谈深度学习技术在环保督查工作中的应用
来源:用户上传
作者:
摘要：生态环境是影响我国经济发展的重要组成部分，环保督察工作的艰巨程度可想而知。近年来，深度学习技术为环保督察工作提供了有利条件，成为多个学科领域的热门研究项目。本文将主要针对深度学习技术在环保督查工作中的算法使用、具体应用以及改进建议进行论述，以供参考。
关键词：深度学习技术;环保督查工作;应用探究
中图分类号：X32 文献标识码：A 文章编号：2095-672X（2019）06-0-02
DOI：10.16647/j.cnki.cn15-1369/X.2019.06.121
Abstract：Ecological environment is an important part of China's economic development，and the difficulty of environmental protection supervision can be imagined.In recent years，in-depth learning technology has provided favorable conditions for environmental protection inspectors and has become a popular research project in many disciplines.This paper will mainly focus on the deep learning technology in the Environmental Protection inspection of the use of algorithms，specific applications and suggestions for improvement for reference.
Key words：In-depth learning techniques;Environmental supervision;Applied exploration
1 深度學习技术的概述
深度学习源于神经网络领域的理论，换言之，即更深层次的神经网络。通过深度学习，人们可以从中获取更深层次的数据特征，能够在面对复杂的现实情况时，降低特征选取的难度。
以自然界为例，自然界每时每刻都在发生着各种变化，这些变化中都可以转化为模拟的图像，图像中的具体信息正是人们工作中需要的。例如，森林中的火灾情况、水库边的可疑行人、田地间的庄稼农作物、特殊场所的具体情况等。环保督察部门通过观看日常的图像信息，掌握实时情况。近年来，智能分析作为深度学习技术的一个分支正在快速发展，成为解决难题的新途径。深度学习技术主要包括：神经元、分类器、神经网络以及可视化框架。它不同于传统的机器学习处理对信息的处理方式，传统的机器学习主要依靠人力，利用人类的逻辑关系，进行信息的输入工作。其中朴素贝叶斯就是用概率的方式设计计算模型;而决策树则是通过降低维度分类信息熵来工作;回归模型，建模时不断缩小预测值与目标值的距离;SVM，致力于超平面，将分类的置信度调整至最佳状态。深度学习技术利用多样的线性与非线性分类器，对信息进行自动化处理。大大减少了人力在开展工作前的任务量，同时工作人员也不需要对标签进行提前分类[1]。
将两者进行对比，深度学习技术降低了特征清晰度的要求，在实际工作中，自由空间相对扩大，能够在模糊、噪声存在的同时进行标签处理。对于不同特征偏向的数据，深度学习技术还可以自动忽略，将原本分类不清晰的数据变成清晰的数据，实现更高效的工作，解决了传统的计算机学习中的弊端，降低了人力、物力、财力的投入。
2 深度学习技术的应用研究
深度学习技术发展至今已有60余年的历史，是计算机和人工领域的重要研究内容，截止至2006年，深度训练的多次尝试都没有成功，直至深度置信网络的提出，打破了深度学习领域的僵局，随后深度学习就逐渐成为视频图像以及大数据分析领域的主流技术手段。
3 深度学习技术在环保督查工作中的算法使用
目标检测算法是一种深度学习技术的算法，也是环保督察工作中最实用的，其中使用频率较高的模型有faster-RCNN、R-FCN、YOLO、SSD等，以第一种模型faster-RCNN为例。这个模型的显著优势就是能够快速选择搜索进行计算，将生成区域、提取特征、进行分类、确定位置放在整合的框架中一起计算，大大提升了计算速度。
Faster-RCNN模型是深度学习技术中的一种品类，也是最受欢迎的模型之一，它引入了region proposal网络，通过卷积得到特征图，然后映射到一个比较低的维度上，这都是通过一个3*3的窗口实现的。
CNN一般包括两部分特征提取层和特征映射层，每个特征提取层都由多种特征图共同形成，提取的特征图像通过固定的连接实现共享，包括相同偏置项和权重矩阵。这种模式的优点在于可以充分考虑不同局部的特征，降低整理参考模型的工作难度，主要用来识别扭曲不变性的二维图像，例如缩放、位移和其他形式，CNN通过数据的反复训练进行深度学习，所以在使用时能够有效避免显示的特征提取[2]。
在现实的环保督察的工作中，目标算法可以应用在识别生产环境的人体信息、道路中的车辆和车牌遮挡信息、监控信息采集的人员信息以及自动监测站的人体识别等。
4 深度学习技术在环保督查工作中的具体应用
4.1 环境检测工作
过去的几十年中，环境监测数据造假的现象层出不穷，为了减少类似的现象发生，国家环保部门在2017年强调：将加快推进环境监测体制的改革，严格执行“谁考核、谁监测”的原则，上收国控环境监测站点监测事权，从体制上保障监测数据免受行政干预，这是我国在环境监测工作中做出的重要举措。 此外，我国环保部门还对环境监测的站点进行规范，对日常运营的程序做了严格规定，加大了监测管理的力度。在技术层面，国家还在国控站点内外都安装了监控系统，加强站点防护的措施，并在相应的位置设置警示的标志，力求通过技术平台，对站点工作人员进行监测，防止人为干扰站点的监测数据。这样的措施主要是在源头上确保监测数据的真实性，如在监控视频中发现有人为破坏、损坏、修改监控设施，或者恶意干扰检测工作，就会对相关人员采取处罚的措施。
例如在监控视频中出现可疑的车辆，监测点的人员就可以对视频中的人员和车辆进行数据分析，整理停留的时间数据，建立数学模型，确保环境监测点的安全。
4.2 工厂监管工作
除环境监测工作外，工厂的监管工作也是环保督察部门的重要工作内容。实际工作中，环保督查部门会对检查不合格的工厂进行查封，要求工厂进行停业整顿，直至相关指标都达到国家的标准，专家小组才会对工厂整顿成果进行验收，验收合格的工厂可重新开始运营。而部分工厂为赚取更多利润，无视督察部门的查封，在晚间偷偷进行生产，逃避督察人员的监管。对于这样的情况，督查部门可以在工厂外部安装多个监控系统，并设置自动报警系统，一旦有人员进入已查封工厂，系统就会进行智能报警。如果工厂生产中会排放烟雾，相关部门还可以安装烟雾检测系统，辅助督查工作的开展。
4.3 田地间焚烧秸秆的监管工作
田间焚烧的监管工作也是环保监管部门的难题之一，夏收或秋收时，田间会将大量的秸秆进行焚烧，大面积的秸秆焚烧如果不进行及时的监控，就会造成巨大的损失，机械化的生产和焚烧模式会使工作人员放松警惕，加之部分管理人员的专业水平较低，遇到问题不能及时解决。因此，环境监管部门可以在焚烧区安装烟雾报警系统，根据烟雾数据建立模型，在田间进行试用。一旦烟雾超过系统设置的数据限制，就会开启自动报警，相关人员可以第一时间赶往现场，将火灾对田地的损害降到最低。这样的方式有助于监管人员提高工作效率，降低秸秆焚烧的安全隐患。
5 深度学习技术在环保督查工作中的具体优化
仍以目标检测算法为例，在算法研究和實际应用的过程中，还有需要改进的内容。例如，监控视频系统在夜间的信息监测还不完善，由于光线的限制，容易漏检监测目标，或因镜头模糊，导致监测的样本不充分，影响最终的检测结果。因此，针对夜间环境的目标算法模型还有待优化。此外，设置在高空环境的监控视频可视距离有限，微小的检测目标可能无法进入检测范围，整体的数据范围受到限制。因此对架设在高空环境的监控系统要进行模型优化，确保数据的完整性和科学性。
6 结论
人类接触外界信息最主要的途径就是视觉观察，深度学习在视觉信息的提取以及模型拟合的方面已经表现出极大的潜力，环保督察部门应该加大技术研究的资金力度，针对传统督查工作中的不足，制定相应的解决方案，确保督查工作的高效开展。
参考文献
[1]林志，茆云霞.深度学习技术在环保督查工作中的应用研究[J].信息通信，2017（11）：80-82.
[2]白璐，衣姝颖，李天平.基于深度学习的车牌识别技术研究[J].山东师范大学学报（自然科学版），2018，33（04）：438-442.
[3]杨涛.中国区域环境督查机构职权研究[D].西安：西北大学，2015.
[4]耿文辉.基于深度学习的车牌识别技术研究[D].西安：西安电子科技大学，2018.
收稿日期：2019-02-26
作者简介：檀英华（1982-），女，汉族，本科学历，工程师，研究方向为环境保护。
转载注明来源:https://www.xzbu.com/1/view-14948150.htm
