事件均达到至少75%图像准确率。二维性能图显示冷、低浊角落最差；低颗粒浓度导致絮体少、小、淡，低温减慢絮体增长。图像描述符显示类别虽可分但重叠，误分类jar test的絮体尺寸和数量接近邻近类。边界标签不确定明显：154个jar test（36%）为边界模糊，排除后jar-test准确率升至94.9%，Class 2召回率升至83%，假接受率降至5.8%。3.5 同一河流下游水厂迁移：Yoshimi训练模型未经重训练用于Okubo，共16个jar test；图像准确率为77.8%和68.7%，jar-test准确率75.0%。错误均为真实Class 2被判为邻近类，Class 1和Class 3召回率为87%–100%，无Class 3被接受，但样本小，不能强泛化。3.6 Grad-CAM可视化：激活多位于絮体边缘；掩膜实验中，仅絮体图像仍保持82.6% jar-test准确率，仅背景图像达77.9%，高于多数类基线43.0%；移除背景使帧级假接受率由11.8%升至16.3%，提示水柱雾状信息有助于识别不足混凝。但该实验仅一折且掩膜不完美。3.7 实际意义与局限：CNN使用4–6 min图像，推断仅需数秒，可在约6 min内初评，而传统jar test超过30 min。模型不应自主决策；置信度转交人工可调节残余风险。阈值0.8时，转交33%帧使假接受率由12.6%降至4.1%，自动判断准确率89.0%；阈值0.9时转交46.5%帧，假接受率降至2.0%。jar-test水平阈值0.8时，转交37% jar test使假接受率由10.2%降至2.1%，自动判断准确率92.9%。局限包括：模型与评价来自同一10个月campaign，需时间顺序验证；外部验证仅2天16个jar test；0.5 NTU类别间隔接近重复jar test重现性极限，标签不确定限制最高准确率；所有jar test调至混凝后pH 7，其他pH未验证；数据来自2018–2019年同一日本河流系统两座水厂，需其他水源验证；515个jar test中428个有录像，87个因现场访问限制未录。

讨论部分总结：该研究证明絮体图像CNN在运行水厂全年条件下具有一定可行性，尤其在高浊事件中表现较强；但其主要弱点在低浊、低温、淡絮体及类别边界模糊条件。模型误差常偏向过量投加而非投加不足，但假接受不足混凝水的风险仍不可忽视。最实际的工作流是使用模型进行早期筛查，由操作人员复核低置信度jar test，常规测量仍作为最终参考。未来需时间顺序验证、多厂多季迁移测试、更宽pH范围数据及温度依赖记录窗口。

研究结论翻译：研究人员评估了一个CNN，该CNN从运行净水厂10个月季节周期收集的絮体图像中分类混凝状态。使用加药后4–6 min记录并经背景归一化的图像，ResNet-50在按jar test分组五折交叉验证中达到80.1%图像准确率和83.2% jar-test准确率。更严格分析中，每个重建周campaign保留在单一折内，准确率分别为79.7%和81.1%。在同一河流下游水厂的初步2天测试中，模型未经重训练达到68.7–77.8%图像准确率和75.0% jar-test准确率。以按jar test分组内验证重复模型选择，嵌套估计为80.0%每图像和82.5%每jar test。性能强烈依赖测试条件。错误集中于中间类及原水浊度低于约10 NTU时，此时絮体淡。图像描述符显示，误分类jar test的絮体尺寸和数量与邻近类相似，冷、低浊水产生更小絮体，解释了两类弱点。此外，约三分之一jar test具有边界模糊标签，排除后jar-test准确率升至94.9%。模型在高浊期最准确，包括一次425 NTU台风事件，其分类准确率为100%。在分组交叉验证中，模型正确拒绝87.4%的不足混凝帧和89.8%的不足混凝jar test。然而，假接受率仍为每帧12.6%和每jar test 10.2%。将最不自信的37% jar test转交操作人员后，假接受率降至2.1%。因此，该模型应支持操作人员复核，由其置信度决定哪些jar test需要复核，而不是自主作出接受/拒绝决定。进一步工作应包括时间顺序验证、跨多厂多季迁移测试、更宽pH范围数据收集及温度依赖记录窗口。在此类证据可用之前，基于图像的评估应作为常规jar test的快速辅助，而非替代。