馬國鑫，韓 豫，陸建飛，姚佳玥，尤少迪

1.江蘇大學土木工程與力學學院，江蘇 鎮(zhèn)江 212013 2.澳洲國立大學國家信息通信技術(shù)中心，澳大利亞 堪培拉 2600

施工揚塵是由露天施工活動產(chǎn)生，對生態(tài)環(huán)境和人體健康危害極大，其對城市PM2.5污染貢獻率可達13.1%[1]，也是大氣污染物PM10的主要來源之一[2]。各地政府對此均高度重視，出臺了一系列揚塵污染監(jiān)測的方針和政策。然而，目前施工揚塵污染監(jiān)測依靠人工巡查和定點監(jiān)測，效率不高且效果欠佳，缺乏更有效的監(jiān)測技術(shù)手段。因此，探索更為有效的監(jiān)測方法，對大氣污染的治理具有重要意義。

目前，施工環(huán)境監(jiān)測主要關(guān)注施工現(xiàn)場的揚塵、材料廢棄物等[3-4]，其中，施工揚塵管控是研究熱點[5]。監(jiān)測方式方面，儀器采樣是最主要方式，還可通過視頻監(jiān)測[6-8]。然而，上述方法雖精度較高，但易受干擾，效率不高。近年來，無人機采集圖像已被用于水污染監(jiān)測、化工氣體污染監(jiān)測、車輛識別、大廈變形監(jiān)測等[9-12]。本研究以圖像識別技術(shù)為核心支撐，設計了基于無人機的施工揚塵污染源自動監(jiān)測系統(tǒng)，并對系統(tǒng)進行了測試。

1 系統(tǒng)需求與支撐技術(shù)

施工現(xiàn)場的復雜性和特殊性，導致施工環(huán)境監(jiān)督和管理工作面廣量大，因而帶來的安全問題也是關(guān)注的重點。為此，根據(jù)問題的特點及技術(shù)的匹配性，采用無人機技術(shù)和圖像識別技術(shù)作為主要支撐。

1.1 無人機技術(shù)

無人機作為圖像采集的載體，具有監(jiān)測范圍廣、效率高、環(huán)境適應能力強等優(yōu)勢，可滿足上述任務要求。與人工監(jiān)測相比，可極大地減少安全事故的發(fā)生。

1.2 圖像識別技術(shù)

圖像識別作為污染源識別的核心技術(shù)，具有低成本、智能、高效等優(yōu)勢。與人工識別相比，可準確、自動地識別廣域內(nèi)的施工揚塵污染源。

2 系統(tǒng)架構(gòu)

2.1 系統(tǒng)功能模塊與硬件構(gòu)成

本系統(tǒng)各子模塊及主要功能：

1)圖像采集模塊。采集施工揚塵污染源監(jiān)測區(qū)域圖像。

2)圖像預處理及拼接模塊。實現(xiàn)圖像初篩、校正、平滑、增強，完成圖像拼接。

3)邊緣檢測模塊。提取圖像邊緣，合并類似區(qū)域。

4)存在性檢測及復核模塊。提取疑似污染源區(qū)域，并人工復核。

5)污染源特征提取模塊。提取圖像的RGB(紅色Red，綠色Green，藍色Blue)三通道值，并繪制相應的顏色直方圖。

6)污染源特征比對模塊。確定污染源像素數(shù)目、種類、面積。

7)污染源分布分析及輸出模塊。實現(xiàn)污染源分布情況的可視化，顯示污染源分布圖。

2.2 系統(tǒng)運行流程

本系統(tǒng)具體運行流程包括圖像采集、特征分析和結(jié)果輸出。

2.2.1 圖像采集

根據(jù)施工場地地理特征和施工特點，網(wǎng)格化劃分作業(yè)區(qū)域，確定圖像采集點和采樣方式，并控制無人機按照飛行路線進行圖像采集，見圖1。

圖1 無人機路線及采集點設置Fig.1 UAV flying routes and image acquisition points

圖像采集方式：

在外圈各點(除四角點)及內(nèi)網(wǎng)格點采用固定俯拍、三連拍的方式，且相機與地面呈90°；在最外圈四角點，采用鳥瞰方式旋轉(zhuǎn)90°拍攝、三連拍，相機與地面呈90°。

2.2.2 特征分析

1)圖像預處理。先畸變、正射校正完成初篩的圖像，再使用Gabor濾波法平滑圖像，繼而使用灰度變換法增強圖像顏色飽和度。

2)污染源圖像拼接。使用RGB特征相關(guān)的拼接算法，實現(xiàn)監(jiān)測區(qū)域俯拍圖像的自動拼接。

3)圖像邊緣檢測。使用Canny邊緣檢測算法提取區(qū)域邊緣，實現(xiàn)圖像中類似區(qū)域的合并。

4)存在性檢驗及復核。使用HSV(色調(diào)Hue，飽和度Saturation，明度Value)特征識別算法識別污染源疑似區(qū)域，并人工復核。

5)污染源特征提取。使用直方圖法提取標準和疑似污染源圖像的RGB值。

6)污染源特征比對。使用顏色直方圖對比識別污染源種類，并根據(jù)像素點數(shù)目計算污染源面積。

2.2.3 結(jié)果輸出

根據(jù)分析結(jié)果，分別使用紅、橙、綠標注拆遷工地、裸土、已覆蓋區(qū)域，按照污染源面積占比劃分污染嚴重程度，顯示污染源分布圖。

3 核心算法

3.1 施工揚塵污染源存在性檢驗方法

RGB和HSV是2類顏色模型，前者使用一個三維空間中的點來表示一種顏色，可由三個分量形成的正方體表示，主要用于色彩的精確記錄；后者是根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間，可由一個六角錐體模型進行描述，在顏色對比方面具有優(yōu)勢。

圖2 系統(tǒng)運行流程圖Fig.2 System operation flow

鑒于HSV空間的優(yōu)勢，使用RGB2HSV和BGR2HSV函數(shù)，實現(xiàn)污染源圖像從RGB顏色空間向HSV顏色空間轉(zhuǎn)換。

首先，人工確定并采集標準污染源的圖像，并提取標準污染源的HSV和RGB特征。據(jù)此設定污染源的H、S、V區(qū)間值，使用矢量函數(shù)識別圖像中同時處于H、S、V 3個閾值中的像素點。最后，對圖像進行直方圖均衡化處理，增強圖像對比度。由于在圖像識別過程中，讀取的圖像為彩色圖像，而直方圖均衡化需在HSV空間進行，因此，使用equalizeHist、imgThresholded、merge等函數(shù)進行圖像變換，提取圖像中的疑似污染源區(qū)域。

3.2 施工揚塵污染源面積計算方法

施工揚塵污染源的面積是衡量污染嚴重程度的重要指標，在這一步驟中，通過計算圖像中疑似污染源像素點數(shù)目實現(xiàn)污染源面積計算。此過程分為圖像采集和圖像處理階段。

圖像采集階段：在平坦的地面設置1 m×1 m且與地面顏色有明顯差異的參照物，再控制無人機在固定高度采集參照物圖像，高度和采集方式與污染源圖像采集時一致。

圖像處理階段：使用Canny函數(shù)提取參照物的輪廓，并使用coutourArea函數(shù)計算參照物輪廓內(nèi)面積，即為100 m高度處1 m2參照物的像素點數(shù)目X。由于大面積的污染源區(qū)域?qū)τ诃h(huán)境的影響較大，故將大于50 000像素點的區(qū)域個數(shù)作為衡量污染嚴重性的標準。

然后，使用RGB2GR、RGBA2GRAY函數(shù)將污染源的RGB圖像強制轉(zhuǎn)化為灰度圖像，再使用threshold函數(shù)二值化圖像，并調(diào)用bSums函數(shù)統(tǒng)計非零像素點數(shù)目Y，計算污染源面積S=Y/X。

3.3 施工揚塵污染源特征比對方法

通過對比標準污染源和疑似污染源圖像的RGB三通道直方圖，判定污染源種類。

先使用split函數(shù)將圖像分割為RGB三通道圖像，設定bin數(shù)目和取值范圍，繼而使用calcHist函數(shù)計算圖像顏色直方圖，并使用normalize函數(shù)實現(xiàn)直方圖歸一化。最后選擇衡量直方圖相似度的對比標準，再使用compareHist函數(shù)計算直方圖相似度。其中，compareHist函數(shù)提供了4個統(tǒng)計直方圖相似度衡量標準，分別為相關(guān)系數(shù)法、卡方相似法、直方圖相交法和巴氏距離法，在系統(tǒng)測試中將會做出適用性比較。

4 系統(tǒng)實現(xiàn)與測試

4.1 系統(tǒng)實現(xiàn)

4.1.1 硬件實現(xiàn)平臺

本系統(tǒng)以航拍四軸旋翼飛行器為圖像采集工具，還包含計算機、安裝無人機操控軟件的移動設備。

4.1.2 軟件實現(xiàn)

本系統(tǒng)基于Visual Studio 2013平臺，將OpenCV視覺庫作為圖像處理的核心。Visual Studio 2013平臺可兼容C++、C等多種計算機語言，程序編寫簡便。OpenCV Library(Open Source Computer Vision Library，開源計算機視覺庫)作為一個開源的跨平臺視覺庫，能提供大量圖像處理的通用算法。

4.1.3 測試實現(xiàn)環(huán)境

為檢驗系統(tǒng)性能，對系統(tǒng)進行測試。將施工現(xiàn)場不同階段采集的圖像作為系統(tǒng)測試的對象。測試所使用的計算機配置為Intel core i5-3470 3.20 GHz處理器，16 GB RAM，Windows 7 64 bit操作系統(tǒng)，NVIDIA GeForce GTX 650 Ti顯卡，同時配置Visual Studio 2013、Matlab 2015b以及OpenCV2.4.9環(huán)境。

4.2 系統(tǒng)測試

利用上述方法、硬件、軟件及配置環(huán)境，進行系統(tǒng)測試。

4.2.1 施工揚塵污染源特征提取

人工采集與監(jiān)測區(qū)域條件相同的標準揚塵污染源的圖像，使用顏色直方圖提取方法，提取標準施工揚塵污染源的RGB顏色特征，如圖3所示。

圖3 標準污染源RGB顏色直方圖提取Fig.3 Extraction of standard pollution RGB histogram

4.2.2 施工揚塵污染源存在性檢驗

根據(jù)提取結(jié)果，使用RGB2HSV函數(shù)實現(xiàn)圖像從RGB顏色空間到HSV顏色空間的轉(zhuǎn)換。設置HSV的閾值為H(15, 20)、S(80, 150)、V(0,255)，并分別對3 000×4 000 ppi(每英寸的像素點數(shù)目，下同)和300×400 ppi的圖像進行污染源特征提取。

經(jīng)實驗和分析發(fā)現(xiàn)，施工揚塵污染源存在性檢驗效果良好，系統(tǒng)運行時間受圖像像素影響較大，相同像素大小的圖像處理時間相差不大。

4.2.3 施工揚塵污染源面積計算

根據(jù)存在性檢驗的結(jié)果，使用非零像素點計算方法，計算圖像中疑似施工揚塵污染源的像素點數(shù)目，并依據(jù)飛行高度設定判斷閾值，判定污染源是否超標。在本次系統(tǒng)測試中，無人機的飛行高度設置為100 m，若圖像中同一區(qū)域像素點數(shù)目超過50 000，即判定裸土超標，測試結(jié)果見表1。

表1 污染源圖像像素點計算和污染源超標判定

測試結(jié)果表明，示例1、2、3、7、9均存在污染源超標情況。

4.2.4 施工揚塵污染源特征比對

基于OpenCV視覺庫，使用直方圖對比方法進行施工揚塵污染源特征比對。先統(tǒng)一疑似污染源圖像尺寸為200×150 ppi，再根據(jù)污染源特征提取結(jié)果，對比標準污染源和疑似污染源圖像RGB三通道直方圖，比對結(jié)果見表2。

表2 施工揚塵污染源特征比對結(jié)果

測試結(jié)果表明：以相關(guān)系數(shù)法作為評判標準較為理想，示例1、2、3、4、5、6與選取的標準污染源種類近似，示例7、9、10中的污染源種類與選取的標準污染源種類相似度不高，其中示例2、3、5的污染源種類與標準污染源種類相似程度較高。

5 討論

根據(jù)系統(tǒng)測試結(jié)果，分析系統(tǒng)3個主要流程，找出系統(tǒng)優(yōu)勢及不足，進一步完善本系統(tǒng)。

1)施工揚塵污染源存在性檢驗。施工揚塵污染源存在性檢驗用于提取污染源區(qū)域圖像中疑似污染源的部分，是監(jiān)測的前提和基礎。人工采集標準施工揚塵污染源，對100個圖像進行了系統(tǒng)測試。測試發(fā)現(xiàn)，污染源存在性檢驗的正確率為71%。在此過程中，因光線強弱不一導致的圖像明暗問題對污染源特征的提取有一定的影響，另外，與標準污染源HSV特征類似的物體也會導致提取錯誤。對此，在無人機采集圖像時，需考慮天氣的影響，避免因光線強弱導致的圖像明暗不一。在污染源特征提取完成之后，應加強人工復核。

2)施工揚塵污染源面積計算。施工揚塵污染源面積計算用于衡量污染嚴重程度，為確定監(jiān)測及處罰力度提供依據(jù)。測試發(fā)現(xiàn)，污染源面積計算效果較好，但受污染源提取準確率影響較大。因小范圍的裸土對于環(huán)境的影響并不大，因此，可忽略小面積裸土，注重成片裸土的影響。對此，應注重像素點閾值的設置、圖像采集高度與像素點閾值的關(guān)系。

3)施工揚塵污染源特征比對。施工揚塵污染源特征比對是確定污染源種類的重要依據(jù)，同時也為污染擴散規(guī)律的研究提供參考依據(jù)。用該法對識別出的具有疑似污染源特征的圖像進行了系統(tǒng)測試，發(fā)現(xiàn)污染源特征比對效率較好，相對穩(wěn)定。在此過程中，分別進行污染源RGB三通道直方圖對比，污染源的明暗程度對于比對的效果影響程度較大，同時，受前期污染源特征提取的效果影響較大?？紤]到比對過程中像素點的數(shù)目問題，重新調(diào)整了圖像的像素，可能會對比對的結(jié)果產(chǎn)生一定影響。因此，仍需進一步提高比對的準確性，減少不必要的干擾。

6 結(jié)論

設計了一種施工揚塵污染源自動監(jiān)測系統(tǒng)。該系統(tǒng)通過無人機采集施工揚塵污染源區(qū)域的圖像，使用圖像識別技術(shù)實現(xiàn)監(jiān)測區(qū)域內(nèi)施工揚塵污染源的自動識別，具有操作簡單、成本低廉、監(jiān)測面積大的優(yōu)勢，彌補了傳統(tǒng)施工環(huán)境監(jiān)測領域自動化水平不高的不足。

經(jīng)測試，本系統(tǒng)污染源存在性檢驗正確率為71%，污染源面積計算效率較高，污染源特征比對效果相對穩(wěn)定。該系統(tǒng)具有操作簡單、成本低廉的優(yōu)勢，可識別施工現(xiàn)場、運輸車輛內(nèi)裸土等污染源，基本滿足污染源監(jiān)測的要求。

未來將通過統(tǒng)一光照強度、進行人工復核提高污染源存在性檢驗的效率，減少失誤率。但是，污染源特征的比對效果依賴像素值的設置，在后續(xù)研究中將就比對方法進行進一步研究，以完善本系統(tǒng)。

[1] 李銘煊, 秦瑋, 杭怡春,等. 北京昌平某地冬季大氣PM2.5元素污染特征分析[J]. 中國環(huán)境監(jiān)測, 2016, 32(3):58-63.

LI Mingxuan, QIN Wei, HANG Yichun, et al. Study on the Pollution Characteristics of Particulate Matter Based on the Characteristic Elements in Changping of Beijing[J]. Environmental Monitoring in China, 2016,32(3):58-63.

[2] 許丹丹, 屈曉萍, 汪偉峰,等. 寧波PM10中有機碳和元素碳的季節(jié)變化及來源分析[J]. 中國環(huán)境監(jiān)測, 2014, 30(1):49-52.

XU Dandan, QU Xiaoping, WANG Weifeng, et al. Characteristics of Organic and Elemental Carbon in PM10in Ningbo and Source Analysis[J]. Environmental Monitoring in China,2014, 30(1):49-52.

[3] 呂曉光. 建筑工程施工階段環(huán)境管理研究[D]. 天津：天津大學, 2012.

[4] KOHLMAN-RABBANI E R, SHAPIRA A, MARTINS A R B, et al. Characterization and Evaluation of Dust on Building Construction Sites in Brazil[J]. Neurochemistry International, 2014, 5(1):1-8.

[5] 黃天健, 李小冬, 蘇舒,等. 建筑工程土方施工階段揚塵污染監(jiān)測與分析[J]. 安全與環(huán)境學報, 2014, 14(3):317-320.

HUANG Tianjian, LI Xiaodong, SU Shu. Monitoring and Control of the Dust Pollution on the Construction Site During the Earthwork Construction Stage[J]. Journal of Safety and Environment, 2014,14(3): 317-320.

[6] 趙晨陽. 建筑施工揚塵監(jiān)測與危害程度評價研究[D]. 北京：首都經(jīng)濟貿(mào)易大學, 2015.

[7] WU Z, ZHANG X, WU M. Mitigating Construction Dust Pollution: State of the Art and the Way Forward[J]. Journal of Cleaner Production, 2015, 112:1 658-1 666.

[8] 徐謙, 李令軍, 趙文慧,等. 北京市建筑施工裸地的空間分布及揚塵效應[J]. 中國環(huán)境監(jiān)測, 2015, 31(5):78-85.

XU Qian, LI Lingjun, ZHAO Wenhui, et al. Spatial Distribution of Building Sites and Related Emissions of Particulate Across Beijing[J]. Environmental Monitoring in China, 2015, 31(5):78-85.

[9] 洪運富, 楊海軍, 李營,等. 水源地污染源無人機遙感監(jiān)測[J]. 中國環(huán)境監(jiān)測, 2015, 31(5):163-166.

HONG Yunfu, YANG Haijun, LI Ying, et al. Monitoring of Water Source using Unmanned Aerial Vehicle Remote Sensing Technology[J]. Environmental Monitoring in China, 2015,31(5): 163-166.

[10] 楊海軍, 黃耀歡. 化工污染氣體無人機遙感監(jiān)測[J]. 地球信息科學學報, 2015, 17(10):1 269-1 274.

YANG Haijun, HUANG Yaohuan. Evaluating Atmospheric Pollution of Chemical Plant Based on Unmanned Aircraft Vehicle[J]. Journal of Geo-Information Science, 2015, 17(10):1 269-1 274.

[11] WANG L, CHEN F, YIN H. Detecting and Tracking Vehicles in Traffic by Unmanned Aerial Vehicles [EB/OL]. (2016-05-01) [2016-10-01].http://www.sciencedirect.com/science/article/pii/S09265805163 00887.

[12] CHEN B, CHEN Z, DENG L. Building Change Detection with RGB-D Map Generated from UAV Images[J]. Neurocomputing, 2016, 208:350-364.