3 příprava matematického modelu

Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Vývoj a využití metod umělé inteligence pro optimalizaci
řízení biotechnologických procesů ČOV na základě obrazové
analýzy nano-struktur v biocenózách aktivovaných kalů
a biofilmů
TA04021396-2014V002
–
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
Ing. Lucie KŘIKLAVOVÁ, Ph.D.
Technická univerzita v Liberci,
Ústav pro nanomateriály, pokročilé technologie a inovace,
Studentská 1402/2, 460 01 Liberec, www.tul.cz
TUL
Dr. Ing. Libor NOVÁK
AQUA-CONTACT Praha, v.o.s.,
Husova 112, 55 101 Jaroměř, www.aqua-contact.cz
AQC
Ing. Tomáš LEDERER, Ph.D.
AQUATEST a.s.,
Geologická 988/4, 152 00 Praha, www.aquatest.cz
AQT
29. 1. 2015
1
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Obsah
Seznam zkratek .................................................................................................................. 3
Klíčová slova ....................................................................................................................... 3
1
Morfologické parametry ........................................................................................ 4
1.1
Množství objektů (n) .............................................................................................. 5
1.2
Promítaná/obsazená plocha (PA) ........................................................................... 5
1.3
Délka a šířka (L, W) ................................................................................................. 5
1.4
Poměr stran (štíhlost) (AR) ..................................................................................... 6
1.5
Rozměr (Ext) ........................................................................................................... 6
1.6
Konvexní obálka (PAC)............................................................................................ 6
1.7
Robustnost (Rob) .................................................................................................... 6
1.8
Index konkávnosti (CI), konkávní poměr (CR) ........................................................ 7
1.9
Délka vláken (LF) .................................................................................................... 7
1.10 Ekvivalentní průměr kružnice (ECD) ....................................................................... 7
1.11 Obvod (Pe) .............................................................................................................. 8
1.12 2D-pórovitost (2DP) ............................................................................................... 8
1.13 Eulerovo číslo (EN).................................................................................................. 8
1.14 Kompaktnost objektu (Comp) ................................................................................ 8
1.15 Solidita (Sol)............................................................................................................ 8
1.16 Tvarový faktor (FF) ................................................................................................. 9
1.17 Kruhovitost (RN) ..................................................................................................... 9
1.18 Redukovaný poloměr otáčení (RG) ........................................................................ 9
1.19 Excentricita, výstřednost (Ecc) ............................................................................... 9
1.20 Difuzivita (DD) ...................................................................................................... 10
1.21 Fraktální dimenze (FD) ......................................................................................... 10
2
Texturní parametry...............................................................................................11
2.1
Entropie textury (ET) ............................................................................................ 11
2.2
Energie (E) ............................................................................................................ 11
2.3
Homogenita (H) .................................................................................................... 11
3
Příprava matematického modelu ..........................................................................13
3.1
Princip konstrukce biokinetického modelu .......................................................... 14
3.2
Návrh biokinetického modelu populační dynamiky ............................................ 17
3.3
Modelování inhibice růstu Microthrix parvicella specifickým inhibitorem ......... 19
3.4
Petersenova matice navrženého modelu populační dynamiky ........................... 20
3.5
Návrh řešení souvztažnosti modelu s obrazovou analýzou vzorků aktivovaného
kalu a měření aktivity mikroorganismů ........................................................................... 23
4
Monitoring ČOV ....................................................................................................25
REFERENCE ......................................................................................................................34
2
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Seznam zkratek
2DP
AR
COMP
CR
DD
E
ECC
ECD
EN
ET
EXT
FD
FF
H
L
LF
N
PA
PAC
PE
ROB
RG
RN
SOL
W
… 2D-pórovitost
… poměr stran (štíhlost)
… kompaktnost objektu
… index konkávnosti (CI), konkávní poměr
… difuzivita
… energie
… excentricita, výstřednost
… ekvivalentní průměr kružnice
… Eulerovo číslo
… entropie textury
… rozměr
… fraktální dimenze
… tvarový faktor
… homogenita
… délka
… délka vláken
… množství objektů
… promítaná/obsazená plocha
… konvexní obálka
… obvod
… robustnost
… redukovaný poloměr otáčení
… kruhovitost
… solidita
… šířka
Klíčová slova
Příloha A k průběžné zprávě projektu TA04021396; obrazová analýza, aktivovaný kal,
morfologické parametry, texturní parametry.
Sepsány charakteristické parametry, testovací postupy a matematické interpretace, pro
jednotlivé nežádoucí stavy ČOV a pro jednotlivé bakteriální populace (odlišení vláknitých
bakterií způsobujících bytnění a pěnění od ostatních typů mikroorganismů či nano-struktur).
Přípravné práce pro optimalizaci metodiky přípravy vzorku/preparátu s přihlédnutím k
následné obrazové analýze. Výstup přípravy matematického modelu realizován ve formě
petersenovy matice, determinovány základní procesní rovnice biokinetického modelu,
kinetické a stechiometrické koeficienty a základní struktura inkorporace modelu do
hydraulického a procesního schématu. Výstupem monitoringu čistíren odpadních vod,
technická zpráva zahrnující základní charakterizaci z hlediska základních chemických
parametrů v korelaci s mikroskopickou analýzou (s využitím stávajících metod).
3
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
1
2014
MORFOLOGICKÉ PARAMETRY
Ukazuje se, že morfologie vloček aktivovaného kalu významně koreluje s vlastnostmi kalu
(jako například tradiční sedimentační testy). Několik studií ukázalo, že usazovací a zhutňovací
vlastnosti aktivovaného kalu přímo souvisí se strukturou vloček, které závisí na chemických,
fyzikálních a biologických faktorech, které významně ovlivňují rovnováhu mezi vláknitými
a vločkovitými bakteriemi, což vede ke změnám ve struktuře, a tak k morfologickým
vlastnostem mikrobiálních agregátů. Je možné vytvořit vztahy mezi indexy usazování kalů
a několika parametry, které charakterizují morfologii mikrobiálních vloček, přičemž tyto
vztahy jsou užitečné pro monitorování usazovací fáze akt. kalu v čistírenských systémech.
Analýza obrazu aktivovaného kalu je používána ke stanovení stavu vláknitého kalu. Pomocí
analýzy obrazu se zkoumá distribuce velikosti a vnitřní struktury vloček aktivovaného kalu.
Vlastnosti vloček aktivovaného kalu jsou důležité nejen pro výzkumné pracovníky, ale také
v každodenním provozu čistíren odpadních vod. Existují dva hlavní důvody; za prvé, proces
využití aktivovaného kalu je jedním z nejčastěji používaných metod při mikrobiologické
degradaci kontaminantů přítomných v odpadních vodách; za druhé, mikrobiální agregáty
(vločky) jsou nepochybně hlavní součástí tohoto systému čištění odpadních vod. Morfologie
vloček určuje kvalitu odpadních vod a celkovou účinnost čistíren. Na jedné straně, vločky
aktivovaného kalu ovlivňují účinnost procesu čištění odpadních vod, a to kvůli vlivu
na přesun substrátu, recirkulaci kalu a separační procesy. Na druhé straně, vnitřní struktura
a morfologie vloček závisí na mnoha faktorech, jako je složení substrátu, provozní podmínky
a typy aeračních nádrží.
Správná rovnováha mezi vláknitými bakteriemi a vločky-tvořícími podporuje vznik velkých,
hustých a silných vloček vhodných pro adekvátní vyrovnání a zhutnění aktivovaného kalu.
Nerovnováha může vyvolat vláknité bytnění v důsledku přemnožení vláknitých bakterií nebo
suspenduje růst způsobený malým růstem vloček-tvořících bakterií. Vláknité bytnění
podporuje formu vysoce nepravidelných vloček způsobující snížení rychlosti usazování,
stejně jako nízké zhutnění kalu (nízká kompaktnost), zatímco rozptýlený růst (disperzní) vede
k vytváření malých vloček, které nejsou schopny usedat, což vede k velmi zakalené odpadní
vodě s vysokou koncentrací nerozpuštěných látek. Růst nerovnováhy mezi jednotlivými
druhy bakterií může být způsoben několika faktory, jako omezení substrátu a kyslíku.
Systematická kvantifikace vláknitých bakterií může potenciálně zlepšit sledování čistíren
odpadních vod. Vývoj vláknitých bakterií je kvantifikován především na celkové délce vláken
(což je obvykle měřeno ručně). Pomocí analýzy obrazu lze kvantifikovat velikost a tvar
bakteriálních vloček (vztah, platnost v určitém rozmezí koncentrací, koncentrace biomasy).
Index objemu kalu se mění v závislosti na velikosti vloček (hodnocen ekvivalentní průměr)
a jeho drsnosti (kvantifikace tvarovým faktorem).
V následujících odstavcích je výraz „objekt“ používán v obecném smyslu pro označení všech
sledovaných „jevů“ (například agregáty, vločky, vlákna, prach, částice a další). Označení
„třída objektů“ pak označuje specificky sledovaný cíl (tj. třída agregáty, třída vlákna, třída
vločky atp.). Do hodnocení nejsou zahrnovány objekty vyskytující se na hraně obrazu (tj.
pokud objekt není v obraze zobrazen celý, není započítáván).
4
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
1.1 Množství objektů (n)
Jedná se o parametr hodnotící celkový počet objektů v dané třídě (separátně agregátů,
vloček či vláken), resp. kumulativní součet objektů v daném obraze/vzorku přepočteno
na objemovou jednotku (např. 1 ml).
1.2 Promítaná/obsazená plocha (PA)
Promítaná/obsazená oblast (projected area, PA) je prostor (plocha, či objem) náležící dané
třídě objektů (agregátům, vločkám či vláknům), odhaduje se podle počtu pixelů, kterými je
objekt (v digitálním obraze) tvořen. Parametr ukazuje, jak je objekt velký, je vyjádřen
v pixelech případně po konverzi (musí existovat kalibrační faktor) v metrických jednotkách
(mm, µm). Parametr je nezávislý na orientaci objektu v 2D prostoru.
Do celkové plochy (dané třídy objektů, total area, TA) nejsou zahrnovány objekty vyskytující
se na hraně obrazu (tj. pokud objekt není v obraze zobrazen celý, není započítáván).
Parametr obsazená oblast (PA vyjádřeno v %) je hodnocením dané třídy objektu vzhledem
ke kumulativní sumě všech objektů v obraze/vzorku (TA), dle vzorce:
( )
∑
(1)
, kde PAi je plocha každého objektu náležícího do zvolené třídy objektů; TA je celková
plocha všech detekovaných objektů v obraze.
1.3 Délka a šířka (L, W)
Délka (length, L) je definována jako délka hlavní osy, nejdelší osa elipsy se stejným druhým
řádem momentu jako samotný objekt. Šířka (width, W) objektu je definována jako délka
vedlejší osy, nejkratší osa elipsy se stejným druhým řádem momentu jako samotný objekt.
Parametr je vyjádřen v pixelech a může být použit pro hodnocení velikosti objektu. Parametr
je závislý na orientaci objektu v 2D prostoru.
V obraze lze identifikovat například délku vláken, nejedná se o délku jednoho vlákna, ale
o délku všech vláken (kumulativně) v celém obraze (v důsledku křížení vláken apod.).
W
Obrázek 1 – Grafické znázornění detekovaného objektu a morfologického parametru L a W.
5
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
1.4 Poměr stran (štíhlost) (AR)
Poměr stran (aspect ratio, AR) je poměr délky objektu k šířce objektu. Tento parametr je
měřítkem toho, jak je objekt podlouhlý. Kruh má stejné velikosti délky a šířky a poměr je 1.
Čím více je objekt protáhlý, tím větší má poměr stran. Parametr je bezrozměrný a nezávislý
na orientaci objektu v 2D prostoru.
(2)
1.5 Rozměr (Ext)
Rozměr (extent, Ext) je definován jako poměr mezi obsazenou plochou objektu a plochou
jeho ohraničujícího boxu.
(3)
Obrázek 2 – Grafické znázornění objektu a znázornění ohraničujícího boxu.
1.6 Konvexní obálka (PAC)
Konvexní obálka objektu je konvexní polygon zahrnující objekt, určený pomocí vektorizace
obrysu objektu. Proces vektorizace umožňuje reprezentaci objektu jako řadu úseček. Plocha
konvexní obálky je značena PAC.
Konvexnost, vypouklost je dána následující rovnicí
(4)
, kde Pconv je obvod konvexní obálky objektu.
Obrázek 3 – Grafické znázornění objektu a znázornění jeho konvexní obálky.
1.7 Robustnost (Rob)
Robustnost (robustness, Rob) je parametr daný následující rovnicí
(5)
√
, kde erobj je počet erozí (morfologická operace eroze) objektu potřebných
k odstranění objektu.
6
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
1.8 Index konkávnosti (CI), konkávní poměr (CR)
Index konkávnosti (vydutosti, concavity index, CI) je parametr daný následující rovnicí
(6)
√
, kde ercomp je počet erozí (morfologická operace eroze) komplementární části objektu
potřebných k jeho odstranění.
Konkávní poměr (CR) je popsán dle následující rovnice
(7)
, kde PAC je plocha konvexní obálky.
Obrázek 4 – Grafické znázornění komplementární části detekovaného objektu.
1.9 Délka vláken (LF)
Před stanovením délky vláken (jako délky volného vlákna, length of filaments, LF) je nutné
vlákna „ořezat“, tj. eliminovat falešné větve připojené k vláknu anebo ořezat vlákna
od vloček (vyskytují-li se vlákna ve vnitřní struktuře vloček). Z tohoto důvodu je vhodné
odstranit všechny větve vláken menší než určená mez (například 8 pixelů).
Celková délka vláken (total length of filaments, TLF) je dána jako kumulativní suma všech
vláken (lze počítat zvlášť vlákna volná a vlákna integrovaná ve vločkách). Dále má smysl
počítat parametr: celková délka vláken k celkovému obsahu nerozpuštěných látek.
1.10 Ekvivalentní průměr kružnice (ECD)
Ekvivalentní průměr kružnice (Equivalent circle diameter, ECD) představuje průměr kružnice,
která by měla ekvivalentní oblast (plochu) jako sledovaný objekt. Vhodný parametr pro
hodnocení velikosti objektu. Parametr je vyjádřen v pixelech a může být použit pro
hodnocení velikosti objektu. Parametr je nezávislý na orientaci objektu v 2D prostoru.
√
(8)
ECD
Obrázek 5 – Grafické znázornění objektu a morfologického parametru ECD.
7
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
1.11 Obvod (Pe)
Obvod objektu (perimeter, Pe) je délka obrazového bodu, která tvoří hranici mezi objektem
a pozadím. Parametr je vyjádřen v pixelech a může být použit pro hodnocení velikosti
objektu. Parametr je nezávislý na orientaci objektu v 2D prostoru.
1.12 2D-pórovitost (2DP)
Je založen na parametru „poměr otvorů“, který je popsán jako poměr plochy objektu bez
otvorů k celkové ploše objektu se všemi otvory. Parametr (2DP) ukazuje, jak je objekt
porézní; parametr je roven 0, pokud v objektu nejsou přítomný žádné díry; a větší než 0,
pokud jsou uvnitř objektu póry. Parametr je bezrozměrný a nezávislý na orientaci objektu
v 2D prostoru.
(9)
1.13 Eulerovo číslo (EN)
Eulerovo číslo (Euler number, EN) je skalární hodnota, která určuje počet objektů v dané
oblasti mínus počet otvorů v této oblasti. V rámci hodnocení Eulerova čísla je pro jeden
objekt výsledkem počet otvorů v daném objektu.
1.14 Kompaktnost objektu (Comp)
Parametr kompaktnost, hutnost objektu (compactness, Comp) je definován dle vzorce
√
(10)
1.15 Solidita (Sol)
Solidita (pevnost) je skalární hodnota, která určuje podíl pixelů v konvexní obálce daného
objektu. Konvexní obálka je definována jako průnik všech polorovin, které obsahují objekt, tj.
nejmenší konvexní množina, která pokrývá objekt. Solidita (pevnost, tuhost) objektu
(solidity, Sol) je vypočtena z poměru mezi plochou objektu a plochou konvexní obálky
objektu, dle rovnice
(11)
Parametr solidita je pro kruhovitý objekt roven 1 (plocha objektu = konvexní obálka),
pro ostatní tvary či seskupení, bude hodnota solidity menší než 1.
8
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
1.16 Tvarový faktor (FF)
Tvarový faktor (area-perimeter factor, form factor, FF) je nejrozšířenější vzhledový parametr
a je definován jako poměr plochy objektu na plochu kruhu se stejným obvodem jako objekt.
Objekt, který má nepravidelné obrysy, má menší tvarový faktor než objekt s hladkými obrysy,
protože má větší obvod. Parametr může být použit k určení pravidelnosti vločky (tvarový
faktor kruhu se rovná 1). Parametr je bezrozměrný a nezávislý na orientaci objektu v 2D
prostoru.
(12)
1.17 Kruhovitost (RN)
Kruhovitost (roundness, RN) je měřítkem protáhlosti objektu. Parametr je definován jako
poměr plochy objektu k ploše kruhu, který by měl stejný průměr jako délka objektu.
Kruhovitost kruhu je rovna 1, kruhovitost se snižuje pro objekty, které se odchylují od kruhu.
Parametr je bezrozměrný a nezávislý na orientaci objektu v 2D prostoru.
(
(13)
)
1.18 Redukovaný poloměr otáčení (RG)
Redukovaný poloměr otáčení (reduced radius of gyration, RG) je parametr založený
na hodnocení momentu objektu. Parametr ukazuje, jak jsou obrazové body rozptýleny
od těžiště objektu. Například pro pravidelný disk je parametr roven 0.707, jak jsou pixely více
rozptýlené, hodnota parametru se zvyšuje. Parametr je bezrozměrný a nezávislý na orientaci
objektu v 2D prostoru.
√
(14)
M2x, M2y … momenty druhého řádu, definované níže
∑
(
∑
)
(
)
N … Počet pixelů, z nichž se objekt skládá
xi, yi … Souřadnice pixelů
M1x, M1y … momenty prvního řádu (těžiště objektů), definované níže
∑
∑
1.19 Excentricita, výstřednost (Ecc)
Excentricita (výstřednost, nesoustřednost, eccentricity, Ecc) je skalár, který určuje
výstřednost eliptického objektu. Excentricita je poměr mezi vzdáleností ohnisek elipsy
9
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
a délkou hlavní osy elipsy. Hodnota excentricity se pohybuje v rozmezí (0 až 1). Hodnota 0
odpovídá kruhu, hodnota 1 odpovídá úsečce. Excentricita je počítána pomocí druhého
momentu objektu.
(
) (
)
(15)
, kde M2xy je momenty druhého řádu, definované níže
∑(
xi, yi
)(
)
… souřadnice pixelů
M1x, M1y … momenty prvního řádu (těžiště objektů), definované níže
∑
∑
1.20 Difuzivita (DD)
Difuzivita (diffusivity, DD) vyjadřuje schopnost pronikání například živin či kyslíku ke středu
objektu (vločky). Pokud je mohutnost (velikost) vločky vyšší, pak je prostupnost živin
omezená. Výpočet difuzivity je založen na Euklidovské vzdálenosti v binárním obrazu, kde
hranice objektu je vyjádřena jedničkou a každý další pixel blíže ke středu číslem vyšším.
Počítána je nejkratší vzdálenost z daného místa v objektu k jeho hranici. Výpočet koeficientů
difuzivity probíhá pro každý objekt zvlášť, a zároveň lze ze všech objektů stanovit průměr,
maximum a další statistické parametry. Difuzní vzdálenost se vypočítává pomocí Euklidovské
vzdálenosti (Yang et al., 2000).
√
(16)
1.21 Fraktální dimenze (FD)
Fraktální dimenze (fractal dimension, FD) obvodu hodnoceného objektu se používá pro
charakterizaci nepravidelnosti obrysu objektu. Hodnota je v rozmezí 1 a 2 (pro 2D objekty),
kde vyšší hodnota odpovídá vyšší nepravidelnosti obrysu. Fraktální dimenze se vypočítává
dle metody Minkowski Sausage, pomocí dilatace obvodu daného objektu. Parametr je
bezrozměrný a nezávislý na orientaci objektu v 2D prostoru.
Fraktální dimenze je míra nerovnosti (drsnosti) hranice buněčných skupin (clusterů),
k hodnocení se využívá rostoucí dilatace kruhu, výsledek je určen logaritmickým vztahem
mezi obvodem a poloměrem dilatovaného kruhu. Vykreslením grafu hranice (resp. obvod)
objektu vs. průměr dilatovaného kruhu, obojí v logaritmickém měřítku, získáme lineární
funkci. Vhodným proložením dat přímkou získáme hodnotu sklonu křivky (tzv. slope).
Obecně platí, že malé agregáty (struktury menší než 5 µm) jsou poměrně kompaktní
a izotropní, jak indikuje fraktální dimenze blízká hodnotě 2 pro 2D obraz (blízká hodnotě 3
pro 3D obraz). Větší struktury s lineárními rozměry větší než 20 µm bývají méně kompaktní,
s menší fraktální dimenzí.
10
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2
2014
TEXTURNÍ PARAMETRY
Na základě normalizované matice prostorové závislosti PN (popisují intenzitu změny
v příslušném směru, horizontální PH a vertikální PV) jsou dále texturní parametry definovány
jako Entropie textury, Energie nebo Homogenita.
{ (
{
{
)}
(
)
{
[
(
(
(
(
)
)
)
)
(
(
(
(
)
)
)
)
[
(
(
(
(
)
)
)
)
(
(
(
(
)
)
)
)
)}
(
(
∑∑
)}
(
(
(
(
(
(
(
(
)
)
)
)
)
)
)
)
(
(
(
(
(
)}
)
)
)
)]
(
(
(
(
)
)
)
)]
(17)
(18)
2.1 Entropie textury (ET)
Texturní entropie (textural entropy, ET) je míra náhodnosti v šedo-tónové stupnici barev.
Čím vyšší je texturní entropie, tím více je obraz heterogenní. Pojem entropie je často
používán i v jiných vědách. Entropie dat (definováno dle Shannon, 1948), měří nejistotu
informací, kdy zvýšení entropie je spojeno se ztrátou informací. Entropie ve vědách jiných
než v termodynamice je bezrozměrná jednotka.
∑
∑
(
)
(
)
( (
))
(19)
2.2 Energie (E)
Energie (energy, E) měří pravidelnost ve vzorcích pixelů a jejich citlivost na orientaci klastrů
pixelů a podobnost jejich tvarů. Energie je míra směrově se opakujících vzorů pixelů.
Parametr je citlivý na podobnost obrazových bodů klastrů (jejich tvarů). Menší hodnoty
energie znamenají časté a opakované vzory klastrů pixelů a vyšší energie znamená více
homogenní strukturu obrazu s menším počtem opakovaných vzorů, vetší směrovou
jednotnost. Podmínky energie a entropie se používají většinou v jiných vědách než biologie,
ale i zde je jejich význam obdobný jako v termodynamice (nejsou však totožné). V analýze
obrazu byl termín energie představen již v práci (Haralick et al., 1973). Energie ve vědách
jiných než v termodynamice je bezrozměrná jednotka.
∑
∑ { (
) }
(20)
2.3 Homogenita (H)
Homogenita (homogeneity, H) měří podobnost prostorově blízkých obrazových struktur.
Vyšší homogenita znamená více stejnorodou strukturu obrazu. Homogenita je
normalizována s ohledem na vzdálenost mezi změnami ve struktuře, ale je nezávislá
11
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
na umístění klastrů pixelů v obraze. Hodnoty homogenity značí větší, čí menší změny
v kontrastu snímku.
∑ ∑
(
)
(
)
(21)
Definice homogenity a energie jsou podobné, ale význam těchto parametrů je odlišný.
Pokles homogenity je způsoben opakujícím se vzorem pixelových shluků, zatímco pokles
energie je způsoben směrovými změnami ve struktuře pixelů klastrů v obrazu.
12
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
3
2014
PŘÍPRAVA MATEMATICKÉHO MODELU
Byl zahájen vývoj matematického modelu populační dynamiky biocenózy aktivovaného kalu
s účelem determinace základní struktury modelu, procesních rovnic biokinetického modelu,
kinetických a stechiometrických koeficientů, inkorporace modelu do hydraulického
a procesního schématu a řešení souvztažnosti s obrazovou analýzou vzorků aktivovaného
kalu.
Protože jedním ze zásadních problémů týkajících se popisu aktivačních systémů pomocí
matematických modelů je přehledný a co nejjednodušší zápis jednotlivých procesů
do modelu, byl použit maximálně efektivní postup vycházející z poznatků Petersena
(Petersen, 1965), kdy jsou všechny získané informace o biochemických mechanismech
probíhajících v aktivaci převedeny do formy maticového zápisu soustavy diferenciálních
rovnic. Symbolika označování jednotlivých komponent, koeficientů a parametrů procesů
vychází z dříve doporučené notace navržené Grauem et al. (Grau et al., 1982).
Základem pro popis aktivačních systémů matematickými modely jsou rovnice zachování
hmoty:
VSTUP – VÝSTUP + REAKCE = AKUMULACE
Tyto rovnice formulují změny stavu systému (tj. koncentrace jednotlivých složek) v závislosti
na transportních a transformačních procesech. Transportní procesy jsou charakterizovány
schématem aktivačního systému (konfigurací reaktorů, rozvětvením přítoku na čistírnu,
typem aerace, způsobem odtahu přebytečného kalu apod.) – chemická struktura všech
bilancovaných složek zůstává při transportních procesech nezměněna. Transformační
procesy jsou řízeny lokálními podmínkami a zahrnují změny chemické struktury jednotlivých
složek. Model reálného aktivačního systému je proto sestaven z následujících prvků:
-
-
-
Charakterizace transportních procesů, tj. charakterizace uspořádání aktivačního
systému (včetně dosazovacích nádrží, atributů vstupu a výstupu, případně i aeračního
zařízení), charakterizace hydraulických vlastností systému (disperze, míchání, aj.),
možnost separace rozpuštěných a nerozpuštěných složek (sedimentace, zahušťování).
Charakterizace transformačních procesů vyjádřená prostřednictvím biokinetického
modelu sestaveného z matice stechiometrických koeficientů a skupiny kinetických
rovnic.
Řídícího systému procesu s charakterizací časových závislostí vztahů (při simulaci
dynamického chování systémů).
Toto schéma lze graficky znázornit následujícím způsobem:
13
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
TRANSPORTNÍ
jevy
Hydraulické
schéma
MATEMATICKÝ
MATEMATICKÝ
TRASFORMAČNÍ
jevy
MODEL
MODEL
Biokinetický
model
ČASOVÉ ŘÍZENÍ
systému
Metodika řízení
procesu
Obrázek 1 – Schematické znázornění tvorby matematického modelu.
Matematický model reálného aktivačního systému je proto navržen z následujících prvků:
1. Skupina složek vyjádřených jako soubor koncentrací [Ci].
2. Charakterizace transformačních procesů ovlivňujících tyto složky: Pro tento účel je
biokinetický model sestaven z matice stechiometrických koeficientů [i,j] a skupiny
kinetických rovnic.
3. Charakterizace uspořádání aktivačního systému (včetně dosazovacích nádrží, atributů
vstupu a výstupu stejně jako aeračního zařízení).
4. Charakterizace interního transportu a míchání, možnost separace rozpuštěných
a nerozpuštěných složek (sedimentace, zahušťování).
Samotný biokinetický model reflektuje pouze prvky 1. a 2. uvedené výše. Pro popis a simulaci
prvků 3. a 4. lze využít nějakou univerzální SW platformu (ASIM, GPS-X, EFOR, aj.), do které je
doplněn model biokinetický jako základní stavební kámen celého matematického modelu
biologické ČOV.
3.1 Princip konstrukce biokinetického modelu
Konstrukce maticového zápisu modelu byla zvolena obdobná jednoduchému biokinetickému
modelu. Aby bylo možno jednotlivé složky modelu vzájemně matematicky kombinovat, jsou
vyjádřeny v konsistentních jednotkách. Za tímto účelem je použito vyjádření všech
organických složek v jednotkách chemické spotřeby kyslíku (CHSK), přičemž rozpuštěný kyslík
je vyjadřován jako záporná (negativní) hodnota CHSK.
Konstrukce maticového zápisu vychází ze základního schématu biokinetického modelu, který
pro jednoduchost principu obsahuje pouze tři základní složky:
Rozpuštěný kyslík
So
Rozpuštěný organický substrát
Ss
Heterotrofní (organotrofní) biomasa aktivovaného kalu
XB,H
14
-3
[g.m (-CHSK)]
-3
[g.m (CHSK)]
[g.m-3(CHSK)]
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
-1/YH
SS
2014
X BH
-(1-YH )/YH
O2
CO 2 + H2O + energie
Obrázek 2 – Grafické znázornění jednoduchého biokinetického modelu.
Zvláště obtížné je podrobné vysledování interakcí mezi všemi složkami biochemických
mechanismů. V tomto jednoduchém biokinetickém modelu heterotrofní biomasa využívá
rozpuštěný organický substrát Ss jako zdroj uhlíku na syntézu a jako zdroj energie
na zachování životních funkcí. Roste v aerobních a v anoxických podmínkách a rozkládá se,
přičemž část biomasy je přeměňována opět v substrát pro baktérie.
V maticovém zápisu je skupina složek vyjádřena jako soubor koncentrací (c i). Tyto složky mají
index i a jsou uvedeny ve formě souboru koncentrací v 1. řádku matice. Jejich stručné
definice, kombinované s indikací způsobu, jakým jsou měřeny (CHSK), jsou uvedeny
v posledním řádku. Jsou uvažovány 2 transformační procesy s indexem j. Aerobní růst
heterotrofní biomasy na úkor organického substrátu a rozklad heterotrofní biomasy – proces,
který sumarizuje všechny procesy vedoucí k úbytku biomasy: rozklad, endogenní respirace,
predace apod. Názvy transformačních procesů jsou uvedeny v 1. sloupci tabulky. Střed
tabulky obsahuje stechiometrické koeficienty i,j pro různé procesy ve formě stechiometrické
matice. Proces růstu heterotrofní biomasy zde využívá rozpuštěný kyslík a organický substrát
jako výchozí látky, následkem čehož jsou koeficienty 1,1 a 2,1 záporné. Naopak je
produkována biomasa, a to vede k pozitivnímu koeficientu 1,3. Proces rozkladu
spotřebovává heterotrofní biomasu, -3,2, a uvolňuje rozložitelný substrát, +2,2, který se
opět stává dostupným pro růstový proces. Předpokládá se, že proces rozkladu nemá vliv na,
a ani není ovlivňován, rozpuštěným kyslíkem. V posledním pravém sloupci tabulky jsou
definovány kinetické rovnice procesů j. Průběh růstového procesu je popsán Monodovou
rovnicí, proces rozkladu probíhá podle rovnice reakce 1.řádu. Levý dolní roh tabulky
obsahuje definice stechiometrických parametrů, v pravém dolním rohu jsou uvedeny
definice kinetických parametrů. Pro každý proces a složku mohou být nalezeny příslušné
stechiometrické koeficienty; jsou preferována bezrozměrná čísla s hodnotami +1 nebo -1.
Např. pro aerobní růst heterotrofní biomasy byl vybrán koeficient 1,3 = +1 a pro proces
rozkladu koeficient 2,3=-1. Z tabulky vyplývá, že v horizontálním směru dodržují jednotlivé
prvky matice zákon zachování hmoty. Např. na procesu rozkladu je jasně ukázáno, že součet
všech stechiometrických koeficientů je roven 0: i,2 = 0.
Všechny organické složky jsou vyjádřeny pomocí ekvivalentního množství chemické spotřeby
kyslíku (CHSK); z tohoto důvodu je samotný kyslík vyjádřen jako záporná hodnota CHSK
(-CHSK). Ve vertikálním směru (ve sloupcích) popisuje stechiometrická matice látkové bilance
jednotlivých složek. Každá látková bilance je zvlášť navržena pro samostatnou složku i,
přičemž příslušný proces j tuto složku ovlivňuje. Pozorovaná transformační rychlost ri, která
15
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
vstupuje do látkové bilance, je proto součtem transformačních rychlostí této složky ve všech
ri    i , j  j
procesech:
j
Tabulka 1 – Příklad maticového zápisu jednoduchého biokinetického modelu.
Složka
Proces
i
1
2
3
Rychlost procesu
S0
SS
XH
-3 -1
j [ML T ]
1
YH
+1
 m, H S S
+1
-1
j
1: Aerobní růst

1
1
YH

2: Rozklad
Pozorovaná
KS  SS
ri    i , j  j
transformační
XH
bH XH
-3 -1
[MiL T ]
j
rychlost ri
Definice
kinetických
parametrů:
Definice
stechiometrických
parametrů:
YH = koeficient
Rozpuštěný
kyslík
-3
[M(-CHSK)L ]
Rozpuštěný
organický
substrát
-3
[M(CHSK)L ]
Heterotrofní
biomasa
-3
[M(CHSK)L ]
 H - maximální
specifická růstová
-1
rychlost [T ]
KS=saturační
konstanta pro
organický substrát
-3
[MSL ]
výtěžku heterotrofní biomasy:
-1
[MH MS ]
bH=koeficient
rozkladu biomasy
-1
[T ]
Např. pro heterotrofní biomasu je celková transformační rychlost vyjádřena rovnicí:
rX B,H   H .
SS
KS  S S
. X B ,H  bH . X B ,H
Obdobně je vyjádřena i okamžitá rychlost přeměny organického substrátu rSs a spotřeby
kyslíku rSo:
16
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
rSS  
1
SS
. H .
. X B ,H  bH . X B ,H
YH
KS  S S
rSO  
2014
1  YH
SS
. H .
. X B ,H
YH
KS  S S
Způsob prezentace biokinetických modelů usnadňuje identifikaci vztahu mezi jednotlivými
prvky matice, ať už se jedná o kinetiku a stechiometrii procesů na jedné straně, nebo o zákon
zachování hmoty a látkové bilance na straně druhé.
Výše popsaný příklad jednoduché matice je výchozím bodem pro sestavení vlastního modelu
populační dynamiky biocenózy aktivovaného kalu, který již postihuje všechny fundamentální
procesy reálných čistíren odpadních vod.
3.2 Návrh biokinetického modelu populační dynamiky
Matematický model populační dynamiky aktivovaného kalu je navržen pro tři aktivní složky
organické biomasy, přičemž je řešena populační dynamika mezi vločkotvornými
heterotrofními baktériemi a vláknitou baktérií Microthrix parvicella:
heterotrofní biomasu s výjimkou M. parvicella
XBH
heterotrofní biomasu tvořenou M. parvicella
XMP
autotrofní biomasu
XBA
Konverze jednotlivých složek znečištění je vyjádřena biokinetickým modelem. Pomalu
rozložitelná složka XS je hydrolyticky štěpena na snadno rozložitelnou složku SS, která je
utilizována heterotrofní biomasou XBH a biomasou XMP. Organickou složkou je též autotrofní
biomasa XBA, která však narůstá na anorganickém substrátu – amoniakálním dusíku. Všechny
složky biomasy XBH, XMP i XBA se rozkládají za vzniku organických produktů, které mají
partikulovanou formu XP a jsou dále inertním podílem, a za vzniku organické, pomalu
rozložitelné složky XS. Tímto způsobem je vyjádřen cyklus rozkladu a regenerace biomasy
"Death – Regeneration". Inertní rozpuštěné organické látky SI se konverze neúčastní
a procházejí systémem v rozpuštěné formě beze změny. Inertní suspendované organické
látky XI též v systému přímo nevznikají (pouze jako frakce XP, která je však vyjadřována jako
zvláštní složka), ale akumulují se v biomase jako inertní složka kalu.
Jednotlivé frakce organického znečištění v odpadní vodě jsou vyjádřeny diagramem níže
(obrázek 13).
XS
X BH
XP
SS
X MP
X BA
Obrázek 3 – Grafické znázornění jednoduchého biokinetického modelu populační dynamiky Microthrix
parvicella.
17
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Celkov á CHSK
SS, S
X S, X I, X
X MP
I
BH,
X
BA
Rozložitelná
Aktivní biomasa
SS, X S
XBH, X BA X MP
Nerozložitelná
SI, X
I
Snadno
Pomalu
rozložitelná
rozložitelná
Rozpuštěná
nerozložitelná
Nerozpuštěná
nerozložitelná
SS
XS
SI
XI
Obrázek 4 – Frakcionace organických látek v odpadní vodě.
Odpadní voda a aktivovaný kal jsou charakterizovány pomocí 7 rozpuštěných a 7
nerozpuštěných (partikulovaných) složek. Kromě rozpuštěného kyslíku a hydrogenuhličitanové alkality jsou zde uvažovány 3 formy biomasy, 7 frakcí organického materiálu
a 4 frakce dusíku. V modelu je začleněno 11 transformačních procesů. Pět se vztahuje
k růstu heterotrofní (organotrofní + Microthrix parvicella) a autotrofní (litotrofní) biomasy,
tři reprezentují rozklad biomasy a tři popisují procesy hydrolýzy, ve kterých se
vysokomolekulární organický materiál stává dostupným pro biodegradaci ve formě
jednodušších molekul.
Seznam základních složek navrhovaného modelu:
SI
SS
XI
XS
XBH
XMP
XBA
XP
SO
SNO
SNH
SND
XND
SALK
Inertní rozpuštěné organické látky
Snadno rozložitelné organické látky
Inertní suspendované organické látky
Pomalu rozložitelné organické látky
Heterotrofní biomasa
Heterotrofní biomasa Microthrix parvicella
Autotrofní biomasa
Suspendované organické produkty vzniklé rozkladem biomasy
Rozpuštěný kyslík
Rozpuštěný dusičnanový dusík
Rozpuštěný amoniakální dusík
Rozpuštěný organický dusík
Partikulovaný biologicky rozložitelný organický dusík
Hydrogenuhličitanová alkalita
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(CHSK)L-3]
[M(-CHSK)L-3]
[M(N)L-3]
[M(N)L-3]
[M(N)L-3]
[M(N)L-3]
[MolL-3]
Seznam základních parametrů navrhovaného modelu:
̂ H
Maximální specifická rychlost růstu heterotrofní biomasy
[T-1]
̂ MP Maximální specifická rychlost růstu Microthrix parvicella
̂ A Maximální specifická rychlost růstu autotrofní biomasy
[T-1]
KS
[M(CHSK)L-3]
Saturační koeficient růstu heterotrofní biomasy
18
-1
[T ]
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
-3
KMP Saturační koeficient růstu Microthrix parvicella
[M(CHSK)L ]
KNH Saturační koeficient růstu autotrofní biomasy
[M(N)L-3]
KOH, KOA
Saturační koeficienty aerobního růstu biomasy
[M(-CHSK)L-3]
KNO Saturační koeficient anoxického růstu biomasy
[M(N)L-3]
YH,YA Koeficienty produkce heterotrofní, resp. autotrofní biomasy
[M(CHSK)M(CHSK)L1]
YMP Koeficient produkce Microthrix parvicella
[M(CHSK)M(CHSK)L1]
bH, bMP, bA Koeficienty rozkladu biomasy
[T-1]
g Korekční faktor pro růst heterotrofních bakterií v anoxických podmínkách
[-]
-1 -1
kh
Maximální specifická rychlost hydrolýzy
[M(CHSK)M(CHSK) T ]
KX Saturační koeficient hydrolýzy
[M(CHSK)L-3]
h Korekční faktor pro rychlost hydrolýzy v anoxických podmínkách [-]
ka
Rychlost amonifikace
[L3M(CHSK)-1T-1]
fp
Podíl nerozpustných produktů rozkladu biomasy
[M(CHSK)M(CHSK)-1]
iXB, iXPPodíl N v biomase, resp. v nerozpuštěných produktech biomasy [M(N)M(CHSK)-1]
3.3 Modelování inhibice růstu Microthrix parvicella specifickým
inhibitorem
Baktérie Microthrix parvicella jsou značně citlivé na specifický inhibitor, kterým je hlinitý iont
Al3+. Jejich růstové vlastnosti a metabolické cesty jsou jinak velmi podobné vločkotvorným
baktériím, a jsou proto rezistentní vůči oxickým či anoxickým selektorům i anaerobním
zónám. Jsou proto řazeny do skupiny tzv. „all zones growers“. Afinita Microthrix parvicella je
sice vyšší vůči lipidickým substrátům, avšak jednoznačná závislost je obtížně prokazatelná.
Do matematického modelu proto není použita separátní frakce lipidů, ale je zvolen
jednodušší přístup vyjadřující závislost růstu M. parvicella na specifickém inhibitoru.
Umělý vnos inhibující látky do prostředí může působit různými typy inhibičních mechanismů,
přičemž stupeň inhibice se vztahuje k rychlostem inhibované a neinhibované reakce dle
vyjádření:
i  1
, kde i
0
i
i
0
je stupeň inhibice,
je rychlost neinhibované reakce,
je rychlost inhibované reakce.
U biologických procesů se rozlišují tři případy inhibičních mechanismů ve vztahu
ke koncentraci substrátu, které budou po rozpracování do funkční verze modelu testovány:
1. Nekompetitivní inhibice, kde stupeň inhibice není ovlivněn koncentrací substrátu:
i 
vmax .S
( K s  S )·1  ( I / K i )
19
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
2. Kompetitivní inhibice, kde stupeň inhibice závisí na aktuální koncentraci substrátu.
Obvykle stupeň inhibice se snižuje se vzrůstající koncentrací substrátu:
vmax .S
i 
K s ·1  ( I / K i )  S
3. Antikompetitivní inhibice, kde se stupeň inhibice zvyšuje se zvyšující se koncentrací
substrátu:
i 
, kde vmax
S
I
Ki
vmax .S
K s  1  ( I / K i )·S
je maximální rychlost procesu,
je koncentrace substrátu
koncentrace inhibiční látky,
je inhibiční koeficient.
Stupeň inhibice lze také vyjádřit jako funkci koncentrace inhibitoru (I) a inhibiční
konstanty(Ki) formou Monodovy rovnice:
i
I
Ki  I
Vyšší hodnota Ki odpovídá nižšímu stupni inhibice.
3.4 Petersenova matice navrženého modelu populační dynamiky
Navržená Petersenova matice populační dynamiky řeší růst vločkotvorných baktérií
(heterotrofní a autotrofní populace) a vláknitých baktérií Microthrix parvicella. Růst
Microthrix parvicella (XMP) bude navíc ovlivňován v oxickém i anoxickém prostředí
inhibičními vlivy. Pro tyto účely budou testována výše navržená matematická vyjádření
inhibice (αi) za účelem posouzení optimálního matematického vyjádření jako součásti
rychlostí procesů j3 a j4 navržené Petersenovy matice:
Nekompetitivní inhibice
1 
SS
( K s  S S )·1  ( I / K i )
Kompetitivní inhibice
2 
SS
K s ·1  ( I / K i )  S S
Antikompetitivní inhibice
3 
SS
K s  1  ( I / K i )·S S
Inhibice Monodovou funkcí
4 
I
Ki  I
20
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Tabulka 2 – Návrh Petersenovy matice biokinetického modelu populační dynamiky.
j
Proces
Rychlost procesu, j [M L-3 T-1]
 H.
SS
SO
.
. XBH
K S  SS KOH  SO
1
Aerobní
růst XBH
2
Anoxický
růst XBH
3
Aerobní
růst XMP
4
Anoxický
růst XMP
5
Aerobní
růst XBA
6
Rozklad
XBH
bH . XBH
7
Rozklad
XMP
bMP . XMP
8
Rozklad
XBA
b A . XBA
9
Amonifikace
SND
10
Hydrolýza
XS
11
Hydrolýza
XND
H.
SS
KOH
SNO
.
.
. g . XBH
K S  SS KOH  SO K NO  SNO
 MP .
 MP .
SS
SO
.
. XMP· i
K MP  SS K OH  SO
K OH
SS
SNO
.
.
. g . XMP· i
K MP  SS K OH  SO K NO  SNO
 A.
SNH
SO
.
. XBA
K NH  SNH K OA  SO
k a .SND. XBH  XMP 
kh .


K OH
XS /  XBH  XMP 
SO
SNO
.
 h .
.
. XBH  XMP 
K X  XS /  XBH  XMP   K OH  SO
K OH  SO K NO  SNO 
10 .( XND / XS )
21
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Tabulka 3 – Návrh Petersenovy matice biokinetického modelu populační dynamiky (pokračování).
Složka (i)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Proces (j)
SI
SS
XI
XS
XBH
XM
P
XBA
XP
SO
SNO
SNH
SND
XND
SALK
1
Aerobní
růst XBH
-1/YH
1
2
Anoxický
růst XBH
-1/YH
3
Aerobní
růst XMP
-1/YMP
1
4
Anoxický
růst XMP
-1/YMP
1
5
Aerobní
růst XBA
6
Rozklad
XBH
1-fP
7
Rozklad
XMP
1-fP
8
Rozklad
XBA
1-fP
9
Amonifikace
SND
10
Hydrolýza
XS
11
Hydrolýza
XND
-(1-YH)/
YH
-iXB
(YH-1)/
2.86 .YH
1
-(1-YMP)/
YMP
-(4.57-YA)/
YA
1
-1
-1
-1
-iXB/14
(1-YH)/14·2.86 YH
-iXB/14
-iXB
-iXB
-iXB/14
(YMP-1)/
2.86 .YMP
-iXB
(1-YMP)/14·2.86 YMP
-iXB/14
1/YA
-iXB
-1/YA
-iXB/14 - 1/7 YA
fP
iXB
-fP iXP
fP
iXB
-fP iXP
fP
iXB
-fP iXP
1
-1
1/14
1
1
22
-1
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
3.5 Návrh řešení souvztažnosti modelu s obrazovou analýzou
vzorků aktivovaného kalu a měření aktivity mikroorganismů
Obrazová analýza vzorků aktivovaného kalu bude řešit automatickou detekce zejména dvou
složek biomasy:
1. vločkotvorné biomasy,
2. biomasy tvořené vláknitými baktériemi.
Protože matematický model je navržen specificky pro typ Microthrix parvicella, algoritmus
automatické analýzy vzorků kalu bude uzpůsoben k detekci četnosti právě tohoto typu
vláknité baktérie. Pro jednoduchost bude v prvém kroku rozlišeno pouze poměrné
zastoupení vločkotvorných baktérií, vláknitých baktérií a Microthrix parvicella, přičemž
ostatní vláknité baktérie budou pro účely matematického modelu přičteny ke složce
heterotrofních baktérií.
Pro účely detekce aktivity aktivovaných kalů, jako nezbytného kroku pro kalibraci
matematického modelu, byl navržen a vyvinut jednoduchý automatický respirometr včetně
HW a SW rozhraní pro ovládání zařízení včetně grafických on-line výstupů.
Respirometrie umožňuje přesněji identifikovat kvalitu substrátu, podíly snadno
rozložitelného substrátu. Doplňkové denitrifikační testy pak ukazují, zda je daný substrát
využitelný mikroorganismy kalu v anoxickém prostředí pro biologickou denitrifikaci.
Měření aktivity mikrobiologických kultur kultivovaných v suspenzi sestává z měření úbytku
koncentrace kyslíku v prostředí v důsledku respirace mikroorganismů. K měření detekce
koncentrace kyslíku se používá kyslíková sonda. Měřenou veličinou je koncentrace kyslíku,
jejíž úbytek v čase vyjadřuje respirační rychlost.
Základním výsledkem kinetických studií je všeobecně údaj o rychlosti daného děje (např.
rychlost spotřeby substrátu, rychlost spotřeby kyslíku – respirační rychlost apod.). Rychlost
děje je udávána ve dvojí formě:
-
objemová rychlost rV
Rychlost děje je vztažena na jednotku objemu aktivační směsi (index V). Údaj v indexu
potom upřesňuje, v jakých jednotkách byla rychlost měřena. Např. r V,O znamená
objemovou rychlost odstraňování kyslíku vyjádřeného v jednotkách koncentrace kyslíku.
Běžně používanými jednotkami jsou mg.l-1.h-1 či g.m-3.h-1. Hodnota rV se zjišťuje z rozdílu
koncentrací sledované látky (akceptor elektronů) za známý časový úsek vztaženého
na jednotku objemu.
-
specifická rychlost rX
Objemová rychlost děje však aktivitu biomasy nevyjadřuje, neboť stejné hodnoty rV může
být pro různé mikrobiologické kultury dosaženo při jejich různých koncentracích. Pro
hodnocení aktivity mikroorganismů je nutno rychlost děje vyjadřovat jako specifickou
veličinu, tj. vztaženou ke koncentraci mikroorganismů (biomasy) vyjádřenou jako sušina X.
Hodnotu rX lze tedy získat podělením objemové rychlosti rV koncentrací biomasy.
23
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
K měření respiračních rychlostí byla navržena a postavena respirometrická aparatura
s automatickým HW, který podle předem nastavených parametrů testu na SW rozhraní řídí
spínání provzdušňovacího zařízení, graficky zaznamenává pokles hodnoty rozpuštěného
kyslíku v čase a vyhodnocuje okamžitou objemovou rychlost poklesu kyslíku. Do respirometru se umístí známé množství suspenze mikroorganismů, prostředí se nasytí kyslíkem
pomocí difuzoru. Po vypnutí provzdušňování se měří rychlost poklesu kyslíku v čase. Po
poklesu koncentrace kyslíku pod určitou mezní hladinu se opět zapíná provzdušňování
a cyklus se opakuje podle potřeby délky měření. Z tvaru naměřených křivek lze vyhodnotit
aktivitu (respirační rychlosti) mikroorganismů, množství odstraněného substrátu a případně
jeho charakter. Naměřené zkušební křivky jsou znázorněny na obrázku níže, vyhodnocení
rychlostí pak v tabulce.
Výpočet frakce SS
1,2
6
1
5
r v,O,H (mg/l.min)
Koncentrace O 2 (mg/l)
Průběh respiračního testu
7
4
3
2
D O = 6,7 mg/l, SS = 20 mg/l CHSK, f SS = 15 %
0,8
0,6
0,4
0,2
1
0
0
0
1000
2000
3000
4000
5000
6000
7000
8000
0
20
40
60
80
100
120
140
Čas (m in)
Čas (s)
Obrázek 5 – Poklesu koncentrace kyslíku a závislost respirační rychlosti na čase v průběhu kinetického testu.
Tabulka 4 – Vyhodnocení respiračních rychlostí.
Typ rychlosti procesu
Označení
Test A
Test B
Maximální respirační rychlost objemová
rv,O,H,max
63,0
67,9
mg O/(l·h)
Maximální respirační rychlost specifická
Xtotal
rXt,O,H,max
56,3
60,6
mg O/(g Xt·h)
Maximální respirační rychlost specifická
Xorg
rXorg,O,H,max
77,7
83,7
mg O/(g Xorg·h)
rXt,S,H,max
170,5
183,7
mg CHSK/(g Xt·h)
Maximální specifická rychlost
odstraňování substrátu
24
Jednotka
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
4
2014
MONITORING ČOV
Ve vybraných lokalitách byl prováděn systematický průzkum kvality aktivovaného kalu
z hlediska jeho fyzikálně chemických vlastností, sedimentačních vlastností a identifikace
výskytu vláknitých baktérií v biocenóze aktivovaného kalu. Hlavním předmětem zájmu bylo
nalezení potenciálních lokalit s nadměrným výskytem typu Microthrix parvicella a případně
Nocardia sp. (GALO).
V aktivovaném kalu byly identifikovány i další vláknité baktérie, zejména typy: M. parvicella,
Nocardia sp., Typ 0092, H. hydrossis, N. limicola, Typ 0041/0675, Typ 021N, Thiothrix sp., S.
natans, Typ 0581, Typ 0411, Typ 1863.
Z dalších vlastností aktivovaného kalu byly měřeny: pH, NL, NLžíhané, ztráta žíháním (org. podíl
kalu) a kalový index. Byla rovněž zaznamenávána teplota aktivace při odběrech vzorků.
Výsledky monitoringu jsou tabelárně sumarizovány pro jednotlivé lokality monitoringu A
níže.
25
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita A
ČOV - lokalita A
Vláknitá baktérie
9.9.2014
9.10.2014
4.11.2014
9.12.2014
M. parvicella
3
4
3
2
Typ 0092
5
4
4
5
H. hydrossis
2
0
0
0
N. limicola
0
0
0
0
Typ 0041/0675
2
1
2
2
Typ 021N
3
2
2
2
Nocardia sp.
0
1
0
0
Thiothrix sp.
0
0
1
0
S. natans
0
0
0
0
Typ 0581
2
2
3
1
Typ 0411
0
0
0
0
Typ 1863
0
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
0
9.9.2014
9.10.2014
4.11.2014
9.12.2014
Teplota (°C)
13,9
12,7
10,9
8,3
pH (-)
6,8
6,8
7,0
6,9
NLsuš. (mg/l)
2420
3710
3580
2270
NLžíh. (mg/l)
570
780
770
540
ZŽ (%)
76%
79%
78%
76%
99
86
106
88
KI (ml/g)
ČOV - lokalita A
6
M. parvicella
Typ 0092
Četnost výskytu
5
H. hydrossis
4
N. limicola
Typ 0041/0675
3
Typ 021N
Nocardia sp.
2
Thiothrix sp.
S. natans
1
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014 28.10.2014 27.11.2014 27.12.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl Typ 0092, výskyt Microthrix parvicella
byl častý (3) až běžný (4). Výskyt M. parvicella ustupovat s klesajícími teplotami aktivace, tj.
do zimního období. Lokalita potenciálně vhodná pro další monitoring.
26
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita B
ČOV - lokalita B
Vláknitá baktérie
8.9.2014
18.11.2014
M. parvicella
3
3
Typ 0092
3
4
H. hydrossis
2
0
N. limicola
0
0
Typ 0041/0675
6
5
Typ 021N
2
0
Nocardia sp.
0
0
Thiothrix sp.
0
1
S. natans
0
0
Typ 0581
1
2
Typ 0411
0
0
Typ 1863
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
8.9.2014
18.11.2014
Teplota (°C)
18,4
16,3
pH (-)
6,2
6,3
NLsuš. (mg/l)
3220
3450
NLžíh. (mg/l)
1010
1120
ZŽ (%)
69%
68%
87
82
KI (ml/g)
ČOV - lokalita B
7
M. parvicella
Typ 0092
Četnost výskytu
6
H. hydrossis
5
N. limicola
4
Typ 0041/0675
Typ 021N
3
Nocardia sp.
2
Thiothrix sp.
1
S. natans
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014
28.10.2014
27.11.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl Typ 0041/0675, výskyt Microthrix
parvicella byl častý (3). Dalším dominantním typem byl Typ 0092 (3 – 4). Lokalita potenciálně
vhodná pro další monitoring.
27
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita C
ČOV - lokalita C
Vláknitá baktérie
12.9.2014
17.10.2014
10.11.2014
12.12.2014
M. parvicella
2
3
4
4
Typ 0092
5
5
4
5
H. hydrossis
2
1
1
1
N. limicola
0
1
2
0
Typ 0041/0675
4
4
3
4
Typ 021N
2
2
1
2
Nocardia sp.
3
1
1
1
Thiothrix sp.
0
0
1
0
S. natans
0
0
0
0
Typ 0581
0
0
0
0
Typ 0411
0
0
0
0
Typ 1863
0
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
0
12.9.2014
17.10.2014
10.11.2014
12.12.2014
Teplota (°C)
20,2
19,0
17,5
14,4
pH (-)
6,3
6,5
6,3
6,8
NLsuš. (mg/l)
4220
4580
4350
3800
NLžíh. (mg/l)
1350
1550
1280
1130
ZŽ (%)
68%
66%
71%
70%
KI (ml/g)
135
120
128
110
ČOV - lokalita C
6
M. parvicella
Typ 0092
Četnost výskytu
5
H. hydrossis
4
N. limicola
Typ 0041/0675
3
Typ 021N
Nocardia sp.
2
Thiothrix sp.
S. natans
1
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014 28.10.2014 27.11.2014 27.12.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl Typ 0092, výskyt Microthrix parvicella
byl malý (2) až běžný (4). Dalším dominantním typem byl Typ 0041/0675 (3 – 4). Lokalita
potenciálně vhodná pro další monitoring.
28
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
Čistírna odpadních vod – lokalita D
ČOV - lokalita D
Vláknitá baktérie
20.9.2014
26.10.2014
15.11.2014
2.12.2014
M. parvicella
0
0
0
0
Typ 0092
0
0
0
0
H. hydrossis
0
0
0
0
N. limicola
0
0
0
0
Typ 0041/0675
1
2
3
2
Typ 021N
0
1
1
0
Nocardia sp.
0
0
0
0
Thiothrix sp.
6
6
5
4
S. natans
0
0
0
0
Typ 0581
0
0
0
0
Typ 0411
0
0
0
0
Typ 1863
0
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
0
20.9.2014
26.10.2014
15.11.2014
2.12.2014
Teplota (°C)
25,5
25,3
23,2
20,9
pH (-)
7,9
7,8
7,5
7,6
NLsuš. (mg/l)
3540
4850
5600
6230
NLžíh. (mg/l)
440
610
730
850
ZŽ (%)
88%
87%
87%
86%
KI (ml/g)
280
255
210
183
ČOV - lokalita D
7
M. parvicella
Typ 0092
Četnost výskytu
6
H. hydrossis
5
N. limicola
4
Typ 0041/0675
Typ 021N
3
Nocardia sp.
2
Thiothrix sp.
1
S. natans
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014 28.10.2014 27.11.2014 27.12.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl typ Thiothrix sp. (4 – 6), výskyt
Microthrix parvicella nebyl detekován. Dalším častým typem byl Typ 0041/0675 (1 – 3).
Lokalita dále nevhodná pro monitoring.
29
2014
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita E
ČOV - lokalita E
Vláknitá baktérie
23.9.2014
2.10.2014
7.11.2014
18.12.2014
M. parvicella
5
5
6
6
Typ 0092
4
6
5
4
H. hydrossis
1
2
1
0
N. limicola
0
0
0
0
Typ 0041/0675
1
2
2
2
Typ 021N
0
1
1
0
Nocardia sp.
0
0
0
0
Thiothrix sp.
0
0
0
0
S. natans
0
0
0
0
Typ 0581
3
2
2
2
Typ 0411
0
0
0
0
Typ 1863
0
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
0
23.9.2014
2.10.2014
7.11.2014
18.12.2014
Teplota (°C)
18,2
17,3
15,8
13,2
pH (-)
7,1
7,2
7,1
7,3
NLsuš. (mg/l)
5100
4560
4820
3750
NLžíh. (mg/l)
1170
980
1150
830
ZŽ (%)
77%
79%
76%
78%
75
88
120
145
KI (ml/g)
ČOV - lokalita E
7
M. parvicella
Typ 0092
Četnost výskytu
6
H. hydrossis
5
N. limicola
4
Typ 0041/0675
Typ 021N
3
Nocardia sp.
2
Thiothrix sp.
1
S. natans
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014 28.10.2014 27.11.2014 27.12.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl typ Microthrix parvicella v četnostech
hojný až nadměrný (5 – 6) a dále Typ 0092 v četnostech běžný až nadměrný (4 – 6). Spolu
s M. parvicella byl detekován v malé až časté četnosti Typ 0581, tenčí forma M. parvicella.
Lokalita velmi vhodná pro další monitoring.
30
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita F
ČOV - lokalita F
Vláknitá baktérie
25.9.2014
6.10.2014
20.11.2014
M. parvicella
4
5
5
Typ 0092
0
0
0
H. hydrossis
2
2
1
N. limicola
3
2
3
Typ 0041/0675
5
5
6
Typ 021N
0
0
0
Nocardia sp.
0
0
0
Thiothrix sp.
0
0
0
S. natans
0
0
0
Typ 0581
3
2
3
Typ 0411
0
0
0
Typ 1863
0
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
25.9.2014
6.10.2014
20.11.2014
Teplota (°C)
20,1
18,3
15,2
pH (-)
7,2
7,1
7,5
NLsuš. (mg/l)
2750
3260
3820
NLžíh. (mg/l)
743
950
1150
ZŽ (%)
73%
71%
70%
KI (ml/g)
145
155
150
ČOV - lokalita F
7
M. parvicella
Typ 0092
Četnost výskytu
6
H. hydrossis
5
N. limicola
4
Typ 0041/0675
Typ 021N
3
Nocardia sp.
2
Thiothrix sp.
1
S. natans
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014
28.10.2014
27.11.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl Typ 0041/0675 v hojná (5) až
nadměrné (6) četnosti spolu s běžným (4) až hojným (5) výskytem Microthrix parvicella.
Rovněž byl detekován v průměrné četnosti Typ 0581 jako tenčí forma M. parvicella. Lokalita
potenciálně vhodná pro další monitoring.
31
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita G
ČOV - lokalita G
Vláknitá baktérie
30.9.2014
28.10.2014
27.11.2014
M. parvicella
5
4
5
Typ 0092
3
4
3
H. hydrossis
1
0
1
N. limicola
0
0
0
Typ 0041/0675
4
6
4
Typ 021N
1
0
0
Nocardia sp.
3
4
4
Thiothrix sp.
0
0
0
S. natans
0
0
0
Typ 0581
1
0
1
Typ 0411
0
0
0
Typ 1863
0
1
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
30.9.2014
28.10.2014
27.11.2014
Teplota (°C)
18,9
16,4
13,2
pH (-)
7,6
7,2
7,2
NLsuš. (mg/l)
4250
4680
4020
NLžíh. (mg/l)
1150
1260
1030
ZŽ (%)
73%
73%
74%
88
110
95
KI (ml/g)
ČOV - lokalita G
7
M. parvicella
Typ 0092
Četnost výskytu
6
H. hydrossis
5
N. limicola
4
Typ 0041/0675
Typ 021N
3
Nocardia sp.
2
Thiothrix sp.
1
S. natans
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014 28.10.2014 27.11.2014 27.12.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl Typ 0041/0675 v běžné (4) až
nadměrné (6) četnosti spolu s běžným (4) až hojným (5) výskytem Microthrix parvicella.
Rovněž byl detekován v průměrné četnosti Typ 0092 (častý až běžný). Lokalita potenciálně
vhodná pro další monitoring.
32
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Čistírna odpadních vod – lokalita H
ČOV - lokalita H
Vláknitá baktérie
15.9.2014
10.10.2014
25.11.2014
15.12.2014
M. parvicella
0
0
0
0
Typ 0092
6
6
5
5
H. hydrossis
0
0
0
0
N. limicola
0
0
0
0
Typ 0041/0675
5
4
3
2
Typ 021N
2
1
2
1
Nocardia sp.
0
0
0
0
Thiothrix sp.
0
0
0
0
S. natans
0
0
0
0
Typ 0581
0
0
0
0
Typ 0411
0
0
0
0
Typ 1863
0
0
0
četnost výskytu vláknitých baktérií dle 6ti bodové Jenkinsovy škály
Ukazatel
0
15.9.2014
10.10.2014
25.11.2014
15.12.2014
Teplota (°C)
35,2
35,1
35,0
34,9
pH (-)
7,4
7,4
7,5
7,5
NLsuš. (mg/l)
3410
5560
5070
5230
NLžíh. (mg/l)
1215
2430
3640
3840
ZŽ (%)
64%
56%
28%
27%
KI (ml/g)
109
32
28
25
ČOV - lokalita H
7
M. parvicella
Typ 0092
Četnost výskytu
6
H. hydrossis
5
N. limicola
4
Typ 0041/0675
Typ 021N
3
Nocardia sp.
2
Thiothrix sp.
1
S. natans
Typ 0581
0
29.8.2014
Typ 0411
28.9.2014 28.10.2014 27.11.2014 27.12.2014
Typ 1863
Hodnocení: Dominantním typem vláknité baktérie byl Typ 0092 (5 – 6), výskyt Microthrix
parvicella nebyl detekován. Dalším častým typem byl Typ 0041/0675 (2 – 5). Lokalita
nevhodná pro další monitoring.
33
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Reference
Ahmad, U.K., Ujang, Z., Yusop, Z., Fong, T.L., 2002. Fluorescence technique for the characterization of
natural organic matter in river water. Water Sci. Technol. 46, 117–125.
Alves, M.M., Cavaleiro, A.J., Ferreira, E.C., Amaral, A.L., Mota, M., Motta, M. da, Vivier, H., Pons, M.N., 2000. Characterisation by image analysis of anaerobic sludge under shock conditions.
Amaral, A.L., 2003. Image analysis in biotechnological processes: application to wastewater
treatment.
Amaral, A.L., Ferreira, E.C., 2005. Activated sludge monitoring of a wastewater treatment plant using
image analysis and partial least squares regression. Anal. Chim. Acta, Papers Presented at the
9th International Conference on Chemometrics in Analytical Chemistry Papers Presented at
the 9th International Conference on Chemometrics in Analytical chemistry 544, 246–253.
doi:10.1016/j.aca.2004.12.061
Amaral, A.L., Mesquita, D.P., Ferreira, E.C., 2013. Automatic identification of activated sludge
disturbances and assessment of operational parameters. Chemosphere 91, 705–710.
doi:10.1016/j.chemosphere.2012.12.066
Beer, M., Seviour, E.M., Kong, Y., Cunningham, M., Blackall, L.L., Seviour, R.J., 2002. Phylogeny of the
filamentous bacterium Eikelboom Type 1851, and design and application of a 16S rRNA
targeted oligonucleotide probe for its fluorescence in situ identification in activated sludge.
FEMS Microbiol. Lett. 207, 179–183.
Beg, S.A., Siddiqi, R.H., Ilias, S.: Inhibition of nitrification by arsenic, chromium, and fluoride, J. Wat.
Poll. Con. Fed. 54(5) (1982) 482
Boulos, L., Prevost, M., Barbeau, B., Coallier, J., Desjardins, R., 1999. LIVE/DEAD< sup>®</sup>< i>
Bac</i> LightTM: application of a new rapid staining method for direct enumeration of viable
and total bacteria in drinking water. J. Microbiol. Methods 37, 77–86.
Cenens, C., JENNÉ R., VAN IMPE J. F., 2002. Evaluation of different shape parameters to distinguish
between flocs and filaments in activated sludge images.
Da Motta, M., Pons, M.-N., Roche, N., Vivier, H., 2001. Characterisation of activated sludge by
automated image analysis. Biochem. Eng. J. 9, 165–173.
Dziuba, J., Babuchowski, A., Smoczynski, M., Smietana, Z., 1999. Fractal analysis of caseinate
structure. Int. Dairy J. 9, 287–292.
Ellrott, A., Zeder, M., 2010. Overview Image Acquisition of Microscopic Slides via Web Camera.
Gonzalez, R.C., Woods, R.E., Eddins, S.L., 2010. Morphological Reconstruction. Digit. Image Process.
Using MATLAB MathWorks.
Govoreanu, R., Vandegehuchte, K., Saveyn, H., Nopens, I., De Clercq, B., Van Der Meeren, P.,
Vanrolleghem, P.A., 2002. An automated image analysis system for on-line structural
characterization of the activated sludge flocs. Meded.-Fac. Landbouwkd. EN TOEGEPASTE
Biol. Wet. 67, 175–178.
Grau,P., Sutton, P.M., Henze,M., Elmaleh,S., Grady,C.P.L.Jr, Gujer,W. and Koller,J. (1982):
Recommended notation for use in the description of biological wastewater treatment
processes, Wat.Res. 16, 1501-1505.
Grijspeerdt, K., Verstraete, W., 1997. Image analysis to estimate the settleability and concentration
of activated sludge. Water Res. 31, 1126–1134.
34
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Hambsch, B., Hügler, M., Eberhagen, I., Beimfohr, C., Thelen, K., 2005. Report on automated
quantification of FISH-labelled bacteria. Praxis 40, 42.
Hermanowicz, S.W., Schindler, U., Wilderer, P., 1995. Fractal structure of biofilms: New tools for
investigation of morphology. Water Sci. Technol., Biofilm Structure, Growth and Dynamics
Selected Proceedings of the IAWQ International Conference and Workshop on Biofilm
Structure, Growth and Dynamics 32, 99–105. doi:10.1016/0273-1223(96)00013-3
Hug, T., Gujer, W., Siegrist, H., 2005. Rapid quantification of bacteria in activated sludge using
fluorescence in situ hybridization and epifluorescence microscopy. Water Res. 39, 3837–
3848. doi:10.1016/j.watres.2005.07.013
Image Processing Toolbox - MATLAB [WWW Document], n.d. URL
http://www.mathworks.com/products/image/ (accessed 12.17.14).
Jefferson, B., Jarvis, P.R., 2006. Practical application of fractal dimension. Interface Sci. Technol. 10,
45–61.
Jenkins, D., Richard, M.G., Daigger, G.T., 2003. Manual on the Causes and Control of Activated Sludge
Bulking, Foaming and Other Solids Separation Problems. IWA Publishing.
Jenné, R., Cenens, C., Geeraerd, A.H., Van Impe, J.F., 2002. Towards on-line quantification of flocs
and filaments by image analysis. Biotechnol. Lett. 24, 931–935.
Jin, D., Wang, P., Bai, Z., Wang, X., Peng, H., Qi, R., Yu, Z., Zhuang, G., 2011. Analysis of bacterial
community in bulking sludge using culture-dependent and -independent approaches. J.
Environ. Sci. 23, 1880–1887. doi:10.1016/S1001-0742(10)60621-3
Leonard, A.P., Cameron, R.B., Speiser, J.L., Wolf, B.J., Peterson, Y.K., Schnellmann, R.G., Beeson, C.C.,
Rohrer, B., 2015. Quantitative analysis of mitochondrial morphology and membrane
potential in living cells using high-content imaging, machine learning, and morphological
binning. Biochim. Biophys. Acta BBA - Mol. Cell Res. 1853, 348–360.
doi:10.1016/j.bbamcr.2014.11.002
Lewandowski, Z., Beyenal, H., 2007. Fundamentals of biofilm research. CRC Press, Boca Raton.
Liwarska-Bizukojc, E., 2005. Application of Image Analysis Techniques in Activated Sludge
Wastewater Treatment Processes. Biotechnol. Lett. 27, 1427–1433. doi:10.1007/s10529-0051303-2
Liwarska-Bizukojc, E., Bizukojc, M., 2005. Digital image analysis to estimate the influence of sodium
dodecyl sulphate on activated sludge flocs. Process Biochem. 40, 2067–2072.
doi:10.1016/j.procbio.2004.07.020
Lopez, C., Pons, M.N., Morgenroth, E., 2005. Evaluation of microscopic techniques (epifluorescence
microscopy, CLSM, TPE-LSM) as a basis for the quantitative image analysis of activated
sludge. Water Res. 39, 456–468. doi:10.1016/j.watres.2004.10.009
Louvet, J.-N., Heluin, Y., Attik, G., Dumas, D., Potier, O., Pons, M.-N., 2010. Assessment of
erythromycin toxicity on activated sludge via batch experiments and microscopic techniques
(epifluorescence and CLSM). Process Biochem. 45, 1787–1794.
doi:10.1016/j.procbio.2010.03.036
Martins, A.M.P., Pagilla, K., Heijnen, J.J., van Loosdrecht, M.C.M., 2004. Filamentous bulking sludge—
a critical review. Water Res. 38, 793–817. doi:10.1016/j.watres.2003.11.005
Massana, R., Gasol, J.M., Bjørnsen, P.K., Blackburn, N., Hagstrøm, \AAke, Hietanen, S., Hygum, B.H.,
Kuparinen, J., Pedrós-Alió, C., others, 1997. Measurement of bacterial size via image analysis
of epifluorescence preparations: description of an inexpensive system and solutions to some
of the most common problems. Sci. Mar. 61, 397–407.
35
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Meng, F., Zhang, H., Li, Y., Zhang, X., Yang, F., Xiao, J., 2005. Cake layer morphology in microfiltration
of activated sludge wastewater based on fractal analysis. Sep. Purif. Technol. 44, 250–257.
doi:10.1016/j.seppur.2005.01.015
Mesquita, D.P., Amaral, A.L., Ferreira, E.C., 2011a. Identifying different types of bulking in an
activated sludge system through quantitative image analysis. Chemosphere 85, 643–652.
doi:10.1016/j.chemosphere.2011.07.012
Mesquita, D.P., Amaral, A.L., Ferreira, E.C., 2011b. Characterization of activated sludge abnormalities
by image analysis and chemometric techniques. Anal. Chim. Acta, A selection of papers
presented at the 12th International Conference on Chemometrics in Analytical Chemistry
705, 235–242. doi:10.1016/j.aca.2011.05.050
Mesquita, D.P., Amaral, A.L., Ferreira, E.C., Coelho, M.A., 2009. Study of saline wastewater influence
on activated sludge flocs through automated image analysis. J. Chem. Technol. Biotechnol.
84, 554–560. doi:10.1002/jctb.2078
Mesquita, D.P., Dias, O., Amaral, A.L., Ferreira, E.C., 2008. Evaluation of activated sludge systems by
image analysis procedures.
Mesquita, D.P., Dias, O., Amaral, A.L., Ferreira, E.C., 2009a. Monitoring of activated sludge settling
ability through image analysis: validation on full-scale wastewater treatment plants.
Bioprocess Biosyst. Eng. 32, 361–367. doi:10.1007/s00449-008-0255-z
Mesquita, D.P., Dias, O., Dias, A.M.A., Amaral, A.L., Ferreira, E.C., 2009b. Correlation between sludge
settling ability and image analysis information using partial least squares. Anal. Chim. Acta,
Papers presented at the 11th International Conference on Chemometrics in Analytical
Chemistry CAC 2008 642, 94–101. doi:10.1016/j.aca.2009.03.023
Mesquita, D.P., Ribeiro, R.R., Amaral, A.L., Ferreira, E.C., Coelho, M.A.Z., 2011. Image analysis
application for the study of activated sludge floc size during the treatment of synthetic and
real fishery wastewaters. Environ. Sci. Pollut. Res. 18, 1390–1397. doi:10.1007/s11356-0110496-2
Otsu, N., 1975. A threshold selection method from gray-level histograms. Automatica 11, 23–27.
Perez, Y.G., Leite, S.G.F., Coelho, M.A.Z., 2006. Activated sludge morphology characterization through
an image analysis procedure. Braz. J. Chem. Eng. 23, 319–330.
Petersen,E.E. (1965): Chemical Reaction Analysis. Prentice-Hall, Englewood Cliffs, NJ.
Rossetti, S., Tomei, M.C., Nielsen, P.H., Tandoi, V., 2005. “Microthrix parvicella”, a filamentous
bacterium causing bulking and foaming in activated sludge systems: a review of current
knowledge. FEMS Microbiol. Rev. 29, 49–64. doi:10.1016/j.femsre.2004.09.005
Schmid, M., Thill, A., Purkhold, U., Walcher, M., Bottero, J.Y., Ginestet, P., Nielsen, P.H., Wuertz, S.,
Wagner, M., 2003. Characterization of activated sludge flocs by confocal laser scanning
microscopy and image analysis. Water Res. 37, 2043–2052. doi:10.1016/S00431354(02)00616-4
Schuler, A.J., Jassby, D., 2007. Filament content threshold for activated sludge bulking: Artifact or
reality? Water Res. 41, 4349–4356. doi:10.1016/j.watres.2007.06.021
Shapiro, L.G., 1996. Connected Component Labeling and Adjacency Graph Construction, in:
Rosenfeld, T.Y.K. and A. (Ed.), Machine Intelligence and Pattern Recognition, Topological
Algorithms for Digital Image Processing. North-Holland, pp. 1–30.
Sikora, M., Smolka, B., 2001. Feature analysis of activated sludge based on microscopic images, in:
Electrical and Computer Engineering, 2001. Canadian Conference on. IEEE, pp. 1309–1314.
36
Charakterizace parametrů obrazové analýzy kalů
a přípravy matematického modelu
2014
Smoczyński, L., Ratnaweera, H., Kosobucka, M., Smoczyński, M., n.d. Image Analysis of Sludge
Aggregates. Sep. Purif. Technol. doi:10.1016/j.seppur.2013.09.030
Suzuki, K., Horiba, I., Sugie, N., 2003. Linear-time connected-component labeling based on sequential
local operations. Comput. Vis. Image Underst. 89, 1–23. doi:10.1016/S1077-3142(02)00030-9
Urbain, V., Block, J.C., Manem, J., 1993. Bioflocculation in activated sludge: an analytic approach.
Water Res. 27, 829–838. doi:10.1016/0043-1354(93)90147-A
Van Dierdonck, J., Van den Broeck, R., Vervoort, E., D’haeninck, P., Springael, D., Van Impe, J., Smets,
I., 2012. Does a change in reactor loading rate affect activated sludge bioflocculation?
Process Biochem. 47, 2227–2233. doi:10.1016/j.procbio.2012.08.017
Wagner, M., Loy, A., 2002. Bacterial community composition and function in sewage treatment
systems. Curr. Opin. Biotechnol. 13, 218–227. doi:10.1016/S0958-1669(02)00315-4
Wang, B., Zhang, L., Peng, D., Hou, Y., Pei, L., Yu, L., 2013. Extended filaments of bulking sludge sink in
the floc layer with particulate substrate. Chemosphere 93, 2725–2731.
doi:10.1016/j.chemosphere.2013.08.099
Wu, Q., Merchant, F., Castleman, K., 2008. Microscope Image Processing, 1 edition. ed. Academic
Press, Amsterdam ; Boston.
Yang, X., Beyenal, H., Harkin, G., Lewandowski, Z., 2000. Quantifying biofilm structure using image
analysis. J. Microbiol. Methods 39, 109–119. doi:10.1016/S0167-7012(99)00097-4
Zeder, M., Van den Wyngaert, S., Koster, O., Felder, K.M., Pernthaler, J., 2010. Automated
Quantification and Sizing of Unbranched Filamentous Cyanobacteria by Model-Based ObjectOriented Image Analysis. Appl. Environ. Microbiol. 76, 1615–1622. doi:10.1128/AEM.0223209
Zhang, W., Yang, P., Xiao, P., Xu, S., Liu, Y., Liu, F., Wang, D., 2015. Dynamic variation in
physicochemical properties of activated sludge floc from different WWTPs and its influence
on sludge dewaterability and settleability. Colloids Surf. Physicochem. Eng. Asp. 467, 124–
134. doi:10.1016/j.colsurfa.2014.11.027
Zhou, X., Huang, B., Zhou, T., Liu, Y., Shi, H., 2015. Aggregation behavior of engineered nanoparticles
and their impact on activated sludge in wastewater treatment. Chemosphere 119, 568–576.
doi:10.1016/j.chemosphere.2014.07.037
37