“地摊经济”下城市环境监测系统设计

黄振兴 郭磊 刘炜杰 佘伟伟 张悦

摘  要：目前地摊经济在促进实体经济恢复中起到重要作用，但其垃圾残留归属却成为市容管理部门亟需解决的问题。文章利用图像识别技术设计出城市环境监测系统，可以自动确定地摊位置区域并在摊位经营结束后对该区域进行垃圾残留检测，同时将检测结果上传系统。在监督摊位经营者清理垃圾的同时，也给市容管理部门提供管理依据，实现对城市市容环境更好的维护。

关键词：图像识别;深度学习;垃圾检测

中图分类号：TP391        文献标识码：A文章编号：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年初新冠疫情爆发到现在已经过去两年了，期间全国各地都有实施相应的、极有效的管控措施来防止疫情的扩散。在全国的齐心协力下我国的疫情得到了很好的控制，但受到新冠疫情的影响，我们的实体经济也在疫情的影响下遭到很大的打击。

在疫情逐步得到控制后便是在疫情期间遭到严重打击的实体经济的重要恢复阶段，在此期间有一名词进入了大众的视野——“地摊经济”。“地摊经济”顾名思义就是通过摆地摊来进行经营活动进而获取收益的一种经济活动形式，并且“地摊经济”的经营门槛低、经营方式灵活等特点对疫情过后的实体经济恢复有很好的促进作用，因此很多地方的“地摊经济”便迅速火爆起来。可是“地摊经济”也有着我们不可忽视的缺点存在：摊主结束经营活动后往往会在经营区域上留下许多的经营产生的垃圾，这些经营的垃圾残留会对城市环境造成很大影响，所以如何解决这一问题对于发展“地摊经济”十分重要。

本文设计的“地摊经济”下城市环境监测系统就是针对如何有效的改善摊位经营活动结束后的垃圾残留问题来设计的检测监督系统。为实现本系统的功能我们主要使用了图像处理、图像识别和深度学习等技术，其中本系统可分为以下几个功能部分：（1）摊位区域检测设计。（2）摊位区域垃圾残留检测设计。（3）系统监测结果反馈可视化设计。

1  摊位区域检测设计

在摊位区域检测设计上，我们使用HSV颜色分割算法来实现摊位区域的检测;在摊位区域垃圾残留检测设计上选择先对图像进行预处理，然后使用深度卷积的办法来进行垃圾的检测;最后在系统监测结果反馈可视化设计上，我们设计了一个应用程序来实现对监测结果的可视化操作和数据的上传。系统的运行流程如图1所示，先对获取的图像利用HSV颜色分割算法进行摊位区域的检测与确定，在经营结束之后，对之前确定的摊位区域进行垃圾残留情况检测，最后在应用系统上进行检测结果的反馈展示与数据的上传。以下是系统各部分功能的具体实现办法及流程。

系统需要先确定摊位经营的经营区域范围，来方便后面的垃圾检测工作，摊位区域检测流程如图2所示。而目前在图像处理中对于可以实现区域检测的办法有颜色分割、边缘检测等算法，由于摊位是有预先划线规定每个摊位经营范围的，所以我们选择颜色分割的识别算法来实现对摊位区域的检测。

本次采用的是HSV颜色分割算法來实现摊位区域检测，在HSV颜色模型中是按色调（Hue）、饱和度（Saturation）、明暗（Value）来描述的，其中H值代表色调、S值代表饱和度、V值代表亮度。HSV模型在用于指定颜色分割时，有比较大的作用。因为一般同类事物的颜色一般相同或者相近，所以，当所求对象颜色稳定，且其他干扰项没有相似颜色或者有相似颜色不过区域面积小，我们就可以通过颜色HSV色彩空间来将这个对象提取出来。766FAABA-4B23-4C78-9E39-1E03A1C6DA17

因此在摊位区域检测的第一步就是先把得到的图像进行色彩空间的转换即把原来得到图像的RGB颜色模型转化成HSV颜色空间模型;第二步是对转化后的HSV颜色模型图像进行水平和垂直投影来分割图像并进行归一化处理，最后就得到所需要的摊位区域范围。

2  垃圾残留情况检测设计

在系统的垃圾残留情况检测设计中，我们选择了深度学习中的深度卷积的办法来实现摊位是否残留垃圾的检测功能。在开始检测之前，由于是在之前得到摊位区域的图像的基础上进行垃圾残留情况检测，这时的图像是没有经过预处理的，图像中的很多无关信息不利于进行检测，所以在开始之前要对得到的摊位区域图像进行预处理来减少图像中的无关信息，使得我们得到的图像的数据不仅可靠性大，而且数据量也会少很多，更方便我们进行检测。

2.1  图像预处理

本次的图像预处理分别为图像灰度化、几何变换以及图像增强。

2.1.1  图像灰度化

图像灰度化是指把原始具有彩色信息的图像转换为只有灰度信息的图像，一般情况下选取256个由纯白到纯黑的灰结构成灰度图像可选择的灰度信息。而黑白图像又与灰度图像不同，黑白图像中只包含两种图像信息，分别是黑色像素和白色像素，此时一般称其为二值图像。在RGB颜色模型中，如果构成彩色图像的三幅图像对应位置的像素值相等，则此时RGB模型下的颜色就会表示为一种灰度颜色，此时的像素值就称为灰度值。

图像灰度化的方法众多，其中主流的方法包括分量法、极大值法和加权平均值法，本文选用加权平均法来实现图像的灰度化。图像灰度化的加权平均法是将RGB彩色图像的三个分量，按照不同的权值进行加权平均。由于人类视神经细胞对不同颜色的敏感度不同，人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，结合实际测试，得到了对RGB彩色图像采用加权平均法进行灰度化的较合理公式为：

f（i，j）=0.30R（i，j）+ 0.59G（i，j）+ 0.11B（i，j）

然后，对得到的区域图像通过以上公式对每个通道的每个像素进行加权操作，结果如图3所示。

2.1.2  图像的几何变换

图像的几何变换是指通过平移、转置、镜像、旋转或缩放等几何变换中的一种或几种方法来对图像进行变换处理，用于矫正成像过程中由于成像角度、透视关系或者镜头自身等原因所带来的系统误差和随机误差。本文采用最邻近插值算法来实现输出图像的图形矫正。

2.1.3  图像增强

图像增强就是通过对图像的某些特征，如边缘、轮廓、对比度等，进行强调或尖锐化，使之更适合于人眼的观察或机器的处理的一种操作，本文采用中值滤波算法实现图像增强。中值滤波算法可以扩大图像中不同物体间的特征差别，对不感兴趣的特征进行抑制，进而对图像质量进行改善、丰富图像信息量，对图像的判读和识别效果进行加强。本系统中，图像增强效果如图4所示。

2.2  垃圾检测

在图像经过预处理之后，我们得到了便于我们检测垃圾的理想图像，接下来就要进行垃圾残留情况检测，系统采用深度卷积神经网络来进行检测。

本文采用的深度卷积神经网络主要由6个部分构成，分别为输入层、卷积层、激活函数、池化层、全连接层以及输出层，以下为具体功能：

（1）输入层。把数据作为网络的输入，通过训练提取出感兴趣的特征。本文直接把图像作为网络的输入，但为了获得更好的训练效果，输入前一般要进行图像预处理。

（2）卷积层。对输入的数据进行卷积运算，完成对输入数据的表示转换。如果把卷积层看作黑盒子，其本质就是建立输出和输入之间表示的参数，而整个网络训练的目的就是找到这种表示的最佳参数。

（3）激活函数。由于在激活函数之前，网络中都是进行的线性操作，但样本的类别间并不总是线性关系，因而在训练过程中需要引入能够进行非线性运算的激活函数。本系统使用RELU函数作为激活函数。

（4）池化层。由于在网络运算的过程中，运算数据可能会出现计算量较大的情况。为了提高训练速度，卷积神经网络通常引入池化层来对数据进行特殊处理，对于图片作为输入的情况，池化操作通常是缩小图片的特征尺寸。常用的池化操作是平均池化和最大池化，本文选用平均池化操作。

（5）全连接层。本层在神经网络中消耗的参数最多，例如全连接层的输入是4×4×100且输出是512，则该层需要4×4×100×512个参数;而一般的卷积层，若卷积核为4×4，输出为512，则仅需4×4×512个参数。

（6）输出层。在本次训练中，我们使用的数据集是华为云人工智能大赛·垃圾分类挑战杯提供的垃圾分类数据集来建立相应的自动识别模型。在训练完成之后，首先使用神经网络模型中的卷积层和池化层计算摊位区域图像的特征，并且将摊位区域图像特征值进行保存，把得到的特征值作为输入样本库进行比对，若有相匹配结果则摊位有垃圾残留。垃圾残留情况检测流程如图5所示。

3  系统反馈情况可视化设计

在系统可视化设计方面，通过Visual Studio来设计可视化程序，应用程序设计的功能有：（1）对视频输入源的选择。（2）垃圾检测结果显示。（3）检测结果上传与查看。

其中对于视频输入源可以选择查看相对应的视频输入画面和相应的检查结果，如图6所示;在检测结果上传与查看中，应用程序通过MQTT协议与预先部署好的云服务器进行通信，在连接成功后上传得到的检测结果到数据库中同时也在本地数据库上进行结果的备份，之后即可以通过其他平台来连接服务器数据库来实现数据的传递与查看，如APP或者网页等。

4  结  论

现在疫情基本得到控制，“地摊经济”对经济的恢复的促进作用是不能忽略的——“地摊经济”能够快速的推动实体经济的复苏，并且可以为城市增加很多就业岗位。但是很多地方因为“地摊经济”的经营活动结束之后会残留的经营垃圾、对城市卫生有很大影响等等因素对“地摊经济”的态度一直很保守。可是我们不能害怕问题的出现，不能因为有缺点就忽略了他带来的经济效益，在发现问题的时候，我们应该积极地去寻求解决的办法，去把“地摊经济”带来的环境问题解决或者减轻。而我们设计的系统虽然不能彻底解决摆摊造成的环境问题，但是我们通过图像处理等技术，来确认经营结束后的摊位是否有经营垃圾残留，再配合相关的监管与登记措施来实现对经营活动的有效监督，可使这一问题得到有效的改善。

参考文献：

[1] 郭昌鑫，陈公兴.基于深度学习的智能垃圾桶识别分类系统 [J].科技与创新，2020（12）：30-31+35.

[2] 侯向宁，刘华春.基于颜色分割与Sobel算子相结合的车牌定位 [J].计算机技术与发展，2018，28（8）：156-159.

[3] 莫卓亚，彭创权.基于深度学习的垃圾分类识别技术 [J].现代工业经济和信息化，2020，10（10）：60-61.

[4] 何俊，葛红，王玉峰.图像分割算法研究综述 [J].计算机工程与科学，2009，31（12）：58-61.

[5] 曾璐.彩色圖像分割技术研究 [D].武汉：武汉理工大学，2010.

作者简介：黄振兴（1998—），男，汉族，广东廉江人，本科在读，研究方向：机器视觉;通讯作者：郭磊（1982—），男，汉族，黑龙江哈尔滨人，讲师，博士，研究方向：图像处理与机器视觉;刘炜杰（2000—），男，汉族，广东江门人，本科在读，研究方向：软件设计;佘伟伟（2002—），男，汉族，安徽芜湖人，本科在读，研究方向：机器视觉;张悦（2002—），女，汉族，广东汕头人，本科在读，研究方向：软件开发。766FAABA-4B23-4C78-9E39-1E03A1C6DA17