綠色建筑施工垃圾智能分類仿真建模研究

段春云，李 廣

(1. 吉林建筑科技學(xué)院管理工程學(xué)院，吉林 長春 130114；2. 吉林建筑大學(xué)市政與環(huán)境工程學(xué)院，吉林 長春 130118)

1 引言

綠色建筑環(huán)境不加控制的開發(fā)和建設(shè)[1]，導(dǎo)致建筑垃圾的產(chǎn)生數(shù)量劇增，且處理難度程度高、操作流程復(fù)雜，對(duì)社會(huì)環(huán)境造成嚴(yán)重污染，我國位于發(fā)展中國家階段，正處于工業(yè)化與城市化的快速發(fā)展的歷程中，建筑總面積可達(dá)500億平方米以上。建筑物垃圾的處理占用大量土地，已經(jīng)嚴(yán)重威脅人們?nèi)粘Ｉ瞽h(huán)境。每年建筑產(chǎn)生金屬類垃圾已超出1億噸，加上其它種類垃圾數(shù)量已達(dá)上億噸。人類在享受建筑同時(shí)也承受建筑垃圾所帶來的環(huán)境污染[2]。

對(duì)垃圾分類研究已成為相關(guān)領(lǐng)域研究重點(diǎn)。趙冬娥等人[3]針對(duì)垃圾分類時(shí)間長、種類多且數(shù)量多，無法保證其分類速度的問題，提出先構(gòu)建垃圾圖像分類模型，在近紅外波部分提取出樣本的特征波，再使用SAM光譜匹配與Fisher判別分析，將得出樣本特征波分類。紅外波對(duì)金屬垃圾較為敏感，但是對(duì)有機(jī)垃圾分類精度較差；文燦華等人[4]根據(jù)垃圾分類精度較低問題，使用Faster RCNN方法對(duì)垃圾智能分類。選取6種垃圾種類構(gòu)建圖像信息集，并使用圖像信息增強(qiáng)方式提升圖像信息集目標(biāo)數(shù)量與目標(biāo)類別效果，實(shí)現(xiàn)垃圾智能分類，為保證分類精度進(jìn)而增加分類流程，為此需花費(fèi)較長時(shí)間，導(dǎo)致垃圾分類效率偏低。

本文采用灰度預(yù)處理，有效去除圖像中噪聲，提升圖像清晰度，并根據(jù)卷積神經(jīng)網(wǎng)絡(luò)[5]方式縮短垃圾分類時(shí)間，提升分類正確率，最終完成綠色建筑施工垃圾智能分類目的。

2 綠色建筑施工垃圾智能分類仿真建模

綠色建筑施工垃圾智能分類仿真建模主要分為圖像預(yù)處理、圖像特征提取和特征分類三個(gè)部分，該垃圾智能分類仿真建模過程如圖1所示?？紤]成本和體積因素，該模型選擇樹莓派型號(hào)3B+當(dāng)作此模型設(shè)備。

2.1 垃圾圖像預(yù)處理

啟動(dòng)攝像頭獲得垃圾圖像均為彩色圖，并把這種圖像稱之為RGB圖像，其是由R通道(紅色)、G通道(綠色)、B通道(藍(lán)色)三部分構(gòu)成?？吹骄G色建筑施工垃圾圖像中任何顏色均是由這三個(gè)通道按照特定比例融匯形成的。若將一張帶顏色圖片無窮放大，可明顯看出初始圖像是由若干個(gè)小方塊的色素點(diǎn)構(gòu)成，各像素點(diǎn)均是由這三個(gè)通道按照特定比例融匯而成，把這個(gè)小方塊稱之為像素點(diǎn)，也是該圖像基本單位。

綠色建筑施工垃圾圖像RGB只能在光學(xué)領(lǐng)域中完成顏色分配，在反應(yīng)該圖像形態(tài)特點(diǎn)方面，灰度圖像的優(yōu)勢更為明顯[6]，為此在綠色建筑施工垃圾圖像特征提取之前需要對(duì)該圖像做灰度預(yù)處理，將三維空間圖像變換成灰度圖像，得出圖像是由深度不相同的黑色像素點(diǎn)構(gòu)成的二維空間序列集合，也是三維空間RGB圖像中一個(gè)分量。初始垃圾彩色圖像在變換成灰度后，由原始的三通道轉(zhuǎn)換成一通道，當(dāng)中各像素點(diǎn)由0-225的量等級(jí)來描述灰度數(shù)值情況，和RGB圖像不同，灰度圖像的各像素點(diǎn)僅有一個(gè)固定灰度數(shù)值。變換過程計(jì)算方程如式(1)

gray=0.299×R+0.587×G+0.114×B

(1)

在綠色建筑施工垃圾圖像識(shí)別中，因外在因素導(dǎo)致此圖像會(huì)包含一些錯(cuò)誤數(shù)據(jù)，這些錯(cuò)誤數(shù)據(jù)可認(rèn)為是圖像噪聲，為此使用均值濾波設(shè)備將得出灰度圖像進(jìn)行噪聲處理。其工作流程是算出范圍內(nèi)去除中心像素的均值，并將得出數(shù)值代替其中心數(shù)值。例如在一個(gè)7×7的像素范圍，其是由兩部分組成，即1個(gè)中心像素點(diǎn)與48個(gè)像素點(diǎn)，先算出48像素點(diǎn)的均值，并使用此均值來表示其中心數(shù)值，根據(jù)這方法更換圖像像素點(diǎn)，有效減弱整個(gè)圖像噪聲。均值濾波設(shè)備可以減弱圖像噪聲，使得圖像變得平滑，操作簡便且圖像處理極快。而文中采用均值濾波對(duì)垃圾圖像做濾波處理，得出效果如圖1所示。

圖1 圖像去噪前后對(duì)比結(jié)果

2.2 垃圾圖像特征提取

綠色建筑施工垃圾預(yù)處理圖像的特征提取通常使用紋理方式[7]。圖像紋理特征可以展現(xiàn)出圖像結(jié)構(gòu)特點(diǎn)，也是圖像視覺特征最關(guān)鍵部分。其關(guān)鍵體現(xiàn)在圖像預(yù)處理后像素在灰度空間的分布情況，這種分布情況是圖像局部范圍的一種度量形式，也是圖像自身在灰度空間獨(dú)有的屬性。基于此，圖像的鄰域空間中相隔特定距離兩個(gè)像素之間，依舊存在空間分布關(guān)系。圖像紋理特征則通過灰度共生矩陣方式得出其紋理特征[8]。

灰度共生矩陣是經(jīng)過統(tǒng)計(jì)兩個(gè)相隔特定距離，與特征角度相同的像素點(diǎn)數(shù)量，并以矩陣方式展現(xiàn)出來，得出矩陣為灰度共生矩陣，比如水平方向，兩個(gè)像素間距為1的共生矩陣GLCM(1，1)數(shù)值描述了初始像素水平方向上相鄰像素是1的對(duì)數(shù)，GLCM(1，2)數(shù)值描述了水平方向上相鄰像素對(duì)存在(1，2)的對(duì)數(shù)，以此得出灰度共生矩陣是一個(gè)對(duì)數(shù)矩陣。圖像紋理特征變化速度，與共生矩陣對(duì)角數(shù)據(jù)情況成反比；在求解共生矩陣特征數(shù)值時(shí)，通常從四個(gè)角度得出灰度矩陣，即0°、45°、90°、135°，且通常情況下像素量等級(jí)與灰度共生矩陣呈正比關(guān)系，為此灰度共生矩陣是一個(gè)信息量極大的矩陣，基本上不會(huì)直接當(dāng)作區(qū)分紋理特點(diǎn)，則需要使用統(tǒng)計(jì)量方式對(duì)該矩陣進(jìn)行降維。采用灰度共生矩陣統(tǒng)計(jì)得出比度、能量、熵與相關(guān)性的特征，并對(duì)這些特征分析。

1)對(duì)比度

對(duì)比度描述了像素點(diǎn)與鄰域范圍內(nèi)像素點(diǎn)亮度對(duì)比情況，即圖像紋理的清晰程度。對(duì)比程度越小，圖像紋理的視覺效果就越模糊，反之，視覺結(jié)果清晰，計(jì)算流程如式(2)所示

(2)

式中，P(i，j)為圖像紋理像素函數(shù)，i、j分別為圖像像素點(diǎn)數(shù)量與亮度值。

2)能量

能量表現(xiàn)力圖像灰度數(shù)據(jù)的分布情況，若數(shù)值愈大表明圖像灰度分布愈均勻，灰度數(shù)值愈小，反之，其圖像分布越不均勻，灰度數(shù)值愈大，計(jì)算流程如式(3)所示

(3)

3)熵

熵是衡量圖像含有數(shù)據(jù)量大小，展示出該圖像紋理數(shù)據(jù)的非均勻分布情況。若熵值愈大代表該圖像非均勻分布情況就愈高，若熵值愈小代表該圖像非均勻分布程度愈低，即

(4)

4)相關(guān)性

相關(guān)性是衡量圖像灰度線性聯(lián)系，如式(5)所示

(5)

通過式(3)-(5)得出預(yù)處理圖像特征提取數(shù)據(jù)較少，為此使用7個(gè)Hu不變矩對(duì)其進(jìn)一步特征提取。設(shè)定f(x，y)表示預(yù)處理圖像函數(shù)，則該圖像p+q階矩為

(6)

其中，Ω表示x，y空間范圍。p+q中心矩即

(7)

圖像數(shù)據(jù)通常是N×M形式矩陣，采用求和方法更換式(7)積分形式，公式p+q價(jià)原點(diǎn)矩與中心矩變換過程如式(8)所示

(8)

將中心矩進(jìn)行歸一化處理，得出ηpq

(9)

Hu不變矩的七階計(jì)算流程如式(10)所示。

φ1=η20+η02

φ3=(η30+3η12)2+(η03-3η21)2

φ4=(η30+η12)2+(η03+η21)2

φ5=(η30-3η12)+(η30+η12)[(η30+η12)2-3(η21+η03)2]

+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21-η03)2]

φ6=(η20-η02)[(η30+η12)2-(η12+η03)2]

+4η11(η30+η12)(η21+η03)

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21-η03)2]

-(η30+3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]

(10)

根據(jù)式(14)提取出圖像特征，下面使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)提取出數(shù)據(jù)進(jìn)行智能分類。

2.3 垃圾智能分類

卷積神經(jīng)網(wǎng)絡(luò)屬于前饋式神經(jīng)網(wǎng)絡(luò)[9]，由輸入、池化、卷積、全連接與輸出五個(gè)不同層組成，任意一層的神經(jīng)網(wǎng)絡(luò)元只和上一層接觸。設(shè)定卷積層12與22大小尺寸，步長為2的兩種不相同卷積核。經(jīng)過對(duì)首層輸入特征提取數(shù)據(jù)做加權(quán)處理，獲得數(shù)據(jù)加權(quán)信息，將其稱之為卷積核。

特征提取數(shù)據(jù)通過卷積計(jì)算后加偏置數(shù)值，構(gòu)成分類數(shù)據(jù)，即

(11)

設(shè)定池化層44與66大小尺寸，根據(jù)最大池化的方式，為縮短數(shù)據(jù)分類時(shí)間僅保存最大像素?cái)?shù)值，達(dá)到分類數(shù)據(jù)降維與壓縮信息的功能，即

(12)

該網(wǎng)絡(luò)優(yōu)點(diǎn)在于可設(shè)定若干個(gè)起始模塊，并采用若干個(gè)2×2卷積核與若干個(gè)分支的卷積聚集而成，極大程度降低網(wǎng)絡(luò)參數(shù)與層數(shù)，減少卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算量，同時(shí)此部分使用自定義的數(shù)據(jù)集當(dāng)作整個(gè)網(wǎng)絡(luò)輸出層，并使用網(wǎng)絡(luò)共享權(quán)值，對(duì)輸出結(jié)果進(jìn)行分類與重新定義全連接層[10]。

最終降成一維向量，并采用softmax函數(shù)當(dāng)作輸出的分類設(shè)備，得出

(13)

其中，ε表示綠色建筑施工垃圾一種類別，并送出概率分別，最終完成綠色建筑施工垃圾智能分類。

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)平臺(tái)為MATLAB2019a，輸入圖像大小尺寸為127*127。樣本信息庫是通過網(wǎng)絡(luò)收集建筑施工垃圾圖像，一共2000張照片信息，任意抽取1500張當(dāng)作訓(xùn)練樣本集，500張當(dāng)作測試樣本。在檢測之前需要把檢測樣本集合中圖像進(jìn)行標(biāo)簽，相同標(biāo)簽歸為同一類，標(biāo)簽對(duì)應(yīng)的是輸出類別，將其劃分成金屬類垃圾、無機(jī)非金屬垃圾、復(fù)合類垃圾、危險(xiǎn)廢棄垃圾、有機(jī)類垃圾以及未分類垃圾。

3.2 垃圾分類性能對(duì)比

為驗(yàn)證本文綠色建筑施工垃圾智能分類方法性能良好，從正確分類次數(shù)情況將本文方法與文獻(xiàn)[3]方法、文獻(xiàn)[4]方法進(jìn)行對(duì)比，對(duì)比情況如圖2-圖4所示。

圖2 本文方法垃圾正確分類情況

圖3 文獻(xiàn)[3]方法垃圾正確分類情況

圖4 文獻(xiàn)[4]方法垃圾正確分類情況

根據(jù)圖2～圖4可得到如下結(jié)論，本文方法下各個(gè)分類結(jié)果正確率，隨著待分類建筑垃圾的數(shù)量在不斷提升，最終共6噸建筑垃圾中，只有近2噸的無法識(shí)別垃圾；觀文獻(xiàn)方法，不僅正確分類次數(shù)低、無法識(shí)別垃圾重量高，且正確分類曲線上下波動(dòng)，文獻(xiàn)方法分類精度差。這是因?yàn)楸疚姆椒ú捎镁矸e神經(jīng)網(wǎng)絡(luò)方式將特征提取數(shù)據(jù)集當(dāng)作該網(wǎng)絡(luò)輸出層，并根據(jù)網(wǎng)絡(luò)共享權(quán)值，對(duì)其輸出數(shù)據(jù)進(jìn)行分類和重新定義全連接層，使得其分類結(jié)果正確率較高。

3.3 垃圾分類時(shí)長對(duì)比

保證垃圾正確分類結(jié)果前提下，縮短其分類流程所使用時(shí)長，能夠有效減少其分類流程與成本，進(jìn)而保護(hù)日常生活環(huán)境，為此將三種方法垃圾分類時(shí)長對(duì)比研究，得出結(jié)果如圖5所示。

圖5 不同方法下垃圾分類時(shí)長對(duì)比結(jié)果

圖5顯著看出，垃圾數(shù)量為1噸時(shí)，由于三種方法垃圾正確分類結(jié)果大致相同，為此其垃圾分類所需要時(shí)長基本相同，但垃圾數(shù)量超出1噸時(shí)，三種方法發(fā)生顯著變化，文獻(xiàn)方法垃圾分類時(shí)長折線呈上升趨勢，而本文方法分類時(shí)長折線變化較為緩慢，因?yàn)槭褂镁禐V波方式將圖像傳輸過程存在噪聲進(jìn)行去噪，獲得圖像清晰度極高，減少其分類使用時(shí)長。為此，本文方法實(shí)現(xiàn)了綠色建筑施工垃圾準(zhǔn)確、快速的智能分類目的。

3.4 垃圾分類收斂性對(duì)比

為進(jìn)一步驗(yàn)證本文垃圾分類效果優(yōu)于文獻(xiàn)方法，下面通過分類收斂性進(jìn)行對(duì)比，得出結(jié)果如表6所示。

圖6 不同方法下迭代次數(shù)對(duì)比情況

通過圖6看出，三種方法的垃圾分類周期不同，迭代計(jì)算得出結(jié)果也不相同，文獻(xiàn)方法獲得迭代計(jì)算次數(shù)均大于本文方法，因?yàn)楸疚姆椒ㄟ\(yùn)用卷積神經(jīng)網(wǎng)絡(luò)降低分類數(shù)據(jù)維數(shù)和壓縮信息，進(jìn)而有效降低迭代計(jì)算次數(shù)，故本文垃圾分類方法的收斂性良好。

4 結(jié)論

為解決傳統(tǒng)綠色建筑施工垃圾分類方法時(shí)間過長、垃圾處理成本較高且精度不理想問題，提出綠色建筑施工垃圾智能分類仿真建模方法。實(shí)驗(yàn)結(jié)果表明所提方法的垃圾分類精度高，且有效縮短垃圾分類時(shí)長，大大降低了施工垃圾處理成本。

本文方法雖然取得一定成果，但建筑施工垃圾體積較小物體，其識(shí)別率較低，同時(shí)沒有將建筑施工人員產(chǎn)生垃圾進(jìn)行分類，這些問題今后可以進(jìn)一步深入研究，完善本文方法。