摘要：生態(tài)環(huán)境是影響我國(guó)經(jīng)濟(jì)發(fā)展的重要組成部分，環(huán)保督察工作的艱巨程度可想而知。近年來(lái)，深度學(xué)習(xí)技術(shù)為環(huán)保督察工作提供了有利條件，成為多個(gè)學(xué)科領(lǐng)域的熱門(mén)研究項(xiàng)目。本文將主要針對(duì)深度學(xué)習(xí)技術(shù)在環(huán)保督查工作中的算法使用、具體應(yīng)用以及改進(jìn)建議進(jìn)行論述，以供參考。

關(guān)鍵詞：深度學(xué)習(xí)技術(shù);環(huán)保督查工作;應(yīng)用探究

中圖分類(lèi)號(hào)：X32 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(xué)習(xí)技術(shù)的概述

深度學(xué)習(xí)源于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的理論，換言之，即更深層次的神經(jīng)網(wǎng)絡(luò)。通過(guò)深度學(xué)習(xí)，人們可以從中獲取更深層次的數(shù)據(jù)特征，能夠在面對(duì)復(fù)雜的現(xiàn)實(shí)情況時(shí)，降低特征選取的難度。

以自然界為例，自然界每時(shí)每刻都在發(fā)生著各種變化，這些變化中都可以轉(zhuǎn)化為模擬的圖像，圖像中的具體信息正是人們工作中需要的。例如，森林中的火災(zāi)情況、水庫(kù)邊的可疑行人、田地間的莊稼農(nóng)作物、特殊場(chǎng)所的具體情況等。環(huán)保督察部門(mén)通過(guò)觀看日常的圖像信息，掌握實(shí)時(shí)情況。近年來(lái)，智能分析作為深度學(xué)習(xí)技術(shù)的一個(gè)分支正在快速發(fā)展，成為解決難題的新途徑。深度學(xué)習(xí)技術(shù)主要包括：神經(jīng)元、分類(lèi)器、神經(jīng)網(wǎng)絡(luò)以及可視化框架。它不同于傳統(tǒng)的機(jī)器學(xué)習(xí)處理對(duì)信息的處理方式，傳統(tǒng)的機(jī)器學(xué)習(xí)主要依靠人力，利用人類(lèi)的邏輯關(guān)系，進(jìn)行信息的輸入工作。其中樸素貝葉斯就是用概率的方式設(shè)計(jì)計(jì)算模型;而決策樹(shù)則是通過(guò)降低維度分類(lèi)信息熵來(lái)工作;回歸模型，建模時(shí)不斷縮小預(yù)測(cè)值與目標(biāo)值的距離;SVM，致力于超平面，將分類(lèi)的置信度調(diào)整至最佳狀態(tài)。深度學(xué)習(xí)技術(shù)利用多樣的線性與非線性分類(lèi)器，對(duì)信息進(jìn)行自動(dòng)化處理。大大減少了人力在開(kāi)展工作前的任務(wù)量，同時(shí)工作人員也不需要對(duì)標(biāo)簽進(jìn)行提前分類(lèi)[1]。

將兩者進(jìn)行對(duì)比，深度學(xué)習(xí)技術(shù)降低了特征清晰度的要求，在實(shí)際工作中，自由空間相對(duì)擴(kuò)大，能夠在模糊、噪聲存在的同時(shí)進(jìn)行標(biāo)簽處理。對(duì)于不同特征偏向的數(shù)據(jù)，深度學(xué)習(xí)技術(shù)還可以自動(dòng)忽略，將原本分類(lèi)不清晰的數(shù)據(jù)變成清晰的數(shù)據(jù)，實(shí)現(xiàn)更高效的工作，解決了傳統(tǒng)的計(jì)算機(jī)學(xué)習(xí)中的弊端，降低了人力、物力、財(cái)力的投入。

2 深度學(xué)習(xí)技術(shù)的應(yīng)用研究

深度學(xué)習(xí)技術(shù)發(fā)展至今已有60余年的歷史，是計(jì)算機(jī)和人工領(lǐng)域的重要研究?jī)?nèi)容，截止至2006年，深度訓(xùn)練的多次嘗試都沒(méi)有成功，直至深度置信網(wǎng)絡(luò)的提出，打破了深度學(xué)習(xí)領(lǐng)域的僵局，隨后深度學(xué)習(xí)就逐漸成為視頻圖像以及大數(shù)據(jù)分析領(lǐng)域的主流技術(shù)手段。

3 深度學(xué)習(xí)技術(shù)在環(huán)保督查工作中的算法使用

目標(biāo)檢測(cè)算法是一種深度學(xué)習(xí)技術(shù)的算法，也是環(huán)保督察工作中最實(shí)用的，其中使用頻率較高的模型有faster-RCNN、R-FCN、YOLO、SSD等，以第一種模型faster-RCNN為例。這個(gè)模型的顯著優(yōu)勢(shì)就是能夠快速選擇搜索進(jìn)行計(jì)算，將生成區(qū)域、提取特征、進(jìn)行分類(lèi)、確定位置放在整合的框架中一起計(jì)算，大大提升了計(jì)算速度。

Faster-RCNN模型是深度學(xué)習(xí)技術(shù)中的一種品類(lèi)，也是最受歡迎的模型之一，它引入了region proposal網(wǎng)絡(luò)，通過(guò)卷積得到特征圖，然后映射到一個(gè)比較低的維度上，這都是通過(guò)一個(gè)3*3的窗口實(shí)現(xiàn)的。

CNN一般包括兩部分特征提取層和特征映射層，每個(gè)特征提取層都由多種特征圖共同形成，提取的特征圖像通過(guò)固定的連接實(shí)現(xiàn)共享，包括相同偏置項(xiàng)和權(quán)重矩陣。這種模式的優(yōu)點(diǎn)在于可以充分考慮不同局部的特征，降低整理參考模型的工作難度，主要用來(lái)識(shí)別扭曲不變性的二維圖像，例如縮放、位移和其他形式，CNN通過(guò)數(shù)據(jù)的反復(fù)訓(xùn)練進(jìn)行深度學(xué)習(xí)，所以在使用時(shí)能夠有效避免顯示的特征提取[2]。

在現(xiàn)實(shí)的環(huán)保督察的工作中，目標(biāo)算法可以應(yīng)用在識(shí)別生產(chǎn)環(huán)境的人體信息、道路中的車(chē)輛和車(chē)牌遮擋信息、監(jiān)控信息采集的人員信息以及自動(dòng)監(jiān)測(cè)站的人體識(shí)別等。

4 深度學(xué)習(xí)技術(shù)在環(huán)保督查工作中的具體應(yīng)用

4.1 環(huán)境檢測(cè)工作

過(guò)去的幾十年中，環(huán)境監(jiān)測(cè)數(shù)據(jù)造假的現(xiàn)象層出不窮，為了減少類(lèi)似的現(xiàn)象發(fā)生，國(guó)家環(huán)保部門(mén)在2017年強(qiáng)調(diào)：將加快推進(jìn)環(huán)境監(jiān)測(cè)體制的改革，嚴(yán)格執(zhí)行“誰(shuí)考核、誰(shuí)監(jiān)測(cè)”的原則，上收國(guó)控環(huán)境監(jiān)測(cè)站點(diǎn)監(jiān)測(cè)事權(quán)，從體制上保障監(jiān)測(cè)數(shù)據(jù)免受行政干預(yù)，這是我國(guó)在環(huán)境監(jiān)測(cè)工作中做出的重要舉措。

此外，我國(guó)環(huán)保部門(mén)還對(duì)環(huán)境監(jiān)測(cè)的站點(diǎn)進(jìn)行規(guī)范，對(duì)日常運(yùn)營(yíng)的程序做了嚴(yán)格規(guī)定，加大了監(jiān)測(cè)管理的力度。在技術(shù)層面，國(guó)家還在國(guó)控站點(diǎn)內(nèi)外都安裝了監(jiān)控系統(tǒng)，加強(qiáng)站點(diǎn)防護(hù)的措施，并在相應(yīng)的位置設(shè)置警示的標(biāo)志，力求通過(guò)技術(shù)平臺(tái)，對(duì)站點(diǎn)工作人員進(jìn)行監(jiān)測(cè)，防止人為干擾站點(diǎn)的監(jiān)測(cè)數(shù)據(jù)。這樣的措施主要是在源頭上確保監(jiān)測(cè)數(shù)據(jù)的真實(shí)性，如在監(jiān)控視頻中發(fā)現(xiàn)有人為破壞、損壞、修改監(jiān)控設(shè)施，或者惡意干擾檢測(cè)工作，就會(huì)對(duì)相關(guān)人員采取處罰的措施。

例如在監(jiān)控視頻中出現(xiàn)可疑的車(chē)輛，監(jiān)測(cè)點(diǎn)的人員就可以對(duì)視頻中的人員和車(chē)輛進(jìn)行數(shù)據(jù)分析，整理停留的時(shí)間數(shù)據(jù)，建立數(shù)學(xué)模型，確保環(huán)境監(jiān)測(cè)點(diǎn)的安全。

4.2 工廠監(jiān)管工作

除環(huán)境監(jiān)測(cè)工作外，工廠的監(jiān)管工作也是環(huán)保督察部門(mén)的重要工作內(nèi)容。實(shí)際工作中，環(huán)保督查部門(mén)會(huì)對(duì)檢查不合格的工廠進(jìn)行查封，要求工廠進(jìn)行停業(yè)整頓，直至相關(guān)指標(biāo)都達(dá)到國(guó)家的標(biāo)準(zhǔn)，專(zhuān)家小組才會(huì)對(duì)工廠整頓成果進(jìn)行驗(yàn)收，驗(yàn)收合格的工廠可重新開(kāi)始運(yùn)營(yíng)。而部分工廠為賺取更多利潤(rùn)，無(wú)視督察部門(mén)的查封，在晚間偷偷進(jìn)行生產(chǎn)，逃避督察人員的監(jiān)管。對(duì)于這樣的情況，督查部門(mén)可以在工廠外部安裝多個(gè)監(jiān)控系統(tǒng)，并設(shè)置自動(dòng)報(bào)警系統(tǒng)，一旦有人員進(jìn)入已查封工廠，系統(tǒng)就會(huì)進(jìn)行智能報(bào)警。如果工廠生產(chǎn)中會(huì)排放煙霧，相關(guān)部門(mén)還可以安裝煙霧檢測(cè)系統(tǒng)，輔助督查工作的開(kāi)展。

4.3 田地間焚燒秸稈的監(jiān)管工作

田間焚燒的監(jiān)管工作也是環(huán)保監(jiān)管部門(mén)的難題之一，夏收或秋收時(shí)，田間會(huì)將大量的秸稈進(jìn)行焚燒，大面積的秸稈焚燒如果不進(jìn)行及時(shí)的監(jiān)控，就會(huì)造成巨大的損失，機(jī)械化的生產(chǎn)和焚燒模式會(huì)使工作人員放松警惕，加之部分管理人員的專(zhuān)業(yè)水平較低，遇到問(wèn)題不能及時(shí)解決。因此，環(huán)境監(jiān)管部門(mén)可以在焚燒區(qū)安裝煙霧報(bào)警系統(tǒng)，根據(jù)煙霧數(shù)據(jù)建立模型，在田間進(jìn)行試用。一旦煙霧超過(guò)系統(tǒng)設(shè)置的數(shù)據(jù)限制，就會(huì)開(kāi)啟自動(dòng)報(bào)警，相關(guān)人員可以第一時(shí)間趕往現(xiàn)場(chǎng)，將火災(zāi)對(duì)田地的損害降到最低。這樣的方式有助于監(jiān)管人員提高工作效率，降低秸稈焚燒的安全隱患。

5 深度學(xué)習(xí)技術(shù)在環(huán)保督查工作中的具體優(yōu)化

仍以目標(biāo)檢測(cè)算法為例，在算法研究和實(shí)際應(yīng)用的過(guò)程中，還有需要改進(jìn)的內(nèi)容。例如，監(jiān)控視頻系統(tǒng)在夜間的信息監(jiān)測(cè)還不完善，由于光線的限制，容易漏檢監(jiān)測(cè)目標(biāo)，或因鏡頭模糊，導(dǎo)致監(jiān)測(cè)的樣本不充分，影響最終的檢測(cè)結(jié)果。因此，針對(duì)夜間環(huán)境的目標(biāo)算法模型還有待優(yōu)化。此外，設(shè)置在高空環(huán)境的監(jiān)控視頻可視距離有限，微小的檢測(cè)目標(biāo)可能無(wú)法進(jìn)入檢測(cè)范圍，整體的數(shù)據(jù)范圍受到限制。因此對(duì)架設(shè)在高空環(huán)境的監(jiān)控系統(tǒng)要進(jìn)行模型優(yōu)化，確保數(shù)據(jù)的完整性和科學(xué)性。

6 結(jié)論

人類(lèi)接觸外界信息最主要的途徑就是視覺(jué)觀察，深度學(xué)習(xí)在視覺(jué)信息的提取以及模型擬合的方面已經(jīng)表現(xiàn)出極大的潛力，環(huán)保督察部門(mén)應(yīng)該加大技術(shù)研究的資金力度，針對(duì)傳統(tǒng)督查工作中的不足，制定相應(yīng)的解決方案，確保督查工作的高效開(kāi)展。

參考文獻(xiàn)

[1]林志，茆云霞.深度學(xué)習(xí)技術(shù)在環(huán)保督查工作中的應(yīng)用研究[J].信息通信，2017（11）：80-82.

[2]白璐，衣姝穎，李天平.基于深度學(xué)習(xí)的車(chē)牌識(shí)別技術(shù)研究[J].山東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，33（04）：438-442.

[3]楊濤.中國(guó)區(qū)域環(huán)境督查機(jī)構(gòu)職權(quán)研究[D].西安：西北大學(xué)，2015.

[4]耿文輝.基于深度學(xué)習(xí)的車(chē)牌識(shí)別技術(shù)研究[D].西安：西安電子科技大學(xué)，2018.

收稿日期：2019-02-26

作者簡(jiǎn)介：檀英華（1982-），女，漢族，本科學(xué)歷，工程師，研究方向?yàn)榄h(huán)境保護(hù)。