基于人工智能的六安市揚塵污染智能預警管控系統的設計與實踐研究

湯文慶 黃浩

摘要：近年來，六安市的空氣質量得到了顯著改善。然而，隨著新政策的推進和公眾對更優空氣質量的期望提高，現行的大氣治理模式已無法滿足現有需求。在這種情況下，由于揚塵污染是主要的大氣污染源之一，六安市正面臨著加強其管理和控制的挑戰。為了應對這個挑戰，文章提出了智能預警系統，該系統集成了人工智能算法和視頻智能分析技術，以實現對揚塵污染的精準監測和實時管控。六安市的揚塵污染智能預警管控系統對現有的大氣質量管理模式進行了重大改進，通過實現揚塵污染的可視化監控、快速調度和智能化評估，將顯著提高城市揚塵治理的效率和效果。這項研究不僅有助于六安市建立更加科學、精準的揚塵治理機制，也為其他城市提供了寶貴的經驗和參考。

關鍵詞：環境保護；大氣污染防治；揚塵治理；人工智能；視頻智能分析預警；協同治理

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2024）09-0019-03

開放科學（資源服務）標識碼（OSID）

隨著城市化進程的加速和經濟的快速發展，大氣污染問題日益凸顯，尤其是揚塵污染在城市大氣污染中占據了重要比例[1]。六安市作為典型的發展中城市，近年來雖然空氣質量實現了顯著提升，但同樣面臨著揚塵污染控制的嚴峻挑戰。揚塵來源多樣，監管難度較大，因此，傳統的環境監管模式已難以滿足城市精細化管理的需求，亟需借助現代科技手段對傳統監管模式進行升級改造。

本研究指出了揚塵治理中的關鍵瓶頸，并探索了如何利用人工智能技術改善揚塵治理模式。引入先進的計算機視覺識別技術，結合人工智能和深度學習算法，提出了一種基于智能視頻分析的揚塵污染預警與管控系統[2]。通過智能化手段實現對揚塵源的精準監測和快速響應，不僅提高了監管效率，還加強了跨部門之間的協同治理。

在實踐中，六安市依托多種人工智能算法實時監測和處理視頻流，實現智能分析、識別和預警[3]，提供了一種新模式，為全面推進生態文明建設和美麗中國建設提供了有力支撐。

1 基于人工智能的揚塵治理方法研究

1.1 人工智能技術分類應用

在六安地區的揚塵治理中，人工智能和計算機視覺技術的應用，尤其是深度學習算法（如Faster R-CNN和YOLOv5） ，展現出了在圖像和視頻識別與分類方面的出色能力。這些技術的進步使得揚塵污染智能預警管控系統能夠以更高的準確度和速度自學習和分析視覺數據，有效支持揚塵監控和管理。

1） Faster R-CNN算法：Faster R-CNN是一種先進的卷積神經網絡，特別適用于識別圖像中的復雜細節，如揚塵顆粒的形狀和大小。在揚塵污染智能預警管控系統中，利用Faster R-CNN可以精確檢測和識別不同類型和來源的揚塵，提供高質量的數據支持以便進行分析。

2） YOLOv5算法：YOLOv5作為實時目標檢測的領先技術，能夠快速識別圖像中的揚塵，并實時反饋位置和濃度信息。在揚塵污染智能預警管控系統中，YOLOv5的快速處理能力使得它非常適合于實時監測和預警，從而幫助管理人員迅速響應可能的揚塵污染事件。

3） 人體姿態估計算法：人體姿態估計算法主要用于識別人類的動作和姿態，在揚塵污染智能預警管控系統中被用來輔助監控視頻中的人員行為，從而評估人為活動對揚塵擴散的影響。例如，通過分析施工現場工人的活動范圍和頻率，推算揚塵產生的可能性和擴散趨勢。

4） K-means聚類算法：K-means是一種簡單而有效的聚類算法，在揚塵污染智能預警管控系統中被用來對揚塵源進行聚類分析，幫助識別揚塵的主要來源和影響區域。這有助于環境管理部門制定更為針對性的揚塵控制措施。

5） Mask R-CNN算法：Mask R-CNN是Faster R-CNN的擴展，不僅能識別圖像中的對象，還能為每個對象生成高精度的分割掩模（segmentation mask） 。在揚塵污染智能預警管控系統中被用來精確測量揚塵顆粒的覆蓋范圍和密度，進而可以評估揚塵污染的嚴重程度。

6） SSD目標檢測算法：SSD是一種高效的實時目標檢測算法，可以快速定位圖像中的多個對象。在揚塵污染智能預警管控系統中，SSD被用來識別和追蹤揚塵的移動路徑，為污染擴散模型提供重要數據。

7） DBSCAN聚類分析算法：DBSCAN是一種基于密度的聚類算法，能夠識別出具有任意形狀和大小的簇。在揚塵污染智能預警管控系統中，DBSCAN被用來識別揚塵濃度的異常變化，為及時采取控制措施提供依據。

8） 線性回歸算法：線性回歸模型通過建立揚塵濃度與可能的影響因素之間的線性關系，在揚塵污染智能預警管控系統中被用來預測揚塵污染的趨勢，為未來的環境管理提供科學依據。

9） 光流算法：光流算法可以分析連續圖像幀之間的像素移動，從而檢測和追蹤揚塵的動態變化。在揚塵污染智能預警管控系統中被用來實時監測揚塵的擴散路徑和速度。

通過綜合運用這些算法和技術，揚塵污染智能預警管控系統可以實現更全面、更準確的揚塵監測與分析，從而有效指導揚塵污染的控制和管理工作。這種多維度的技術應用，將使揚塵治理工作更加科學化、精準化。

1.2 揚塵預警分類標準化

安徽省生態環境廳和住建廳聯合發布的《建筑工程施工和預拌混凝土生產揚塵污染防治標準》，以及六安市生態環境保護委員會發布的《六安市建設領域揚塵治理專項行動方案（2023年修訂）》等七項專項行動計劃，共同構筑了一個具有明確分類和一致性標準的揚塵治理框架。這些政策文件不僅為建筑工程和道路揚塵設定了具體的量化標準，還為運用計算機視覺等先進智能技術進行揚塵的識別與管理建立了標準化的分類。此舉標志著六安市在揚塵治理領域正朝著標準化和規范化方向邁進，為實現高效、精確的揚塵監測與控制提供了堅實的基礎。

1.3 揚塵識別精準度提升

根據安徽省和六安市關于建筑工程和預拌混凝土生產揚塵污染防治的標準，結合六安市的具體情況，本次研究對28個揚塵智能識別場景進行了具體化，包括建筑工地、道路、混凝土攪拌站等關鍵領域。通過不斷提升的精確識別技術、算法優化和數據處理，實現了對揚塵的快速、精準監測和分類，推動了六安市的揚塵治理工作朝著標準化和規范化的方向發展。識別系統將針對關鍵特征進行深度訓練，使深度學習模型的自動識別率和準確率超過80%[4]，計劃在實際環境中進行試運行，并通過迭代訓練不斷提高監控的精確性。

1.4 精準揚塵預警調度與跨部門協同治理策略

為應對六安地區揚塵治理挑戰，應加強預警機制并深化協同治理措施，重點是開發一套綜合性預警系統，并推行多部門協作的治理模式。

1.4.1 強化預警流程

為優化預警流程的效率與準確性，系統充分利用了雪亮工程、交通監控卡口、建筑工地、鐵塔高空等多個渠道所獲取的高清實時視頻數據。考慮到不同采集點所處的特殊場景環境，采用多種人工智能算法對視頻信息進行深度分析[5]。智能識別技術能夠高效地從視頻數據中提取關鍵人物、事件、物體屬性，進而準確地判斷監控范圍內是否存在違反規定的污染行為。通過細致的語義描述與分類，系統能夠精確識別特定的異常事件，并自動產生告警事件，快速將其推送給相關責任人員。此流程顯著提升了環境監控的反應速度與事件處理的準確率，為揚塵的管理與控制提供了堅實的基礎，如圖1所示。

1.4.2 深化協同治理

揚塵污染治理工作雖主要由生態環境部門承擔，但鑒于其涉及范圍廣泛，單一部門執行力量有限，故跨部門的合作執行、督導及考核成為必要。現階段，各部門在環保意識和管理能力上存在差異，聯動機制尚不健全。為改善此狀況，可以采用基于人工智能的智能識別技術，實現對違規行為的自動檢測[6]，并自動將處理任務分配至相關單位和監管部門，以增強部門間的協作。對于超期未處理的任務，主管部門應加強督促和實施相應處罰。生態環境部門還應利用該技術加強跨部門監督，提供技術支持，并定期對污染數據進行分析，向政府部門反饋，以期顯著提升揚塵治理效率和協同作用。

2 揚塵污染智能化預警管控系統的實現

在當今環境治理領域，揚塵污染成了一個嚴峻的問題，亟需有效的管控與預警系統。基于此需求，本研究團隊經過深入的探索和綜合驗證，成功研發了一套揚塵污染智能化預警與管控系統。該系統融合了先進的監測、調度、評估等功能，通過集成人工智能與視頻分析技術，實現了對揚塵污染的實時監控和智能化預警，如表1所示。

3 結論

3.1 系統應用效果

自2023年9月份起，本系統得以初步搭建并投入運行。截至目前，已成功識別各類揚塵事件共計6 075起，其中包括工地揚塵事件2 654起，道路揚塵事件3 421起。同時，已向相關部門派發任務單共計5 358份，以促進事件的及時處理。表2是關于預警事件的識別率和準確率詳細的統計數據。

系統在識別多種揚塵源頭方面表現卓越，準確率均達到100%，保證了應對措施的有效性。關鍵識別類型，如“道路及堆場未硬化”“裸土未覆蓋”和“建筑垃圾未覆蓋”的識別率分別為92%、87%和94%，展示了系統在檢測大部分揚塵污染源頭方面的高效率。

3.2 系統應用價值

揚塵智能預警管控系統通過實時識別及處理揚塵污染源，取得了重要成效：提高了監管效率、減輕了執法壓力、實現了精準治理，促進了經濟與環境的雙贏。

3.3 改進措施與未來展望

盡管揚塵智能預警管控系統取得了成效，但面對擴大監測區域需求，仍需提升算法精度、增強監測設備的布局及覆蓋范圍、加強數據隱私保護等挑戰。計劃的改進措施包括：持續更新訓練智能算法以提高精確度，優化監測設備配置以強化監控效果，加強數據安全和隱私措施，保障技術應用的可靠性與合規性。

參考文獻：

[1] 郭建芳，張延安.不同區域的城市環境空氣質量綜合評價指標體系構建[J].環境與可持續發展，2017，42（6）：107-110.

[2] 胡輝，蔡映雪，胡松，等.基于視頻分析的異常事件檢測技術研究[J].電腦知識與技術，2017，13（35）：235-237.

[3] 孫志平，宋兆謙.圖像識別技術在黃河護岸工程監測預警中的研究與應用[C]//2021（第九屆）中國水利信息化技術論壇論文集，濟南，2021：452-465.

[4] 王書獻，張勝茂，朱文斌，等.基于深度學習YOLOV5網絡模型的金槍魚延繩釣電子監控系統目標檢測應用[J].大連海洋大學學報，2021，36（5）：842-850.

[5] 徐自遠.面向人工智能算法下圖像識別技術分析[J].數字技術與應用，2021，39（10）：4-6.

[6] 李少博，董世浩，張佳玉，等.基于計算機視覺的行人及非機動車規范系統[J].科學技術創新，2021（21）：73-74.

【通聯編輯：張薇】