Selcuk University Digital Archive Systems

Görüntü işleme teknikleri ve yapay zeka yöntemleri kullanarak atık su arıtmada performans analizlerinin incelenmesi

Show simple item record

dc.contributor.advisor Özbay, Yüksel
dc.contributor.author Boztoprak, Halime
dc.date.accessioned 2017-07-20T09:20:27Z
dc.date.available 2017-07-20T09:20:27Z
dc.date.issued 2014-07-07
dc.identifier.citation Boztoprak, H. (2014). Görüntü işleme teknikleri ve yapay zeka yöntemleri kullanarak atık su arıtmada performans analizlerinin incelenmesi. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya. tr_TR
dc.identifier.uri http://hdl.handle.net/123456789/5148
dc.description.abstract Çamur hacim indeksi (ÇHİ) atıksu arıtma tesislerinin performans takibinin yapılabilmesi için günlük olarak izlenmesi gereken bir parametredir. Bu parametrenin görüntü işleme ve yapay zekâ teknikleri kullanılarak tahmin edilmesi amaçlanmıştır. Bunun için aktif çamur numuneleri Konya Kentsel Atıksu Arıtma Tesisi aktif çamur ünitesinin havalandırma tankından alınmıştır. Mikroskoptan görüntüleri otomatik almak için motorlu XY platform ve kameralı bir sistem kurulmuştur. Her numuneden sistematik bir şekilde 49 (7x7) adet görüntü alınarak toplam 120 numune incelenmiştir. Bu işlemlerin kolay ve otomatik bir şekilde yapılabilmesi için kullanıcı arayüzü tasarlanmıştır. Alınan görüntülerin flok ve filament yapıları incelenmiş ve bu yapıların bölütlenmesinde dalgacık dönüşümü, uzaysal frekans ve hücresel sinir ağları (HSA) birlikte kullanarak yeni bir bölütleme yöntemi sunulmuştur. Bu yöntemde her bir görüntünün özelliğine göre HSA'nın iterasyon sayısı değiştirilmiştir. Farklı özelliklere sahip atıksu görüntülerinin, içeriğinden bağımsız olarak bölütlenmesi sağlanmıştır. Flok ve filamentleri doğru şekilde ve ayrı ayrı tespiti için bir dizi morfolojik işlemler uygulanmıştır. Ayrıca protozoaların aktif çamurda bulunmaları arıtma teknolojisi açısından önemli olduğundan protozoaların yerlerinin otomatik bulunmasında aktif kontur yöntemi kullanılmıştır. Flok ve filamentlerin morfolojik karakterizasyonu aktif çamur durumunun değerlendirilmesinde önemli bir rol oynadığından bunlara ait özellikler belirlenmiştir. Bu özelliklerin belirlenmesinde yoğunluk, şekilsel ve istatistiksel yaklaşımlardan yararlanılmıştır ve her güne ait veri seti oluşturulmuştur. Veriler rastgele karıştırılıp 5-kat çapraz doğrulama yöntemi ile eğitim ve test verileri elde edilmiştir. Bu eğitim ve test verileri yapay sinir ağına uygulanmıştır. YSA'nın ağırlıkları Levenberg-Marquardt, Genetik Algoritma ve ARI algoritması ile eğitilmiştir. Korelasyon katsayılarının ortalamaları LM-YSA, GA-YSA ve ARI-YSA için sırasıyla r=0.896, r=0.902 ve r=0.915 hesaplanmıştır. Elde edilen sonuçlar görüntü işleme ve yapay sinir ağlarının ÇHİ tahmininde başarılı bir yöntem olarak uygulanabileceğini göstermiştir. tr_TR
dc.description.abstract The sludge volume index (SVI) is a required parameter to be monitored for the performance of wastewater treatment plants on a daily basis. This parameter was intended to be estimated using image processing and artificial intelligence techniques. For this, activated sludge samples was taken from the aeration tank of the activated sludge process in Konya Domestic Wastewater Treatment Plant. Motorized XY platform and camera system has been established to auto-scan the image from the microscope. 49 (7x7) images from every each sample has been scanned in a systematically. Total of 120 samples were examined. A user interface is designed for making this operation easily and automatically. Floc and filament structures of the images were examined. A new method was developed using cellular neural networks (CNN), spatial frequency and wavelet transform in segmentation of the activated sludge images. In this method, number of iterations of CNN was changed according to the properties of each image. The images with different characteristics of wastewater were segmented regardless of content. Then, a number of morphological operations are applied to correctly determine the floc and filaments separately. Furthermore, the active contour method is used to detect the location of protozoans which are important in the activated sludge. Morphological characterization of floc and filament plays an important role in the evaluation of activated sludge. Their morphological properties were determined. Density, shape and statistical approaches have been utilized to create a set of data for each day. The training and test data have been obtained by randomly mixed the data and applied 5-fold cross-validation method. This training and test data were applied artificial neural network. The weights of the neural network were trained with Levenberg-Marquardt, Genetic and Artificial Bee Colony algorithms. The averages of the correlation coefficients for LM-ANN, GA-ANN and ABC-ANN models were calculated as r=0.896, r=0.902 and r=0.915, respectively. The obtained results have shown that image processing and artificial neural networks can be applied as a successful method for prediction of SVI. tr_TR
dc.description.sponsorship Bu tez çalışması BAP tarafından 11201043 nolu proje ile desteklenmiştir. tr_TR
dc.language.iso tur tr_TR
dc.publisher Selçuk Üniversitesi Fen Bilimleri Enstitüsü tr_TR
dc.subject Çamur hacim indeksi tr_TR
dc.subject Dalgacık dönüşümü tr_TR
dc.subject Flok-filament bölütleme tr_TR
dc.subject Genetik algoritma tr_TR
dc.subject Hücresel sinir ağı tr_TR
dc.subject Otomatik görüntü yakalama tr_TR
dc.subject Yapay arı koloni algoritması tr_TR
dc.subject Yapay sinir ağları tr_TR
dc.subject Automatic ımage capture tr_TR
dc.subject Artificial neural networks tr_TR
dc.subject Artificial bee colony agorithm tr_TR
dc.subject Cellular neural network tr_TR
dc.subject Floc-filaments segmentation tr_TR
dc.subject Genetic algorithms tr_TR
dc.subject Sludge volume ındex tr_TR
dc.subject Wavelet transform tr_TR
dc.title Görüntü işleme teknikleri ve yapay zeka yöntemleri kullanarak atık su arıtmada performans analizlerinin incelenmesi tr_TR
dc.title.alternative Investigation of the performance analysis in wastewater treatment using image processing techniques and artificial intelligence methods tr_TR
dc.type Thesis tr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account