基于改进YOLOv4模型的全景图像苹果识别

苹果果园由于密植栽培模式,果树之间相互遮挡,导致苹果果实识别效果差,并且普通的图像采集方式存在图像中果实重复采集的问题,使得果实计数不准确。针对此类问题,该研究采用全景拍摄的方式采集苹果果树图像,并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法。首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制,将PANet模块中的部分卷积替换为深度可分离卷积,且增加深度可分离卷积的输出通道数,以增强特征提取能力,降低模型参数量与计算量。将全景图像分割为子图像,采用改进的YOLOv4模型进行识别,通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果,改进后的YOLOv4网络模型精确率达到96.19%,召回率达到了95.47%,平均精度AP值达到97.27%,比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点。采用基于阈值的边界框匹配合并算法,将识别后子图像的边界框进行匹配与合并,实现全景图像的识别,合并后的结果其精确率达到96.17%,召回率达到95.63%,F1分数达到0.96,平均精度AP值达到95.06%,高于直接对全景图像苹果进行识别的各评价指标。该方法对自然条件下全景图像的苹果识别具有较好的识别效果。     

基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法

渔船捕捞信息量化是开展限额捕捞精细化管理的前提,为解决中国毛虾限额捕捞目标识别和信息统计量化问题,研究了在中国毛虾限额捕捞渔船上安装电子监控（electronic monitoring,EM）设备,并基于YOLOv7提出一种改进的目标检测算法（YOLOv7-MO）和目标计数算法（YOLOv7-MO-SORT）。YOLOv7-MO目标检测算法采用MobileOne作为主干网络,在输出端head部分加入C3模块,并完成剪枝操作;YOLOv7-MO-SORT目标计数算法将SORT（simple online and realtime tracking）算法中的Fast R-CNN替换为YOLOv7-MO,用于检测捕捞作业中抛出的锚和装有毛虾的筐。采用卡尔曼滤波和匈牙利匹配算法对检测到的目标进行跟踪预测,设置碰撞检测线、时间戳、阈值和计数器,实现对捕捞作业过程中渔获毛虾筐数和下网数量计数。结果表明：1）改进后的YOLOv7-MO在测试集上的平均检测精度、召回率、F1得分分别达到了97.3%,96.0%,96.6%,相比YOLOv7模型分别提升了2.0、1.1和1.5个百分点。2）改进后的YOLOv7-MO模型大小、参数量和浮点运算数分别为64.0 MB、32.6 M、39.7 G,相比YOLOv7模型分别缩小了10.2%、10.6%和61.6%。3）以YOLOv7-MO为检测器的SORT算法毛虾捕捞作业计数准确率在统计毛虾筐数和下网数量上分别达到80.0%和95.8%。YOLOv7-MO在提高检测精度的同时减轻了模型量级,提高了检测效率。结果表明,该研究能够为实现渔船捕捞作业信息记录自动化和智能化提供方法,为毛虾限额捕捞管理提供决策参考依据。     

基于迁移学习与YOLOv8n的田间油茶果分类识别

为降低视觉引导式油茶果采摘机器人采摘被遮挡油茶果时造成的果树和抓取装置损伤,该研究提出了一种基于迁移学习和YOLOv8n算法的油茶果分类识别方法,将油茶果分成无遮挡和遮挡两类。首先,采用COCO128目标检测数据集作为源域,苹果数据集为辅助域的迁移学习方法训练模型。其次,将学习方法、训练数据量、学习率和训练轮数这4种因素组合,共进行了52组YOLOv8n检测性能的消融试验。最后,将YOLOv8n模型与YOLOv3-tiny、YOLOv5n和YOLOv7-tiny等模型进行比较。试验结果表明,随机权重初始化方式受训练数据量和学习率影响较大,学习率为0.01时模型检测效果最好;而迁移学习方法仅用随机权重初始化1/2的数据量即可达到与其相当的平均精度均值;迁移学习方式下,YOLOv8n模型的平均精度均值最高达到92.7%,比随机权重初始化方式提升1.4个百分点。与YOLOv3-tiny、YOLOv5n和YOLOv7-tiny等模型相比,YOLOv8n模型的平均精度均值分别提高24.0、1.7和0.4个百分点,研究结果可为YOLOv8n模型训练参数优化和油茶果分类识别提供参考。     

基于自纠正NMS-ByteTrack的套袋葡萄估产方法

针对套袋后的葡萄体积增加和葡萄叶片表面积大容易出现重叠遮挡,及人工拍摄视频的速度不稳定可能导致套袋葡萄目标丢失的问题,该研究提出一种基于自纠正NMS(non-maximum suppression)-ByteTrack的套袋葡萄估产方法。该方法首先通过目标检测方法YOLOv5s检测视频中的套袋葡萄,将检测阶段的NMS操作后置到追踪阶段,保留因遮挡而被过滤的果实检测框;其次在ByteTrack的基础上加入相机运动补偿和改进的卡尔曼滤波算法,以自动纠正果实预测框的位置并进行追踪;最后提出一种划线计数策略对套袋葡萄自动计数。试验结果表明,该方法的多目标追踪准确率、多目标追踪精度和ID调和平均数分别为64.6%、82.4%和80.8%,相比ByteTrack分别提高了1.7个百分点、1.0个百分点和4.1个百分点,平均计数精度达到82.8%。因此,基于自纠正NMS-ByteTrack的估产方法能有效解决套袋葡萄的追踪计数问题,实现对套袋葡萄更精确地估产。     

基于改进YOLOv4模型的橙果识别与定位方法

为提高橙果采摘定位精度和作业速度,提出一种便于迁移至移动终端的改进YOLOv4模型,可从RealSense深度相机所成彩色图像中获取果实质心二维坐标,经配准提取对应深度图中质心点深度值,实现果实的三维空间定位。改进YOLOv4模型以MobileNet v2为主干网络,在颈部结构中使用深度可分离卷积替换普通卷积,实现模型轻量化并提高检测速度。训练后的改进模型对513张独立橙果测试集数据的识别平均精度达97.24%,与原始YOLOv4模型相比,平均检测时间减少11.39 ms,模型大小减少197.5 M。与经典Faster RCNN、SSD模型相比,检测平均精度分别提高了2.85和3.30个百分点,模型大小分别减少了474.5和44.1 M。与轻量化模型YOLOv4-tiny相比,召回率提升了4.79个百分点,较Ghostnet-YOLOv4,检测速度提升了27.64个百分点。为验证该改进算法实用性,应用改进模型获取果园中78个橙果的位置信息,结果表明：果实二维识别成功率达98.72%,水平方向及垂直方向的平均绝对百分比误差均在1%以内。果实三维定位成功率达96.15%,深度信息平均绝对百分比误差为2.72%,满足采摘机械手精准定位需求。该方法为复杂场景下采摘作业实现提供了鲁棒性强、实时性好、精准度高的目标定位途径。     

融合YOLOv7和BYTE多目标跟踪的多类别海珍品计数方法

针对目前养殖过程中海珍品计数方法成本高、效率低、计数精度难以保障等问题,该研究以真实底播养殖环境下的海珍品为研究对象,以水下拍摄的海珍品视频为数据源,提出一种基于视频多目标跟踪的多类别海珍品计数方法。首先,采用性能优异的YOLOv7算法实现海珍品目标检测器,为多目标跟踪提供输入;然后,结合真实养殖环境下同类别海珍品外观相似性高、不清晰等特点,借鉴BYTE算法的多目标跟踪思想,设计多类别轨迹生成策略和基于轨迹ID号的计数策略,提出一种多类别海珍品跟踪与计数方法。并提出一套更适用于基于轨迹ID号计数方法的评估指标。试验结果表明,改进平均计数精度、改进平均绝对误差、改进均方根误差及帧率分别为91.62%、5.75、6.38和32帧/s,各项指标多优于YOLOv5+DeepSORT、YOLOv7+DeepSORT、YOLOv5+BYTE、YOLOv7+BYTE等算法,尤其改进平均计数精度、帧率指标比YOLOv5+DeepSORT高了29.51个百分点和8帧/s,且在改进平均绝对误差、改进均方根误差指标上分别降低19.50和12.08。该研究方法可有效帮助水产养殖企业掌握水下海珍品数量,为现代化...     

基于多尺度融合注意力机制的群猪检测方法

群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,该研究提出了基于多尺度融合注意力机制的群猪检测方法。首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意力机制的小目标尺度检测网络结构,并基于残差思想优化了最大池化卷积模块,实现了对被遮挡与小目标猪只个体的准确检测;其次结合GradCAM算法进行猪只检测信息的特征可视化,验证群猪检测试验特征提取的有效性。最后使用目标跟踪算法StrongSORT实现猪只个体的准确跟踪,为猪只的检测任务提供身份信息。研究以育肥阶段的长白猪为测试对象,基于不同视角采集的视频数据集进行测试,验证了YOLOpig网络结合StongSORT算法的准确性和实时性。试验结果表明,该研究提出的YOLOpig模型精确率、召回率及平均精度分别为90.4%、85.5%和92.4%,相较于基础YOLOv7模型平均精度提高了5.1个百分点,检测速度提升7.14%,比YOLOv5、YOLOv7tiny和YOLOv8n 3种模型的平均精度分别提高了12.1、16.8和5.7个百分点,该文模型可以实现群猪的有...     

基于时序图像跟踪的葡萄叶片病害动态监测

为提高自然成像条件下的酿酒葡萄图像中病害识别的可靠性,对时序叶片图像作连续病害检测并监测病斑变化情况。首先,在每一天利用Faster R-CNN算法对摄像机视场中葡萄叶片进行检测,对检测到的叶片采用改进卡尔曼滤波法进行跟踪,以获得叶片正面图像。为了实现多叶片跟踪和解决由遮挡而造成的跟踪失败问题,该文在卡尔曼滤波和匈牙利算法基础上,结合运动测度和深度外观信息对跟踪目标进行匹配,运动匹配时采用马氏距离,外观匹配方面采用最小余弦距离。其次,将不同日期的叶片正面图像做SIFT(scale-invariant feature transform)匹配,找到同一叶片按日期排列的一组序列图像,并在序列图像中通过深度学习技术进行病害识别。最后,通过监测叶片序列图像上病斑相对面积变化或病斑数量是否增加来确认病害的存在。该文对提出的跟踪算法、叶片匹配算法和序列图像上病害识别的精度进行了测试,试验表明:跟踪算法平均多目标跟踪准确度为73.6%,多目标跟踪精度为74.6%,基于判别模型颜色特征的传统跟踪算法两指标分别为14.3%和61.3%;基于SIFT特征的叶片匹配在识别同一叶片时的精度达到了90.9%;病害监测方面,虚警综合排除率(马修斯相关系数)达到了84.3%。该文的方法可以排除一些虚假病害,病害监测的可靠性有所提高,可适用于自然条件下葡萄病害的连续在线监测。     

利用改进的YOLOv5s检测莲蓬成熟期

为解决莲田环境下不同成熟期莲蓬的视觉感知问题,该研究提出了一种改进YOLOv5s的莲蓬成熟期检测方法。首先,通过在主干特征网络中引入BoT(bottleneck transformer)自注意力机制模块,构建融合整体与局部混合特征的映射结构,增强不同成熟期莲蓬的区分度;其次,采用高效交并比损失函数EIoU(efficient IoU)提高了边界框回归定位精度,提升模型的检测精度;再者,采用K-means++聚类算法优化初始锚框尺寸的计算方法,提高网络的收敛速度。试验结果表明,改进后YOLOv5s模型在测试集下的精确率P、召回率R、平均精度均值mAP分别为98.95%、97.00%、98.30%,平均检测时间为6.4ms,模型尺寸为13.4M。与YOLOv3、 YOLOv3-tiny、 YOLOv4-tiny、 YOLOv5s、YOLOv7检测模型对比,平均精度均值mAP分别提升0.2、1.8、1.5、0.5、0.9个百分点。基于建立的模型,该研究搭建了莲蓬成熟期视觉检测试验平台,将改进YOLOv5s模型部署在移动控制器Raspberry Pi 4B中,对4种距离范围下获取的莲蓬场景图像...     

基于优选YOLOv7模型的采摘机器人多姿态火龙果检测系统

为了检测复杂自然环境下多种生长姿态的火龙果,该研究基于优选YOLOv7模型提出一种多姿态火龙果检测方法,构建了能区分不同姿态火龙果的视觉系统。首先比较了不同模型的检测效果,并给出不同设备的建议模型。经测试,YOLOv7系列模型优于YOLOv4、YOLOv5和YOLOX的同量级模型。适用于移动设备的YOLOv7-tiny模型的检测准确率为83.6%,召回率为79.9%,平均精度均值（mean average precision,mAP）为88.3%,正视角和侧视角火龙果的分类准确率为80.4%,推理一张图像仅需1.8 ms,与YOLOv3-tiny、YOLOv4-tiny和YOLOX-tiny相比准确率分别提高了16.8、4.3和4.8个百分点,mAP分别提高了7.3、21和3.9个百分点,与EfficientDet、SSD、Faster-RCNN和CenterNet相比mAP分别提高了8.2、5.8、4.0和42.4个百分点。然后,该研究对不同光照条件下的火龙果进行检测,结果表明在强光、弱光、人工补光条件下均保持着较高的精度。最后将基于YOLOv7-tiny的火龙果检测模型部署到Jetson Xavier NX上并针对正视角火龙果进行了验证性采摘试验,结果表明检测系统的推理分类时间占完整采摘动作总时间的比例约为22.6%,正视角火龙果采摘成功率为90%,验证了基于优选YOLOv7的火龙果多姿态检测系统的性能。     

鸟粪石沉淀法脱除氨氮对鸡粪厌氧发酵过程的影响

为缓解鸡粪厌氧发酵过程中产生的氨氮抑制,采用投加镁磷盐的方式,在厌氧发酵过程中原位脱除氨氮,考察鸟粪石沉淀法脱除氨氮对鸡粪厌氧发酵过程的影响及镁磷盐的利用效率。试验向稳定运行的半连续厌氧反应器内投加MgCl2·6H2O和K2HPO4·3H2O,理论脱除速率为3 000 mg/d。第一次加盐脱除氨氮后,试验组反应器内氨氮浓度由2 937 mg/L降低至1 466 mg/L,平均产甲烷量为0.39 L/g,相较对照组的0.33 L/g提高了18%,镁磷盐利用率为91%;第二次加盐脱除氨氮后,试验组氨氮浓度由2 232 mg/L降低至762 mg/L,平均产甲烷量为0.33 L/g,相较对照组的0.30 L/g提高了10%,镁磷盐利用率为90%。研究表明鸟粪石沉淀法能较好的与厌氧发酵过程相耦合,在脱除氨氮缓解抑制的同时,提高系统甲烷产量,并回收部分氮磷资源。     

鸡粪高固体浓度进料厌氧消化连续运行性能

以鸡粪为处理对象,进料总固体（Total Solids, TS）浓度控制在15%,进行鸡粪高固体浓度进料厌氧消化试验,在水力停留时间（Hydraulic?Retention?Time, HRT）为 60 d的条件下,连续运行155 d考察发酵性能。试验结果表明,在有机负荷（Organic Load Rate, OLR）为1.5 g/(L·d)（以Volatile Solids, VS计算）和氨氮（Total Ammonia Nitrogen, TAN）浓度7.5 g/L的条件下,甲烷产率达到326 mL/g,总挥发性脂肪酸（Total Volatile Fatty Acids, TVFA）浓度在0.5 g/L左右, pH值在8.3以上,实现了低有机酸残留的鸡粪高固体浓度进料厌氧消化的稳定运行。鸡粪的水解率、酸化率以及产甲烷率分别为61%、47%和47%。厌氧污泥的比产甲烷活性（Specific Methanogenic Activity, SMA）为0.042 g/(g·d),显示有较好的代谢活性,利用一级动力学模型进行模拟,动力学常数为0.202 d-1,相关性系数为0.982。该研究验证了通过延长HRT适当降低OLR的方式,鸡粪高固体浓度进料厌氧消化可以耐受极高的氨氮浓度,为工程应用提供了可能性。     

4种畜禽粪便厌氧发酵产甲烷特性研究

本文采用玻璃厌氧发酵罐研究了猪粪、牛粪、鸡粪和鸭粪在室温下发酵20 d过程中产甲烷气量及其受物料特性影响的规律, 为动物废弃物的资源化利用提供指导。研究表明, 在同等条件下猪粪、牛粪、鸡粪和鸭粪经过20 d的厌氧发酵后, 总产气量从大到小排序为牛粪>鸭粪>猪粪>鸡粪, 分别为2 649 mL、2 515 mL、1 964 mL、1 278 mL; 与总产气量排序相似, 上述粪便厌氧发酵总固体物质降解产气率分别为47.60 mL·g^-1、45.23 mL·g^-1、37.27 mL·g^-1和33.49 mL·g^-1。猪粪在厌氧发酵过程中易发生酸化, 第10 d发酵液 pH降到5.62, 从而导致产气量下降; 鸡粪在厌氧发酵过程中铵态氮含量过高, 发酵液铵态氮含量在前5 d就快速增长, 第15 d达到最大值3 604 mg·L^-1, 从而抑制产气。可见, 源于物料自身的pH和铵态氮含量变化是影响畜禽粪便发酵液厌氧产气的重要因素。     

基于电子流守恒理论的秸秆厌氧发酵产气预测

目前关于厌氧产气的预测仍然较为粗略,该文综合考虑了物料成分及降解性能,微生物的同化异化,氮源,提出了一种基于电子流守恒理论的厌氧发酵产气预测方法。在假设秸秆各组分充分降解的情况下对秸秆厌氧发酵的最大产气量进行预测,并通过参考数据对其进行了验证,结果表明与试验值相比预测值最小误差为0.3%,平均误差10.2%,可以较准确的预测出秸秆厌氧发酵的最大产气量。该文进一步通过此方法对中国主要的3种秸秆的厌氧发酵最大产气量以及在实际工程条件下的秸秆产气量进行了预测。此方法的提出为预测秸秆最大产气量以及秸秆在工程中产气性能提供了参考,计算较为方便,也提高产气预测的准确性。     

生物反应器模拟生活垃圾填埋降解产甲烷性能

该文采用生物反应器模拟生活垃圾填埋降解过程,跟踪测试了垃圾在厌氧消化过程中产甲烷进程及渗滤液特性,并探索两者之间的关系,旨在筛选出可以预测垃圾厌氧消化产甲烷进程的指标。结果表明渗滤液pH值、TOC/TN(total organic carbon/total nitrogen)、乙酸/戊酸(HAc/HVa)的变化对系统产甲烷进程及稳定性有一定的指示作用。消化系统产甲烷初期,渗滤液pH值稳定在5.77~5.91。产甲烷高峰期,渗滤液pH值会迅速升高达到峰值。渗滤液中TOC/TN≥11时,垃圾厌氧发酵系统稳定,产甲烷正常。而当渗滤液中TOC/TN11时,发酵系统因氨积累失稳,产气量小。戊酸在垃圾厌氧消化过程中生成与转化较为活跃,HAc/HVa变化较大且有明显的拐点,拐点处可预测消化系统进入产甲烷期。此外,采用16S r RNA基因标记技术对反应器中3个阶段的垃圾渗滤液样品(水解酸化期A、产甲烷高峰期B、产甲烷末期C)以及试验结束时垃圾样品和覆盖土样品进行群落评估。聚类树分析得出生活垃圾(municipal solid wastes,MSW)样品与渗滤液样品其微生物种类及丰度都较为接近,有较近的亲缘关系,且反应期越长相似度越高。测定渗滤液样品的微生物群落组成可一定程度反映出系统内垃圾的群落结构。覆盖层是系统进行硝化反应的主要场所。垃圾厌氧消化末期,系统中氨积累抑制产甲烷菌活性,是导致系统产甲烷能力下降的主要原因。     

适宜原料压实度改善玉米秸秆厌氧干发酵特性

干发酵原料中固形物含量高,结构疏松,原料的压实度直接关系到发酵罐的利用率和生产成本。为了探讨原料压实度对厌氧干发酵过程的影响,该文以玉米秸秆粉为试验材料,研究了不同固形物含量(TS)条件下原料压实度对厌氧干发酵产气特性及物料特性变化的影响,结果表明:相同TS下,随着压实度的增加,日产气量(基于可挥发性固形物,VS)峰值降低且出峰时间略有滞后;原料压实度对累积产气量、日产气量变化趋势以及甲烷体积分数的影响不明显。基于发酵罐容积计算产气量时,原料压实度与日产气量峰值、累积产气总量以及累积甲烷产量均呈显著正相关。不同TS条件下的原料压实度对厌氧干发酵过程的影响程度不同,TS含量越高原料压实度对产气量的影响越明显。TS为20%和25%时,逐层压实发酵罐的单位容积累积产气量比自然填料罐分别提高了37.1%和60.2%。当发酵料初始TS为20%时,原料压实度的增加可促使物料中形成连续的液相,改善物料层间的传质,从而使发酵料上下层间的差异减小。当发酵料初始TS提高到25%时,原料压实度增加对传质特性无明显影响。综上所述,在该试验研究范围内,提高原料压实度可以保证玉米秸秆厌氧干发酵产气过程的正常进行,且可以显著提高发酵罐的容积利用率。该研究对厌氧干发酵原料压实度与发酵特性之间的关系进行了初步探讨,以期为有效提高厌氧干发酵罐的产能能力提供参考。     

双污泥反硝化除磷系统中氨氮容积负荷的优化

农村生活污水具有处理量小,分散,日变化系数大等特点,分散处理成为农村污水处理的首要选择。该研究采用AAO工艺与BAF组成的双污泥反硝化除磷系统（anaerobic anoxic oxic-biological aerated filter,AAO-BAF）处理农村生活污水,探讨了氨氮容积负荷对该系统BAF单元硝化性能及出水悬浮物（SS）的影响。通过改变水力负荷和有效滤料容积（即方式1和方式）2种方式,氨氮容积负荷在0.43～1.21 kg/(m3·d)之间变化。试验结果表明,随着氨氮容积负荷的增加,氨氮去除率呈现先缓慢降低后急剧减小的趋势,不同的是,出水SS对方式1（即水力负荷的变化）更敏感。当氨氮容积负荷在0.43～1.12 kg/(m3·d)时,氨氮去除率大于81%;当氨氮容积负荷大于1.12 kg/(m3·d),氨氮去除率急剧降低,氨氮容积负荷为1.21 kg/(m3·d),2种运行方式的氨氮去除率分别为65%和68%。当氨氮容积负荷小于0.74 kg/(m3·d)时,出水SS小于10 mg/L;当氨氮容积负荷大于0.74 kg/(m3·d)时,出水SS急剧增加,但方式1增加得更快,氨氮容积负荷增加到1.21 kg/(m3·d)时,方式1和方式2的出水SS分别为21.8和14.2 mg/L。所以,为保证BAF出水水质达到国家一级A排放标准,其氨氮容积负荷应小于0.74 kg/(m3·d)。     

水泡粪物料中固体和氨氮含量对厌氧消化产气特性的影响

目前不少猪场使用水泡粪清粪工艺清理猪粪便,同时对水泡粪清理的粪污进行沼气工程处理,但不同水泡粪贮存条件对其粪污后续厌氧发酵的影响尚不清楚.本试验将猪粪和尿液通过不同贮存温度（20℃,30℃）和时间（7d,14d,21d）组成6种前处理条件,模拟不同条件水泡粪出水,研究水泡粪物料特性对出水厌氧发酵的影响.结果表明,水泡粪出水的单位挥发性固体（VS）的厌氧发酵产气率在369.2 ～702.0mL/g,厌氧发酵前7d的日产沼气量一直处于较高水平,之后快速下降,厌氧发酵10d后产气基本处于较低水平且下降平缓;氨氮对厌氧发酵有显著的抑制作用,厌氧消化甲烷产率（y）与氨氮浓度（x）的关系为y =4＆#215;10-5x2-0.3618x＋1283（R2=0.9846）.水泡粪物料总固体物含量越高厌氧发酵产气越低,据此建议适当缩短水泡粪时间以提高后续厌氧发酵产气量.     

高含固率秸秆和牛粪混合物料发酵产甲烷工艺

该研究针对高含固率纤维质物料难以连续厌氧发酵、甲烷产率低的问题,利用所研制的一套能连续进出料、具有高有机负荷承载力的新型反应器,以玉米秸秆和牛粪为原料,通过调控搅拌强度和投料强度在反应器内建立了"分区发酵"体系,比较了3种高含固率(10%、15%和20%)物料在不同有机负荷下的甲烷容积产率,系统研究了物料含固率、搅拌强度和投料强度对"分区发酵"体系形成功能分区的高度、各功能区的pH值和甲烷容积产率的影响,旨在为纤维质物料产甲烷提供高效的发酵工艺和可靠的运行参数。结果表明,含固率为10%和15%的反应器,甲烷容积产率随有机负荷的增加而增加,平均甲烷体积分数稳定在52%左右,二者在有机负荷分别为13.44和20.17 kg/(m3·d)时,甲烷容积产率最高,分别为1.62和1.66 m3/(m3·d),在有机负荷分别为20.17和30.0 kg/(m3·d)时,甲烷产量明显下降;含固率为20%的反应器,甲烷容积产率随有机负荷的增加基本保持不变且较低(0.98 m3/(m3·d)),当有机负荷达到30.0 kg/(m3·d)时,发酵体系酸败,甲烷产量明显下降。双因素优化结果表明,当物料含固率为10%和15%、搅拌强度为6~12 h/d、投料强度为6.5~10 d时,发酵体系可形成高效的酸化区和产甲烷区,二者的高度之比为1.1~1.6:1,甲烷容积产率可达1.63~1.69 m3/(m3·d)。综上,该反应器可实现含固率为10%~20%的纤维质物料连续进出料,并在含固率为10%和15%时能高效、稳定地产甲烷,通过调控搅拌强度和进料强度能提高其甲烷容积产率。该发酵工艺有规模化应用的前景。     

Kinetic analysis of the psychrophilic anaerobic digestion of wastewater derived from the production of proteins from extracted sunflower flour

A kinetic analysis of the anaerobic digestion process of wastewater derived from the production of protein isolates from extracted sunflower flour was carried out. The digestion was conducted in a laboratory-scale fluidized bed reactor with saponite (magnesium silicate) as support for the mediating bacteria at psychrophilic temperature (15-19 degrees C). Soluble chemical oxygen demand (COD(s)) removal efficiencies in the range of 95.9-69.0% were achieved in the reactor at organic loading rates (OLR) of between 0.57 and 2.49 g total COD (COD(t))/L d, hydraulic retention times (HRT) of between 20.0 and 4.5 days, and average feed total COD concentration of 11.3 g/L. The yield coefficient of methane production was 0.32 L of methane (at STP) per gram of COD(t) removed. The total volatile fatty acid (TVFA) levels and the TVFA/alkalinity ratio were lower than the suggested limits for digester failure for OLR and HRT up to 2.26 g COD(t)/L d and 5.0 days, respectively. The specific rate of substrate uptake, r (g COD(s)/g VSS d), correlated with the concentration of biodegradable substrate, S (g COD(s)/L), through an equation of the Michaelis-Menten type. The maximum substrate utilization rate, k, and the Michaelis constant, K(s)(), were found to be 0.125 g COD(s)/g VSS d and 124 mg COD(s)/L, respectively. This proposed model predicted the behavior of the reactor very accurately showing deviations lower than 10% between the experimental and theoretical values of substrate uptake rates. A mass (COD(t)) balance around the reactor allowed the COD equivalent of methane volume (W(CH)4) to be obtained, which gave a value of 2.89 g COD(t)/L CH(4), which was virtually coincident with the theoretical value of 2.86 g COD(t)/L CH(4).