基于人工智能的六安市扬尘污染智能预警管控系统的设计与实践研究

汤文庆 黄浩

摘要：近年来，六安市的空气质量得到了显著改善。然而，随着新政策的推进和公众对更优空气质量的期望提高，现行的大气治理模式已无法满足现有需求。在这种情况下，由于扬尘污染是主要的大气污染源之一，六安市正面临着加强其管理和控制的挑战。为了应对这个挑战，文章提出了智能预警系统，该系统集成了人工智能算法和视频智能分析技术，以实现对扬尘污染的精准监测和实时管控。六安市的扬尘污染智能预警管控系统对现有的大气质量管理模式进行了重大改进，通过实现扬尘污染的可视化监控、快速调度和智能化评估，将显著提高城市扬尘治理的效率和效果。这项研究不仅有助于六安市建立更加科学、精准的扬尘治理机制，也为其他城市提供了宝贵的经验和参考。

关键词：环境保护；大气污染防治；扬尘治理；人工智能；视频智能分析预警；协同治理

中图分类号：TP311      文献标识码：A

文章编号：1009-3044（2024）09-0019-03

开放科学（资源服务）标识码（OSID）

随着城市化进程的加速和经济的快速发展，大气污染问题日益凸显，尤其是扬尘污染在城市大气污染中占据了重要比例[1]。六安市作为典型的发展中城市，近年来虽然空气质量实现了显著提升，但同样面临着扬尘污染控制的严峻挑战。扬尘来源多样，监管难度较大，因此，传统的环境监管模式已难以满足城市精细化管理的需求，亟需借助现代科技手段对传统监管模式进行升级改造。

本研究指出了扬尘治理中的关键瓶颈，并探索了如何利用人工智能技术改善扬尘治理模式。引入先进的计算机视觉识别技术，结合人工智能和深度学习算法，提出了一种基于智能视频分析的扬尘污染预警与管控系统[2]。通过智能化手段实现对扬尘源的精准监测和快速响应，不仅提高了监管效率，还加强了跨部门之间的协同治理。

在实践中，六安市依托多种人工智能算法实时监测和处理视频流，实现智能分析、识别和预警[3]，提供了一种新模式，为全面推进生态文明建设和美丽中国建设提供了有力支撑。

1 基于人工智能的扬尘治理方法研究

1.1 人工智能技术分类应用

在六安地区的扬尘治理中，人工智能和计算机视觉技术的应用，尤其是深度学习算法（如Faster R-CNN和YOLOv5） ，展现出了在图像和视频识别与分类方面的出色能力。这些技术的进步使得扬尘污染智能预警管控系统能够以更高的准确度和速度自学习和分析视觉数据，有效支持扬尘监控和管理。

1） Faster R-CNN算法：Faster R-CNN是一种先进的卷积神经网络，特别适用于识别图像中的复杂细节，如扬尘颗粒的形状和大小。在扬尘污染智能预警管控系统中，利用Faster R-CNN可以精确检测和识别不同类型和来源的扬尘，提供高质量的数据支持以便进行分析。

2） YOLOv5算法：YOLOv5作为实时目标检测的领先技术，能够快速识别图像中的扬尘，并实时反馈位置和浓度信息。在扬尘污染智能预警管控系统中，YOLOv5的快速处理能力使得它非常适合于实时监测和预警，从而帮助管理人员迅速响应可能的扬尘污染事件。

3） 人体姿态估计算法：人体姿态估计算法主要用于识别人类的动作和姿态，在扬尘污染智能预警管控系统中被用来辅助监控视频中的人员行为，从而评估人为活动对扬尘扩散的影响。例如，通过分析施工现场工人的活动范围和频率，推算扬尘产生的可能性和扩散趋势。

4） K-means聚类算法：K-means是一种简单而有效的聚类算法，在扬尘污染智能预警管控系统中被用来对扬尘源进行聚类分析，帮助识别扬尘的主要来源和影响区域。这有助于环境管理部门制定更为针对性的扬尘控制措施。

5） Mask R-CNN算法：Mask R-CNN是Faster R-CNN的扩展，不仅能识别图像中的对象，还能为每个对象生成高精度的分割掩模（segmentation mask） 。在扬尘污染智能预警管控系统中被用来精确测量扬尘颗粒的覆盖范围和密度，进而可以评估扬尘污染的严重程度。

6） SSD目标检测算法：SSD是一种高效的实时目标检测算法，可以快速定位图像中的多个对象。在扬尘污染智能预警管控系统中，SSD被用来识别和追踪扬尘的移动路径，为污染扩散模型提供重要数据。

7） DBSCAN聚类分析算法：DBSCAN是一种基于密度的聚类算法，能够识别出具有任意形状和大小的簇。在扬尘污染智能预警管控系统中，DBSCAN被用来识别扬尘浓度的异常变化，为及时采取控制措施提供依据。

8） 线性回归算法：线性回归模型通过建立扬尘浓度与可能的影响因素之间的线性关系，在扬尘污染智能预警管控系统中被用来预测扬尘污染的趋势，为未来的环境管理提供科学依据。

9） 光流算法：光流算法可以分析连续图像帧之间的像素移动，从而检测和追踪扬尘的动態变化。在扬尘污染智能预警管控系统中被用来实时监测扬尘的扩散路径和速度。

通过综合运用这些算法和技术，扬尘污染智能预警管控系统可以实现更全面、更准确的扬尘监测与分析，从而有效指导扬尘污染的控制和管理工作。这种多维度的技术应用，将使扬尘治理工作更加科学化、精准化。

1.2 扬尘预警分类标准化

安徽省生态环境厅和住建厅联合发布的《建筑工程施工和预拌混凝土生产扬尘污染防治标准》，以及六安市生态环境保护委员会发布的《六安市建设领域扬尘治理专项行动方案（2023年修订）》等七项专项行动计划，共同构筑了一个具有明确分类和一致性标准的扬尘治理框架。这些政策文件不仅为建筑工程和道路扬尘设定了具体的量化标准，还为运用计算机视觉等先进智能技术进行扬尘的识别与管理建立了标准化的分类。此举标志着六安市在扬尘治理领域正朝着标准化和规范化方向迈进，为实现高效、精确的扬尘监测与控制提供了坚实的基础。

1.3 扬尘识别精准度提升

根据安徽省和六安市关于建筑工程和预拌混凝土生产扬尘污染防治的标准，结合六安市的具体情况，本次研究对28个扬尘智能识别场景进行了具体化，包括建筑工地、道路、混凝土搅拌站等关键领域。通过不断提升的精确识别技术、算法优化和数据处理，实现了对扬尘的快速、精准监测和分类，推动了六安市的扬尘治理工作朝着标准化和规范化的方向发展。识别系统将针对关键特征进行深度训练，使深度学习模型的自动识别率和准确率超过80%[4]，计划在实际环境中进行试运行，并通过迭代训练不断提高监控的精确性。

1.4 精准扬尘预警调度与跨部门协同治理策略

为应对六安地区扬尘治理挑战，应加强预警机制并深化协同治理措施，重点是开发一套综合性预警系统，并推行多部门协作的治理模式。

1.4.1 强化预警流程

为优化预警流程的效率与准确性，系统充分利用了雪亮工程、交通监控卡口、建筑工地、鐵塔高空等多个渠道所获取的高清实时视频数据。考虑到不同采集点所处的特殊场景环境，采用多种人工智能算法对视频信息进行深度分析[5]。智能识别技术能够高效地从视频数据中提取关键人物、事件、物体属性，进而准确地判断监控范围内是否存在违反规定的污染行为。通过细致的语义描述与分类，系统能够精确识别特定的异常事件，并自动产生告警事件，快速将其推送给相关责任人员。此流程显著提升了环境监控的反应速度与事件处理的准确率，为扬尘的管理与控制提供了坚实的基础，如图1所示。

1.4.2 深化协同治理

扬尘污染治理工作虽主要由生态环境部门承担，但鉴于其涉及范围广泛，单一部门执行力量有限，故跨部门的合作执行、督导及考核成为必要。现阶段，各部门在环保意识和管理能力上存在差异，联动机制尚不健全。为改善此状况，可以采用基于人工智能的智能识别技术，实现对违规行为的自动检测[6]，并自动将处理任务分配至相关单位和监管部门，以增强部门间的协作。对于超期未处理的任务，主管部门应加强督促和实施相应处罚。生态环境部门还应利用该技术加强跨部门监督，提供技术支持，并定期对污染数据进行分析，向政府部门反馈，以期显著提升扬尘治理效率和协同作用。

2 扬尘污染智能化预警管控系统的实现

在当今环境治理领域，扬尘污染成了一个严峻的问题，亟需有效的管控与预警系统。基于此需求，本研究团队经过深入的探索和综合验证，成功研发了一套扬尘污染智能化预警与管控系统。该系统融合了先进的监测、调度、评估等功能，通过集成人工智能与视频分析技术，实现了对扬尘污染的实时监控和智能化预警，如表1所示。

3 结论

3.1 系统应用效果

自2023年9月份起，本系统得以初步搭建并投入运行。截至目前，已成功识别各类扬尘事件共计6 075起，其中包括工地扬尘事件2 654起，道路扬尘事件3 421起。同时，已向相关部门派发任务单共计5 358份，以促进事件的及时处理。表2是关于预警事件的识别率和准确率详细的统计数据。

系统在识别多种扬尘源头方面表现卓越，准确率均达到100%，保证了应对措施的有效性。关键识别类型，如“道路及堆场未硬化”“裸土未覆盖”和“建筑垃圾未覆盖”的识别率分别为92%、87%和94%，展示了系统在检测大部分扬尘污染源头方面的高效率。

3.2 系统应用价值

扬尘智能预警管控系统通过实时识别及处理扬尘污染源，取得了重要成效：提高了监管效率、减轻了执法压力、实现了精准治理，促进了经济与环境的双赢。

3.3 改进措施与未来展望

尽管扬尘智能预警管控系统取得了成效，但面对扩大监测区域需求，仍需提升算法精度、增强监测设备的布局及覆盖范围、加强数据隐私保护等挑战。计划的改进措施包括：持续更新训练智能算法以提高精确度，优化监测设备配置以强化监控效果，加强数据安全和隐私措施，保障技术应用的可靠性与合规性。

参考文献：

[1] 郭建芳，张延安.不同区域的城市环境空气质量综合评价指标体系构建[J].环境与可持续发展，2017，42（6）：107-110.

[2] 胡辉，蔡映雪，胡松，等.基于视频分析的异常事件检测技术研究[J].电脑知识与技术，2017，13（35）：235-237.

[3] 孙志平，宋兆谦.图像识别技术在黄河护岸工程监测预警中的研究与应用[C]//2021（第九届）中国水利信息化技术论坛论文集，济南，2021：452-465.

[4] 王书献，张胜茂，朱文斌，等.基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用[J].大连海洋大学学报，2021，36（5）：842-850.

[5] 徐自远.面向人工智能算法下图像识别技术分析[J].数字技术与应用，2021，39（10）：4-6.

[6] 李少博，董世浩，张佳玉，等.基于计算机视觉的行人及非机动车规范系统[J].科学技术创新，2021（21）：73-74.

【通联编辑：张薇】