湯文慶 黃浩

摘要：近年來(lái)，六安市的空氣質(zhì)量得到了顯著改善。然而，隨著新政策的推進(jìn)和公眾對(duì)更優(yōu)空氣質(zhì)量的期望提高，現(xiàn)行的大氣治理模式已無(wú)法滿(mǎn)足現(xiàn)有需求。在這種情況下，由于揚(yáng)塵污染是主要的大氣污染源之一，六安市正面臨著加強(qiáng)其管理和控制的挑戰(zhàn)。為了應(yīng)對(duì)這個(gè)挑戰(zhàn)，文章提出了智能預(yù)警系統(tǒng)，該系統(tǒng)集成了人工智能算法和視頻智能分析技術(shù)，以實(shí)現(xiàn)對(duì)揚(yáng)塵污染的精準(zhǔn)監(jiān)測(cè)和實(shí)時(shí)管控。六安市的揚(yáng)塵污染智能預(yù)警管控系統(tǒng)對(duì)現(xiàn)有的大氣質(zhì)量管理模式進(jìn)行了重大改進(jìn)，通過(guò)實(shí)現(xiàn)揚(yáng)塵污染的可視化監(jiān)控、快速調(diào)度和智能化評(píng)估，將顯著提高城市揚(yáng)塵治理的效率和效果。這項(xiàng)研究不僅有助于六安市建立更加科學(xué)、精準(zhǔn)的揚(yáng)塵治理機(jī)制，也為其他城市提供了寶貴的經(jīng)驗(yàn)和參考。

關(guān)鍵詞：環(huán)境保護(hù)；大氣污染防治；揚(yáng)塵治理；人工智能；視頻智能分析預(yù)警；協(xié)同治理

中圖分類(lèi)號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）09-0019-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

隨著城市化進(jìn)程的加速和經(jīng)濟(jì)的快速發(fā)展，大氣污染問(wèn)題日益凸顯，尤其是揚(yáng)塵污染在城市大氣污染中占據(jù)了重要比例[1]。六安市作為典型的發(fā)展中城市，近年來(lái)雖然空氣質(zhì)量實(shí)現(xiàn)了顯著提升，但同樣面臨著揚(yáng)塵污染控制的嚴(yán)峻挑戰(zhàn)。揚(yáng)塵來(lái)源多樣，監(jiān)管難度較大，因此，傳統(tǒng)的環(huán)境監(jiān)管模式已難以滿(mǎn)足城市精細(xì)化管理的需求，亟需借助現(xiàn)代科技手段對(duì)傳統(tǒng)監(jiān)管模式進(jìn)行升級(jí)改造。

本研究指出了揚(yáng)塵治理中的關(guān)鍵瓶頸，并探索了如何利用人工智能技術(shù)改善揚(yáng)塵治理模式。引入先進(jìn)的計(jì)算機(jī)視覺(jué)識(shí)別技術(shù)，結(jié)合人工智能和深度學(xué)習(xí)算法，提出了一種基于智能視頻分析的揚(yáng)塵污染預(yù)警與管控系統(tǒng)[2]。通過(guò)智能化手段實(shí)現(xiàn)對(duì)揚(yáng)塵源的精準(zhǔn)監(jiān)測(cè)和快速響應(yīng)，不僅提高了監(jiān)管效率，還加強(qiáng)了跨部門(mén)之間的協(xié)同治理。

在實(shí)踐中，六安市依托多種人工智能算法實(shí)時(shí)監(jiān)測(cè)和處理視頻流，實(shí)現(xiàn)智能分析、識(shí)別和預(yù)警[3]，提供了一種新模式，為全面推進(jìn)生態(tài)文明建設(shè)和美麗中國(guó)建設(shè)提供了有力支撐。

1 基于人工智能的揚(yáng)塵治理方法研究

1.1 人工智能技術(shù)分類(lèi)應(yīng)用

在六安地區(qū)的揚(yáng)塵治理中，人工智能和計(jì)算機(jī)視覺(jué)技術(shù)的應(yīng)用，尤其是深度學(xué)習(xí)算法（如Faster R-CNN和YOLOv5） ，展現(xiàn)出了在圖像和視頻識(shí)別與分類(lèi)方面的出色能力。這些技術(shù)的進(jìn)步使得揚(yáng)塵污染智能預(yù)警管控系統(tǒng)能夠以更高的準(zhǔn)確度和速度自學(xué)習(xí)和分析視覺(jué)數(shù)據(jù)，有效支持揚(yáng)塵監(jiān)控和管理。

1） Faster R-CNN算法：Faster R-CNN是一種先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，特別適用于識(shí)別圖像中的復(fù)雜細(xì)節(jié)，如揚(yáng)塵顆粒的形狀和大小。在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中，利用Faster R-CNN可以精確檢測(cè)和識(shí)別不同類(lèi)型和來(lái)源的揚(yáng)塵，提供高質(zhì)量的數(shù)據(jù)支持以便進(jìn)行分析。

2） YOLOv5算法：YOLOv5作為實(shí)時(shí)目標(biāo)檢測(cè)的領(lǐng)先技術(shù)，能夠快速識(shí)別圖像中的揚(yáng)塵，并實(shí)時(shí)反饋位置和濃度信息。在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中，YOLOv5的快速處理能力使得它非常適合于實(shí)時(shí)監(jiān)測(cè)和預(yù)警，從而幫助管理人員迅速響應(yīng)可能的揚(yáng)塵污染事件。

3） 人體姿態(tài)估計(jì)算法：人體姿態(tài)估計(jì)算法主要用于識(shí)別人類(lèi)的動(dòng)作和姿態(tài)，在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中被用來(lái)輔助監(jiān)控視頻中的人員行為，從而評(píng)估人為活動(dòng)對(duì)揚(yáng)塵擴(kuò)散的影響。例如，通過(guò)分析施工現(xiàn)場(chǎng)工人的活動(dòng)范圍和頻率，推算揚(yáng)塵產(chǎn)生的可能性和擴(kuò)散趨勢(shì)。

4） K-means聚類(lèi)算法：K-means是一種簡(jiǎn)單而有效的聚類(lèi)算法，在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中被用來(lái)對(duì)揚(yáng)塵源進(jìn)行聚類(lèi)分析，幫助識(shí)別揚(yáng)塵的主要來(lái)源和影響區(qū)域。這有助于環(huán)境管理部門(mén)制定更為針對(duì)性的揚(yáng)塵控制措施。

5） Mask R-CNN算法：Mask R-CNN是Faster R-CNN的擴(kuò)展，不僅能識(shí)別圖像中的對(duì)象，還能為每個(gè)對(duì)象生成高精度的分割掩模（segmentation mask） 。在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中被用來(lái)精確測(cè)量揚(yáng)塵顆粒的覆蓋范圍和密度，進(jìn)而可以評(píng)估揚(yáng)塵污染的嚴(yán)重程度。

6） SSD目標(biāo)檢測(cè)算法：SSD是一種高效的實(shí)時(shí)目標(biāo)檢測(cè)算法，可以快速定位圖像中的多個(gè)對(duì)象。在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中，SSD被用來(lái)識(shí)別和追蹤揚(yáng)塵的移動(dòng)路徑，為污染擴(kuò)散模型提供重要數(shù)據(jù)。

7） DBSCAN聚類(lèi)分析算法：DBSCAN是一種基于密度的聚類(lèi)算法，能夠識(shí)別出具有任意形狀和大小的簇。在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中，DBSCAN被用來(lái)識(shí)別揚(yáng)塵濃度的異常變化，為及時(shí)采取控制措施提供依據(jù)。

8） 線(xiàn)性回歸算法：線(xiàn)性回歸模型通過(guò)建立揚(yáng)塵濃度與可能的影響因素之間的線(xiàn)性關(guān)系，在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中被用來(lái)預(yù)測(cè)揚(yáng)塵污染的趨勢(shì)，為未來(lái)的環(huán)境管理提供科學(xué)依據(jù)。

9） 光流算法：光流算法可以分析連續(xù)圖像幀之間的像素移動(dòng)，從而檢測(cè)和追蹤揚(yáng)塵的動(dòng)態(tài)變化。在揚(yáng)塵污染智能預(yù)警管控系統(tǒng)中被用來(lái)實(shí)時(shí)監(jiān)測(cè)揚(yáng)塵的擴(kuò)散路徑和速度。

通過(guò)綜合運(yùn)用這些算法和技術(shù)，揚(yáng)塵污染智能預(yù)警管控系統(tǒng)可以實(shí)現(xiàn)更全面、更準(zhǔn)確的揚(yáng)塵監(jiān)測(cè)與分析，從而有效指導(dǎo)揚(yáng)塵污染的控制和管理工作。這種多維度的技術(shù)應(yīng)用，將使揚(yáng)塵治理工作更加科學(xué)化、精準(zhǔn)化。

1.2 揚(yáng)塵預(yù)警分類(lèi)標(biāo)準(zhǔn)化

安徽省生態(tài)環(huán)境廳和住建廳聯(lián)合發(fā)布的《建筑工程施工和預(yù)拌混凝土生產(chǎn)揚(yáng)塵污染防治標(biāo)準(zhǔn)》，以及六安市生態(tài)環(huán)境保護(hù)委員會(huì)發(fā)布的《六安市建設(shè)領(lǐng)域揚(yáng)塵治理專(zhuān)項(xiàng)行動(dòng)方案（2023年修訂）》等七項(xiàng)專(zhuān)項(xiàng)行動(dòng)計(jì)劃，共同構(gòu)筑了一個(gè)具有明確分類(lèi)和一致性標(biāo)準(zhǔn)的揚(yáng)塵治理框架。這些政策文件不僅為建筑工程和道路揚(yáng)塵設(shè)定了具體的量化標(biāo)準(zhǔn)，還為運(yùn)用計(jì)算機(jī)視覺(jué)等先進(jìn)智能技術(shù)進(jìn)行揚(yáng)塵的識(shí)別與管理建立了標(biāo)準(zhǔn)化的分類(lèi)。此舉標(biāo)志著六安市在揚(yáng)塵治理領(lǐng)域正朝著標(biāo)準(zhǔn)化和規(guī)范化方向邁進(jìn)，為實(shí)現(xiàn)高效、精確的揚(yáng)塵監(jiān)測(cè)與控制提供了堅(jiān)實(shí)的基礎(chǔ)。

1.3 揚(yáng)塵識(shí)別精準(zhǔn)度提升

根據(jù)安徽省和六安市關(guān)于建筑工程和預(yù)拌混凝土生產(chǎn)揚(yáng)塵污染防治的標(biāo)準(zhǔn)，結(jié)合六安市的具體情況，本次研究對(duì)28個(gè)揚(yáng)塵智能識(shí)別場(chǎng)景進(jìn)行了具體化，包括建筑工地、道路、混凝土攪拌站等關(guān)鍵領(lǐng)域。通過(guò)不斷提升的精確識(shí)別技術(shù)、算法優(yōu)化和數(shù)據(jù)處理，實(shí)現(xiàn)了對(duì)揚(yáng)塵的快速、精準(zhǔn)監(jiān)測(cè)和分類(lèi)，推動(dòng)了六安市的揚(yáng)塵治理工作朝著標(biāo)準(zhǔn)化和規(guī)范化的方向發(fā)展。識(shí)別系統(tǒng)將針對(duì)關(guān)鍵特征進(jìn)行深度訓(xùn)練，使深度學(xué)習(xí)模型的自動(dòng)識(shí)別率和準(zhǔn)確率超過(guò)80%[4]，計(jì)劃在實(shí)際環(huán)境中進(jìn)行試運(yùn)行，并通過(guò)迭代訓(xùn)練不斷提高監(jiān)控的精確性。

1.4 精準(zhǔn)揚(yáng)塵預(yù)警調(diào)度與跨部門(mén)協(xié)同治理策略

為應(yīng)對(duì)六安地區(qū)揚(yáng)塵治理挑戰(zhàn)，應(yīng)加強(qiáng)預(yù)警機(jī)制并深化協(xié)同治理措施，重點(diǎn)是開(kāi)發(fā)一套綜合性預(yù)警系統(tǒng)，并推行多部門(mén)協(xié)作的治理模式。

1.4.1 強(qiáng)化預(yù)警流程

為優(yōu)化預(yù)警流程的效率與準(zhǔn)確性，系統(tǒng)充分利用了雪亮工程、交通監(jiān)控卡口、建筑工地、鐵塔高空等多個(gè)渠道所獲取的高清實(shí)時(shí)視頻數(shù)據(jù)。考慮到不同采集點(diǎn)所處的特殊場(chǎng)景環(huán)境，采用多種人工智能算法對(duì)視頻信息進(jìn)行深度分析[5]。智能識(shí)別技術(shù)能夠高效地從視頻數(shù)據(jù)中提取關(guān)鍵人物、事件、物體屬性，進(jìn)而準(zhǔn)確地判斷監(jiān)控范圍內(nèi)是否存在違反規(guī)定的污染行為。通過(guò)細(xì)致的語(yǔ)義描述與分類(lèi)，系統(tǒng)能夠精確識(shí)別特定的異常事件，并自動(dòng)產(chǎn)生告警事件，快速將其推送給相關(guān)責(zé)任人員。此流程顯著提升了環(huán)境監(jiān)控的反應(yīng)速度與事件處理的準(zhǔn)確率，為揚(yáng)塵的管理與控制提供了堅(jiān)實(shí)的基礎(chǔ)，如圖1所示。

1.4.2 深化協(xié)同治理

揚(yáng)塵污染治理工作雖主要由生態(tài)環(huán)境部門(mén)承擔(dān)，但鑒于其涉及范圍廣泛，單一部門(mén)執(zhí)行力量有限，故跨部門(mén)的合作執(zhí)行、督導(dǎo)及考核成為必要?，F(xiàn)階段，各部門(mén)在環(huán)保意識(shí)和管理能力上存在差異，聯(lián)動(dòng)機(jī)制尚不健全。為改善此狀況，可以采用基于人工智能的智能識(shí)別技術(shù)，實(shí)現(xiàn)對(duì)違規(guī)行為的自動(dòng)檢測(cè)[6]，并自動(dòng)將處理任務(wù)分配至相關(guān)單位和監(jiān)管部門(mén)，以增強(qiáng)部門(mén)間的協(xié)作。對(duì)于超期未處理的任務(wù)，主管部門(mén)應(yīng)加強(qiáng)督促和實(shí)施相應(yīng)處罰。生態(tài)環(huán)境部門(mén)還應(yīng)利用該技術(shù)加強(qiáng)跨部門(mén)監(jiān)督，提供技術(shù)支持，并定期對(duì)污染數(shù)據(jù)進(jìn)行分析，向政府部門(mén)反饋，以期顯著提升揚(yáng)塵治理效率和協(xié)同作用。

2 揚(yáng)塵污染智能化預(yù)警管控系統(tǒng)的實(shí)現(xiàn)

在當(dāng)今環(huán)境治理領(lǐng)域，揚(yáng)塵污染成了一個(gè)嚴(yán)峻的問(wèn)題，亟需有效的管控與預(yù)警系統(tǒng)?；诖诵枨螅狙芯繄F(tuán)隊(duì)經(jīng)過(guò)深入的探索和綜合驗(yàn)證，成功研發(fā)了一套揚(yáng)塵污染智能化預(yù)警與管控系統(tǒng)。該系統(tǒng)融合了先進(jìn)的監(jiān)測(cè)、調(diào)度、評(píng)估等功能，通過(guò)集成人工智能與視頻分析技術(shù)，實(shí)現(xiàn)了對(duì)揚(yáng)塵污染的實(shí)時(shí)監(jiān)控和智能化預(yù)警，如表1所示。

3 結(jié)論

3.1 系統(tǒng)應(yīng)用效果

自2023年9月份起，本系統(tǒng)得以初步搭建并投入運(yùn)行。截至目前，已成功識(shí)別各類(lèi)揚(yáng)塵事件共計(jì)6 075起，其中包括工地?fù)P塵事件2 654起，道路揚(yáng)塵事件3 421起。同時(shí)，已向相關(guān)部門(mén)派發(fā)任務(wù)單共計(jì)5 358份，以促進(jìn)事件的及時(shí)處理。表2是關(guān)于預(yù)警事件的識(shí)別率和準(zhǔn)確率詳細(xì)的統(tǒng)計(jì)數(shù)據(jù)。

系統(tǒng)在識(shí)別多種揚(yáng)塵源頭方面表現(xiàn)卓越，準(zhǔn)確率均達(dá)到100%，保證了應(yīng)對(duì)措施的有效性。關(guān)鍵識(shí)別類(lèi)型，如“道路及堆場(chǎng)未硬化”“裸土未覆蓋”和“建筑垃圾未覆蓋”的識(shí)別率分別為92%、87%和94%，展示了系統(tǒng)在檢測(cè)大部分揚(yáng)塵污染源頭方面的高效率。

3.2 系統(tǒng)應(yīng)用價(jià)值

揚(yáng)塵智能預(yù)警管控系統(tǒng)通過(guò)實(shí)時(shí)識(shí)別及處理?yè)P(yáng)塵污染源，取得了重要成效：提高了監(jiān)管效率、減輕了執(zhí)法壓力、實(shí)現(xiàn)了精準(zhǔn)治理，促進(jìn)了經(jīng)濟(jì)與環(huán)境的雙贏。

3.3 改進(jìn)措施與未來(lái)展望

盡管揚(yáng)塵智能預(yù)警管控系統(tǒng)取得了成效，但面對(duì)擴(kuò)大監(jiān)測(cè)區(qū)域需求，仍需提升算法精度、增強(qiáng)監(jiān)測(cè)設(shè)備的布局及覆蓋范圍、加強(qiáng)數(shù)據(jù)隱私保護(hù)等挑戰(zhàn)。計(jì)劃的改進(jìn)措施包括：持續(xù)更新訓(xùn)練智能算法以提高精確度，優(yōu)化監(jiān)測(cè)設(shè)備配置以強(qiáng)化監(jiān)控效果，加強(qiáng)數(shù)據(jù)安全和隱私措施，保障技術(shù)應(yīng)用的可靠性與合規(guī)性。

參考文獻(xiàn)：

[1] 郭建芳，張延安.不同區(qū)域的城市環(huán)境空氣質(zhì)量綜合評(píng)價(jià)指標(biāo)體系構(gòu)建[J].環(huán)境與可持續(xù)發(fā)展，2017，42（6）：107-110.

[2] 胡輝，蔡映雪，胡松，等.基于視頻分析的異常事件檢測(cè)技術(shù)研究[J].電腦知識(shí)與技術(shù)，2017，13（35）：235-237.

[3] 孫志平，宋兆謙.圖像識(shí)別技術(shù)在黃河護(hù)岸工程監(jiān)測(cè)預(yù)警中的研究與應(yīng)用[C]//2021（第九屆）中國(guó)水利信息化技術(shù)論壇論文集，濟(jì)南，2021：452-465.

[4] 王書(shū)獻(xiàn)，張勝茂，朱文斌，等.基于深度學(xué)習(xí)YOLOV5網(wǎng)絡(luò)模型的金槍魚(yú)延繩釣電子監(jiān)控系統(tǒng)目標(biāo)檢測(cè)應(yīng)用[J].大連海洋大學(xué)學(xué)報(bào)，2021，36（5）：842-850.

[5] 徐自遠(yuǎn).面向人工智能算法下圖像識(shí)別技術(shù)分析[J].數(shù)字技術(shù)與應(yīng)用，2021，39（10）：4-6.

[6] 李少博，董世浩，張佳玉，等.基于計(jì)算機(jī)視覺(jué)的行人及非機(jī)動(dòng)車(chē)規(guī)范系統(tǒng)[J].科學(xué)技術(shù)創(chuàng)新，2021（21）：73-74.

【通聯(lián)編輯：張薇】