(3.238.130.97) 您好!臺灣時間:2021/05/18 18:08
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

: 
twitterline
研究生:陳富勝
研究生(外文):CHEN, FU-SHENG
論文名稱:以數位影像分析作為自來水混凝沉澱自動監控之研究
論文名稱(外文):Automatic monitoring of digital image analysis for water coagulation and sedimentation
指導教授:余瑞芳余瑞芳引用關係
指導教授(外文):Yu, Ruey-Fang
口試委員:陳鶴文鄭文伯余瑞芳
口試委員(外文):Chen, Ho-WenCheng, Wen-PoYu, Ruey-Fang
口試日期:2013-01-31
學位類別:碩士
校院名稱:國立聯合大學
系所名稱:環境與安全衛生工程學系碩士班
學門:工程學門
學類:環境工程學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:115
中文關鍵詞:影像分析、碎形維度、自動監控
外文關鍵詞:Digital image processing,Process control,Fractal dimension
相關次數:
  • 被引用被引用:0
  • 點閱點閱:209
  • 評分評分:
  • 下載下載:58
  • 收藏至我的研究室書目清單書目收藏:0
本研究是利用數位影像監測與分析技術來評估自來水淨水廠混凝特性,由於國內自來水系統,大多是設置取水口直接取用地表水或是水庫儲水為主,每遇豪雨及颱風期間極易造成地表沖刷,而造成原水濁度遽升,導致自來水淨水場無法處理用水,故需減量出水或暫停供水,進而影響民生及工業用水,造成生活不便及經濟上損失。在自來水淨水廠處理程序中,混凝/膠凝為淨水場中重要的處理單元程序之一,而過程中混凝劑的劑量及GT值會影響膠羽的粒徑大小、面積、體積、碎形維度,進一步影響了沉澱池的效率,添加過多的混凝劑不但造成混凝劑的浪費,也會使膠羽表面的電荷逆轉,造成膠羽間互相排斥在穩定的現象。而無論是自來水或廢水之化學混凝或廢水生物處理程序,大都是以重力沉澱方式進行固液分離。沉澱效果的好壞是由懸浮顆粒沉降性的好壞所決定,而顆粒沉降性好壞是受顆粒形成之粒徑大小、比重、形態等影響。現今的混凝劑加藥之控制大都以瓶杯實驗(jar test)進行,故無法因應進流之水質特性進行即時調整,容易造成加藥過量或不足的問題。因此,本研究欲利用數位影像的技術,在原水混凝20min後,對原水進行影像之擷取拍攝,取得顆粒粒徑、面積、體積、碎形維度之資訊,以評估不同原水濁度經由混凝後之殘餘濁度。並使用影像分析所獲得之八種資訊來做為類神經網路分析的輸入變數,並依照各變數與殘餘濁度的相關性由高至低排列,以進行類神經網路訓練分析,預測不同濁度原水混凝沉澱後之殘餘濁度,其相關性相當良好,可有效預測出流水之殘餘濁度。
In this research we focus on application of digital image technology to evaluate particle sedimentation of Water Purification Plant. Tap water system of Taiwan, mostly is set water intake for surface water or reservoir water storage. When rain is like dogs and cats or typhoon coming, that’s easily cause surface erosion, result raw water turbidty grow up and up. So that Water Purification Plant can not treat water. Therefore need to decrement the water or suspension of water supply, Thereby affecting the livelihood and industrial water used, resulting in inconvenience and economic losses. In Water Purification Plant treatment program, Coagulation and Gelation is one of the important processing. And coagulation dosage and GT values will affect floc’s particle size, area, volume, fractal dimension, which effected the efficiency of the sedimentation tanks. Add too much coagulant is not only caused by the coagulant waste and also make the floc surface of charge reverse, resulting floc mutually exclusive phenomena. Either tap water, wastewater chemical coagulation or biological wastewater treatment program, mostly is use the gravitational sedimentation way to solid-liquid separation. Sedimentation effect is determined by suspended particles settling. And particle sedimentation is influenced by the particle size, specific gravity, shape of the particles. Most of the coagulant dosing control is using jar test, therefore, the water quality characteristics are not readily adjust, and dosage are easy to excessive or inadequate. Thus, this research is use digital imaging technology in raw water coagulation after 20min.And capture images of the raw water to obtain the particle size, area, volume, fractal dimension information. To assess different residual turbidity of the turbidity of the water after coagulation. Besides, the prediction model uses eight kinds of image particle analysis value being input parameter and utilize artificial neural network analyses. Predict different turbidity of raw water residual turbidity after coagulation and sedimentation. The result shows that It can gets the best relationship to predict residual turbidity.
第一章 前言 1
1.1研究緣起 1
1.2研究目的 2
1.3研究方法 2
第二章 文獻回顧 4
2.1數位影像處理 4
2.1.1數位影像 4
2.1.1.1像素 5
2.2影像辨識技術 6
2.3粒徑分佈與沉降特性 10
2.4碎形理論 13
2.4.1碎形的基本特性 14
2.5類神經網路理論 16
2.5.1類神經網路概述 16
2.5.2倒傳遞類神經網路 19
2.6數位影像處理相關之研究探討 24
第三章 實驗設備與方法 28
3.1實驗材料 28
3.2實驗設備 29
3.2.1工業用數位攝影機 31
3.2.2拍攝光源 31
3.2.3混凝拍攝槽體 32
3.2.4蒸餾水製造機: 32
3.2.5加熱攪拌器: 32
3.2.6數位式精密天秤: 33
3.2.7 pH測定儀: 33
3.2.8蠕動泵浦: 33
3.2.9濁度計 33
3.3實驗方法 34
3.4數位影像分析方法 34
3.4.1影像擷取 35
3.4.2前處理 36
3.4.3影像強化 38
3.4.3.1查表法 38
3.4.3.2高通濾波處理 38
3.4.3.3中間值濾波處理 38
3.4.3.4 影像之Morphology處理 38
3.4.4選取適當閥值 39
3.4.5影像分割 39
3.4.6影像區分 39
3.4.7特徵擷取 40
3.4.8後處理 40
3.5計算方式 40
3.5.1影像顆粒分析計算方式 40
3.5.2影像顆粒碎形維度計算方式 44
第四章 結果與討論 45
4.1低濁度高嶺土廢水之影像分析實驗結果與討論 45
4.1.1影像顆粒平均粒徑分析 46
4.1.2影像顆粒總面積分析 50
4.1.3影像顆粒總體積分析 54
4.1.4影像碎形維度分析 59
4.2高濁度高嶺土原水之影像分析實驗結果與討論 63
4.2.1影像顆粒平均粒徑分析 64
4.2.2影像顆粒總面積分析 67
4.2.3影像顆粒總體積分析 70
4.2.4影像碎形維度分析 73
4.3總結 76
第五章 類神經網路預測結果與討論 77
5.1 50NTU高嶺土原水多變數迴歸分析 77
5.2 100NTU高嶺土原水多變數迴歸分析 79
5.3 180NTU高嶺土原水多變數迴歸分析 81
5.4 500NTU高嶺土原水多變數迴歸分析 82
5.5 1000NTU高嶺土原水多變數迴歸分析 84
5.6低濁度高嶺土原水預測殘餘濁度 86
5.6.1八種變數之預測模式 87
5.6.1.1多變數迴歸分析 87
5.6.1.2類神經網路架構選定及預測結果分析 89
5.7高濁度高嶺土廢水預測殘餘濁度 91
5.7.1八種變數之預測模式 91
5.7.1.1多變數迴歸分析 91
5.7.1.2類神經網路架構選定及預測結果分析 93
5.8高嶺土原水預測殘餘濁度 95
5.8.1八種變數之預測模式 95
5.8.1.1多變數迴歸分析 95
5.8.1.2類神經網路架構選定及預測結果分析 97
第六章 結論 99
6.1結論 99
參考文獻 101

1.APHA, AWWA and WPCF. (1998). “ Standard method for the examination of water and wastewater ”. 20th ed., Method 2120, Am. Public Health Assoc., Washington D. C.

2.Alsdair McAndrew, An Introduction to Digital Image Processing with MATLAB, Brooks Cole, 2004.

3.Da-Hong Li and Jerzy J. Ganczarczyk, Stroboscopic deter mination of settling velocity, size and porosity of activated sludge flocs, Wat. Res. Vol. 21, No. 3, pp. 257-262,(1987).

4.Do mingo Mery, Franco Pedreschi, Segmentation of colour food images using a robust algorithm, Journal of Food Engineering. Vol. 66, pp. 353–360,(2005).

5.Ebie, K., Yamaguchi, D., Hoshikawa, H., Shirozu, T. (2006). “ New measurement principle and basic performance of high-sensitivity turbidimeter with two optical systems in series ”. Water research. 40, 683-691.

6.Gonzalez, R. C. and Woods, R. E. (2002). “ Digital Image Processing ”. 2nd edition, Addison-Wesley, New York, NY, USA.

7.Koen Grijspeerdt and Willy Verstraete, Image analysis to estimate the settleability and concentration of activated sludge, Wat. Res. Vol. 31, No. 5, pp. 1126-1134,(1997).

8.Kwan, A. K. H., Mora, C. F. and Chan, H. C. (1999). “ Particle shape analysis of coarse aggregate using digital image processing ”. Cement and Concrete research, 29, 1403-1410.

9.Louis J. Galbiati, Jr., Machine vision and digital image processing fundamentals, Prentice Hall, 1990.

10.Li, Y., Lau, S.L., Kayhanian, M. and Stenstrom, Michael K. (2005) “ Particle size distribution in highway runoff ”. ASCE, 131, 1267-1276.

11.Nazar, A. M., Silva, F. A., Ammann, J. J. (1996). “ Image processing for particle characterization ”. Materials characterizeation, 36, 165-173.

12.Wettimuny, R. and Penumadu, D. (2004). “ Application of Fourier Analysis to Digital Imaging for Particle Shape Analysis ”. ASCE, 18, 2-9.

13.Yu, R. F., Cheng W. P., Chu, M. L. and Huang, C. H. (2004). “Calibration of the ADMI 3 with 31 WL true color values using the artificial neural network”. Proceeding of the IWA 2nd International Conference on Automation in Water Quality Monitoring, Vienna, Austria, 19-20, 333-338.

14.Yu, R. F., Cheng W. P. and Chu, M. L. (2005). “On-line Monitoring of Wastewater True Color Using Digital Image Analysis and Artificial Neural Network ”. Journal of Environmental Engineering, ASCE, 131(1), 71-79.

15.繆紹剛,數位影像處理,全華科技圖書股份有限公司,2000。

16.陳偉銘、趙涵捷,影像裡的數學世界,臺灣書店,2001。

17.鍾國亮,影像處理與電腦視覺,東華書局,2002。

18.葉怡成,類神經網路模式應用與實作,儒林圖書有限公司,2002。

19.張斐章、張麗秋,類神經網路,台灣東華書局股份有限公司,2006。

20.余松煜、周源華、吳時光,數位影像處理,1993。

21.林仲芬,影像辨認技術,全華科技圖書股份有限公司,1995。

22.顏睿余,高性能DSP Based影像擷取辨識系統,碩士論文,中正大學電機工程學系,2002。

23.朱美玲,應用數位影像技術於廢水懸浮固體辨識與沉降特性分析之研究,碩士論文,國立聯合大學環境與安全衛生工程學系,2006。

24.陳俞蓁,混凝對表面水濁度去除之研究,碩士論文,國立成功大學環境工程學系,2002

25.劉嘉宏,混凝劑種類對低濁度原水混凝影響之研究,碩士論文,國立成功大學環境工程學系,2007

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top