談深度學習技術在環保督查工作中的應用

摘要：生態環境是影響我國經濟發展的重要組成部分，環保督察工作的艱巨程度可想而知。近年來，深度學習技術為環保督察工作提供了有利條件，成為多個學科領域的熱門研究項目。本文將主要針對深度學習技術在環保督查工作中的算法使用、具體應用以及改進建議進行論述，以供參考。

關鍵詞：深度學習技術;環保督查工作;應用探究

中圖分類號：X32 文獻標識碼：A 文章編號：2095-672X（2019）06-0-02

DOI：10.16647/j.cnki.cn15-1369/X.2019.06.121

Abstract：Ecological environment is an important part of China's economic development，and the difficulty of environmental protection supervision can be imagined.In recent years，in-depth learning technology has provided favorable conditions for environmental protection inspectors and has become a popular research project in many disciplines.This paper will mainly focus on the deep learning technology in the Environmental Protection inspection of the use of algorithms，specific applications and suggestions for improvement for reference.

Key words：In-depth learning techniques;Environmental supervision;Applied exploration

1 深度學習技術的概述

深度學習源于神經網絡領域的理論，換言之，即更深層次的神經網絡。通過深度學習，人們可以從中獲取更深層次的數據特征，能夠在面對復雜的現實情況時，降低特征選取的難度。

以自然界為例，自然界每時每刻都在發生著各種變化，這些變化中都可以轉化為模擬的圖像，圖像中的具體信息正是人們工作中需要的。例如，森林中的火災情況、水庫邊的可疑行人、田地間的莊稼農作物、特殊場所的具體情況等。環保督察部門通過觀看日常的圖像信息，掌握實時情況。近年來，智能分析作為深度學習技術的一個分支正在快速發展，成為解決難題的新途徑。深度學習技術主要包括：神經元、分類器、神經網絡以及可視化框架。它不同于傳統的機器學習處理對信息的處理方式，傳統的機器學習主要依靠人力，利用人類的邏輯關系，進行信息的輸入工作。其中樸素貝葉斯就是用概率的方式設計計算模型;而決策樹則是通過降低維度分類信息熵來工作;回歸模型，建模時不斷縮小預測值與目標值的距離;SVM，致力于超平面，將分類的置信度調整至最佳狀態。深度學習技術利用多樣的線性與非線性分類器，對信息進行自動化處理。大大減少了人力在開展工作前的任務量，同時工作人員也不需要對標簽進行提前分類[1]。

將兩者進行對比，深度學習技術降低了特征清晰度的要求，在實際工作中，自由空間相對擴大，能夠在模糊、噪聲存在的同時進行標簽處理。對于不同特征偏向的數據，深度學習技術還可以自動忽略，將原本分類不清晰的數據變成清晰的數據，實現更高效的工作，解決了傳統的計算機學習中的弊端，降低了人力、物力、財力的投入。

2 深度學習技術的應用研究

深度學習技術發展至今已有60余年的歷史，是計算機和人工領域的重要研究內容，截止至2006年，深度訓練的多次嘗試都沒有成功，直至深度置信網絡的提出，打破了深度學習領域的僵局，隨后深度學習就逐漸成為視頻圖像以及大數據分析領域的主流技術手段。

3 深度學習技術在環保督查工作中的算法使用

目標檢測算法是一種深度學習技術的算法，也是環保督察工作中最實用的，其中使用頻率較高的模型有faster-RCNN、R-FCN、YOLO、SSD等，以第一種模型faster-RCNN為例。這個模型的顯著優勢就是能夠快速選擇搜索進行計算，將生成區域、提取特征、進行分類、確定位置放在整合的框架中一起計算，大大提升了計算速度。

Faster-RCNN模型是深度學習技術中的一種品類，也是最受歡迎的模型之一，它引入了region proposal網絡，通過卷積得到特征圖，然后映射到一個比較低的維度上，這都是通過一個3*3的窗口實現的。

CNN一般包括兩部分特征提取層和特征映射層，每個特征提取層都由多種特征圖共同形成，提取的特征圖像通過固定的連接實現共享，包括相同偏置項和權重矩陣。這種模式的優點在于可以充分考慮不同局部的特征，降低整理參考模型的工作難度，主要用來識別扭曲不變性的二維圖像，例如縮放、位移和其他形式，CNN通過數據的反復訓練進行深度學習，所以在使用時能夠有效避免顯示的特征提取[2]。

在現實的環保督察的工作中，目標算法可以應用在識別生產環境的人體信息、道路中的車輛和車牌遮擋信息、監控信息采集的人員信息以及自動監測站的人體識別等。

4 深度學習技術在環保督查工作中的具體應用

4.1 環境檢測工作

過去的幾十年中，環境監測數據造假的現象層出不窮，為了減少類似的現象發生，國家環保部門在2017年強調：將加快推進環境監測體制的改革，嚴格執行“誰考核、誰監測”的原則，上收國控環境監測站點監測事權，從體制上保障監測數據免受行政干預，這是我國在環境監測工作中做出的重要舉措。

此外，我國環保部門還對環境監測的站點進行規范，對日常運營的程序做了嚴格規定，加大了監測管理的力度。在技術層面，國家還在國控站點內外都安裝了監控系統，加強站點防護的措施，并在相應的位置設置警示的標志，力求通過技術平臺，對站點工作人員進行監測，防止人為干擾站點的監測數據。這樣的措施主要是在源頭上確保監測數據的真實性，如在監控視頻中發現有人為破壞、損壞、修改監控設施，或者惡意干擾檢測工作，就會對相關人員采取處罰的措施。

例如在監控視頻中出現可疑的車輛，監測點的人員就可以對視頻中的人員和車輛進行數據分析，整理停留的時間數據，建立數學模型，確保環境監測點的安全。

4.2 工廠監管工作

除環境監測工作外，工廠的監管工作也是環保督察部門的重要工作內容。實際工作中，環保督查部門會對檢查不合格的工廠進行查封，要求工廠進行停業整頓，直至相關指標都達到國家的標準，專家小組才會對工廠整頓成果進行驗收，驗收合格的工廠可重新開始運營。而部分工廠為賺取更多利潤，無視督察部門的查封，在晚間偷偷進行生產，逃避督察人員的監管。對于這樣的情況，督查部門可以在工廠外部安裝多個監控系統，并設置自動報警系統，一旦有人員進入已查封工廠，系統就會進行智能報警。如果工廠生產中會排放煙霧，相關部門還可以安裝煙霧檢測系統，輔助督查工作的開展。

4.3 田地間焚燒秸稈的監管工作

田間焚燒的監管工作也是環保監管部門的難題之一，夏收或秋收時，田間會將大量的秸稈進行焚燒，大面積的秸稈焚燒如果不進行及時的監控，就會造成巨大的損失，機械化的生產和焚燒模式會使工作人員放松警惕，加之部分管理人員的專業水平較低，遇到問題不能及時解決。因此，環境監管部門可以在焚燒區安裝煙霧報警系統，根據煙霧數據建立模型，在田間進行試用。一旦煙霧超過系統設置的數據限制，就會開啟自動報警，相關人員可以第一時間趕往現場，將火災對田地的損害降到最低。這樣的方式有助于監管人員提高工作效率，降低秸稈焚燒的安全隱患。

5 深度學習技術在環保督查工作中的具體優化

仍以目標檢測算法為例，在算法研究和實際應用的過程中，還有需要改進的內容。例如，監控視頻系統在夜間的信息監測還不完善，由于光線的限制，容易漏檢監測目標，或因鏡頭模糊，導致監測的樣本不充分，影響最終的檢測結果。因此，針對夜間環境的目標算法模型還有待優化。此外，設置在高空環境的監控視頻可視距離有限，微小的檢測目標可能無法進入檢測范圍，整體的數據范圍受到限制。因此對架設在高空環境的監控系統要進行模型優化，確保數據的完整性和科學性。

6 結論

人類接觸外界信息最主要的途徑就是視覺觀察，深度學習在視覺信息的提取以及模型擬合的方面已經表現出極大的潛力，環保督察部門應該加大技術研究的資金力度，針對傳統督查工作中的不足，制定相應的解決方案，確保督查工作的高效開展。

參考文獻

[1]林志，茆云霞.深度學習技術在環保督查工作中的應用研究[J].信息通信，2017（11）：80-82.

[2]白璐，衣姝穎，李天平.基于深度學習的車牌識別技術研究[J].山東師范大學學報（自然科學版），2018，33（04）：438-442.

[3]楊濤.中國區域環境督查機構職權研究[D].西安：西北大學，2015.

[4]耿文輝.基于深度學習的車牌識別技術研究[D].西安：西安電子科技大學，2018.

收稿日期：2019-02-26

作者簡介：檀英華（1982-），女，漢族，本科學歷，工程師，研究方向為環境保護。