基于人工智能的土壤外运管控方案

于营东 苏矿军

上海建工集团工程研究总院 上海 201114

《中华人民共和国土壤污染防治法》出台后，土壤修复成为监督管理的新对象，但现场人员往往难以把握土壤修复过程中的检查要点。土壤修复既要关注修复方案是否落实到位，又要关注污染土壤是否得到妥善处置。现阶段污染土壤的外运主要依靠人工进行检查记录，检查结果完全取决于现场人员的判断，无法保证检查结果的有效性和及时性。通过人工智能对异位修复过程中的土壤外运车辆进行分析，可以自动检查车辆顶盖是否覆盖到位、车身是否存在泥土以及轮胎是否带土等，解决污染土壤外运过程中的人为失误、不及时等问题[1-5]。人工智能将逐渐打通传统领域的各个环节，从而有效降低人工成本，提高工作效率。

1 研究背景

在工程建设中，运送污染土壤的外运土方车在离开施工场地前，必须冲洗干净、遮挡严实，要适量装载，防止在运输过程中出现泄漏、遗撒、污染路面等情况，以免造成二次污染。现阶段的管控方案主要依靠人工手抄记录，负责人无法及时了解现场情况。依靠人工智能的图像识别技术，可对运送污染土壤的外运土方车的视频或多角度照片进行分析，判断是否存在“跑冒滴漏”，如果存在“跑冒滴漏”现象，可以通过短信、微信等方式及时通知相关负责人，以便及时进行处理，防止二次污染的发生。

2 土壤外运现状及问题分析

现阶段土壤外运的主要管控方案有专人排查法、岗位上报法和公司检查法。

1）专人排查法：安排专人检查“跑冒滴漏”，将检查情况记录下来形成文档，存在问题时要及时上报，安排专人负责跟踪落实整改情况。

2）岗位上报法：岗位员工在处理日常工作的同时还要检查“跑冒滴漏”，将检查情况记录到记录本上，如果检查过程中发现问题要及时上报。

3）公司检查法：对检查过程中不作为或未采取有效措施的人员和部门进行检查通报，限期整改。

现阶段的“跑冒滴漏”检查，只能依靠人工手抄记录，费时费力。同时，人际关系、现场工期、自身责任感等因素都可能会影响检查人员的判断。对于记录的存档，人为操作很难做到长时间保存，甚至都没有记录保存的步骤。如此一来，就很容易造成车辆夹带污染的土壤、封闭不严实或装载过多，从而在运输过程中因车速过快、急刹车、道路不平等造成“跑冒滴漏”的二次污染，不仅给环境和人员造成不必要的危害，还增加了环境治理的重复工作量和难度。

3 图像识别技术

随着人工智能的迅速发展，人工智能将在各行各业中发挥重要作用，不断孕育出新的应用形式，人工智能在传统领域中的运用将成为竞争的焦点。使用图像识别技术对“跑冒滴漏”进行检测，可减少人为原因导致的检测结果不准确的问题。

人工智能的图像识别是依靠计算机实现的，在图像识别技术上，计算机和人类在原理上是相同的，只是人类的识别过程包含主观因素，而计算机则更为客观，无感情和视觉的影响。

人类的图像识别过程是先通过对图像本身的特征进行分类，然后对比图像的特征来进行图像识别的。当我们看到图像时，会先判断是否存在相同或类似的图像，在“看到”和“判断”之间存在一个快速识别过程，这个过程和我们使用百度搜索数据的过程比较相似，我们的大脑会按照记忆中分好的类别进行对比，查看是否存在类似特征的记忆，从而判断出是否见过该图像。

计算机的图像识别过程和人类的识别过程类似，但计算机提取的特征是多样的，既包含关键性特征，又包括一般性特征，会在一定程度上影响识别的准确率。

总之，计算机一般是利用提取到的各种各样的特征来进行图像识别的。

4 基于ModelArts的“跑冒滴漏”管控方案

使用华为ModelArts技术（图1）将视频监控和图像识别技术相结合，利用现代科学技术和传统检测方法综合进行“跑冒滴漏”的科学管控。运送污染土壤的土方车从清洗池出来之后，会停留在一个检测区域，由四周的摄像头进行拍照并将照片实时传递到服务终端。服务终端在收到图片之后调用在线服务，通过提前准备好的图片数据、标签和预置算法训练好的模型进行分析标记处理，当识别确信度超过预设值时，则认为存在“跑冒滴漏”现象，对相应的土方车发出警告，可以通过短信、微信等方式把警告信息通知到相关负责人，以便相关负责人及时进行处理，防止二次污染的发生。

图1 ModelArts技术

ModelArts是华为技术有限公司研发的一款技术产品，可通过算法实现模型训练和自动调优，快速完成模型的训练和部署。目前，ModelArts提供有丰富的预置算法，支持用户通过AI市场订阅之后，可以基于自己的业务数据进行训练，支持昇腾910训练→昇腾310推理以及GPU（图形处理器）训练→昇腾310推理方式，包括图像分类（识别图片中是否包含某种特定物体）、物体检测（识别图片中各个物体的位置和类别）、预测分析（对结构化数据进行分类或数值预测）、声音分类（识别音频中是否包含某种特定的声音）、文本分类（对文本的内容按照标签进行分类处理）等应用场景。

“跑冒滴漏”符合物体检测场景，可以通过创建物体检测类型的数据集，对图片数据进行标注。使用算法创建训练作业，训练完成后部署为在线服务。

使用预置算法实现物体检测的具体过程为：创建物体检测项目→上传图片数据→数据标注→模型训练→部署上线。

1）数据准备：创建一个“物体检测”类型的数据集→上传现有的土方车运输过程中的图片→设计标签，标签设计需要对应所检测图片的明显特征，并且选择的标签最好比较容易识别（画面主体物与背景区分度较高），每个标签就是对所检测图片期望识别的全部结果→对图片进行标注（图2）→发布数据集。

图2 图片标注界面

2）通过预置算法创建训练作业，获得相应的模型。

3）模型转换：使用预置算法训练所得的模型，通过转换功能，转成对应的格式。

4）导入模型。

5）部署在线服务。

6）服务测试：如果模型的准确率不能满足要求，可继续添加图片并进行标注，重新进行模型训练然后部署上线。如果对模型预测结果满意，则可访问在线服务。

7）“跑冒滴漏”检测：一是访问服务，即通过postman工具或使用curl命令发送请求；二是预测，即上传一张或几张现场图片进行预测，查看预测结果是否满意（图3）。

图3 预测结果

通过上述过程可完成“跑冒滴漏”的模型训练，在实际工作中可以调用部署的在线服务进行“跑冒滴漏”的实时检测。

5 结语

基于人工智能的图像识别技术在土壤外运的“跑冒滴漏”现象中具有很高的运用空间和使用价值。虽然人工智能在图像识别技术方面具有很大的优势，但仍存在一些问题：首先，图像识别是要反复训练数据模型的，只有不断强化和完善现有的模型库，使模型的判断准确率提升，才能有效降低图像识别的误差；其次，具有人工智能操作系统的物联终端对信息安全有较高要求，如果遭遇黑客攻击，整个系统的运行将会受到影响，如何解决信息安全问题是重中之重。总之，基于人工智能的图像识别技术在“跑冒滴漏”中的应用代表了未来数字化智能检测的发展方向。随着人工智能技术的不断发展，基于人工智能的图像识别技术将会在土壤修复中得到广泛应用，发挥越来越重要的作用。