基于大數(shù)據的垃圾智能處理系統(tǒng)的分析與設計

劉田田

摘要：助力垃圾分類新時尚，提出一種利用物體識別、文字識別和大數(shù)據分析技術的垃圾智能處理系統(tǒng)的設計思路。首先通過文字搜索、圖片識別、語音搜索、定位導航等技術，定位用戶位置，收集各種垃圾分類的數(shù)據;接著利用大數(shù)據技術對數(shù)據進行處理分析，建立垃圾分類數(shù)據庫;最后結合圖片或語音識別、文字信息檢索，實現(xiàn)垃圾智能分類、歸檔和處理再利用。該系統(tǒng)能夠實時獲取，極大提高垃圾分類效率和用戶參與度。

關鍵詞：大數(shù)據;人工智能;語音識別;垃圾分類

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）30-0067-02

生產力大爆發(fā)的今天，人民生活水平極大提高，人民物質消費水平也大量提高，同時也產生了大量的垃圾，“垃圾圍城”的形勢愈發(fā)嚴峻。2019年7月1日，上海市正式實行垃圾分類。2020年，將北京、天津、重慶、廈門、西寧、烏魯木齊等46個城市納入垃圾分類試點城市，并且逐步完善垃圾分類系統(tǒng)[1]。垃圾分類變成新時尚。而對垃圾的分類處理一直依賴于人工，處理低效、耗時，無形中增加了居民的工作量，而且對垃圾處理人員的身體造成大量危害，垃圾再利用效率低下。

垃圾分類是個復雜的系統(tǒng)工程，除了政策上的硬約束和居民端的配合，更需要技術手段的介入。利用大數(shù)據分析技術和人工智能新技術輔助垃圾信息分類不失為一個好的途徑。

1 國內外垃圾處理現(xiàn)狀

國外發(fā)達國家的垃圾分類處理技術已經發(fā)展了幾十年，形成了相對成熟的垃圾管理理念和技術。比如經常被提到的日本，擁有完善的立法體系，強有力的監(jiān)管執(zhí)行體系，相對完善的垃圾分類制度，國民也形成了良好的環(huán)保理念。從居民端垃圾分類投放開始，到垃圾的搜集、運輸、資源的回收，整個垃圾分類與處理系統(tǒng)能夠良好地運行。歐美等國家也建立了相對完善的垃圾分類、運輸、處理的體系，著重從源頭出發(fā)，分類收集、循環(huán)利用，對生活垃圾的分類與回收再利用技術相對成熟[2]。

與發(fā)達國家相比，我國的垃圾分類回收機制起步比較遲，垃圾分類體系不健全、分類標準不統(tǒng)一、居民垃圾分類意識也比較淡薄，隨著城市化進程的迅猛前進，居民生活水平的躍升，“垃圾圍城”的困境越來越突出。2017年，《生活垃圾分類制度實施方案》發(fā)布[3]，“到2020年底，基本建立垃圾分類相關法律法規(guī)和標準體系，形成可復制、可推廣的生活垃圾分類模式，在實施生活垃圾強制分類的城市，生活垃圾回收利用率達到35%以上”，“并在2020年底前，部分重點城市的城區(qū)范圍內先行實施生活垃圾強制分類。”垃圾分類一躍成為新時尚。

《上海市生活垃圾管理條例》的施行使得垃圾分類進入強制分類時代[4]。條例中將生活垃圾分為可回收物、有害垃圾、濕垃圾和干垃圾四類，每一類中指明了相應的所屬物品，旨在實現(xiàn)生活垃圾減量化、資源化、無害化，建立健全生活垃圾分類投放、分類收集、分類運輸、分類處置的全程分類體系，積極推進生活垃圾源頭減量和資源循環(huán)利用。

政策上陸續(xù)出臺法律法規(guī)，垃圾分類標準也在逐步進行統(tǒng)一，結合我國生活垃圾廚余垃圾占比較高的特點，利用可操作的技術手段輔助垃圾分類實施也成為迫切的需求。

2 主要技術分析

1956年美國漢諾斯小鎮(zhèn)的達特茅斯“用機器來模仿人類學習以及其他方面的智能”的會議上，“人工智能”首次被提出，經歷了繁榮、低谷的輪回期，于2010年新一代信息技術引發(fā)的海量信息與數(shù)據的變革中迎來了增長爆發(fā)期。人工智能，顧名思義就是人為地賦予機器智能，能夠像人類一樣思索，機器學習是實現(xiàn)人工智能的一個途徑，而深度學習是機器學習研究領域目前發(fā)展勢頭最好的一個新的領域，由Hinton等人于2006年，在頂級期刊《科學》上的一篇論文中提出[5]，核心是模擬人腦的機制來解釋數(shù)據，例如圖像、聲音和文本，對人工神經網絡進行學習訓練，試圖尋找最優(yōu)解。三者之間的關系如圖1人工智能領域圖解中所示。本文主要針對的是垃圾分類系統(tǒng)的創(chuàng)建，利用深度學習對物品材料進行分類，同時結合文字識別和物品的視覺文理信息分類物品的種類，進行垃圾分類歸檔。

對海量的垃圾進行歸檔、處理就需要利用大數(shù)據技術。將識別出的垃圾數(shù)據結合產生的地點信息，上傳至互聯(lián)網云端數(shù)據庫，同時結合當?shù)禺a業(yè)和人口分布情況，對垃圾的產生源頭、運輸路徑和再利用方法進行大數(shù)據分析，得到垃圾分布特征信息。同時對垃圾的運輸路徑與成本進行統(tǒng)計，通過智能計算與分析得到最優(yōu)運輸路徑，節(jié)省垃圾的運輸成本。對比分析現(xiàn)有垃圾處理站的安放是否合理，對垃圾產生多的地點增加回收裝置，垃圾產生少的地點相應地減少回收裝置，結合垃圾分布情況，配套相應的垃圾回收再利用站點，比如居民區(qū)紙盒之類的快遞包裝裝置多時，則在附近重點配套紙盒回收站點，方便紙盒的回收再利用，減少造紙污染和物品包裝成本。

3 系統(tǒng)分析與設計

利用大數(shù)據技術和深度學習算法，輔助垃圾分類，通過技術的手段，為解決垃圾難題提供新思路。通過圖片或物體的識別，結合文字檢索信息，利用大數(shù)據分析技術，建立收集的垃圾分類數(shù)據庫，實現(xiàn)垃圾分類智能化。針對居民垃圾投放特點，合理安排垃圾回收站分類，使垃圾回收站能夠高效率處理垃圾，同時便于后續(xù)的運輸與管理，提升垃圾循環(huán)利用效率。

3.1 功能分析

本系統(tǒng)主要利用物體識別，文字識別和大數(shù)據分析技術智能處理垃圾。首先通過視覺分類器輔助質量等其他特征信息，結合可識別的文字信息，對各個地點垃圾存儲裝置里的垃圾（垃圾簍，垃圾站等）進行智能分類，減少垃圾分類人工成本，然后大數(shù)據分析各個地點的垃圾分布情況，結合各地點的垃圾分布情況的數(shù)據和各地附近的產業(yè)鏈，統(tǒng)籌規(guī)劃垃圾處理和再利用的方法。

優(yōu)勢是結合人工智能，智能分類垃圾，減少人力成本和提高分類效率，同時減少對工作人員的危害。同時運用大數(shù)據分析技術，統(tǒng)籌規(guī)劃，減少運輸成本，提高垃圾收集點分布的覆蓋面，以此達到提高垃圾回收利用率、節(jié)約產品成本的目的。

3.2 系統(tǒng)設計

圖像分類算法研發(fā)：采集大量垃圾圖片數(shù)據，進行分類訓練，循環(huán)迭代，提高識別準確度。對垃圾圖片中數(shù)據進行ocr識別，進一步提高垃圾物品分類準確度。最后研發(fā)的算法包裝成sdk部署至后臺服務器，供前端攝像頭通過web接口調用。

大數(shù)據分析算法研發(fā)：結合垃圾分布地理數(shù)據進行大數(shù)據分析、np路徑規(guī)劃，優(yōu)化垃圾運輸路線，聚類分析各種垃圾和當?shù)禺a業(yè)的相關度，提高垃圾再利用效率。結合垃圾分布數(shù)據和垃圾回收站點分布數(shù)據，分析垃圾回收點分布合理性。這些算法也封裝成sdk，交給后臺部署。

后臺數(shù)據服務器：后臺數(shù)據庫各個表和字段確定，后臺服務多線程并發(fā)處理，后臺網絡接口開發(fā)，部署和維護。

整個垃圾智能分類系統(tǒng)用到人工智能和大數(shù)據技術，其中，人工智能領域涉及圖像識別、文字識別以及語音識別;大數(shù)據方面主要是數(shù)據清洗以及數(shù)據挖掘。接下來是算法的設計與改進，找到適合垃圾分類識別的算法模型，最后是后臺服務器的部署與維護，如圖2系統(tǒng)設計圖所示，涵蓋應用到的技術、算法研發(fā)直至最終的系統(tǒng)研發(fā)實施。

4 結束語

建立垃圾智能分類系統(tǒng)是垃圾處理、循環(huán)利用的前提，同時能夠極大地提升處理效率，為后續(xù)的收集、運輸、再利用提供便利。利用大數(shù)據技術對海量垃圾進行特征提取分類，利用人工智能對垃圾進行分類處理，再加上終端用戶的主觀能動性，希望能在前端最大限度地實現(xiàn)垃圾的循環(huán)利用，緩解垃圾圍城的困境。

參考文獻：

[1] 中華人民共和國國家發(fā)展和改革委員會. “十三五”全國城鎮(zhèn)生活垃圾無害化處理設施建設規(guī)劃[EB/OL].[2020-06-20]. http：//www.ndrc.gov.cn/zcfb/zcfbtz/201701/t20170122_836 016.html.

[2] 劉抒悅.美國城市生活垃圾處理現(xiàn)狀及對我國的啟示[J].環(huán)境與可持續(xù)發(fā)展，2017，42（3）：84-86.

[3] 中華人民共和國國家發(fā)展和改革委員會.生活垃圾分類制度實施方案[EB/OL]. [2020-06-20]. http：//hzs.ndrc.gov.cn/newzwxx/201703/t20170331_842941.html.

[4] 上海市人民代表大會公告 第11號.上海市生活垃圾管理條例[EB/OL]. [2020-06-20].http：//www.spcsc.sh.cn/n1939/n1944/n1946/n2029/u1ai185433.html.

[5] Hinton G E， Osindero S， Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural computation， 2006， 18（7）： 1527-1554.

【通聯(lián)編輯：代影】