“地?cái)偨?jīng)濟(jì)”下城市環(huán)境監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

黃振興 郭磊 劉煒杰 佘偉偉 張悅

摘? 要：目前地?cái)偨?jīng)濟(jì)在促進(jìn)實(shí)體經(jīng)濟(jì)恢復(fù)中起到重要作用，但其垃圾殘留歸屬卻成為市容管理部門(mén)亟需解決的問(wèn)題。文章利用圖像識(shí)別技術(shù)設(shè)計(jì)出城市環(huán)境監(jiān)測(cè)系統(tǒng)，可以自動(dòng)確定地?cái)偽恢脜^(qū)域并在攤位經(jīng)營(yíng)結(jié)束后對(duì)該區(qū)域進(jìn)行垃圾殘留檢測(cè)，同時(shí)將檢測(cè)結(jié)果上傳系統(tǒng)。在監(jiān)督攤位經(jīng)營(yíng)者清理垃圾的同時(shí)，也給市容管理部門(mén)提供管理依據(jù)，實(shí)現(xiàn)對(duì)城市市容環(huán)境更好的維護(hù)。

關(guān)鍵詞：圖像識(shí)別;深度學(xué)習(xí);垃圾檢測(cè)

中圖分類(lèi)號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2022）04-0028-04

Design on Urban Environmental Monitoring System under “Street Stall Economy”

HUANG Zhenxing， GUO Lei， LIU Weijie， SHE Weiwei， ZHANG Yue

（Guangdong Ocean University， Zhanjiang? 524088， China）

Abstract： At present， the street stall economy plays an important role in promoting the recovery of the real economy， but the ownership of the garbage residue has become an urgent problem to be solved by the city appearance management department. This paper uses image recognition technology to design an urban environmental monitoring system， it can determine automatically the location and area of the stalls， and check the garbage residues in the area after the stalls are closed， upload the testing results to system at the same time. While supervising the stall operators to clean up the garbage， it also provides the management basis for the city appearance management department to achieve a better maintenance of the city appearance environment.

Keywords： image recognition; deep learning; garbage detection

0? 引? 言

自2020年初新冠疫情爆發(fā)到現(xiàn)在已經(jīng)過(guò)去兩年了，期間全國(guó)各地都有實(shí)施相應(yīng)的、極有效的管控措施來(lái)防止疫情的擴(kuò)散。在全國(guó)的齊心協(xié)力下我國(guó)的疫情得到了很好的控制，但受到新冠疫情的影響，我們的實(shí)體經(jīng)濟(jì)也在疫情的影響下遭到很大的打擊。

在疫情逐步得到控制后便是在疫情期間遭到嚴(yán)重打擊的實(shí)體經(jīng)濟(jì)的重要恢復(fù)階段，在此期間有一名詞進(jìn)入了大眾的視野——“地?cái)偨?jīng)濟(jì)”?！暗?cái)偨?jīng)濟(jì)”顧名思義就是通過(guò)擺地?cái)倎?lái)進(jìn)行經(jīng)營(yíng)活動(dòng)進(jìn)而獲取收益的一種經(jīng)濟(jì)活動(dòng)形式，并且“地?cái)偨?jīng)濟(jì)”的經(jīng)營(yíng)門(mén)檻低、經(jīng)營(yíng)方式靈活等特點(diǎn)對(duì)疫情過(guò)后的實(shí)體經(jīng)濟(jì)恢復(fù)有很好的促進(jìn)作用，因此很多地方的“地?cái)偨?jīng)濟(jì)”便迅速火爆起來(lái)?？墒恰暗?cái)偨?jīng)濟(jì)”也有著我們不可忽視的缺點(diǎn)存在：攤主結(jié)束經(jīng)營(yíng)活動(dòng)后往往會(huì)在經(jīng)營(yíng)區(qū)域上留下許多的經(jīng)營(yíng)產(chǎn)生的垃圾，這些經(jīng)營(yíng)的垃圾殘留會(huì)對(duì)城市環(huán)境造成很大影響，所以如何解決這一問(wèn)題對(duì)于發(fā)展“地?cái)偨?jīng)濟(jì)”十分重要。

本文設(shè)計(jì)的“地?cái)偨?jīng)濟(jì)”下城市環(huán)境監(jiān)測(cè)系統(tǒng)就是針對(duì)如何有效的改善攤位經(jīng)營(yíng)活動(dòng)結(jié)束后的垃圾殘留問(wèn)題來(lái)設(shè)計(jì)的檢測(cè)監(jiān)督系統(tǒng)。為實(shí)現(xiàn)本系統(tǒng)的功能我們主要使用了圖像處理、圖像識(shí)別和深度學(xué)習(xí)等技術(shù)，其中本系統(tǒng)可分為以下幾個(gè)功能部分：（1）攤位區(qū)域檢測(cè)設(shè)計(jì)。（2）攤位區(qū)域垃圾殘留檢測(cè)設(shè)計(jì)。（3）系統(tǒng)監(jiān)測(cè)結(jié)果反饋可視化設(shè)計(jì)。

1? 攤位區(qū)域檢測(cè)設(shè)計(jì)

在攤位區(qū)域檢測(cè)設(shè)計(jì)上，我們使用HSV顏色分割算法來(lái)實(shí)現(xiàn)攤位區(qū)域的檢測(cè);在攤位區(qū)域垃圾殘留檢測(cè)設(shè)計(jì)上選擇先對(duì)圖像進(jìn)行預(yù)處理，然后使用深度卷積的辦法來(lái)進(jìn)行垃圾的檢測(cè);最后在系統(tǒng)監(jiān)測(cè)結(jié)果反饋可視化設(shè)計(jì)上，我們?cè)O(shè)計(jì)了一個(gè)應(yīng)用程序來(lái)實(shí)現(xiàn)對(duì)監(jiān)測(cè)結(jié)果的可視化操作和數(shù)據(jù)的上傳。系統(tǒng)的運(yùn)行流程如圖1所示，先對(duì)獲取的圖像利用HSV顏色分割算法進(jìn)行攤位區(qū)域的檢測(cè)與確定，在經(jīng)營(yíng)結(jié)束之后，對(duì)之前確定的攤位區(qū)域進(jìn)行垃圾殘留情況檢測(cè)，最后在應(yīng)用系統(tǒng)上進(jìn)行檢測(cè)結(jié)果的反饋展示與數(shù)據(jù)的上傳。以下是系統(tǒng)各部分功能的具體實(shí)現(xiàn)辦法及流程。

系統(tǒng)需要先確定攤位經(jīng)營(yíng)的經(jīng)營(yíng)區(qū)域范圍，來(lái)方便后面的垃圾檢測(cè)工作，攤位區(qū)域檢測(cè)流程如圖2所示。而目前在圖像處理中對(duì)于可以實(shí)現(xiàn)區(qū)域檢測(cè)的辦法有顏色分割、邊緣檢測(cè)等算法，由于攤位是有預(yù)先劃線(xiàn)規(guī)定每個(gè)攤位經(jīng)營(yíng)范圍的，所以我們選擇顏色分割的識(shí)別算法來(lái)實(shí)現(xiàn)對(duì)攤位區(qū)域的檢測(cè)。

本次采用的是HSV顏色分割算法來(lái)實(shí)現(xiàn)攤位區(qū)域檢測(cè)，在HSV顏色模型中是按色調(diào)（Hue）、飽和度（Saturation）、明暗（Value）來(lái)描述的，其中H值代表色調(diào)、S值代表飽和度、V值代表亮度。HSV模型在用于指定顏色分割時(shí)，有比較大的作用。因?yàn)橐话阃?lèi)事物的顏色一般相同或者相近，所以，當(dāng)所求對(duì)象顏色穩(wěn)定，且其他干擾項(xiàng)沒(méi)有相似顏色或者有相似顏色不過(guò)區(qū)域面積小，我們就可以通過(guò)顏色HSV色彩空間來(lái)將這個(gè)對(duì)象提取出來(lái)。766FAABA-4B23-4C78-9E39-1E03A1C6DA17

因此在攤位區(qū)域檢測(cè)的第一步就是先把得到的圖像進(jìn)行色彩空間的轉(zhuǎn)換即把原來(lái)得到圖像的RGB顏色模型轉(zhuǎn)化成HSV顏色空間模型;第二步是對(duì)轉(zhuǎn)化后的HSV顏色模型圖像進(jìn)行水平和垂直投影來(lái)分割圖像并進(jìn)行歸一化處理，最后就得到所需要的攤位區(qū)域范圍。

2? 垃圾殘留情況檢測(cè)設(shè)計(jì)

在系統(tǒng)的垃圾殘留情況檢測(cè)設(shè)計(jì)中，我們選擇了深度學(xué)習(xí)中的深度卷積的辦法來(lái)實(shí)現(xiàn)攤位是否殘留垃圾的檢測(cè)功能。在開(kāi)始檢測(cè)之前，由于是在之前得到攤位區(qū)域的圖像的基礎(chǔ)上進(jìn)行垃圾殘留情況檢測(cè)，這時(shí)的圖像是沒(méi)有經(jīng)過(guò)預(yù)處理的，圖像中的很多無(wú)關(guān)信息不利于進(jìn)行檢測(cè)，所以在開(kāi)始之前要對(duì)得到的攤位區(qū)域圖像進(jìn)行預(yù)處理來(lái)減少圖像中的無(wú)關(guān)信息，使得我們得到的圖像的數(shù)據(jù)不僅可靠性大，而且數(shù)據(jù)量也會(huì)少很多，更方便我們進(jìn)行檢測(cè)。

2.1? 圖像預(yù)處理

本次的圖像預(yù)處理分別為圖像灰度化、幾何變換以及圖像增強(qiáng)。

2.1.1? 圖像灰度化

圖像灰度化是指把原始具有彩色信息的圖像轉(zhuǎn)換為只有灰度信息的圖像，一般情況下選取256個(gè)由純白到純黑的灰結(jié)構(gòu)成灰度圖像可選擇的灰度信息。而黑白圖像又與灰度圖像不同，黑白圖像中只包含兩種圖像信息，分別是黑色像素和白色像素，此時(shí)一般稱(chēng)其為二值圖像。在RGB顏色模型中，如果構(gòu)成彩色圖像的三幅圖像對(duì)應(yīng)位置的像素值相等，則此時(shí)RGB模型下的顏色就會(huì)表示為一種灰度顏色，此時(shí)的像素值就稱(chēng)為灰度值。

圖像灰度化的方法眾多，其中主流的方法包括分量法、極大值法和加權(quán)平均值法，本文選用加權(quán)平均法來(lái)實(shí)現(xiàn)圖像的灰度化。圖像灰度化的加權(quán)平均法是將RGB彩色圖像的三個(gè)分量，按照不同的權(quán)值進(jìn)行加權(quán)平均。由于人類(lèi)視神經(jīng)細(xì)胞對(duì)不同顏色的敏感度不同，人眼對(duì)綠色的敏感度最高，對(duì)紅色的敏感度次之，對(duì)藍(lán)色的敏感度最低，結(jié)合實(shí)際測(cè)試，得到了對(duì)RGB彩色圖像采用加權(quán)平均法進(jìn)行灰度化的較合理公式為：

f（i，j）=0.30R（i，j）+ 0.59G（i，j）+ 0.11B（i，j）

然后，對(duì)得到的區(qū)域圖像通過(guò)以上公式對(duì)每個(gè)通道的每個(gè)像素進(jìn)行加權(quán)操作，結(jié)果如圖3所示。

2.1.2? 圖像的幾何變換

圖像的幾何變換是指通過(guò)平移、轉(zhuǎn)置、鏡像、旋轉(zhuǎn)或縮放等幾何變換中的一種或幾種方法來(lái)對(duì)圖像進(jìn)行變換處理，用于矯正成像過(guò)程中由于成像角度、透視關(guān)系或者鏡頭自身等原因所帶來(lái)的系統(tǒng)誤差和隨機(jī)誤差。本文采用最鄰近插值算法來(lái)實(shí)現(xiàn)輸出圖像的圖形矯正。

2.1.3? 圖像增強(qiáng)

圖像增強(qiáng)就是通過(guò)對(duì)圖像的某些特征，如邊緣、輪廓、對(duì)比度等，進(jìn)行強(qiáng)調(diào)或尖銳化，使之更適合于人眼的觀察或機(jī)器的處理的一種操作，本文采用中值濾波算法實(shí)現(xiàn)圖像增強(qiáng)。中值濾波算法可以擴(kuò)大圖像中不同物體間的特征差別，對(duì)不感興趣的特征進(jìn)行抑制，進(jìn)而對(duì)圖像質(zhì)量進(jìn)行改善、豐富圖像信息量，對(duì)圖像的判讀和識(shí)別效果進(jìn)行加強(qiáng)。本系統(tǒng)中，圖像增強(qiáng)效果如圖4所示。

2.2? 垃圾檢測(cè)

在圖像經(jīng)過(guò)預(yù)處理之后，我們得到了便于我們檢測(cè)垃圾的理想圖像，接下來(lái)就要進(jìn)行垃圾殘留情況檢測(cè)，系統(tǒng)采用深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行檢測(cè)。

本文采用的深度卷積神經(jīng)網(wǎng)絡(luò)主要由6個(gè)部分構(gòu)成，分別為輸入層、卷積層、激活函數(shù)、池化層、全連接層以及輸出層，以下為具體功能：

（1）輸入層。把數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，通過(guò)訓(xùn)練提取出感興趣的特征。本文直接把圖像作為網(wǎng)絡(luò)的輸入，但為了獲得更好的訓(xùn)練效果，輸入前一般要進(jìn)行圖像預(yù)處理。

（2）卷積層。對(duì)輸入的數(shù)據(jù)進(jìn)行卷積運(yùn)算，完成對(duì)輸入數(shù)據(jù)的表示轉(zhuǎn)換。如果把卷積層看作黑盒子，其本質(zhì)就是建立輸出和輸入之間表示的參數(shù)，而整個(gè)網(wǎng)絡(luò)訓(xùn)練的目的就是找到這種表示的最佳參數(shù)。

（3）激活函數(shù)。由于在激活函數(shù)之前，網(wǎng)絡(luò)中都是進(jìn)行的線(xiàn)性操作，但樣本的類(lèi)別間并不總是線(xiàn)性關(guān)系，因而在訓(xùn)練過(guò)程中需要引入能夠進(jìn)行非線(xiàn)性運(yùn)算的激活函數(shù)。本系統(tǒng)使用RELU函數(shù)作為激活函數(shù)。

（4）池化層。由于在網(wǎng)絡(luò)運(yùn)算的過(guò)程中，運(yùn)算數(shù)據(jù)可能會(huì)出現(xiàn)計(jì)算量較大的情況。為了提高訓(xùn)練速度，卷積神經(jīng)網(wǎng)絡(luò)通常引入池化層來(lái)對(duì)數(shù)據(jù)進(jìn)行特殊處理，對(duì)于圖片作為輸入的情況，池化操作通常是縮小圖片的特征尺寸。常用的池化操作是平均池化和最大池化，本文選用平均池化操作。

（5）全連接層。本層在神經(jīng)網(wǎng)絡(luò)中消耗的參數(shù)最多，例如全連接層的輸入是4×4×100且輸出是512，則該層需要4×4×100×512個(gè)參數(shù);而一般的卷積層，若卷積核為4×4，輸出為512，則僅需4×4×512個(gè)參數(shù)。

（6）輸出層。在本次訓(xùn)練中，我們使用的數(shù)據(jù)集是華為云人工智能大賽·垃圾分類(lèi)挑戰(zhàn)杯提供的垃圾分類(lèi)數(shù)據(jù)集來(lái)建立相應(yīng)的自動(dòng)識(shí)別模型。在訓(xùn)練完成之后，首先使用神經(jīng)網(wǎng)絡(luò)模型中的卷積層和池化層計(jì)算攤位區(qū)域圖像的特征，并且將攤位區(qū)域圖像特征值進(jìn)行保存，把得到的特征值作為輸入樣本庫(kù)進(jìn)行比對(duì)，若有相匹配結(jié)果則攤位有垃圾殘留。垃圾殘留情況檢測(cè)流程如圖5所示。

3? 系統(tǒng)反饋情況可視化設(shè)計(jì)

在系統(tǒng)可視化設(shè)計(jì)方面，通過(guò)Visual Studio來(lái)設(shè)計(jì)可視化程序，應(yīng)用程序設(shè)計(jì)的功能有：（1）對(duì)視頻輸入源的選擇。（2）垃圾檢測(cè)結(jié)果顯示。（3）檢測(cè)結(jié)果上傳與查看。

其中對(duì)于視頻輸入源可以選擇查看相對(duì)應(yīng)的視頻輸入畫(huà)面和相應(yīng)的檢查結(jié)果，如圖6所示;在檢測(cè)結(jié)果上傳與查看中，應(yīng)用程序通過(guò)MQTT協(xié)議與預(yù)先部署好的云服務(wù)器進(jìn)行通信，在連接成功后上傳得到的檢測(cè)結(jié)果到數(shù)據(jù)庫(kù)中同時(shí)也在本地?cái)?shù)據(jù)庫(kù)上進(jìn)行結(jié)果的備份，之后即可以通過(guò)其他平臺(tái)來(lái)連接服務(wù)器數(shù)據(jù)庫(kù)來(lái)實(shí)現(xiàn)數(shù)據(jù)的傳遞與查看，如APP或者網(wǎng)頁(yè)等。

4? 結(jié)? 論

現(xiàn)在疫情基本得到控制，“地?cái)偨?jīng)濟(jì)”對(duì)經(jīng)濟(jì)的恢復(fù)的促進(jìn)作用是不能忽略的——“地?cái)偨?jīng)濟(jì)”能夠快速的推動(dòng)實(shí)體經(jīng)濟(jì)的復(fù)蘇，并且可以為城市增加很多就業(yè)崗位。但是很多地方因?yàn)椤暗財(cái)偨?jīng)濟(jì)”的經(jīng)營(yíng)活動(dòng)結(jié)束之后會(huì)殘留的經(jīng)營(yíng)垃圾、對(duì)城市衛(wèi)生有很大影響等等因素對(duì)“地?cái)偨?jīng)濟(jì)”的態(tài)度一直很保守?？墒俏覀儾荒芎ε聠?wèn)題的出現(xiàn)，不能因?yàn)橛腥秉c(diǎn)就忽略了他帶來(lái)的經(jīng)濟(jì)效益，在發(fā)現(xiàn)問(wèn)題的時(shí)候，我們應(yīng)該積極地去尋求解決的辦法，去把“地?cái)偨?jīng)濟(jì)”帶來(lái)的環(huán)境問(wèn)題解決或者減輕。而我們?cè)O(shè)計(jì)的系統(tǒng)雖然不能徹底解決擺攤造成的環(huán)境問(wèn)題，但是我們通過(guò)圖像處理等技術(shù)，來(lái)確認(rèn)經(jīng)營(yíng)結(jié)束后的攤位是否有經(jīng)營(yíng)垃圾殘留，再配合相關(guān)的監(jiān)管與登記措施來(lái)實(shí)現(xiàn)對(duì)經(jīng)營(yíng)活動(dòng)的有效監(jiān)督，可使這一問(wèn)題得到有效的改善。

參考文獻(xiàn)：

[1] 郭昌鑫，陳公興.基于深度學(xué)習(xí)的智能垃圾桶識(shí)別分類(lèi)系統(tǒng) [J].科技與創(chuàng)新，2020（12）：30-31+35.

[2] 侯向?qū)?，劉華春.基于顏色分割與Sobel算子相結(jié)合的車(chē)牌定位 [J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（8）：156-159.

[3] 莫卓亞，彭創(chuàng)權(quán).基于深度學(xué)習(xí)的垃圾分類(lèi)識(shí)別技術(shù) [J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2020，10（10）：60-61.

[4] 何俊，葛紅，王玉峰.圖像分割算法研究綜述 [J].計(jì)算機(jī)工程與科學(xué)，2009，31（12）：58-61.

[5] 曾璐.彩色圖像分割技術(shù)研究 [D].武漢：武漢理工大學(xué)，2010.

作者簡(jiǎn)介：黃振興（1998—），男，漢族，廣東廉江人，本科在讀，研究方向：機(jī)器視覺(jué);通訊作者：郭磊（1982—），男，漢族，黑龍江哈爾濱人，講師，博士，研究方向：圖像處理與機(jī)器視覺(jué);劉煒杰（2000—），男，漢族，廣東江門(mén)人，本科在讀，研究方向：軟件設(shè)計(jì);佘偉偉（2002—），男，漢族，安徽蕪湖人，本科在讀，研究方向：機(jī)器視覺(jué);張悅（2002—），女，漢族，廣東汕頭人，本科在讀，研究方向：軟件開(kāi)發(fā)。766FAABA-4B23-4C78-9E39-1E03A1C6DA17