談起污水處理的大數據和人工智能，大家想到的大多是曝氣自動(dòng)化、投藥自動(dòng)化。但你有沒(méi)有聽(tīng)過(guò)，圖像識別的AI技術(shù)如今在污水處理廠(chǎng)也得到應用的呢？它的前景已經(jīng)受到多家水務(wù)工程公司的青睞，其中包括了丹麥的Ramboll公司，2021年，該公司發(fā)布了一款名為Opseyes的人工智能系統，聲稱(chēng)僅憑顯微鏡拍攝的圖片，就能對污水廠(chǎng)生化池的污泥進(jìn)行快速分析。

小編在本期水星漫談里和大家看看他們是怎么做到的。

來(lái)自醫學(xué)界的靈感

這個(gè)名叫Opseyes的系統的創(chuàng )始人叫Bryan Arndt，他是Ramboll公司的管理顧問(wèn)，有著(zhù)豐富的污水廠(chǎng)運行管理經(jīng)驗。Bryan有個(gè)親生兄弟，是個(gè)放射科的醫生。

早在幾年前，Bryan和他的兄弟聊起了深度學(xué)習(Deep Learning)，他的兄弟說(shuō)圖像識別技術(shù)已經(jīng)實(shí)實(shí)在在地幫助放射科醫生們分析人體圖像。這也讓Bryan意識到，這技術(shù)是不是能用到污水處理上呢？

污水廠(chǎng)哪里有圖像識別的需求呢？

答案在實(shí)驗室的顯微鏡里。

縮短分析時(shí)間

如果你工作的污水廠(chǎng)的實(shí)驗室配有顯微鏡，那么你可以借助它觀(guān)察微生物的組成，統計污水樣品中的原生動(dòng)物的組成情況，來(lái)判斷污泥泥齡及其沉降性能。

有些國外學(xué)者還將他們這些鏡檢經(jīng)驗整理成類(lèi)似下圖的對應關(guān)系圖，幫助運行人員了解污水廠(chǎng)的污泥處于什么狀態(tài)。如果你剛好是從事污水廠(chǎng)的微生物鏡檢工作的專(zhuān)家，對此圖應該不會(huì )陌生。

在美國，雖然不少污水處理廠(chǎng)的實(shí)驗室有顯微鏡，但真能識別出不同微生物的專(zhuān)家并不多，因此，當污水處理廠(chǎng)若想要得到較為專(zhuān)業(yè)的微生物鏡檢報告，需要將污水樣品寄到相應的第三方機構進(jìn)行分析。顯然這種做法相當耗時(shí)，而且得五天以上 (因為通常還會(huì )分析其他指標，包括BOD5)。對于追求實(shí)時(shí)性的污水運行人員來(lái)說(shuō)，這時(shí)間是耗不起的。

在他兄弟的啟發(fā)下，Bryan Arndt心想：能不能像其他行業(yè)那樣，運用深度學(xué)習來(lái)訓練 AI ，讓AI識別出污水各種微生物的照片，并根據這些照片即時(shí)生成廢水分析的結果？

污水的大數據

Bryan Arndt的想法得到了公司的支持，并開(kāi)始組建小團隊。同時(shí)聯(lián)系美國各地污水廠(chǎng)的同行，邀請他們給他寄些污水廠(chǎng)的樣品。

基于這些樣品，他和他的團隊在隨后的幾個(gè)月里，積累了6000多張圖片。在外行人看來(lái)，這些圖片絕對不是什么美圖，甚至有點(diǎn)惡心，但在小編看來(lái)，Bryan Arndt和他的團隊做的是開(kāi)荒牛的好事。他們把收集的圖片打包發(fā)給了位于德國的同事 Robin Schlenga。德國的團隊用卷積神經(jīng)網(wǎng)絡(luò )（Convolutional Neural Network, CNN）來(lái)處理這些圖像文件。

這里又要說(shuō)個(gè)題外話(huà)，這次圖像分析用到了英偉達公司的獨立顯卡。小編猜測也許是英偉達公司的品牌管理團隊覺(jué)得污水處理和人工智能的跨界十分新奇，因此在2021年的2月和6月相繼在其官網(wǎng)博客報道了這個(gè)項目，甚至制作了音頻播客，這才讓小編了解到這則新聞，也才有了搬磚的素材。而小編也是因此才知道，顯卡的錢(qián)省不了，因為好的顯卡確實(shí)能大大縮短數據分析時(shí)間的(應該會(huì )比讓碼農閑著(zhù)白等劃算)。

沒(méi)那么簡(jiǎn)單

美國人Bryan Arndt剛聯(lián)系德國同事Robin Schlenga的時(shí)候，覺(jué)得這項目挺簡(jiǎn)單的——不就是給AI一些圖片，AI就能把圖片的細菌一一認出來(lái)了嗎？Robin說(shuō)遠沒(méi)有這么簡(jiǎn)單，花了好些時(shí)間給Bryan解釋?zhuān)抛尯笳呙靼诪楹稳绻R檢專(zhuān)家不能為數據團隊提供足夠的標簽信息，數據團隊是沒(méi)法開(kāi)展工作。

Robin在采訪(fǎng)中解釋了這背后的兩個(gè)原因：第一是定性的難度，因為顯微鏡的圖片里往往有許多種細菌，而不是大家熟悉的簡(jiǎn)單的一圖一物的識別任務(wù)；第二是定量的難度，這個(gè)系統能認出有什么細菌還不夠，必須需要根據圖片，判斷各種細菌的數量，分出個(gè)名次。

由于第一批圖片的質(zhì)量不能滿(mǎn)足數據分析團隊的要求，所以Robin硬著(zhù)頭皮要求Bryan重新采樣拍照。而這其實(shí)也讓Bryan很為難，因為他也要向鏡檢專(zhuān)家們解釋一番，這些鏡檢專(zhuān)家雖然不懂AI，但長(cháng)年累月看過(guò)成千上萬(wàn)張微生物照片，已能輕松對每張圖片出現的微生物進(jìn)行描述，而Robin訓練的AI最初只能認出2-3種細菌，這難免會(huì )讓非AI專(zhuān)業(yè)的專(zhuān)家質(zhì)疑碼農們的水平。幸好Bryan最終還是能做好兩邊的溝通工作，確保項目得以延續。

經(jīng)過(guò)超過(guò)一年半時(shí)間的開(kāi)發(fā)，Opseyes總算達到了他們內部滿(mǎn)意的版本——2020年9月，他們正式發(fā)布的1.0版。在此版本里，用戶(hù)將智能手機通過(guò)一個(gè)固定架綁在顯微鏡上，并對觀(guān)察到的樣本進(jìn)行拍照，照片經(jīng)上傳后，系統會(huì )在幾分鐘內返回分析結果。

而早在2020年8月，一個(gè)叫Bruce The Water Guy的Up主分享了一個(gè)視頻——他收到了Opseyes的 內測安裝包，邀請他進(jìn)行評測。下圖就是他在實(shí)驗室拍的視頻截圖?？上谝曨l里并沒(méi)有分享分析報告的內容，而且表示他能收到的只是一份報告的初稿，還不算正式的報告。而除了這個(gè)視頻，小編也沒(méi)有再找到其他相關(guān)第三方評測結果的消息，因此無(wú)法評價(jià)這個(gè)軟件目前的實(shí)際分析水平。

未來(lái)的潛能

讀到這里，你是否會(huì )問(wèn)：那么這套機器學(xué)習系統除了識別污泥狀態(tài)，還有什么其他用途呢？

Bryan Arndt在采訪(fǎng)中也被問(wèn)到此問(wèn)題，他表示：他的團隊正在考察能這套系統拓展到藻華爆發(fā)預警的可行性。

在小編看來(lái)，這套機器學(xué)習系統的當務(wù)之急還是要積累更多令人信服的實(shí)測數據，過(guò)早的收費不利于自身系統的完善。盡管如此，它的面世還是帶來(lái)很多積極意義的，它不僅幫助運行人員了解污水處理系統的運行狀況，更重要的是讓污水處理行業(yè)進(jìn)一步認識到專(zhuān)業(yè)知識和人工智能之間的邊際要消融。換句話(huà)說(shuō)，以后會(huì )有越來(lái)越多既懂污水處理又懂計算機的人才需求。

Robin在采訪(fǎng)中也說(shuō)到：“其實(shí)此前很多所謂的機器學(xué)習大多集中在互聯(lián)網(wǎng)和金融領(lǐng)域，工程領(lǐng)域是在最近才開(kāi)始對機器學(xué)習有更深入的探索和研究?！?他也表示非常歡迎更多的IT人才加入這些工程領(lǐng)域中來(lái)。