随着智能和自动化工业生产的加速发展，全球废水排放量逐年增加[1]。在排放到河流或其他地表水体之前，来自市政和工业源的废水必须经过严格处理。污水处理厂（WWTPs）是这一过程中的核心设施，采用多种技术去除污染物，确保出水符合排放标准[2]。
在中国，政府的大量投资促进了污水处理基础设施的快速发展，尤其是在WWTP的建设方面[3]、[4]。然而，许多WWTP的运行表现并不理想，普遍存在处理效率过高和能耗过高的问题[5]。因此，快速识别异常运行状况已成为一个主要瓶颈，阻碍了WWTPs的高效运行和可持续发展。
实际上，WWTPs中的废水处理是一个复杂且动态的过程，通常包括进水、厌氧处理、缺氧处理、好氧处理、二次沉淀和最终排放等多个阶段[6]。不同阶段之间的工艺条件和处理目标存在显著差异，对水质的要求也各不相同[7]。此外，整个系统具有强非线性、多变量和不稳定性的特点[8]、[9]。另一方面，废水处理过程容易受到外部环境因素的影响[10]。例如，低温会降低生物处理阶段微生物的活性；进水质量或流量的急剧波动可能会直接影响处理效率[10]、[11]。此外，该过程严重依赖机械设备，其恶劣的工作环境会增加故障风险[12]。例如，电机故障可能会破坏曝气系统，从而影响曝气池的氧气供应，进而降低处理效果[13]。因此，为了确保WWTPs的稳定高效运行，实时监测关键工艺单元的运行状态并快速识别任何异常情况至关重要。
传统的WWTP监测方法是从不同工艺单元采集水样，然后在实验室中使用传感器分析目标变量（如有机物、溶解氧、磷酸盐、氨氮等）[14]、[15]。近年来，随着人工智能和机器学习的发展，各种在线水质监测仪器应运而生。这些仪器与深度学习算法（包括长短期记忆网络（LSTM）、注意力机制（AM）和卷积神经网络（CNN）结合使用，现已广泛应用于WWTPs中水质参数的检测和预测研究[15]、[16]、[17]。
然而，随着可持续发展战略的推进和智慧城市建设的深入，WWTPs正逐渐从传统运营模式向智能化模式转型。这一趋势提出了“少而精”的监测设备需求[17]。在这种背景下，三维荧光光谱和基于荧光的技术因其优势（如高灵敏度、无二次污染、能够直接表征有机物的组成和含量，以及间接反映氮和磷污染物的浓度）而得到快速发展和应用[18]、[19]、[20]、[21]。例如，陈等人将三维荧光光谱与荧光区域积分方法结合，研究了碳氮比对序批反应器（SBRs）中废水处理过程中细胞外聚合物性质的影响[18]。Goffin等人利用三维荧光光谱与并行因子分析（PARAFAC）结合，评估了废水处理过程中溶解有机物（DOM）的降解性能[19]。杨等人通过将三维荧光光谱与荧光区域积分、特征荧光峰和荧光参数结合，分析了WWTP出水中氮和磷的形式及有机物的分布特性[20]。
通常，在将三维荧光光谱技术应用于水质监测之前，会先采用荧光峰、并行因子分析、荧光面积积分和主成分分析（PCA）等方法进行特征提取[22]、[23]。这一过程将三维荧光数据转换为二维矩阵以便后续处理。
然而，处理过程中废水的水样三维荧光光谱具有以下特征：一方面，关键阶段（如厌氧池、好氧池、缺氧池）的水样三维荧光光谱形状相似；另一方面，某些工艺单元（如好氧池和缺氧池）的水样不仅荧光光谱形状相似，而且荧光强度值也没有显著差异[24]。这些特征限制了WWTP关键阶段水样的快速准确识别。更重要的是，直接基于二维矩阵的分析方法往往忽略了三维荧光光谱的三维结构特征，难以充分探索不同阶段水样的差异荧光光谱特性[25]。
三维荧光光谱由三个部分组成：激发波长、发射波长和荧光强度。其结构类似于灰度图像，一些学者从图像处理的角度分析了三维荧光光谱。例如，翟等人利用小波矩不变量分析了三维荧光光谱的数字灰度图像，实现了混合样品中氨基酸、酪氨酸和苯丙氨酸的准确检测[26]。胡等人提出了一种基于三维荧光激发-发射矩阵拓扑结构的快速水污染物识别方法，可在河流中以91.7%的准确率识别6种污染物（荧光素、苯胺、叶绿素a、水杨酸、荧光增白剂VBL和恩诺沙星）[25]。李等人使用卷积神经网络（CNN）提取了不同藻类的三维荧光特征光谱，实现了不同藻类物种的准确识别，准确率为0.883[27]。他们的研究结果表明，从成像角度分析三维荧光光谱可以全面分析激发波长、发射波长和荧光强度之间的关系，从而提高识别相似荧光形状的能力。
但从图像处理角度对三维荧光光谱进行分析的当前研究仍处于初步探索阶段，整体研究成果相对较少。现有研究主要集中在成分相对简单的水样上，而对复杂实际废水样的研究极为有限。鉴于WWTP中水样成分的复杂性，增强相邻阶段水样之间微弱的荧光差异是实现准确识别的关键。
基于上述研究，本研究提出了一种从数字图像处理角度监测污水处理过程的新三维荧光光谱处理方法。首先，应用三维Savitzky-Golay（SG）光谱平滑算法对三维荧光光谱表面进行平滑和去噪处理，从而减少光谱图像的粗糙度并提高荧光信号质量。然后，采用波长依赖阈值-均值滤波（WM）算法选择荧光特征区域，以增强WWTP关键阶段水样的荧光特性。经过均值滤波的图像随后通过主成分分析（PCA）算法进行降维处理，进一步去除冗余光谱的影响，获得降维后的荧光特征图像。最后，将降维后的荧光特征图像输入支持向量机（SVM）识别模型，以实现WWTP主要工艺阶段水样的准确识别。
