★ 使用邊緣運算和影像分析，即時檢測廢棄物污染

台灣的垃圾處理如果能導入監控解決方案，並形成典範，將有可能成為很多國際上的都會，願意來參考的目標，但是這將考驗政府部門有沒有前瞻的思維，還有，監控業界對「演算法」這項技術的採用與發展，是否有清楚的認知 ……

過去幾十年，垃圾產生量激增，這與經濟發展和城鎮化發展密切相關。垃圾產量的激增，為世界各國政府在更有效率地處理和管理垃圾方面，帶來了巨大挑戰。儘管已開發國家已經實施了垃圾分類制度，但由於污染問題，仍有相當一部分垃圾最終被填埋或焚燒，導致可回收材料不永續浪費。

本報導介紹了我們的邊緣運算和電腦視覺解決方案，該解決方案用於檢測垃圾收集車中的塑膠袋污染。該解決方案使用 NVIDIA Metropolis 應用框架，包括 NVIDIA Jetson、NVIDIA TAO Toolkit 和 NVIDIA DeepStream SDK。

為什麼垃圾管理實踐必須改變

傳統的垃圾管理方法，例如掩埋和焚燒，不僅無法解決日益嚴重的垃圾問題，還會帶來嚴重的環境和健康風險。各國加強垃圾回收和管理實踐，以確保永續的未來，已變得日益重要。

在地方垃圾管理領域，生活垃圾污染是阻礙回收的一大難題。這個問題引起了地方政府的高度重視，促使政府採取諸如垃圾桶標籤和垃圾審查等創新策略，以正面應對這一問題，並收集必要的污染相關數據，為決策提供依據。

然而，目前普遍存在的垃圾桶標籤操作，極度依賴人工干預，通常由垃圾收集卡車司機，使用車載攝影機目視檢查垃圾容器。然而，這種勞力密集方法不僅會消耗駕駛者的體力，還會引入主觀性和潛在的數據差異，需要額外的分析和時間資源。

徹底改變垃圾管理實踐、提高效率和永續性的緊迫性，從未如此突出。為此，開發一套利用尖端技術的自動化垃圾污染檢測系統，已成為當務之急。

上敦 AXXON 台灣總代理

邊緣運算解決方案

為了解決垃圾污染問題，我們以 NVIDIA Jetson 和 NVIDIA Metropolis 的框架，運用最新技術，開發了一套邊緣運算影像分析解決方案：

電腦視覺
智慧影像分析
邊緣運算
AI

本系統基於以下理念：從卡車料斗中捕捉垃圾影像，使用 NVIDIA Jetson 邊緣 AI 平台進行處理，以檢測塑膠袋污染情況，並儲存污染相關資訊以供進一步分析。 YOLOv4 深度學習模型使用我們的 Remondis 污染資料集 (RCD) 進行訓練，並使用 NVIDIA DeepStream 佈署到邊緣運算解決方案。

Remondis 污染資料集

訓練用於電腦視覺任務的卷積神經網路 (CNN) 模型，需要包含相關影像的大量資料集。然而，垃圾污染偵測問題仍未被充分探索，尤其是在複雜的實際應用場景中。現有研究大多採用僅包含一種污染物的簡單數據，且通常採用高解析度影像，從而過度簡化了問題。遺憾的是，這些模型在處理污染物，與其他各種廢棄物成分共存的真實場景時存在侷限性，這些場景通常伴隨著複雜的光照條件，和較差的圖像品質。

為此，我們率先推出了 RCD，這是一個全新的訓練資料集，精心整理自回收公司 Remondis 的歷史記錄。該資料集展示了捕捉塑膠袋污染實例的圖像，涵蓋了多種光照條件、捕捉角度和低解析度，從而更能代表現實世界的複雜性。

最終資料集包含 1,125 個樣本（968 個用於訓練，157 個用於驗證），總共包含 1,851 個邊界框註釋（1,588 個用於訓練，263 個用於驗證）。圖 1 展示了來自 RCD 的部分註釋樣本。

圖 1. Remondis 污染資料集中的樣本

系統開發
我們開發了一套自動化解決方案，用於檢測垃圾車中的塑膠袋污染，該方案使用車載類比攝影機處理影像，並佈署了利用 NVIDIA 加速運算技術的電腦視覺模型。概念如圖 2 所示。
開發的系統包括：

安裝在垃圾車上的類比攝影機（三菱 C4010），用於捕捉垃圾車收集桶內垃圾的桶鬥。

NVIDIA Jetson TX2 系統級模組，用於使用經過訓練的電腦視覺模型處理和推斷垃圾圖像。

電腦視覺模型（YOLOv4 和 CSPDarkNet）用於檢測影像中的塑膠袋污染。

圖 2. 所提系統的概念圖

以 CSPDarkNet_tiny 為骨幹的 YOLOv4 模型，用於塑膠袋檢測。模型使用 Python、TensorFlow 和 Keras 的 NVIDIA TAO 進行訓練。 NVIDIA DGX 平台用於在 RCD 影像上訓練此模型。

所提出的解決方案的開發採用三階段方法（圖 3）：

第一階段：資料準備

從 Remondis 歷史記錄和線上資源中收集原始資料集。
對收集到的資料進行處理和篩選，以確定潛在的訓練候選資料集。
使用 LabelImg 軟體繪製邊界框，對處理後的資料集進行塑膠袋標記。

第二階段：模型訓練

從現有的模型庫中篩選出合適的模型進行訓練。
使用 NVIDIA TAO 工具包訓練塑膠袋污染偵測模型。
密切監控訓練效果，確保訓練過程正常進行。

第三階段：測試與驗證

訓練好的模型匯出為 NVIDIA TensorRT 引擎，並佈署在 NVIDIA Jetson TX2 上。
硬體效能透過 GPU 使用率、溫度、CPU 使用率和 FPS 進行驗證。
硬體已在現場佈署，並收集了額外數據以微調模型。

圖 3. 發展擬議系統的流程圖

訓練效果最佳的模型（以 CSPDarkNet_tiny 為骨幹的 YOLOv4）被匯出為 TensorRT，並使用 NVIDIA DeepStream SDK，佈署到 Jetson TX2 模組上。硬體設定（圖 4）在實驗室中使用與垃圾車上安裝的相同攝影機進行了測試。在實驗室驗證後，硬體設定被佈署到垃圾車上進行現場測試，和額外的數據收集。

圖 4. 即時塑膠袋污染偵測的硬體設置

在電腦視覺模型效能方面，首次佈署的基礎模型，在 NVIDIA Jetson TX2 上實現了 63% 的 mAP@50 和 24.8 的 FPS。該模型使用首次佈署後，從現場收集的數據進行訓練，取得了更好的結果。使用現場資料重新訓練後，模型的 mAP@50 提高了 10%。此外，在假陽性 (FP)、假陰性 (FN) 和真陽性 (TP) 方面的表現也得到了提升（表 1）。圖 5 展示了電腦視覺模型成功偵測影像中塑膠袋污染的幾個範例。