“地攤經(jīng)濟”下城市環(huán)境監(jiān)測系統(tǒng)設計

黃振興 郭磊 劉煒杰 佘偉偉 張悅

摘? 要：目前地攤經(jīng)濟在促進實體經(jīng)濟恢復中起到重要作用，但其垃圾殘留歸屬卻成為市容管理部門亟需解決的問題。文章利用圖像識別技術設計出城市環(huán)境監(jiān)測系統(tǒng)，可以自動確定地攤位置區(qū)域并在攤位經(jīng)營結束后對該區(qū)域進行垃圾殘留檢測，同時將檢測結果上傳系統(tǒng)。在監(jiān)督攤位經(jīng)營者清理垃圾的同時，也給市容管理部門提供管理依據(jù)，實現(xiàn)對城市市容環(huán)境更好的維護。

關鍵詞：圖像識別;深度學習;垃圾檢測

中圖分類號：TP391? ? ? ? 文獻標識碼：A文章編號：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)過去兩年了，期間全國各地都有實施相應的、極有效的管控措施來防止疫情的擴散。在全國的齊心協(xié)力下我國的疫情得到了很好的控制，但受到新冠疫情的影響，我們的實體經(jīng)濟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重打擊的實體經(jīng)濟的重要恢復階段，在此期間有一名詞進入了大眾的視野——“地攤經(jīng)濟”?！暗財偨?jīng)濟”顧名思義就是通過擺地攤來進行經(jīng)營活動進而獲取收益的一種經(jīng)濟活動形式，并且“地攤經(jīng)濟”的經(jīng)營門檻低、經(jīng)營方式靈活等特點對疫情過后的實體經(jīng)濟恢復有很好的促進作用，因此很多地方的“地攤經(jīng)濟”便迅速火爆起來。可是“地攤經(jīng)濟”也有著我們不可忽視的缺點存在：攤主結束經(jīng)營活動后往往會在經(jīng)營區(qū)域上留下許多的經(jīng)營產(chǎn)生的垃圾，這些經(jīng)營的垃圾殘留會對城市環(huán)境造成很大影響，所以如何解決這一問題對于發(fā)展“地攤經(jīng)濟”十分重要。

本文設計的“地攤經(jīng)濟”下城市環(huán)境監(jiān)測系統(tǒng)就是針對如何有效的改善攤位經(jīng)營活動結束后的垃圾殘留問題來設計的檢測監(jiān)督系統(tǒng)。為實現(xiàn)本系統(tǒng)的功能我們主要使用了圖像處理、圖像識別和深度學習等技術，其中本系統(tǒng)可分為以下幾個功能部分：（1）攤位區(qū)域檢測設計。（2）攤位區(qū)域垃圾殘留檢測設計。（3）系統(tǒng)監(jiān)測結果反饋可視化設計。

1? 攤位區(qū)域檢測設計

在攤位區(qū)域檢測設計上，我們使用HSV顏色分割算法來實現(xiàn)攤位區(qū)域的檢測;在攤位區(qū)域垃圾殘留檢測設計上選擇先對圖像進行預處理，然后使用深度卷積的辦法來進行垃圾的檢測;最后在系統(tǒng)監(jiān)測結果反饋可視化設計上，我們設計了一個應用程序來實現(xiàn)對監(jiān)測結果的可視化操作和數(shù)據(jù)的上傳。系統(tǒng)的運行流程如圖1所示，先對獲取的圖像利用HSV顏色分割算法進行攤位區(qū)域的檢測與確定，在經(jīng)營結束之后，對之前確定的攤位區(qū)域進行垃圾殘留情況檢測，最后在應用系統(tǒng)上進行檢測結果的反饋展示與數(shù)據(jù)的上傳。以下是系統(tǒng)各部分功能的具體實現(xiàn)辦法及流程。

系統(tǒng)需要先確定攤位經(jīng)營的經(jīng)營區(qū)域范圍，來方便后面的垃圾檢測工作，攤位區(qū)域檢測流程如圖2所示。而目前在圖像處理中對于可以實現(xiàn)區(qū)域檢測的辦法有顏色分割、邊緣檢測等算法，由于攤位是有預先劃線規(guī)定每個攤位經(jīng)營范圍的，所以我們選擇顏色分割的識別算法來實現(xiàn)對攤位區(qū)域的檢測。

本次采用的是HSV顏色分割算法來實現(xiàn)攤位區(qū)域檢測，在HSV顏色模型中是按色調（Hue）、飽和度（Saturation）、明暗（Value）來描述的，其中H值代表色調、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，有比較大的作用。因為一般同類事物的顏色一般相同或者相近，所以，當所求對象顏色穩(wěn)定，且其他干擾項沒有相似顏色或者有相似顏色不過區(qū)域面積小，我們就可以通過顏色HSV色彩空間來將這個對象提取出來。766FAABA-4B23-4C78-9E39-1E03A1C6DA17

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

2? 垃圾殘留情況檢測設計

在系統(tǒng)的垃圾殘留情況檢測設計中，我們選擇了深度學習中的深度卷積的辦法來實現(xiàn)攤位是否殘留垃圾的檢測功能。在開始檢測之前，由于是在之前得到攤位區(qū)域的圖像的基礎上進行垃圾殘留情況檢測，這時的圖像是沒有經(jīng)過預處理的，圖像中的很多無關信息不利于進行檢測，所以在開始之前要對得到的攤位區(qū)域圖像進行預處理來減少圖像中的無關信息，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)量也會少很多，更方便我們進行檢測。

2.1? 圖像預處理

本次的圖像預處理分別為圖像灰度化、幾何變換以及圖像增強。

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換為只有灰度信息的圖像，一般情況下選取256個由純白到純黑的灰結構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，此時一般稱其為二值圖像。在RGB顏色模型中，如果構成彩色圖像的三幅圖像對應位置的像素值相等，則此時RGB模型下的顏色就會表示為一種灰度顏色，此時的像素值就稱為灰度值。

圖像灰度化的方法眾多，其中主流的方法包括分量法、極大值法和加權平均值法，本文選用加權平均法來實現(xiàn)圖像的灰度化。圖像灰度化的加權平均法是將RGB彩色圖像的三個分量，按照不同的權值進行加權平均。由于人類視神經(jīng)細胞對不同顏色的敏感度不同，人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍色的敏感度最低，結合實際測試，得到了對RGB彩色圖像采用加權平均法進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，對得到的區(qū)域圖像通過以上公式對每個通道的每個像素進行加權操作，結果如圖3所示。

2.1.2? 圖像的幾何變換

圖像的幾何變換是指通過平移、轉置、鏡像、旋轉或縮放等幾何變換中的一種或幾種方法來對圖像進行變換處理，用于矯正成像過程中由于成像角度、透視關系或者鏡頭自身等原因所帶來的系統(tǒng)誤差和隨機誤差。本文采用最鄰近插值算法來實現(xiàn)輸出圖像的圖形矯正。

2.1.3? 圖像增強

圖像增強就是通過對圖像的某些特征，如邊緣、輪廓、對比度等，進行強調或尖銳化，使之更適合于人眼的觀察或機器的處理的一種操作，本文采用中值濾波算法實現(xiàn)圖像增強。中值濾波算法可以擴大圖像中不同物體間的特征差別，對不感興趣的特征進行抑制，進而對圖像質量進行改善、豐富圖像信息量，對圖像的判讀和識別效果進行加強。本系統(tǒng)中，圖像增強效果如圖4所示。

2.2? 垃圾檢測

在圖像經(jīng)過預處理之后，我們得到了便于我們檢測垃圾的理想圖像，接下來就要進行垃圾殘留情況檢測，系統(tǒng)采用深度卷積神經(jīng)網(wǎng)絡來進行檢測。

本文采用的深度卷積神經(jīng)網(wǎng)絡主要由6個部分構成，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)絡的輸入，通過訓練提取出感興趣的特征。本文直接把圖像作為網(wǎng)絡的輸入，但為了獲得更好的訓練效果，輸入前一般要進行圖像預處理。

（2）卷積層。對輸入的數(shù)據(jù)進行卷積運算，完成對輸入數(shù)據(jù)的表示轉換。如果把卷積層看作黑盒子，其本質就是建立輸出和輸入之間表示的參數(shù)，而整個網(wǎng)絡訓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)絡中都是進行的線性操作，但樣本的類別間并不總是線性關系，因而在訓練過程中需要引入能夠進行非線性運算的激活函數(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)絡運算的過程中，運算數(shù)據(jù)可能會出現(xiàn)計算量較大的情況。為了提高訓練速度，卷積神經(jīng)網(wǎng)絡通常引入池化層來對數(shù)據(jù)進行特殊處理，對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個參數(shù)。

（6）輸出層。在本次訓練中，我們使用的數(shù)據(jù)集是華為云人工智能大賽·垃圾分類挑戰(zhàn)杯提供的垃圾分類數(shù)據(jù)集來建立相應的自動識別模型。在訓練完成之后，首先使用神經(jīng)網(wǎng)絡模型中的卷積層和池化層計算攤位區(qū)域圖像的特征，并且將攤位區(qū)域圖像特征值進行保存，把得到的特征值作為輸入樣本庫進行比對，若有相匹配結果則攤位有垃圾殘留。垃圾殘留情況檢測流程如圖5所示。

3? 系統(tǒng)反饋情況可視化設計

在系統(tǒng)可視化設計方面，通過Visual Studio來設計可視化程序，應用程序設計的功能有：（1）對視頻輸入源的選擇。（2）垃圾檢測結果顯示。（3）檢測結果上傳與查看。

其中對于視頻輸入源可以選擇查看相對應的視頻輸入畫面和相應的檢查結果，如圖6所示;在檢測結果上傳與查看中，應用程序通過MQTT協(xié)議與預先部署好的云服務器進行通信，在連接成功后上傳得到的檢測結果到數(shù)據(jù)庫中同時也在本地數(shù)據(jù)庫上進行結果的備份，之后即可以通過其他平臺來連接服務器數(shù)據(jù)庫來實現(xiàn)數(shù)據(jù)的傳遞與查看，如APP或者網(wǎng)頁等。

4? 結? 論

現(xiàn)在疫情基本得到控制，“地攤經(jīng)濟”對經(jīng)濟的恢復的促進作用是不能忽略的——“地攤經(jīng)濟”能夠快速的推動實體經(jīng)濟的復蘇，并且可以為城市增加很多就業(yè)崗位。但是很多地方因為“地攤經(jīng)濟”的經(jīng)營活動結束之后會殘留的經(jīng)營垃圾、對城市衛(wèi)生有很大影響等等因素對“地攤經(jīng)濟”的態(tài)度一直很保守。可是我們不能害怕問題的出現(xiàn)，不能因為有缺點就忽略了他帶來的經(jīng)濟效益，在發(fā)現(xiàn)問題的時候，我們應該積極地去尋求解決的辦法，去把“地攤經(jīng)濟”帶來的環(huán)境問題解決或者減輕。而我們設計的系統(tǒng)雖然不能徹底解決擺攤造成的環(huán)境問題，但是我們通過圖像處理等技術，來確認經(jīng)營結束后的攤位是否有經(jīng)營垃圾殘留，再配合相關的監(jiān)管與登記措施來實現(xiàn)對經(jīng)營活動的有效監(jiān)督，可使這一問題得到有效的改善。

參考文獻：

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

[2] 侯向寧，劉華春.基于顏色分割與Sobel算子相結合的車牌定位 [J].計算機技術與發(fā)展，2018，28（8）：156-159.

[3] 莫卓亞，彭創(chuàng)權.基于深度學習的垃圾分類識別技術 [J].現(xiàn)代工業(yè)經(jīng)濟和信息化，2020，10（10）：60-61.

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

[5] 曾璐.彩色圖像分割技術研究 [D].武漢：武漢理工大學，2010.

作者簡介：黃振興（1998—），男，漢族，廣東廉江人，本科在讀，研究方向：機器視覺;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：圖像處理與機器視覺;劉煒杰（2000—），男，漢族，廣東江門人，本科在讀，研究方向：軟件設計;佘偉偉（2002—），男，漢族，安徽蕪湖人，本科在讀，研究方向：機器視覺;張悅（2002—），女，漢族，廣東汕頭人，本科在讀，研究方向：軟件開發(fā)。766FAABA-4B23-4C78-9E39-1E03A1C6DA17