直飲水在線殺菌智能裝置設計與多幀監控技術研究

張立松 張丙寅 郭宗鳴

摘 要：為應對傳統水質監測和殺菌方法存在無法實時監測、效果較差等問題，研究對智慧直飲水在線殺菌裝置進行了多項先進技術和功能設計，包括紫外線殺菌、智能感應等，并主要利用改進的卷積神經網絡實現動態視頻多幀連續安全監控。結果表明，在3次動態圖像識別中，所提出的監控方法準確率均超過了90%，并且運行時間均在10 s以內，最低僅為8.8 s，具有較高的識別準確率和效率，能夠對在線殺菌裝置動態視頻進行有效的安全監控，為提高飲用水的安全性和可靠性提供有力支持。

關鍵詞：在線殺菌；直飲水；動態視頻；安全監控；卷積神經網絡

中圖分類號：TP277;TQ424.1

文獻標志碼：A文章編號：1001-5922（2024）03-0128-04

Design of online sterilization intelligent device for direct drinking water and research on multi frame monitoring technology

ZHANG Lisong，ZHANG Bingyin，GUO Zongming

（North China Institute of Computing Technology，Beijing 100083，China）

Abstract：In order to cope with the problems of inability to monitor water quality and sterilization methods in real time and poor effect，a number of advanced technologies and functions were designed for the online sterilization device of smart direct drinking water，including ultraviolet sterilization and intelligent sensing，and the improved convolutional neural network was mainly used to realize the continuous safety monitoring of dynamic video multi-frame.The results showed that in three dynamic image recognition attempts，the accuracy of the proposed monitoring method was more than 90%，the running time was within 10 s，and the lowest was only 8.8 s，which had high recognition accuracy and efficiency.It can effectively monitor the dynamic video of online sterilization device，and provide strong support for improving the safety and reliability of drinking water.

Key words：online sterilization;direct drinking water;dynamic video;safety monitoring;convolutional neural network

隨著科技的不斷進步和人們對健康的日益關注，智能飲水設備逐漸成為現代生活中的重要組成部分［1-2］。然而，由于水源的不確定性和水質的不穩定性，飲水設備中的細菌和微生物問題一直是人們關注的焦點［3-4］。傳統的水質監測方法主要依賴于采樣后的實驗室測試，這種方法存在著時間和成本上的限制。隨著視頻監控技術的發展，卷積神經網絡可以用于處理動態視頻多幀連續安全監控數據［5］。傳感器收集到的視頻數據可以被輸入到卷積神經網絡中，通過卷積層和池化層等操作，提取出視頻中的特征。這些特征可以用來判斷水質是否正常，以及是否存在異常情況，如污染或雜質。但卷積神經網絡在處理大規模數據時需要大量的計算資源和存儲空間，并且無法滿足實時監控的需求。因此，研究在設計智慧直飲水在線殺菌裝置的基礎上，通過改進卷積神經網絡進行動態視頻圖像識別，以期進一步提升安全監控效果。

1 直飲水在線殺菌智能裝置設計與安全監控技術

1.1 智慧直飲水在線殺菌裝置設計

研究所設計的智慧直飲水在線殺菌裝置采用了多項先進的技術和功能，包括紫外線殺菌、活性炭過濾、智能感應、LED指示燈、水溫控制、智能控制、防漏保護、定時清洗等。裝置內置紫外線殺菌技術能夠快速有效地殺滅水中的細菌和病毒。裝置還配備了活性炭過濾器，能夠去除水中的異味和有害物質?；钚蕴烤哂袠O強的吸附能力，能夠有效地去除水中的有機化合物、余氯和重金屬等有害物質，提供更清新、健康的直飲水［6］。同時，該裝置具備智能感應功能，能夠自動感知用戶的需求并進行相應的處理。LED指示燈是另一個重要的功能，它能夠顯示裝置的工作狀態。水溫控制功能使得用戶可以根據自己的需求來調節直飲水的溫度。裝置內置了水溫控制器，用戶可以通過操作面板或手機應用程序來調節水溫，實現冷、熱水的切換。智能控制功能允許用戶通過手機遠程控制裝置。用戶可以通過手機應用程序，隨時隨地監控和控制裝置的運行狀態，輕松實現遠程操作，提高使用便利性。防漏保護是為了保障用戶的安全和裝置的正常運行而設計的功能。裝置內置了漏水檢測傳感器，一旦檢測到漏水情況，會自動停止工作并發出警報，防止水源浪費和設備損壞。定時清洗功能是保證裝置長期使用效果的重要一環。裝置會定期進行清洗和消毒，確保殺菌效果和水質的持續優良。所設計的智慧直飲水在線殺菌裝置包含的技術和實現功能如圖1所示。

根據智慧直飲水在線殺菌裝置包含的技術和實現功能，研究進行了裝置設計。水箱是裝置的核心部分，用于存儲待處理的水。水箱采用食品級不銹鋼材料制成，具有良好的耐腐蝕性和密封性，能夠確保水的安全和衛生［7-8］。紫外線殺菌器是裝置的重要組成部分，采用高效紫外線燈管。紫外線殺菌器能夠發出特定波長的紫外線，具有較強的殺菌能力。臭氧殺菌器是裝置的另一個重要組成部分。臭氧殺菌器能夠將氧氣轉化為臭氧，并將臭氧注入水箱。臭氧具有強氧化性，能夠破壞細菌和病毒的細胞結構，從而達到殺菌的效果。臭氧殺菌器具有殺菌效果好、速度快、殘留時間短等優點。同時，裝置配備了智能控制系統，實現自動控制和監測。裝置還配備了多重過濾系統，用于提供更干凈、更健康的直飲水。過濾系統包括顆粒物過濾器、活性炭過濾器和超濾膜過濾器等。顆粒物過濾器能夠去除水中的懸浮物和大顆粒雜質，活性炭過濾器能夠去除水中的異味和有機物，超濾膜過濾器能夠去除水中的細菌和病毒等微生物。此外，裝置配備了多種安全保護裝置，確保裝置的安全運行。水箱設有水位傳感器，當水位過低時，裝置會自動停止工作，避免干燒。裝置還具有電氣保護裝置和漏電保護裝置，確保電路的安全可靠，避免發生電器故障和漏電危險。該裝置的簡易示意如圖2所示。

1.2 基于卷積神經網絡的動態視頻多幀連續安全監控

在對智慧直飲水在線殺菌裝置進行設計的基礎上，研究進一步通過卷積神經網絡實現動態視頻多幀連續安全監控。卷積神經網絡在動態圖像分類領域有著出色的性能效果，可以根據動態視頻圖像特征完成識別分類，以此達成安全監控的目的［9-10］。但傳統的卷積分類模型無法有效處理復雜的分類問題，必須進行相應的改進。ReLU函數具有不飽和、稀疏性以及計算簡單等優勢，但ReLU函數同樣不可避免出現“神經元死亡”問題，使得模型訓練收斂性能下降。因此，為了解決激活函數問題，研究結合ReLU函數與Tanh函數構建一種改進T-ReLU激活函數，其數學表達如式（1）所示。

f（x）a（1－e－2x1+e－2x）， if x<0??????? x， if x≥0（1）

式中：a表示可調參數。ReLU函數具有不飽和與計算簡單的優化，但“神經元死亡”問題無法避免。Tanh激活函數的輸入與輸出屬于非線性的單調關系，滿足傳播反向求解要求，并且Tanh激活函數輸出［-1，1］，更貼近神經元飽和要求［11-12］。因此，結合ReLU函數與Tanh函數構建出改進的T-ReLU函數，能夠實現對“神經元死亡”問題的優化。通過改進的T-ReLU函數來優化卷積神經網絡，進而構建改進T-ReLU卷積神經網絡動態視頻圖像分類模型，如圖3所示。

卷積神經網絡可以對圖像數據各個層特征進行提取，使得卷積神經網絡在圖像識別領域有著突出的優勢［13-14］。但對更復雜數據特征的提取仍舊面臨困難。于是在改進T-ReLU卷積神經網絡的基礎上，提出改進特征融合的卷積神經網絡圖像分類識別模型（GT-ReLU）。卷積神經網絡在訓練中，隨著網絡模型層數（模型深度）的增加，不可避免地會出現圖像分類精度下降的問題［15-16］。殘差學習克服了卷積網絡深度增加而性能下降的問題，使得卷積神經網絡圖像識別性能得到了進一步提升。殘差學習過程為求和運算，采用求和運算能夠顯著降低網絡的計算量。因此，在模型中引入批量歸一化方法處理卷積輸入的圖像數據，并引入正則化操作，從而避免模型過擬合問題出現。歸一化處理表達如式（2）所示。

y（k）=γ（k）x^（k）+β（k）（2）

式中：γ與β為2個學習參數，如滿足學習要求，則表達如式（3）所示。

y（k）=Varx（k）β（k）=Ex（k）（3）

式中，Var表示特征分布。滿足式（2）要求，網絡則可以得到原始學習特征分布。最終歸一化中前向傳播表達如式（4）所示。

x^l←σ2B+Exi－μByi←γx^l+β（4）

式中：μB為均值;σB為方差;xi與yi分別為通過歸一化后得到的網絡輸入與輸出。通過對卷積網絡深層特征的融合，卷積神經網絡對圖像特征的提取和分類將更準確。

2 直飲水在線殺菌智能裝置多幀安全監控效果分析

研究設計了智慧直飲水在線殺菌裝置，再通過改進卷積神經網絡對其動態視頻進行安全監測。為驗證安全監測效果，首先測試GT-ReLU模型性能。選用HMDB-51（Hollywood Movies Dataset with 51 action classes）數據集進行測試。實驗模型卷積層數為4，池化層與全連接層數均為2。設置學習率為0.001，迭代次數為5 000，其余參數根據實驗環境做調整。圖4為不同迭代次數下圖像分類模型的loss值變化結果。

由圖4可知，改進T-ReLU圖像分類模型與改進GT-ReLU圖像分類模型測試性能表現最好。GT-ReLU模型在迭代2 000次以逐步趨于收斂，在迭代5 000次時loss損失值為0.009。由此可見，所提出的改進GT-ReLU模型擁有出色的收斂性能與loss損失表現。

為了更進一步討論GT-ReLU模型中的性能的有效性，將對模型的權重參數利用率進行測試。實驗中設置0.010與0.005兩種閾值進行測試，測試結果如圖5所示。

從圖5（a）中可知，隨著卷積神經網絡通道數的不斷增加，各個模型的權重參數利用率呈現下降趨勢。T-ReLU模型與GT-ReLU模型權重使用率整體較高，不過改進GT-ReLU模型整體波動更穩定，能夠給模型帶來更穩定的性能表現。從圖5（b）中可以看出，隨著卷積神經網絡層數的增加，權重參數的利用率呈現下降趨勢。與0.010閾值相比，模型整體權重參數利用率更低。

為對所提出的安全監控方法進行實際效果的驗證，研究準備一定數量的細菌和病毒樣本，并將其加入待測試的水樣中，確保樣本的濃度和種類符合實際情況。隨后將待測試的水樣放入裝置中，啟動裝置并開始殺菌過程。利用攝像設備或手機APP實時觀察裝置內部的殺菌過程，并記錄視頻。最后利用GT-ReLU模型對所連續安全監控視頻進行識別，并對所屬4種模型的識別準確率和時間進行對比，所得結果如圖6所示。

從圖6（a）可以發現，在動態視頻圖像識別準確率中，T-ReLU模型3次試驗均在85%左右，而GT-RELU模型均超過了90%，最高為94.6%，明顯優于其他模型，具有更好的識別效果。從圖6（b）可知，在識別時間的對比中，T-ReLU模型均在12 s以上，是3種對比模型中最優的。所提出的GT-RELU模型均在10 s以下，最高為9.8 s，最低僅為8.8 s，識別效率更高，能夠更為有效地進行安全監控。

3 結語

飲用水安全一直是人們關注的重要問題。為進一步保障飲用水安全，研究根據智慧直飲水在線殺菌裝置包含的技術和實現功能，進行了該裝置的簡易設計。隨后結合ReLU函數與Tanh函數構建一種改進T-ReLU激活函數，并由此提出改進特征融合的卷積神經網絡圖像分類識別模型，最后將其應用于動態視頻多幀連續安全監控中。結果顯示，在動態視頻圖像識別準確率中，T-ReLU模型3次試驗均在85%左右，而GT-RELU模型均超過了90%，明顯優于其他模型。在識別時間的對比中，T-ReLU模型均在12 s以上，GT-RELU模型均最高僅為9.8 s，說明該方法能夠有效提升智慧直飲水在線殺菌裝置的安全監控效果。但安全監控需要快速準確地對異常情況進行檢測和響應，未來需要引入增量學習和遷移學習等技術進行進一步優化。

【參考文獻】

［1］ 程凱.基于卷積神經網絡的化工旋轉機械故障識別［J］.粘接，2022，49（4）：88-92.

［2］ 范德和，李新海，周恒，等.基于卷積神經網絡的設備運行狀態智能控制優化模型分析［J］.粘接，2023，50（6）：179-182.

［3］ 高西.基于大數據的影像分析模型的設計［J］.粘接，2022，49（7）：170-174.

［4］ 朱宗成，陶峰，肖良，等.深紫外LED裝置對單兵飲水消毒的試驗研究［J］.中國消毒學雜志，2020，37（9）：652-655.

［5］ 仲玉晶，文靜.基于紫外可見光譜的地表水水質硬度檢測方法研究［J］.粘接，2021，48（10）：42-45.

［6］ 李景文，韋晶閃，姜建武，等.多視角監控視頻中動態目標的時空信息提取方法［J］.測繪學報，2022，51（3）：388-400.

［7］ 蘇菠，姜軍，張志偉，等.基于連續視頻分析的化學危險品碼頭車輛測速方法研究［J］.粘接，2020，41（1）：180-184.

［8］ 李蓉.基于人機交互的全景智能化視頻目標自動監測方法［J］.粘接，2022，49（1）：111-115.

［9］ 金海燕，曹甜，肖聰，等.基于多特征圖像視覺顯著性的視頻摘要化生成［J］.北京航空航天大學學報，2021，47（3）：441-450.

［10］ 李燕萍.基于遙感技術的地表水水質檢測方法分析［J］.粘接，2022，49（10）：122-125.

［11］ 趙小紅，衡春妮，杜淑娟.面向殘差網絡與Adam優化算法的醫學圖像卷積超分辨率重建［J］.粘接，2020，44（12）：78-81.

［12］ ZHANG Q ，XU E G ，LI J ，et al.A review of microplastics in table salt，drinking water，and air：direct human exposure［J］.environmental science & technology，2020，54（7）：3740-3751.

［13］ 傅長弘，賈愛軍.局域生成對抗網絡下視頻動態監控系統設計［J］.電子設計工程，2023，31（10）：186-190.

［14］ 熊祝青，徐楠，王興元，等.動態人臉識別視頻監控系統設計［J］.中國新通信，2020，22（23）：75-77.

［15］ 尹萍.艦船遠程監控平臺模糊視頻高動態圖像拼接研究［J］.艦船科學技術，2019，41（12）：172-174.

［16］ 牛生奇，劉東文.軌道交通視頻監控多協議注冊存儲災備的改造研究與應用［J］.無線互聯科技，2023，20（9）：120-122.

收稿日期：2023-09-05；修回日期：2023-12-08

作者簡介：

張立松（1977-），男，碩士，高級工程師，主要從事人工智能、模擬仿真研究;E-mail：greatmansir@sina.com。

引文格式：張立松，張丙寅，郭宗鳴.直飲水在線殺菌智能裝置設計與多幀監控技術研究［J］.粘接，2024，51（3）：128-131.