一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法

张鹏程,赵 齐,高泽宇

1(河海大学 计算机与信息学院,南京 211100)2(圣何塞州立大学 计算机工程系,美国加利福尼亚州 圣何塞 95192)3(太原理工大学 信息与计算机学院,太原 030024)

1 引 言

目前,街道清洁成为智慧城市建设过程中的主要关注点.传统上,街道清洁需要每个层次的人工干预[1].城市公民人工检查垃圾存在的位置,然后向城市管理者提交报告,城市管理者再就近安排市政人员前去清洁.有的城市在街道的十字路口上安置摄像头观察该区域是否有垃圾.这些都不能及时的掌握城市街道的垃圾清洁状况,为此,国内外的研究者们正在研究一种自动化系统[2],利用带有相机的保洁车定期的捕获街道,收集街道信息,比如图片、地理位置、日期和时间,然后使用机器学习技术在云平台中进行图像检测,产生的结果被送到城市管理系统供城市管理者查看.

随着5G时代的即将来临,网络边缘的移动设备数量迅速增加,必然会面临大量的数据处理问题,以云计算为核心的大型集中式计算显然不能高效地处理边缘设备所产生的大量数据,边缘计算应运而生[3].目前,研究者们将边缘计算的微数据中心充当移动设备和云服务器的桥梁,把一小部分数据提前放到网络边缘处理,云中心再承接全部的计算服务,未来移动边缘计算会在电信、工业生产、教育、电子商务、移动医疗、车联网等中有着广泛的应用.

基于此,本文提出了一种融合移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法,通过安装在车辆上的高分辨率摄像机进行街景图象收集,利用边缘服务器临时存储并处理街景图象信息,然后通过城市网络把这些数据传输到云中心,利用深度学习技术识别街道垃圾类别以及对垃圾数量计数,结合清洁度层次评估模型,最终可视化街道清洁度等级,为城市管理者及时就近的安排市政清洁人员提供方便.

本文做出了以下创新:

1)设计了一个边缘计算框架,该框架在云服务器和移动设备之间扩展了一个“边缘层”,该层可以临时存储和实时传输数据资源,同时对图像进行预处理.

2)按照城市-区-块-街道四层划分城市区域,并进行层次清洁度评估,合理衡量城市的清洁度.

3)给出了可视化的城市街道清洁度线路图,并且按照层次评估方法,呈现每层评估结果,实时为清洁人员提供清理信息.

2 相关工作

2.1 智慧城市研究

智慧城市建设已经成为社会各阶层的关注点,智慧城市就是以一种更智慧的方法,通过利用物联网和云计算技术对城市各项活动做出感知和处理,提高城市在社会和经济方面的服务质量[4-6],达到降低成本和资源消耗的目的.目前,世界许多学者投入到了智慧城市的研究当中.Sotiris Zygiaris[7]提出了“智慧城市参考模型”的规划框架,城市规划者可以用该框架定义智慧城市的概念布局,将城市布局应用到绿色、互联、开放、集成、智能和创新的概念上,为智慧城市实现可持续发展提供了一个分析思路.Hefnawy A[8]等人提出智慧城市与生命周期概念相结合,在智慧城市中创建一个合适的信息和知识共享平台,旨在解决城市举办大型活动时的安排不合理、计划不周密以及相关组织部门内部不协调问题,从而达到组织一致和提高效率的目的.但是,在智慧城市建设的热潮中还没有针对城市清洁的专门研究.

2.2 深度学习在图像处理的研究

近年来,在城市管理中,运用深度学习技术提高服务质量和降低成本已成为当下智慧城市的理念.下面是深度学习在智慧城市的相关研究进展:在文献[9]中,城市街头的摄像头和传感器每天产生的数据量和数据生成率很大,用传统的机器学习方法分析如此大体量的数据是很困难的,由于GPU成本降低、工作速度快,用深度学习的数据挖掘方法很容易获取有价值的信息,而且效率加快.在文献[10]中,基于云计算的车牌识别系统(LPRS)在交通控制、智能停车、收费管理等智慧城市中发挥着重要作用,通过云平台上的深度卷积神经网络利用特征识别技术进行车牌定位、字符检测和分割,解决了在交通拥堵、图像失真以及天气恶劣等客观环境下造成的识别困难问题.文献[11]针对传统人体行为识别上存在提取信息不全面、难以提取有效特征等缺点,提出了一种使用卷积神经网络(CNN)来完成人体行为识别任务的研究方法,用同一个网络完成特征提取和模式分类,同时使用多尺寸池化来解决输入图片大小不同的问题,在人体行为识别上能取得较高的识别率,为以后自动化识别城市公民做出了贡献.这些工作都为下面的城市街道垃圾检测提供了思想和方向.

2.3 街道垃圾检测研究

随着深度学习在图像处理中研究越来越深入,目前,基于深度学习的城市街道垃圾检测已经有相关研究工作,以下是一些研究进展:Mittal[12]等人开展了一个街道垃圾相关项目,旨在粗略地分割图像中的一堆垃圾.他们使用全卷积神经网络,将图片标记为包含垃圾或不包含垃圾两个部分,对图片中含有垃圾的区域进行分割,使用Bing Image Search API来创建他们的数据集,同时利用预先训练的AlexNet模型获得了87.69%的精度,83.96%的灵敏度和90.06%的特异性.他们的方法专注于一堆垃圾的分割,但存在较多错误分割判断,并且没有提供垃圾类别的细节.Rad[13]等人提出了一个基于垃圾量化的全自动计算机视觉应用,并且通过建立安装在车辆上的数据采集系统,从街道和人行道中收集不同类型垃圾的图像,然后他们使用基于深度卷积神经网络OverFeat-GoogLeNet模型的分类检测算法,对他们自己标记不同类别的垃圾进行了训练,最终能够准确检测街道上出现的垃圾.然而目前他们只做到能够检测到街道垃圾的环节,并没有进行城市清洁度评估.

2.4 街道清洁研究

研究者们仍在思考如何利用技术手段来实现城市清洁以及城市清洁度评估.以下是一些发现:Borozdukhin A[14]等人提出一种解决大城市垃圾处理优化的方法,通过建立动态最优路径的数学模型系统,为垃圾收集车寻找从垃圾收集区域到垃圾填埋区域的时间最优动态路线.Clean Street LA1是由Eric Garcetti市长发起的一个倡议,要求洛杉矶卫生局开发一套街道评估系统,该系统使用Esri GIS工具逐块地绘制地图,同时标上街道清洁度状态以此反应城市不同部分的清洁度,然而该系统只是监控街道上的垃圾箱,没有监控街道上的垃圾.总之,虽然目前研究者仍关注智慧城市下的街道清洁,但还没有把移动边缘计算、云计算和深度学习结合起来运用到城市街道清洁当中,并且给出城市街道清洁度评估.

3 城市街道垃圾检测及清洁度评估方法

3.1 方法概述

该方法模型建立过程主要包括三部分:本地移动站进行垃圾数据收集、边缘服务器微处理和云服务器进行目标识别并呈现城市清洁度等级.在本地管理中,城市管理员控制移动站进行街道垃圾图像数据收集,并实时响应云中心呈现的街道清洁度等级,就近安排市政清洁人员.在边缘服务器微处理中,边缘服务器临时存储移动站拍摄的图像数据信息并提前对移动站传来的图像进行道路辨识,筛选出含有道路区域的图像以便于云中心垃圾的检测.在云服务器当中,云中心执行垃圾图像检测和街道清洁度等级计算任务,最终呈现基于不同层次的城市清洁度评估结果.图1是城市街道垃圾检测及清洁度评估模型的建立过程.

图1 城市街道垃圾检测及清洁度评估模型Fig.1 Urban street garbage detection and cleanliness assessment model

3.2 数据收集和移动边缘处理

3.2.1 数据收集

当移动站也就是装有高分辨率摄像机的车辆处于城市街道环境时,其收集的信息主要是两个部分的信息:街景图象信息和本地管理信息.

对于街景图象信息,安装有高分辨率摄像机的清洁车按照管理员的指派在每条街道线路上定点拍摄,相邻拍摄点之间的距离由管理员设定,每个拍摄点按前后左右四个方向进行全方位拍摄,一般拍摄范围在150～300m2.对于移动站,设定以下规定:1)固定的图像分辨率;2)车速大约每小时25公里;3)固定距离的拍摄点;4)每个拍摄点拍摄4张图片.

对于本地管理信息,移动站需要定时向城市管理员报告其所处的位置信息,管理员通过本地管理,及时做出响应并安排清洁人员前去打扫.

3.2.2 移动边缘处理

有时,移动站收集的数据可能是无用的数据,比如在某一拍摄点收集的4张图片中,有2张图片出现了房子、汽车或者摄像机的拍摄角度问题造成街道被遮挡了.对于整个垃圾检测系统来说,没有完整街道图像的图片显然是无用的,为了减少云中心进行垃圾检测时的部分资源和时间消耗,我们设计了一个边缘数据处理层,该层接收到来自移动站发出的街景图象信息时,临时保存下来进行道路检测,筛选出含有城市道路的图像数据,传进云中心用于街道评估,这个思想其实就是“计算迁移”,是边缘计算的关键思想,提前在网络边缘进行一小部分的计算服务.图2是基于移动边缘计算的系统架构,包括以下主要部分:

1)移动站:每个城市街道都会有特定垃圾收集车,我们把具有高分辨率,高像素且具有网络传输功能的摄像机安装在垃圾收集车顶部,摄像头面向地面并且覆盖前方50 m范围,垃圾收集车每天穿梭在城市街道,按照特定线路进行有规律的街道垃圾拍照,并实时传送到边缘服务器.同时城市公民也可以充当垃圾收集车的角色,用自己的移动设备收集街道垃圾数据,传送到边缘服务器.

图2 基于移动边缘计算的数据采集及处理过程Fig.2 Data acquisition and processing based on mobile edge computation

2)边缘服务器:处于网络的最边缘,通过一条无线数据链直接与附近的移动设备相连接,处理移动设备的一部分服务请求,同时具有临时存储来自移动设备数据的功能,这些边缘服务器被安放在街道交叉路口和流动性强的公交车中,可以更好的处在移动设备请求网范围内.

3)云:该层用来创建训练模型、执行街道垃圾检测任务以及实时呈现城市街道清洁度等级,并且把相关信息反馈给城市管理者.

3.3 基于神经网络的图像检测

近年来,深度学习技术成为目标检测领域的研究热门,广大研究者纷纷投入其中.R.Girshick等人设计出基于候选区域的深度学习目标检测算法Faster R-CNN,该算法有两大模块:RPN候选框提取模块[15]和Fast R-CNN[16]检测模块,其中RPN(Region Proposal Networks)是一个全卷积神经网络,它的功能就是预先找出图中目标可能出现的位置,用于提取候选框.Fast R-CNN是基于RPN提取的候选检测并识别候选框目标的.整个算法流程如下:

1)输入测试图像,将整张图片输入卷积神经网络,传播到共享卷积层后得到特征图.

2)共享卷积层提取后的特征图经过RPN网络生成建议窗口,给出区域建议和区域得分.

3)将第一步的特征图输入到Fast RCNN中的池化层提取对应区域特征.与区域建议和区域得分相结合,对分类概率和边框回归进行训练,输出该区域的分类得分,最后进行结果检测.

下面我们从网络的设计、训练网络,街道垃圾检测3部分详细介绍该检测算法.

3.3.1 网络设计

在进行目标检测前,首先要向CNN网络输入任意大小图片,为后面得到特征图做准备.本文选用的CNN网络是Matthew D.Zeiler提出的ZF-Net网络[17],该网络输入层为224×224的3通道RGB图像,第一层包含了96个卷积核,为了避免第一层卷积核混杂了高频和低频信息,缺少中频信息,第一层的卷积核大小设置为7×7.接着进行最大池化操作,卷积跨度设置为2,然后对比归一化操作,产生96个大小为55×55个不同的特征模板,层2、3、4、5都是类似操作,第5层输出256个大小为6×6的特征图,第6、7层为全连接,最后把第5层采样结果输入分类器和边界框回归器,分类器给出候选区域的类别,边界框回归器给出候选区域的位置信息.

3.3.2 训练网络

设计好垃圾检测的网络后,需要训练网络来学习垃圾图像的特征.整个训练过程分为4步:

·先进行RPN网络预训练,RPN网络被ImageNet[18]网络进行了有监督的训练并且利用训练好的网络参数初始化,用标准差0.01均值为0的高斯分布对新增的其他层初始化.然后端到端微调用于区域建议的任务.

·进行Fast R-CNN网络预训练,用第1步得到的区域建议框进行以检测为目的Fast R-CNN网络端到端微调训练,同样用ImageNet模型进行网络参数初始化.

·使用第2步微调后的Fast R-CNN网络重新初始化RPN网络,固定共享卷积层,即设置学习率为0,不更新,仅微调RPN网络独有的层.

·固定第3步共享卷积层,同时利用第3步得到的区域建议,只微调Fast R-CNN的全连接层.

3.3.3 街道垃圾检测

在街道垃圾检测阶段,通过输入检测图像给卷积神经网络,接着卷积神经网络通过计算把图像的特征反映到特征图上,每一个候选区域网络都能对应的计算出一个候选区域,同时每个输入图像生成300个候选建议框.

然后分类层和回归层显示垃圾所在的候选区域框,在这里,我们设置了一个计数函数,如公式(1)所示,每生成一个候选区域框,自动的将边界框计数一次,也就是计数函数值依次递增1,最后统计候选区域框被检测的类别和数量.

(1)

其中C为生成候选框的计数函数,也就是被检测的某个类别垃圾的数量,f为垃圾模型检测到的结果函数,D为测试样本集,x为测试样本,y为真实垃圾标记.

3.4 基于分层模型的清洁度评估

为了提高整个城市街道清洁度评估的准确性,我们设计了跨不同层次的多层次评估模型.下面的层对上面的层提供信息,上面的层概括了下面图层的处理结果.模型共分为四层,如图3所示.第一层定义为整个城市并且设置评估范围,涵盖了城市的所有街道,是基础层.第二层按行政区域来划分,可以把城市划分为多个区域的层,每个区域是一个行政区域.第三层按区域里的次行政区域划分为多个块,每个块由行政区域和块名称组合成唯一标识.第四层是最顶层,代表每个块上的各个街道,在街道上设置数据收集点,以便科学采集数据,制作数据集.

基于上面的分层模型,下面分四层对城市街道清洁度值进行评估.

定义 City={Map,Block,Street,Point}其中：

·Map代表一个城市的地域范围,一个城市对应一张地图.

·Block是一个城市内部的组成部分,通常一个城市地图被分成很多块.

·Street由城市划分成若干个块里的道路组成,每条街道只属于一个对应块,并且每条街道设置了若干网格点,也称“拍摄点”

·Point是一条街道的一系列点的集合,其中街道上的网格点由许多拍摄点组成,是最基本的评估范围.

总体上,城市街道评估模型分为多个区域评估,在进一步分为块评估,最后集中于每条街道的评估.下面我们分别定义城市的每个层次评估值.

图3 基于南京市的层次评估模型Fig.3 Multi-level assessment model based on Nanjing

3.4.1 街道层次评估

街道层次评估是层次评估模型的基础,在整个评估系统中起着关键作用,在这一层,每条街道都有若干拍摄点,每一点至少拍四张照片,并且两点之间的距离由城市管理员设置.每个拍摄点按照前、后、左、右四个方向进行拍摄,如果照片有垃圾,可以通过这些图片进行街道层次清洁度评估.分析过程可以参照3.4.5部分.

3.4.2 块层次评估

块层次评估是基于街道层次评估基础上进行的,一个块内有任意条街道,每个块的评估值就是所有街道评估的平均值,在这里通过公式(2)得出每个块的评估值:

(2)

其中,BV(BlockValue)是区域里一个块的评估值,SV代表每条街道的评估值,n代表块内街道的总数量.

3.4.3 区域层次评估

在块层次分析后,进行区域层次评估,一个区域有多个块,在这里通过公式(3)得出每个区域的评估值:

(3)

其中AV(AreaValue)代表一个区域的评估值,BV代表这个区域里每个块的评估值,n代表区域里块的总数量.

3.4.4 城市层次评估

基于前面三层的评估,最后进行城市层次评估,一个城市有多个区域,在这里通过公式(4)得出每个城市的评估值:

(4)

其中CV(CityValue)代表一个城市的评估值,AV是这个城市里每个区域的评估值,n代表城市里区域的总数量.

最终通过层次评估,可以全面的、准确的衡量一个城市的清洁度等级.

3.4.5 清洁度评估计算

Jang[19]等人指出城市街道垃圾主要包括塑料包装、树叶、果皮、易拉罐、塑料瓶、动物毛发等,它们通常沉积在街道的任何角落,严重影响城市环境,由于街道垃圾是影响城市街道清洁度的关键因素,所以研究者们一直在探讨如何根据街道垃圾的数量去衡量城市街道清洁度等级.Sevilla[20]等人指出城市街道数量众多、分布广泛,选取随机抽样办法,按照随机性原则,从城市所有街道中抽取部分街道作为样本进行调查,排除了主观性,尽可能的减少对结果准确性的影响.抽样设计的目标就是要确定调查的最小街道数量,公式(5)代表了街道抽样最小数量:

(5)

其中n是最小样本数量,k是采样间隔,为了确保达到95%的置信度间隔,取k=1.96,p代表采样发生的可能性,q代表采样不发生的可能性,记为q=1-p,通常情况下p=q=0.5,N是城市街道的总数量,e是估计误差,取e=0.1.

Iago López[21]等人提供了衡量城市清洁度等级的计算方法,该方法被西班牙省市联合会唯一确定能够衡量街道清洁程度,公式(6)为城市街道清洁度指数(SV)计算方法:一旦获得了每条街道的清洁度指数(SV)值,就可以根据这个值进行分类.表1为街道清洁度指数的分类情况,SV值越低,街道越干净.

表1 街道清洁度指数分类
Table 1 Street cleanliness index classification

街道清洁度指数街道清洁度等级对应等级SV<70非常高A70≤SV<100高B100≤SV<150中等C150≤SV<200低DSV≥200非常低E

(6)

其中S是观察区域,在本论文中S就是垃圾收集车顶部摄像机所拍摄的视角范围,设为S=150m2.λ和n是影响城市街道清洁度的修正因子,因为影响清洁度指数的因素很多,比如天气好坏程度、街道路面类型等.C是街道垃圾加权数量,每种类型的垃圾都会依赖于它的加权系数,见表2,其中无机垃圾和有机垃圾都对应着小、 中、 大三种子类别, 在这里,子类别按照数量来衡量,小对应着图像中垃圾数量在1到4之间,中对应着图像中垃圾数量在5到10之间,大对应着图像中垃圾数量大于10.表3为修正因子λ在各种情况下的值,例如当街道为沥青路面、路面平坦且天气晴朗的时候,修正因子λ=1.n代表了特殊情况下垃圾的数量变化,常取在1和2之间,比如如果街道旁有公共汽车站的存在既而可能增加垃圾的数量,这时n=2.本文的数据源不包含有公共汽车站这样的影响因素,为此本文n取1.

表2 垃圾类别及其权重
Table 2 Garbage category and weight

垃圾类别加权值无机垃圾小1中2大4有机垃圾小2中4大6垃圾桶有垃圾3无垃圾0树盆(树下地面)不干净6干净0未收集的清扫废物6树叶1动物毛发3街道路面的粘性残留物2

表3 修正因子λ的值
Table 3 Values of correction factor λ

路面类型路面状态天气状态晴天阴天雨天沥青平坦10.80.6凹凸0.90.70.5沙石土 0.80.60.5

4 实验评估

4.1 实验设计

4.1.1 实验环境

本文选取CAFFE深度学习框架,搭建Faster R-CNN.具体是:显卡GTX1050Ti,内存16G,Core i5;操作系统Ubuntu16.04;cuda8.0;开发环境是Python2.7;安装好各种依赖库之后就可以实验了.

4.1.2 垃圾检测模型数据集的建立

为了能有效的检测街道垃圾,我们从南京市的各个大小街道上人工拍摄垃圾照片,制作城市垃圾检测的数据集库.由于城市街道垃圾类型多样,每个类中的垃圾也是多样性的,我们不能直接粗分成表1那几类,这会直接影响检测精度,为此我们对常见的街道垃圾一共分了9类,包括废纸、塑料袋、塑料瓶、果皮、烟头、废弃布料、烟盒、树叶和易拉罐,并且该库包含了街道上出现的主要垃圾类型.接下来我们按照VOC2007数据集的制作格式对每一张有垃圾的图片进行标注和分类,一共采集681张图片数据,图片的尺寸为420×400像素.我们从中选取了321张作为训练集,260张作为测试集,100张作为验证集.

4.1.3 城市街道数据集的建立

本文调查的对象是南京市,按照层次评估模型,我们把整个南京市记为第一层.按照行政区域划分,我们把整个南京市划分为13个区域,我们从13个行政区域里随机选取了江宁区作为此次研究的第二层.江宁区共有9个行政街道,为此,我们把江宁区划分为9块,这9块行政街道作为此次研究的第三层.第四层为每一块行政街道行政范围内的若干条街道,每条街道我们划分了每50米作为一个拍摄节点.在一个拍摄节点上对街道按前后左右四个方向无死角的拍摄,拍摄视角大约为150m2.由此我们随机规定对每条街道取样1km,也就是每条街道移动车取80张街景图象.

我们从江宁区街道管理处获悉,江宁区共有大约3875条街道,按照随机性原则,由公式(5)可以得出,本文研究的街道抽样最小数量为100条,如表4所示.

表4 街道抽样最小数量
Table 4 Minimum number of street samples

采样块街道数量街道抽样最小数量本文抽样街道数量江宁区387596100

接着按照层次评估模型原理,采样数据集主要来自于江宁区的9块行政区域.共采集图像大约8000张,为了避免市政人员清理街道垃圾给最终城市清洁度计算带来的影响,我们采集街道场景定在每天11点至16点.

4.2 移动边缘处理

由于NAS网络存储器具有更快的响应速度、更高的数据带宽以及高共享性和支持因特网连接等优点,本文选取NAS网络存储器作为边缘数据处理层的边缘服务器.

在数据收集过程中,每个移动车将采集的拍摄数据实时传输进NAS网络存储器.工作人员通过网络连接,查看NAS网络存储器的拍摄数据并进行人工道路检测,筛选掉存储器里街道被遮挡的图片.最终,经过人工筛选,符合街道垃圾检测的图片共有7503张.

4.3 图像检测结果

4.3.1 模型训练结果

本文采用Faster R-CNN算法训练垃圾数据集库,通过三个阶段的训练对模型进行迭代优化,并且选择ZF网络提取垃圾图像特征,由于我们的训练数据比较少,为了防止过拟合并且使训练模型最优,我们采用ImageNet预训练好的模型权值作为垃圾检测模型的初始输入值,经过50000次迭代训练,最终选取的模型参数为训练冲量0.9,权重衰减参数0.0005和训练率为0.001.通过测试集验证说明,该模型能达到82%的检测精度,基本满足了街道垃圾检测的要求.具体各类垃圾检测精度如图4所示.

图4 各类垃圾检测精度结果Fig.4 Results of all kinds of garbage detection accuracy

4.3.2 垃圾检测结果

我们把在每一条街道上采集到的道路图像送进Faster R-CNN主分类器,通过训练好的模型检测街道上的垃圾图像,如图5(a)所示.被检测到的每个垃圾都会被标上矩形框并且显示垃圾类型和相似度,为了后面更好的计算清洁度指数,每生成一个矩形框,我们自动的对它开始计数,最终矩形框的数量就是分类器检测到的垃圾数量.图5(b)是对南京江宁区佛城西路街道上1km的垃圾检测数量结果.

4.4 清洁度评估和展示

4.4.1 清洁度评估

基于层次评估模型,首先进行街道评估.为了计算每条街道的清洁度指数,我们把废纸、塑料袋、塑料瓶、烟盒和易拉罐归为无机垃圾类别,把果皮、烟头和废弃布料归为有机垃圾类别.基于表1的垃圾类别及其权重,我们开始寻找与分类器检测到的垃圾类别相对应的加权系数.通过计算,最终获得每条街道垃圾的加权总数量.以佛城西路为例,表5为佛城西路垃圾的加权数量,此时,根据佛城西路街道的特定环境,通过公式(6),设C=87,S=150,λ=1,n=1.最终佛城西路街道清洁度指数为58,根据表3,此时的佛城西路街道清洁度属于最高等级A级,也就意味着街道路面非常干净.

图5 佛城西路街道图像检测结果Fig.5 Results of Street image detection based on the fochengxi road

表5 垃圾加权总数量
Table 5 Total amount of garbage weighted

垃圾类别垃圾计数值最终值无机垃圾小4747中00大00有机垃圾小816中00大00树 叶2424总 计87

4.4.2 清洁度展示

图6是可视化的江宁区街道清洁度线路图,系统将采集到的100条街道城市街道图像进行了清洁度指数计算,共给出5个不同程度的清洁度等级.图中A线条代表SV小于70,表示该街道清洁度等级非常高;B线条代表SV在70至100之间,表示该街道清洁度等级比较高;C线条代表SV在100至150之间,表示该街道清洁度等级中等;D线条代表SV在150至200之间,表示该街道清洁度等级较低;E线条代表SV大于200,表示该街道清洁度等级非常低,由此可见,D线条和E线条代表街道垃圾量较多,需要市政人员安排人员进行清扫.

进行街道层次评估之后,基于层次评估模型,系统进行块层次评估,在江宁区一共分了9个块,每个块拥有若干街道,根据公式(2),给出了9个块的清洁度评估.图7是可视化的江宁区块层清洁度图,A、B、C代表不同的清洁度等级,A和B代表清洁度等级较低的块,路面比较干净.C块代表清洁度中等,局部路面有垃圾,例如属于块层次的秣陵街道清洁度评估值为119,其属于C等级.由此判定,该块需要市政人员注意清扫.

图6 江宁区街道清洁度评估展示Fig.6 Exhibition of street cleanliness assessment based on Jiangning

最后城市管理员可以按照自己的需求对城市街道进行不同层次的清洁度评估,实时获取城市各区域各街道的清洁度等级,合理安排清洁人员.

图7 江宁区块清洁度展示Fig.7 Exhibition of block level cleanliness assessment based on Jiangning district

5 总 结

随着互联网+的发展带动了一批城市进入智慧城市行列,城市街道清洁对于每个城市来说是至关重要的任务,但如何做到“智慧”清洁显然是每一个智慧城市需要攻克的难题.本文提出了一种融合移动边缘计算和深度学习的城市垃圾检测和清洁度评估方法,对城市街道进行垃圾检测,同时利用城市层次评估模型,分层次的衡量一个城市街道清洁度.最后呈现可视化的街道清洁度等级,对于清洁度等级低的街道,需要及时安排市政清洁人员进行打扫.因此,这种自动化的系统是智慧城市建设的重要组成部分,不仅政府可以清楚了解城市各街道清洁度,而且市民也可以手持移动设备参与进来,共同为城市做贡献.