基于圖像深度學(xué)習(xí)的垃圾熱值預(yù)測(cè)研究

謝昊源，黃群星，林曉青，李曉東，嚴(yán)建華

（浙江大學(xué)工程師學(xué)院，浙江大學(xué)熱能工程研究所，浙江杭州310027）

引 言

垃圾處理已然成為國家環(huán)境保護(hù)、經(jīng)濟(jì)發(fā)展的重點(diǎn)問題。垃圾熱值檢測(cè)是垃圾處理中的重要環(huán)節(jié)，這是因?yàn)槔鵁嶂档牟▌?dòng)性會(huì)對(duì)爐內(nèi)垃圾的穩(wěn)定燃燒造成影響，燃燒狀態(tài)關(guān)系著爐內(nèi)壓力、溫度、氧量和風(fēng)機(jī)風(fēng)壓等多項(xiàng)參數(shù)[1]。當(dāng)爐內(nèi)出現(xiàn)不充分燃燒時(shí)，不僅會(huì)對(duì)運(yùn)行效率和機(jī)組壽命產(chǎn)生影響，還會(huì)產(chǎn)生更多有害氣體污染環(huán)境。對(duì)垃圾熱值進(jìn)行預(yù)測(cè)能夠使操作人員提前掌握熱值的波動(dòng)范圍和時(shí)間，能使他們及時(shí)調(diào)整輔助用料量、一次風(fēng)量和二次風(fēng)量等參數(shù)來維持爐內(nèi)垃圾的穩(wěn)定燃燒，減小垃圾熱值波動(dòng)對(duì)運(yùn)行效率與機(jī)組壽命的影響。

由于垃圾形態(tài)各異且所處背景干擾信息較多，圖像中的垃圾特征較難被提取并識(shí)別，但利用卷積神經(jīng)網(wǎng)絡(luò)中的Canny算子能夠有效將垃圾從復(fù)雜背景中分離并識(shí)別[2]。另外，現(xiàn)有研究在垃圾圖像識(shí)別中加入了多目標(biāo)姿勢(shì)評(píng)估框架MOPED，加強(qiáng)了對(duì)同種垃圾不同形態(tài)的識(shí)別，并利用Mean-shift目標(biāo)跟蹤模型加強(qiáng)對(duì)垃圾的特征點(diǎn)跟蹤并提取出垃圾的完整輪廓，從而增加識(shí)別準(zhǔn)確率[3]。因此，對(duì)于利用垃圾圖像進(jìn)行垃圾熱值預(yù)測(cè)研究來說，減少垃圾圖像中的干擾信息并提取出垃圾有效特征能夠提升垃圾識(shí)別時(shí)的準(zhǔn)確性和可靠性。

我國針對(duì)垃圾的熱值檢測(cè)主要采用儀器檢測(cè)方法，該類方法存在一定滯后性和隨機(jī)性。針對(duì)以上缺陷，相關(guān)研究提出利用灰色關(guān)聯(lián)度預(yù)測(cè)生活垃圾熱值的影響，并利用BP(back propagation)神經(jīng)網(wǎng)絡(luò)或是遺傳算法(genetic algorithm)對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，從而建立垃圾熱值預(yù)測(cè)模型[4]。為了實(shí)現(xiàn)垃圾圖像實(shí)時(shí)檢測(cè)，相關(guān)研究嘗試使用Yolo系列模型對(duì)垃圾檢測(cè)過程進(jìn)行建模，實(shí)現(xiàn)了較高的檢測(cè)精度和檢測(cè)速度[5]。另外，針對(duì)在圖像中垃圾遮擋、重疊等問題，常采用局部特征描述方法包 括SIFT(scale-invariant feature transform)、SURF(speeded up robust features)[6]。

目前實(shí)現(xiàn)熱值的實(shí)時(shí)智能預(yù)測(cè)存在一些困難。首先，垃圾熱值預(yù)測(cè)模型大多是國外學(xué)者提出，由于國內(nèi)外的垃圾組成成分不同，因此這些模型的適用性較低。其次，由于目前我國缺少有效的儲(chǔ)存入爐垃圾圖像的數(shù)據(jù)庫，在使用入爐垃圾圖像訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)時(shí)存在一定困難。另外，現(xiàn)有的熱值預(yù)測(cè)方法依賴歷史時(shí)序數(shù)據(jù)，存在一定的滯后性和精度不足。最后，在利用深度學(xué)習(xí)模型識(shí)別垃圾種類時(shí)，垃圾的重疊、遮擋、消融以及變形都會(huì)影響圖像的識(shí)別精度。

本文首先探討了我國生活垃圾的處置現(xiàn)狀、垃圾物理特性及常用的垃圾熱值檢測(cè)方法，其次探討了國內(nèi)外智能識(shí)別垃圾圖像的進(jìn)展與不足，并提出基于圖像深度學(xué)習(xí)的垃圾熱值預(yù)測(cè)方法，最后展望了深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的應(yīng)用情況以及垃圾熱值智能預(yù)測(cè)的發(fā)展前景。另外，本文利用高清工業(yè)相機(jī)采集入爐垃圾圖像，建立符合我國垃圾組分結(jié)構(gòu)的入爐垃圾圖像數(shù)據(jù)庫，并對(duì)數(shù)據(jù)庫中的圖像采用數(shù)據(jù)增強(qiáng)處理，在一定程度上能夠減少垃圾堆疊和遮擋對(duì)圖像識(shí)別精度的影響，最后通過Yolov5模型對(duì)圖像中的垃圾類別進(jìn)行快速識(shí)別，并對(duì)輸出垃圾類別結(jié)果進(jìn)行熱值預(yù)測(cè)。

1 生活垃圾的產(chǎn)生量及特性

隨著城鎮(zhèn)人口的逐年增加，人們生活習(xí)慣的改變導(dǎo)致部分地區(qū)出現(xiàn)“垃圾圍城”的現(xiàn)象。如圖1所示，《2019年全國大、中城市固體廢物污染環(huán)境防治年報(bào)》中提到，2019年全國生活垃圾生產(chǎn)量約3.43億噸[7]。城市生活垃圾產(chǎn)量的逐年增大，不僅給城市發(fā)展帶來阻力，更是十分影響生態(tài)環(huán)境。因此，2020年由國務(wù)院發(fā)布的《關(guān)于全面加強(qiáng)生態(tài)環(huán)境保護(hù)堅(jiān)決打好污染防治攻堅(jiān)戰(zhàn)的意見》中要求實(shí)現(xiàn)所有城市和縣城生活垃圾處理能力全覆蓋，一方面推進(jìn)垃圾資源化利用，另一方面大力發(fā)展垃圾焚燒發(fā)電產(chǎn)業(yè)[8]。

圖1 2015—2020年中國城市生活垃圾產(chǎn)生量及同比增長(zhǎng)率Fig.1 Municipal solid waste generation and year-on-year growth rate of China in 2015—2020

我國垃圾組分復(fù)雜多變，垃圾熱值波動(dòng)范圍大、各組分燃燒時(shí)間不統(tǒng)一，十分影響爐內(nèi)垃圾穩(wěn)定燃燒。另外，我國入爐垃圾組成結(jié)構(gòu)與國外有較大差別，現(xiàn)有的熱值預(yù)測(cè)模型不能針對(duì)性地解決我國垃圾熱值波動(dòng)問題[9]。因此，通過圖像深度學(xué)習(xí)技術(shù)對(duì)我國當(dāng)前垃圾熱值進(jìn)行智能預(yù)測(cè)，有助于垃圾電廠各項(xiàng)參數(shù)的“超前調(diào)控”，對(duì)實(shí)現(xiàn)垃圾穩(wěn)定燃燒具有重要意義。

2 生活垃圾物理特性及熱值測(cè)量

如表1所示，《生活垃圾分類標(biāo)志》[10]將垃圾焚燒電廠處理的生活垃圾按物理組成成分分為11類，分別為塑料類、橡膠類、木竹類、紡織物、紙類、土磚類、廚余類、金屬類、玻璃類、其他類、混合類。但由于金屬、玻璃和土磚等廢棄物難燃、熱值低，因此通常將它們的熱值估算為零。

表1 生活垃圾物理成分組成Table 1 Composition of physical composition of domestic garbage

我國生活垃圾的組分特點(diǎn)為易腐有機(jī)質(zhì)多、含水量較高及熱值較低。垃圾的發(fā)熱量主要受垃圾的水分（W）、灰分（A）和可燃分（R）的影響，因此可依據(jù)可燃區(qū)的界限值：W≤50%、A≤60%、R≥25%，來判斷生活垃圾是否可燃[11]。如表2，為保證爐內(nèi)穩(wěn)定燃燒，當(dāng)生活垃圾的低位熱值在3350～4200 kJ/kg，可以不加或少加輔助燃料燃燒。當(dāng)生活垃圾低位熱值在4200～5000 kJ/kg時(shí)，需要一次、二次風(fēng)預(yù)熱至200～250℃。當(dāng)生活垃圾低位熱值在5650～8500 kJ/kg時(shí)，需要一次風(fēng)預(yù)熱至100～200℃。當(dāng)生活垃圾低位熱值在8500 kJ/kg以上時(shí)，一次風(fēng)常溫即可穩(wěn)定燃燒。

表2 生活垃圾焚燒與熱值的關(guān)系Table 2 The relationship between domestic waste incineration and calorific value

垃圾的熱值是決定垃圾能否采取熱處理的一個(gè)重要因素，同時(shí)也是確定熱處理過程中輔助燃料用量的重要因素。我國垃圾種類繁多、水分含量高，一方面可以通過垃圾分類將含水量高的垃圾分離處理[12]，另一方面可以將高水分垃圾進(jìn)行高溫干燥預(yù)處理，同樣能夠提高垃圾熱值[13]。另外，相關(guān)研究認(rèn)為垃圾的組分結(jié)構(gòu)對(duì)垃圾熱值的影響程度大于垃圾的含水率[14]，Bonifazi等[15]針對(duì)四個(gè)城鎮(zhèn)的垃圾焚燒爐進(jìn)行試驗(yàn)，通過改變?nèi)肟诶慕M分結(jié)構(gòu)來提高垃圾燃燒熱值，其同樣認(rèn)為垃圾的組分結(jié)構(gòu)對(duì)垃圾熱值有較大影響。除此之外，相比于發(fā)達(dá)國家以塑料包裝為主的生活垃圾結(jié)構(gòu)，我國主要以廚余垃圾為生活垃圾的主要組分，其高含水率使得我國垃圾熱值偏低[16]。

目前垃圾熱值測(cè)量方法主要有三種方法，分別是儀器測(cè)試（氧彈量熱法）、估值法（以塑膠、動(dòng)植物性有機(jī)物含量計(jì)算）、公式法（Dulong/Scheurer-Kestner等）[17]。其中，垃圾物理組成成分、垃圾元素含量分析法、工業(yè)特性分析是常用的垃圾熱值檢測(cè)方法，并形成了相應(yīng)的經(jīng)驗(yàn)公式與預(yù)測(cè)模型[18]。由于垃圾物理組成成分不需要實(shí)驗(yàn)室分析儀器且認(rèn)為垃圾中的塑料、紙張、廚余垃圾對(duì)熱值影響較大，因此垃圾物理組成成分法應(yīng)用更加普遍，表3為三種垃圾熱值計(jì)算方法經(jīng)驗(yàn)公式。

然而我國垃圾的組成成分十分復(fù)雜，大量不可燃成分摻雜其中，傳統(tǒng)的經(jīng)驗(yàn)公式與估算法既不能精確測(cè)量垃圾熱值，更無法預(yù)測(cè)垃圾熱值。目前，相關(guān)研究首先建立基于神經(jīng)網(wǎng)絡(luò)的生活垃圾熱值計(jì)算模型，該模型通過擬合垃圾熱值的歷史數(shù)據(jù)，避免垃圾中的不可燃成分影響熱值計(jì)算結(jié)果[22]，并利用灰色關(guān)聯(lián)度和BP神經(jīng)網(wǎng)絡(luò)對(duì)熱值進(jìn)行預(yù)測(cè)模擬，后續(xù)又進(jìn)一步通過遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，完善了入爐垃圾的熱值預(yù)測(cè)模型[23]。但由于我國垃圾成分中的含水量變化范圍大，垃圾熱值也會(huì)產(chǎn)生大幅度波動(dòng)，使用基于歷史數(shù)據(jù)特征建立的熱值預(yù)測(cè)模型難免會(huì)因?yàn)闀r(shí)序問題產(chǎn)生較大誤差[24],而基于深度學(xué)習(xí)的實(shí)時(shí)圖像識(shí)別方法并不依賴于歷史時(shí)序信息，具有更強(qiáng)的泛化性。同時(shí)，該方法可以對(duì)當(dāng)前檢測(cè)窗口下的垃圾熱值波動(dòng)做出實(shí)時(shí)反應(yīng)，從而為實(shí)現(xiàn)機(jī)組各項(xiàng)參數(shù)“超前調(diào)控”提供條件。

表3 三種垃圾熱值計(jì)算方法經(jīng)驗(yàn)公式Table 3 Three empirical formulasfor calculating the calorific value of garbage

3 國內(nèi)外智能識(shí)別垃圾圖像的進(jìn)展與不足

生活垃圾圖像中存在較多與垃圾特征無關(guān)的背景信息，這增加了垃圾的識(shí)別難度。現(xiàn)有研究通過使用支持向量機(jī)（SVM）和殘差網(wǎng)絡(luò)進(jìn)行垃圾識(shí)別測(cè)試，能夠?qū)鴪D像進(jìn)行一定的分類處理，但因垃圾圖像數(shù)據(jù)集較小和圖像自身較多的干擾信息而產(chǎn)生較大誤差[25]。隨后，深度卷積神經(jīng)網(wǎng)絡(luò)的加入，通過卷積核較快提取出垃圾圖像中的特征信息，不僅增加了垃圾圖像的處理速度，還增加了垃圾分類識(shí)別的準(zhǔn)確性[26]。在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，出現(xiàn)了網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜的Yolov2-dense，其不僅能夠快速處理垃圾圖像，還能在垃圾識(shí)別的過程對(duì)垃圾進(jìn)行定位，在保證垃圾識(shí)別準(zhǔn)確率的同時(shí)能夠?qū)M(jìn)行正確的分類放置[27]。

在對(duì)垃圾圖像進(jìn)行識(shí)別的過程中，圖像中垃圾間遮擋和重疊十分影響圖像識(shí)別精度，常用局部特征描述方法解決該類問題，具體包括SIFT（scaleinvariant feature transform）、SURF（speeded up robust features）[28]?，F(xiàn)有研究提出了一種基于回歸的Yolo模型，其能夠通過提取被遮擋圖像中的局部特征來降低垃圾間遮擋所帶來的識(shí)別誤差，并進(jìn)一步改進(jìn)模型結(jié)構(gòu)提出Yolov2模型，增加了垃圾圖像的識(shí)別速度。另一方面，將Yolo模型應(yīng)用在電廠發(fā)電負(fù)荷圖像分析中，其檢測(cè)速度和準(zhǔn)確性都能在一定程度上滿足電廠要求[29-30]。

近年來深度學(xué)習(xí)與圖像識(shí)別技術(shù)逐步開始進(jìn)行著有效融合，這在一定程度上能使圖像識(shí)別技術(shù)更加智能和高效，但融合了深度學(xué)習(xí)后的圖像識(shí)別技術(shù)在圖像采集、算法模型和結(jié)果分析等方面仍然存在一些的問題。在垃圾圖像的采集過程中，首先工業(yè)相機(jī)容易受到霧氣、蚊蟲、光照等外界因素影響。其次，由于我國垃圾組分復(fù)雜多變，所需識(shí)別的種類繁多，且經(jīng)過垃圾廠堆料區(qū)發(fā)酵后部分垃圾辨識(shí)度不高，增加了垃圾圖像識(shí)別的難度。最后，垃圾在運(yùn)送過程中所產(chǎn)生的堆疊、遮擋問題同樣也給垃圾圖像識(shí)別造成一定的困難。在算法模型方面，目前大多熱值預(yù)測(cè)采用神經(jīng)網(wǎng)絡(luò)或遺傳算法搭建模型，對(duì)基于圖像識(shí)別的垃圾熱值預(yù)測(cè)理論研究較少。另外，相較于常用的圖像檢測(cè)模型，圖像深度學(xué)習(xí)能夠?yàn)槔鵁嶂祵?shí)時(shí)預(yù)測(cè)提供更高的圖像處理速度和更精準(zhǔn)的圖像識(shí)別精度。在輸出結(jié)果分析方面，由于本文模型采用識(shí)別矩形框(bounding box)面積占比代替實(shí)際不規(guī)則形狀垃圾面積，從而產(chǎn)生一定范圍內(nèi)的誤差，對(duì)熱值的預(yù)測(cè)精度也會(huì)產(chǎn)生一定影響。

4 基于圖像深度學(xué)習(xí)的垃圾熱值預(yù)測(cè)方法概述

本文通過高清工業(yè)相機(jī)對(duì)入爐垃圾圖像的實(shí)時(shí)采集與分類標(biāo)記建立圖像數(shù)據(jù)庫，并耦合圖像縮放、色彩空間調(diào)整和mosaic數(shù)據(jù)增強(qiáng)等圖像數(shù)據(jù)處理方法及神經(jīng)網(wǎng)絡(luò)訓(xùn)練，提出建立基于Yolov5的垃圾熱值實(shí)時(shí)預(yù)測(cè)模型的設(shè)想。通過該模型進(jìn)行熱值預(yù)測(cè)后，可以對(duì)垃圾焚燒發(fā)電廠的垃圾履帶速度、一次風(fēng)量和二次風(fēng)量等參數(shù)進(jìn)行提前調(diào)控。

如圖2通過工業(yè)高清相機(jī)每隔5 s采集一張入爐垃圾圖像，采集到一定數(shù)量后，對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)注，形成垃圾圖像數(shù)據(jù)集。接著，在數(shù)據(jù)庫中隨機(jī)抽取一部分?jǐn)?shù)據(jù)作為測(cè)試數(shù)據(jù)集，用于評(píng)估模型精度。對(duì)于所有訓(xùn)練集數(shù)據(jù)，在進(jìn)行數(shù)據(jù)增強(qiáng)后輸入帶有預(yù)訓(xùn)練權(quán)重的Yolov5模型中進(jìn)行微調(diào)，最終形成所需的神經(jīng)網(wǎng)絡(luò)權(quán)值。

另外，將測(cè)試集數(shù)據(jù)輸入到已訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，輸出Yolov5能夠識(shí)別的各類垃圾的框標(biāo)。接著通過計(jì)算每種垃圾框標(biāo)的面積占比來確認(rèn)最終該類垃圾占總垃圾的比例，同時(shí)又得到該類垃圾的識(shí)別框總面積值，熱值的計(jì)算方式為垃圾占比比例、垃圾種類的面積、垃圾密度、各類垃圾平均熱值的乘積，得到該圖像垃圾的預(yù)測(cè)熱值。由于缺乏所采集到的入爐垃圾圖片中對(duì)應(yīng)的標(biāo)準(zhǔn)熱值，因此，需要搭建小型實(shí)驗(yàn)平臺(tái)，對(duì)圖像中的垃圾樣品進(jìn)行氧彈量熱分析，測(cè)試出其標(biāo)準(zhǔn)熱值后，與預(yù)測(cè)垃圾熱值進(jìn)行數(shù)據(jù)擬合，得到相應(yīng)誤差系數(shù)，用于后續(xù)對(duì)預(yù)測(cè)熱值的校正。

4.1 建立圖像深度學(xué)習(xí)模型

本文通過使用Yolov5的圖像深度學(xué)習(xí)模型進(jìn)行遷移學(xué)習(xí)，對(duì)入爐垃圾圖像進(jìn)行圖像中垃圾類別的目標(biāo)檢測(cè)并預(yù)測(cè)熱值。

如圖3所示，Yolov5模型分為四個(gè)主要部分，分別為輸入端、Backbone、Neck、Prediction。下面進(jìn)行具體說明。

輸入端分為三個(gè)部分：mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算和自適應(yīng)圖片縮放，其中mosaic數(shù)據(jù)增強(qiáng)是為了能夠讓模型更好地檢測(cè)圖像中的小目標(biāo)物體，自適應(yīng)錨框計(jì)算是通過更新每一次迭代輸出的預(yù)測(cè)框面積，能夠使預(yù)測(cè)結(jié)果更加合理，自適應(yīng)圖片縮放是為了將原始圖片統(tǒng)一縮放到一個(gè)標(biāo)準(zhǔn)尺寸，再送入檢測(cè)網(wǎng)絡(luò)中檢測(cè)。Backbone分為兩個(gè)結(jié)構(gòu)：Focus結(jié)構(gòu)主要是對(duì)圖像進(jìn)行切片操作，CSP結(jié)構(gòu)主要是為了從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的角度解決推理中計(jì)算量很大的問題。Neck為FPN+PAN結(jié)構(gòu)是為了加強(qiáng)網(wǎng)絡(luò)特征融合。Prediction使用的是GIOU_Loss函數(shù)，該函數(shù)用來估算檢測(cè)目標(biāo)矩形框的識(shí)別損失[31]。

Yolov5模型能夠基于圖像特征信息進(jìn)行深度學(xué)習(xí)，根據(jù)其含有的殘差組件個(gè)數(shù)分為四個(gè)預(yù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)，分別為Yolov5s、Yolov5m、Yolov5l、Yolov5x，其殘差組件依次遞增，如表4為Yolov5不同網(wǎng)絡(luò)結(jié)構(gòu)的卷積核個(gè)數(shù)以及殘差組件個(gè)數(shù)。隨著網(wǎng)絡(luò)深度的加深，模型也具有越來越強(qiáng)的特征提取及特征融合能力[32]。

圖2 Yolov5計(jì)算方法流程圖Fig.2 Yolov5 calculation method flowchart

圖3 Yolov5的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Yolov5 network structure diagram

表4 Yolov5不同網(wǎng)絡(luò)結(jié)構(gòu)的卷積核個(gè)數(shù)以及殘差組件個(gè)數(shù)Table 4 The number of convolution kernels and the number of residual components of different network structures in Yolov5

4.2 入爐垃圾圖像采集

入爐垃圾的圖像采集需要運(yùn)用高清工業(yè)相機(jī)，工業(yè)相機(jī)從芯片上分為CCD和CMOS兩種，由于輸送垃圾的傳送帶為運(yùn)動(dòng)狀態(tài)，應(yīng)選用CCD相機(jī)。根據(jù)相機(jī)檢測(cè)運(yùn)動(dòng)物體的原則，選擇的相機(jī)的幀率需大于檢測(cè)速度，保證處理圖像的時(shí)間要短，需要在相機(jī)曝光和傳輸時(shí)間內(nèi)完成。最后，由于相機(jī)分為面陣相機(jī)和線陣相機(jī)，而本文中需要檢測(cè)運(yùn)動(dòng)中的垃圾圖像，對(duì)圖像的精度和清晰度要求很高，面陣相機(jī)的分辨率和幀率很大程度上不能滿足需求，因此選擇線陣相機(jī)。

4.3 建立入爐垃圾圖像數(shù)據(jù)庫及數(shù)據(jù)增強(qiáng)

將所采集的圖像中的垃圾進(jìn)行分類標(biāo)注，針對(duì)標(biāo)注好的垃圾類別建立入爐垃圾圖像數(shù)據(jù)庫，并通過數(shù)據(jù)增強(qiáng)的方式提高模型對(duì)圖像的識(shí)別精度。數(shù)據(jù)增強(qiáng)通常分為三部分，分別為圖像變換、隨機(jī)替換、混合圖像[33]。其中圖像變換主要由顏色變換和幾何變換兩部分組成，顏色變換即為將圖像的亮度、對(duì)比度、飽和度和噪聲進(jìn)行更改以增強(qiáng)數(shù)據(jù)，幾何變換則是對(duì)圖像進(jìn)行隨機(jī)縮放、裁剪、旋轉(zhuǎn)以此形成新的數(shù)據(jù)集。隨機(jī)替換是這三種增強(qiáng)方式中比較常用的一種，其將圖像的部分區(qū)域替換為隨機(jī)值或是訓(xùn)練集的平均像素值，能夠防止模型記憶訓(xùn)練數(shù)據(jù)過擬合?；旌蠄D像則是通過將不同圖像隨機(jī)剪裁和拼接，將不相同的圖像進(jìn)行混合，從而擴(kuò)充訓(xùn)練數(shù)據(jù)集，來提高訓(xùn)練精度。

本文中的數(shù)據(jù)增強(qiáng)方式主要為圖像變換和混合圖像，即采用縮放、色彩空間調(diào)整和mosaic增強(qiáng)。圖像縮放是非常常見的方法，即將原有圖像數(shù)據(jù)集中的圖像通過放大、縮小產(chǎn)生更多數(shù)據(jù)集，在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練時(shí)能夠識(shí)別該物體不同大小的形態(tài)，從而確定識(shí)別精度，這能夠減少一種垃圾的不同形態(tài)對(duì)識(shí)別帶來的干擾[34]。圖像色彩空間調(diào)整如圖4所示，將圖像的色彩/色度、圖像飽和度、圖像亮度進(jìn)行調(diào)整，增加數(shù)據(jù)集進(jìn)行圖像識(shí)別訓(xùn)練，這有助于在垃圾識(shí)別中，避免識(shí)別背景的光線變化帶來的影響。mosaic增強(qiáng)如圖5所示，是將多種需識(shí)別的物體按一定比例組合為一張圖像，經(jīng)過多次訓(xùn)練后，其能夠使得模型識(shí)別出比正常尺寸小的物體，這對(duì)于識(shí)別電廠中較小的垃圾起到關(guān)鍵作用。

4.4 垃圾熱值確定方法

如表5所示，根據(jù)《生活垃圾采樣和分析方法》[35]中所提到的各類生活垃圾熱值標(biāo)準(zhǔn)量及氫元素含量，在無量熱儀的條件下可以選用式（1）熱值經(jīng)驗(yàn)估算公式計(jì)算。

圖4 圖像色彩空間調(diào)整后數(shù)據(jù)增強(qiáng)示例圖Fig.4 Example diagram of color space adjustment data enhancement

圖5 圖像mosaic數(shù)據(jù)增強(qiáng)后示例圖Fig.5 Example diagram of mosaic data enhancement

表5 各類生活垃圾占比、熱值及氫含量Table 5 Calorific value and hydrogen content of various types of domestic waste

式中，Q′i(h)為某類生活垃圾的干基高位熱值，kJ/kg。

在統(tǒng)計(jì)了各類垃圾的平均標(biāo)準(zhǔn)熱值后，利用Yolov5深度學(xué)習(xí)框架，對(duì)各類垃圾進(jìn)行目標(biāo)檢測(cè)，并用矩形框標(biāo)識(shí)出圖像中的各類垃圾，通過計(jì)算在圖像中各類垃圾的矩形框面積和，假設(shè)垃圾厚度一定，利用垃圾的矩形框面積代替垃圾體積。如式（2）為某種垃圾預(yù)測(cè)熱值=某種垃圾的矩形框面積和×垃圾密度×某種垃圾平均熱值×假設(shè)垃圾厚度×誤差系數(shù)，如式（3）為垃圾預(yù)測(cè)總熱值為各類垃圾預(yù)測(cè)熱值之和。抽取部分圖像中的垃圾樣本，通過氧彈量熱法計(jì)算出其標(biāo)準(zhǔn)熱值，并與圖像預(yù)測(cè)熱值數(shù)據(jù)擬合，進(jìn)一步優(yōu)化誤差系數(shù)α。

式中，Qp為某類垃圾預(yù)測(cè)熱值，kJ/kg；Q′p為n類垃圾預(yù)測(cè)熱值總和，kJ/kg；S為某類垃圾的矩形框面積和，m2；ρ為某類垃圾密度，kg/m3；Qr為某類垃圾平均經(jīng)驗(yàn)熱值，kJ/kg；h為某類垃圾假設(shè)厚度，m；α為誤差系數(shù)。

4.5 模型驗(yàn)證

模型的驗(yàn)證分為兩個(gè)階段。第一階段對(duì)垃圾目標(biāo)檢測(cè)結(jié)果進(jìn)行驗(yàn)證，對(duì)所有測(cè)試樣本進(jìn)行檢測(cè)，將檢測(cè)結(jié)果與標(biāo)注結(jié)果進(jìn)行對(duì)比，評(píng)估該階段的準(zhǔn)確性。第二階段對(duì)熱值檢測(cè)精度進(jìn)行驗(yàn)證。在確保了目標(biāo)檢測(cè)精度的情況下，根據(jù)識(shí)別所生成的檢測(cè)框進(jìn)行熱值計(jì)算，并將該計(jì)算結(jié)果與實(shí)驗(yàn)室分析所得結(jié)果進(jìn)行對(duì)比，從而評(píng)估模型在熱值檢測(cè)上的準(zhǔn)確性。最終應(yīng)用在實(shí)際電廠中，通過高清工業(yè)相機(jī)實(shí)時(shí)采集圖像，實(shí)現(xiàn)垃圾穩(wěn)定燃燒，減小垃圾熱值波動(dòng)對(duì)電廠所帶來的影響。

5 未來展望

目前全球都在大力推行計(jì)算機(jī)視覺領(lǐng)域的發(fā)展，深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域已經(jīng)占據(jù)了絕對(duì)的主導(dǎo)地位[36]。深度學(xué)習(xí)的加入能夠幫助計(jì)算機(jī)圖像識(shí)別技術(shù)在精度和速度方面得到進(jìn)一步提升。根據(jù)全球技術(shù)解決方案提供商Soft Serve發(fā)布的Big Data Snapshot研究報(bào)告顯示，約有62%的大中型公司希望在未來兩年內(nèi)能將深度學(xué)習(xí)用于商業(yè)分析[37]。傳統(tǒng)的圖像識(shí)別技術(shù)一直依賴人工設(shè)計(jì)的特征，對(duì)深層次信息難以抽取，深度學(xué)習(xí)采用一系列非線性變換，能夠更高效地處理圖像中的深層次信息。當(dāng)前，深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域主要以卷積神經(jīng)網(wǎng)絡(luò)研究為主，未來將進(jìn)一步通過改善卷積運(yùn)算形式來簡(jiǎn)化深度學(xué)習(xí)的復(fù)雜性，使得圖像識(shí)別技術(shù)的應(yīng)用場(chǎng)景更廣、應(yīng)用技術(shù)更簡(jiǎn)明[38]。未來將不斷地改進(jìn)與完善用于圖像分類任務(wù)的深度學(xué)習(xí)模型，將該類模型更好地通過遷移學(xué)習(xí)應(yīng)用于垃圾熱值的預(yù)測(cè)中，利用深度學(xué)習(xí)的泛化性，能夠通過垃圾圖像信息對(duì)熱值進(jìn)行預(yù)測(cè)。

在現(xiàn)有的垃圾焚燒發(fā)電廠中，操作人員往往通過定期對(duì)垃圾樣品抽樣檢測(cè)來進(jìn)行熱值估算，相較于巨大的垃圾堆放量，樣品檢測(cè)量遠(yuǎn)遠(yuǎn)不夠，存在較大估算誤差[39]。另外，當(dāng)出現(xiàn)垃圾熱值大范圍波動(dòng)時(shí)，現(xiàn)場(chǎng)操作人員只能根據(jù)經(jīng)驗(yàn)不斷調(diào)節(jié)風(fēng)量、傳送帶速度以及抓料量，這不僅會(huì)影響垃圾穩(wěn)定燃燒，還影響設(shè)備的使用壽命。因此，通過提取垃圾圖像信息來對(duì)熱值進(jìn)行智能預(yù)測(cè)，能夠較好地提高垃圾熱值估算的準(zhǔn)確性、即時(shí)性，并改善熱值波動(dòng)帶來的經(jīng)濟(jì)、環(huán)境影響。具體將開展的工作如下。

（1）將通過開展垃圾給料工藝以及垃圾熱值的波動(dòng)特性的研究，合理設(shè)計(jì)采集垃圾圖像的頻率以及采集圖像的大小。

（2）將通過高清工業(yè)相機(jī)采集入爐垃圾圖像，并通過數(shù)據(jù)標(biāo)注建立符合我國垃圾成分結(jié)構(gòu)的入爐垃圾圖像數(shù)據(jù)庫。

（3）繼續(xù)優(yōu)化垃圾熱值預(yù)測(cè)的深度學(xué)習(xí)模型，提高機(jī)器視覺對(duì)于垃圾特征的提取精度與提取速度，從而更快地預(yù)測(cè)熱值。

（4）將對(duì)垃圾樣本進(jìn)行氧彈量熱法分析，同時(shí)對(duì)比智能預(yù)測(cè)垃圾樣本熱值的方法，計(jì)算出誤差系數(shù)，進(jìn)一步縮小垃圾圖像識(shí)別中因垃圾厚度、識(shí)別不全等問題帶來的誤差。

6結(jié) 論

本文探討了國內(nèi)外的垃圾圖像智能識(shí)別和垃圾熱值預(yù)測(cè)的方法與進(jìn)展，提出利用基于圖像深度學(xué)習(xí)的Yolov5框架對(duì)入爐垃圾熱值進(jìn)行實(shí)時(shí)預(yù)測(cè)的設(shè)想，并針對(duì)未來智能預(yù)測(cè)垃圾熱值提出展望：

（1）由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、遺傳算法模型依靠電廠熱值的歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，會(huì)因?yàn)闀r(shí)序信息產(chǎn)生較大誤差?；赮olov5的垃圾熱值實(shí)時(shí)預(yù)測(cè)模型能夠快速采集和處理圖像數(shù)據(jù)，不依賴歷史時(shí)序數(shù)據(jù)，具有更強(qiáng)的泛化性。

（2）通過CCD線陣工業(yè)相機(jī)采集垃圾圖像，并采用縮放、色彩空間調(diào)整和mosaic增強(qiáng)等方式對(duì)圖像數(shù)據(jù)做增強(qiáng)處理，采用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，并通過將垃圾樣品的預(yù)測(cè)熱值與氧彈量熱法計(jì)算出的垃圾標(biāo)準(zhǔn)熱值進(jìn)行對(duì)比驗(yàn)證，最終建立基于Yolov5的垃圾熱值實(shí)時(shí)預(yù)測(cè)模型。

（3）由于我國缺乏有效的垃圾圖像數(shù)據(jù)庫，且垃圾存在重疊、遮擋和消融等現(xiàn)象，影響圖像識(shí)別精度，需建立包含垃圾的不同種類、形態(tài)的有效垃圾圖像數(shù)據(jù)庫。后續(xù)研究將通過采集電廠高清入爐垃圾圖像、圖像數(shù)據(jù)標(biāo)注、圖像數(shù)據(jù)增強(qiáng)等處理，形成符合我國垃圾組分結(jié)構(gòu)的垃圾圖像數(shù)據(jù)庫。

（4）由于垃圾焚燒電廠在進(jìn)行垃圾熱值抽樣檢測(cè)時(shí)，樣本量小且檢測(cè)間隔長(zhǎng)，未來將加深圖像識(shí)別技術(shù)和深度學(xué)習(xí)的融合，有助于垃圾熱值的智能預(yù)測(cè)更加實(shí)時(shí)和高效。同時(shí)，從圖像數(shù)據(jù)庫建立和模型優(yōu)化方面，進(jìn)一步展望了垃圾熱值實(shí)時(shí)預(yù)測(cè)模型的驗(yàn)證方法和后續(xù)研究。