段春云，李 廣

(1. 吉林建筑科技學(xué)院管理工程學(xué)院，吉林 長春 130114；2. 吉林建筑大學(xué)市政與環(huán)境工程學(xué)院，吉林 長春 130118)

1 引言

綠色建筑環(huán)境不加控制的開發(fā)和建設(shè)[1]，導(dǎo)致建筑垃圾的產(chǎn)生數(shù)量劇增，且處理難度程度高、操作流程復(fù)雜，對社會環(huán)境造成嚴(yán)重污染，我國位于發(fā)展中國家階段，正處于工業(yè)化與城市化的快速發(fā)展的歷程中，建筑總面積可達(dá)500億平方米以上。建筑物垃圾的處理占用大量土地，已經(jīng)嚴(yán)重威脅人們?nèi)粘Ｉ瞽h(huán)境。每年建筑產(chǎn)生金屬類垃圾已超出1億噸，加上其它種類垃圾數(shù)量已達(dá)上億噸。人類在享受建筑同時也承受建筑垃圾所帶來的環(huán)境污染[2]。

對垃圾分類研究已成為相關(guān)領(lǐng)域研究重點。趙冬娥等人[3]針對垃圾分類時間長、種類多且數(shù)量多，無法保證其分類速度的問題，提出先構(gòu)建垃圾圖像分類模型，在近紅外波部分提取出樣本的特征波，再使用SAM光譜匹配與Fisher判別分析，將得出樣本特征波分類。紅外波對金屬垃圾較為敏感，但是對有機(jī)垃圾分類精度較差；文燦華等人[4]根據(jù)垃圾分類精度較低問題，使用Faster RCNN方法對垃圾智能分類。選取6種垃圾種類構(gòu)建圖像信息集，并使用圖像信息增強(qiáng)方式提升圖像信息集目標(biāo)數(shù)量與目標(biāo)類別效果，實現(xiàn)垃圾智能分類，為保證分類精度進(jìn)而增加分類流程，為此需花費(fèi)較長時間，導(dǎo)致垃圾分類效率偏低。

本文采用灰度預(yù)處理，有效去除圖像中噪聲，提升圖像清晰度，并根據(jù)卷積神經(jīng)網(wǎng)絡(luò)[5]方式縮短垃圾分類時間，提升分類正確率，最終完成綠色建筑施工垃圾智能分類目的。

2 綠色建筑施工垃圾智能分類仿真建模

綠色建筑施工垃圾智能分類仿真建模主要分為圖像預(yù)處理、圖像特征提取和特征分類三個部分，該垃圾智能分類仿真建模過程如圖1所示?？紤]成本和體積因素，該模型選擇樹莓派型號3B+當(dāng)作此模型設(shè)備。

2.1 垃圾圖像預(yù)處理

啟動攝像頭獲得垃圾圖像均為彩色圖，并把這種圖像稱之為RGB圖像，其是由R通道(紅色)、G通道(綠色)、B通道(藍(lán)色)三部分構(gòu)成?？吹骄G色建筑施工垃圾圖像中任何顏色均是由這三個通道按照特定比例融匯形成的。若將一張帶顏色圖片無窮放大，可明顯看出初始圖像是由若干個小方塊的色素點構(gòu)成，各像素點均是由這三個通道按照特定比例融匯而成，把這個小方塊稱之為像素點，也是該圖像基本單位。

綠色建筑施工垃圾圖像RGB只能在光學(xué)領(lǐng)域中完成顏色分配，在反應(yīng)該圖像形態(tài)特點方面，灰度圖像的優(yōu)勢更為明顯[6]，為此在綠色建筑施工垃圾圖像特征提取之前需要對該圖像做灰度預(yù)處理，將三維空間圖像變換成灰度圖像，得出圖像是由深度不相同的黑色像素點構(gòu)成的二維空間序列集合，也是三維空間RGB圖像中一個分量。初始垃圾彩色圖像在變換成灰度后，由原始的三通道轉(zhuǎn)換成一通道，當(dāng)中各像素點由0-225的量等級來描述灰度數(shù)值情況，和RGB圖像不同，灰度圖像的各像素點僅有一個固定灰度數(shù)值。變換過程計算方程如式(1)

gray=0.299×R+0.587×G+0.114×B

(1)

在綠色建筑施工垃圾圖像識別中，因外在因素導(dǎo)致此圖像會包含一些錯誤數(shù)據(jù)，這些錯誤數(shù)據(jù)可認(rèn)為是圖像噪聲，為此使用均值濾波設(shè)備將得出灰度圖像進(jìn)行噪聲處理。其工作流程是算出范圍內(nèi)去除中心像素的均值，并將得出數(shù)值代替其中心數(shù)值。例如在一個7×7的像素范圍，其是由兩部分組成，即1個中心像素點與48個像素點，先算出48像素點的均值，并使用此均值來表示其中心數(shù)值，根據(jù)這方法更換圖像像素點，有效減弱整個圖像噪聲。均值濾波設(shè)備可以減弱圖像噪聲，使得圖像變得平滑，操作簡便且圖像處理極快。而文中采用均值濾波對垃圾圖像做濾波處理，得出效果如圖1所示。

圖1 圖像去噪前后對比結(jié)果

2.2 垃圾圖像特征提取

綠色建筑施工垃圾預(yù)處理圖像的特征提取通常使用紋理方式[7]。圖像紋理特征可以展現(xiàn)出圖像結(jié)構(gòu)特點，也是圖像視覺特征最關(guān)鍵部分。其關(guān)鍵體現(xiàn)在圖像預(yù)處理后像素在灰度空間的分布情況，這種分布情況是圖像局部范圍的一種度量形式，也是圖像自身在灰度空間獨有的屬性?；诖?，圖像的鄰域空間中相隔特定距離兩個像素之間，依舊存在空間分布關(guān)系。圖像紋理特征則通過灰度共生矩陣方式得出其紋理特征[8]。

灰度共生矩陣是經(jīng)過統(tǒng)計兩個相隔特定距離，與特征角度相同的像素點數(shù)量，并以矩陣方式展現(xiàn)出來，得出矩陣為灰度共生矩陣，比如水平方向，兩個像素間距為1的共生矩陣GLCM(1，1)數(shù)值描述了初始像素水平方向上相鄰像素是1的對數(shù)，GLCM(1，2)數(shù)值描述了水平方向上相鄰像素對存在(1，2)的對數(shù)，以此得出灰度共生矩陣是一個對數(shù)矩陣。圖像紋理特征變化速度，與共生矩陣對角數(shù)據(jù)情況成反比；在求解共生矩陣特征數(shù)值時，通常從四個角度得出灰度矩陣，即0°、45°、90°、135°，且通常情況下像素量等級與灰度共生矩陣呈正比關(guān)系，為此灰度共生矩陣是一個信息量極大的矩陣，基本上不會直接當(dāng)作區(qū)分紋理特點，則需要使用統(tǒng)計量方式對該矩陣進(jìn)行降維。采用灰度共生矩陣統(tǒng)計得出比度、能量、熵與相關(guān)性的特征，并對這些特征分析。

1)對比度

對比度描述了像素點與鄰域范圍內(nèi)像素點亮度對比情況，即圖像紋理的清晰程度。對比程度越小，圖像紋理的視覺效果就越模糊，反之，視覺結(jié)果清晰，計算流程如式(2)所示

(2)

式中，P(i，j)為圖像紋理像素函數(shù)，i、j分別為圖像像素點數(shù)量與亮度值。

2)能量

能量表現(xiàn)力圖像灰度數(shù)據(jù)的分布情況，若數(shù)值愈大表明圖像灰度分布愈均勻，灰度數(shù)值愈小，反之，其圖像分布越不均勻，灰度數(shù)值愈大，計算流程如式(3)所示

(3)

3)熵

熵是衡量圖像含有數(shù)據(jù)量大小，展示出該圖像紋理數(shù)據(jù)的非均勻分布情況。若熵值愈大代表該圖像非均勻分布情況就愈高，若熵值愈小代表該圖像非均勻分布程度愈低，即

(4)

4)相關(guān)性

相關(guān)性是衡量圖像灰度線性聯(lián)系，如式(5)所示

(5)

通過式(3)-(5)得出預(yù)處理圖像特征提取數(shù)據(jù)較少，為此使用7個Hu不變矩對其進(jìn)一步特征提取。設(shè)定f(x，y)表示預(yù)處理圖像函數(shù)，則該圖像p+q階矩為

(6)

其中，Ω表示x，y空間范圍。p+q中心矩即

(7)

圖像數(shù)據(jù)通常是N×M形式矩陣，采用求和方法更換式(7)積分形式，公式p+q價原點矩與中心矩變換過程如式(8)所示

(8)

將中心矩進(jìn)行歸一化處理，得出ηpq

(9)

Hu不變矩的七階計算流程如式(10)所示。

φ1=η20+η02

φ3=(η30+3η12)2+(η03-3η21)2

φ4=(η30+η12)2+(η03+η21)2

φ5=(η30-3η12)+(η30+η12)[(η30+η12)2-3(η21+η03)2]

+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21-η03)2]

φ6=(η20-η02)[(η30+η12)2-(η12+η03)2]

+4η11(η30+η12)(η21+η03)

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21-η03)2]

-(η30+3η12)(η21+η03)[3(η30+η12)2-(η21+η03)2]

(10)

根據(jù)式(14)提取出圖像特征，下面使用卷積神經(jīng)網(wǎng)絡(luò)對提取出數(shù)據(jù)進(jìn)行智能分類。

2.3 垃圾智能分類

卷積神經(jīng)網(wǎng)絡(luò)屬于前饋式神經(jīng)網(wǎng)絡(luò)[9]，由輸入、池化、卷積、全連接與輸出五個不同層組成，任意一層的神經(jīng)網(wǎng)絡(luò)元只和上一層接觸。設(shè)定卷積層12與22大小尺寸，步長為2的兩種不相同卷積核。經(jīng)過對首層輸入特征提取數(shù)據(jù)做加權(quán)處理，獲得數(shù)據(jù)加權(quán)信息，將其稱之為卷積核。

特征提取數(shù)據(jù)通過卷積計算后加偏置數(shù)值，構(gòu)成分類數(shù)據(jù)，即

(11)

設(shè)定池化層44與66大小尺寸，根據(jù)最大池化的方式，為縮短數(shù)據(jù)分類時間僅保存最大像素數(shù)值，達(dá)到分類數(shù)據(jù)降維與壓縮信息的功能，即

(12)

該網(wǎng)絡(luò)優(yōu)點在于可設(shè)定若干個起始模塊，并采用若干個2×2卷積核與若干個分支的卷積聚集而成，極大程度降低網(wǎng)絡(luò)參數(shù)與層數(shù)，減少卷積神經(jīng)網(wǎng)絡(luò)的計算量，同時此部分使用自定義的數(shù)據(jù)集當(dāng)作整個網(wǎng)絡(luò)輸出層，并使用網(wǎng)絡(luò)共享權(quán)值，對輸出結(jié)果進(jìn)行分類與重新定義全連接層[10]。

最終降成一維向量，并采用softmax函數(shù)當(dāng)作輸出的分類設(shè)備，得出

(13)

其中，ε表示綠色建筑施工垃圾一種類別，并送出概率分別，最終完成綠色建筑施工垃圾智能分類。

3 實驗結(jié)果分析

3.1 實驗環(huán)境

實驗平臺為MATLAB2019a，輸入圖像大小尺寸為127*127。樣本信息庫是通過網(wǎng)絡(luò)收集建筑施工垃圾圖像，一共2000張照片信息，任意抽取1500張當(dāng)作訓(xùn)練樣本集，500張當(dāng)作測試樣本。在檢測之前需要把檢測樣本集合中圖像進(jìn)行標(biāo)簽，相同標(biāo)簽歸為同一類，標(biāo)簽對應(yīng)的是輸出類別，將其劃分成金屬類垃圾、無機(jī)非金屬垃圾、復(fù)合類垃圾、危險廢棄垃圾、有機(jī)類垃圾以及未分類垃圾。

3.2 垃圾分類性能對比

為驗證本文綠色建筑施工垃圾智能分類方法性能良好，從正確分類次數(shù)情況將本文方法與文獻(xiàn)[3]方法、文獻(xiàn)[4]方法進(jìn)行對比，對比情況如圖2-圖4所示。

圖2 本文方法垃圾正確分類情況

圖3 文獻(xiàn)[3]方法垃圾正確分類情況

圖4 文獻(xiàn)[4]方法垃圾正確分類情況

根據(jù)圖2～圖4可得到如下結(jié)論，本文方法下各個分類結(jié)果正確率，隨著待分類建筑垃圾的數(shù)量在不斷提升，最終共6噸建筑垃圾中，只有近2噸的無法識別垃圾；觀文獻(xiàn)方法，不僅正確分類次數(shù)低、無法識別垃圾重量高，且正確分類曲線上下波動，文獻(xiàn)方法分類精度差。這是因為本文方法采用卷積神經(jīng)網(wǎng)絡(luò)方式將特征提取數(shù)據(jù)集當(dāng)作該網(wǎng)絡(luò)輸出層，并根據(jù)網(wǎng)絡(luò)共享權(quán)值，對其輸出數(shù)據(jù)進(jìn)行分類和重新定義全連接層，使得其分類結(jié)果正確率較高。

3.3 垃圾分類時長對比

保證垃圾正確分類結(jié)果前提下，縮短其分類流程所使用時長，能夠有效減少其分類流程與成本，進(jìn)而保護(hù)日常生活環(huán)境，為此將三種方法垃圾分類時長對比研究，得出結(jié)果如圖5所示。

圖5 不同方法下垃圾分類時長對比結(jié)果

圖5顯著看出，垃圾數(shù)量為1噸時，由于三種方法垃圾正確分類結(jié)果大致相同，為此其垃圾分類所需要時長基本相同，但垃圾數(shù)量超出1噸時，三種方法發(fā)生顯著變化，文獻(xiàn)方法垃圾分類時長折線呈上升趨勢，而本文方法分類時長折線變化較為緩慢，因為使用均值濾波方式將圖像傳輸過程存在噪聲進(jìn)行去噪，獲得圖像清晰度極高，減少其分類使用時長。為此，本文方法實現(xiàn)了綠色建筑施工垃圾準(zhǔn)確、快速的智能分類目的。

3.4 垃圾分類收斂性對比

為進(jìn)一步驗證本文垃圾分類效果優(yōu)于文獻(xiàn)方法，下面通過分類收斂性進(jìn)行對比，得出結(jié)果如表6所示。

圖6 不同方法下迭代次數(shù)對比情況

通過圖6看出，三種方法的垃圾分類周期不同，迭代計算得出結(jié)果也不相同，文獻(xiàn)方法獲得迭代計算次數(shù)均大于本文方法，因為本文方法運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)降低分類數(shù)據(jù)維數(shù)和壓縮信息，進(jìn)而有效降低迭代計算次數(shù)，故本文垃圾分類方法的收斂性良好。

4 結(jié)論

為解決傳統(tǒng)綠色建筑施工垃圾分類方法時間過長、垃圾處理成本較高且精度不理想問題，提出綠色建筑施工垃圾智能分類仿真建模方法。實驗結(jié)果表明所提方法的垃圾分類精度高，且有效縮短垃圾分類時長，大大降低了施工垃圾處理成本。

本文方法雖然取得一定成果，但建筑施工垃圾體積較小物體，其識別率較低，同時沒有將建筑施工人員產(chǎn)生垃圾進(jìn)行分類，這些問題今后可以進(jìn)一步深入研究，完善本文方法。