摘 要 当今的人工智能不断发展，技术理论不断创新，应用范围不断扩大。计算机视觉以及机器学习对环境工程目前的发展的推动作用比较明显。本文将从环境工程角度出发，基于人工智能的计算机视觉和机器学习两个技术核心的应用，探索研究人工智能及其相关融合技术在环境工程领域中的创新应用。

关键词 人工智能;环境工程;计算机视觉;机器学习;神经网络

随着我国城市化进程的不断加快以及生活物质水平的稳步提高，大气、水、土壤污染等城市环境问题日益突出，仅仅靠人力监测、治理环境问题已不能满足当前发展需求。为了更好地满足人民群众对优美生态环境的需求，实现环境与经济协调发展，国家逐步加大环境保护力度，相继出台《“互联网”+绿色生态三年行动实施方案》《生态环境大数据建设总体方案》《关于深化环境监测改革提高环境监测数据质量的意见》，加快推动大数据、互联网、物联网等新一代信息技术在环境治理、污染防治等工作中的应用，“智能+环保”也因此应运而生[1]。

人工智能的技术核心分为计算机视觉、机器学习、自然语言处理、语音识别等方面[2]。其中，计算机视觉以及机器学习方向，由于其技术特点，对环境工程目前的发展推动作用比较明显。本文将从生态环保角度出发，基于人工智能的计算机视觉和机器学习两个技术核心的应用，探索研究人工智能及其相关融合技术在环境工程领域的创新应用。

1计算机视觉在环境工程中的应用

人类认知世界绝大部分信息来源渠道是通过视觉来实现的。计算机视觉分五大技术：图像分类、对象检测、目标跟踪、语义分割和实例分割。发展计算机视觉的目标，是想让计算机能够像人一样通过“视觉+认知”来认识人类世界。目前计算机视觉技术领域中，应用最广的是人脸识别和图像识别。

计算机视觉在深度学习算法的帮助下，在近几年迎来的飞速发展。在权威的计算机视觉竞赛（ILSVR）中，千类物品识别最低错误率从 2010 年的 25.8%，降低至 2017年的2.251%。目前的垃圾分类领域主要应用的就是计算机视觉技术。实现垃圾分类的前提和基础是垃圾的识别，传统的垃圾分拣技术主要应用的是磁性和重量等传感设备，来根据垃圾的一些物理特性进行简单的分类，当垃圾类型比较复杂时，其分类效果比较差。目前世界上出现了很多针对垃圾分类领域基于计算机视觉的软件和设施，例如中国阿里巴巴公司推出的垃圾识别软件，美国Bangbelly  Solar 公司推出的智能垃圾桶等。在垃圾分拣领域中，如中城绿建、芬兰泽恩机器人公司等开发的基于计算机视觉的垃圾分拣机器人等[3]。随着算法的优化和计算机算力的提高，计算机视觉技术的日渐成熟，使得垃圾识别的准确性及识别速度大大提升。

计算机视觉技术不断发展，使得在大范围空间尺度上，针对城市环境评价基于街景图像数据的研究成为一种研究思路。对于城市环境评价来说，传统方法是利用现场调研，人工采集较小规模的数据来进行分析评价。其缺点是难以在大范围、精细化的尺度上进行评估。而街景全景已经在全球范围内广泛应用，我国国内常用的街景图像数据源有：百度街景（Baidu Street View，BSV）和腾讯街景（Tencent Street View，TSV）。BSV和TSV的数据涵盖了中国大部分的大中型城市。我们可以通过从BSV和TSV各自的公共API，请求获取大量的街景图像[4]。街景图像覆盖面广，数据采集成本低，为城市环境评价研究提供了超大样本数据源。与单纯的用现场观测采集到的数据相比较，分析街景图像用于评价城市环境是一种效率更高的方法，且可实现超大规模空间范围的城市环境评价，而且不同空间、不同时间的街景数据也可以通过比较结果来进行科学研究。

目前，计算机视觉在机器学习与高性能计算帮助下，使快速、准确的处理海量的图像数据以及提取有用信息成为可能。基于人工智能技术的发展，环境工程研究领域内的超大范围时空图像处理及物理特征提取和图形化表达等新方法利用，可以为环境工程领域内的一些问题提供新的研究思路。

2机器学习在环境工程中的应用

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。机器学习中需要解决的最重要的4类问题是预测、聚类、分类和降维。机器学习的特征是随着训练样本的不断增多，其模型输出也愈发准确，类似于人类个体自然成长的学习认知过程。

神经网络是一种运算模型，由大量的节点（或称神经元）之间相互连接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。神经网络模型作为一种重要的手段被广泛应用于数学计算、物理建模、水文模拟、环境预测、人工智能等研究领域。

在环境工程领域中，利用人工神经网络为核心的算法，通过对大量的输入数据进行处理，可以实现对诸如运行工况、实验数据等方面的准确预测，以期对设备运行条件以及数据分析结果进行优化。误差反向传播算法（error back propagtion ，BP）是人工神经网络模型中的一种，它能够建立输入量与输出量之间全局性非线性映射关系的分析方法。从已知数据中自动归纳规则并获得数据的内在规律。如利用人工神经网络的数据预测功能，基于中国气象局雾-霾数值预报系统 CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品，利用BP神经网络方法建立多模式集成预报模型[5]。预测的结果表明，集成模型预报的PM2.5浓度的演变趋势和实况基本相符，证明了利用人工神经网络预测的可行性。人工神经网络技术还可用来分析水环境承载力，其基本思想是从阈值角度出发，建立了基于人工神经网络的区域水环境承载力评价模型，并将其应用于水环境承载力评价，通过模型计算得到该水环境承载能力指数。其评价结果可以直观地反映区域水环境承载状态[6]，可以为接下来对此水域生物和环境保护的研究提供数据支持和新的研究思路。

人工神经网络模型可以利用有限的監测指标，建立非线性映射关系，通过函数计算和预测其他指标，可以减小监测成本的同时，也能弥补因监测指标不足而导致研究结果的片面性，为研究结果的准确性和优化相关设备运行工况等提供数据参考和决策支持。

3结束语

随着计算机算力提升以及人工智能的发展，人工智能与环境工程领域的技术融合还有很大的发展空间。边缘计算、深度学习等关键技术的演进发展，加上新一代5G通讯与人工智能技术的相互成就，其将产生融合效应，人工智能技术将快速应用在各个环保领域，成为环境信息全面深度监测、环境数据传输汇聚、应用场景智能高效的利器，全面提升生态环境智能决策和处理水平。

参考文献

[1] 费彦肖，吴俊星.5G与AI融合技术在智慧环保领域的应用研究[J].智能城市，2020，6（7）：152-153.

[2] 崔雍浩，商聪，陈锶奇，等.人工智能综述： AI 的发展[J].无线电通信技术，2019，45（3）： 225-231.

[3] 周冯琦，张文博.垃圾分类领域人工智能应用的特征及其优化路径研究[J].新疆师范大学学报（哲学社会科学版），2020（4）：1-10. https：//doi.org/10.14100/j.cnki.65-1039/g4.20200122.002，2020-05-29.

[4] 张丽英，裴韬，陈宜金，等.基于街景图像的城市环境评价研究综述[J].地球信息科学学报，2019，21（1）：46-58.

[5] 张恒德，张庭玉，李涛，等.基于BP神经网络的污染物浓度多模式集成预报[J].中国环境科学，2018，38（4）：1243-1256.

[6] 王俭，孙铁珩，李培军，等.基于人工神经网络的区域水环境承载力评价模型及其应用[J].生态学杂志，2007（1）：139-144.

作者简介

马思远（1990-），男，内蒙古人;毕业院校：天津大学研究生在读，专业：计算机技术，学历：硕士研究生在读，现就职单位：中国华电科工集团有限公司，研究方向：智能环保，计算机视觉。