Оценка целесообразности характеристики отходов с использованием дронов и аэрофотосъемки

Оценка целесообразности характеристики отходов с использованием дронов и аэрофотосъемки

Стык беспилотных летательных аппаратов (БПЛА) и науки об окружающей среде меняет подход специалистов по управлению отходами к одной из их самых фундаментальных задач: понимание того, что именно находится в потоке отходов. Традиционные методы характеристики отходов полагаются на физическую сортировку и ручной осмотр, процесс, который является медленным, трудоемким и часто ограничен небольшими размерами выборки. Дроны, оснащенные передовыми датчиками визуализации, предлагают мощную альтернативу, позволяющую проводить быстрые широкомасштабные обследования с минимальным воздействием опасных материалов на человека. Эта статья обеспечивает всестороннюю оценку осуществимости характеристик отходов на основе беспилотников, изучение технологии, ее преимуществ, текущих ограничений, нормативных соображений и пути к оперативному развертыванию.

Основы характеристики отходов

Характеристика отходов образует основу эффективного управления отходами. Она определяет состав выброшенных материалов, позволяя муниципалитетам и предприятиям разрабатывать соответствующие системы сбора, оптимизировать программы утилизации и соблюдать экологические нормы. Процесс обычно классифицирует отходы на фракции, такие как органика, пластмассы, металлы, бумага, стекло и опасные материалы. Точная характеристика информирует о решениях по емкости свалок, восстановлению энергии и контролю загрязнения.

Традиционные методы и их недостатки

Обычная характеристика отходов включает в себя сбор полевых групп репрезентативных образцов из мусоровозов, станций перевалки или свалок. Эти образцы вручную сортируются и взвешиваются в течение нескольких часов или дней. Хотя этот подход надежен, он страдает от нескольких недостатков:

• Высокие затраты на рабочую силу и риски безопасности: Работники обрабатывают острые предметы, опасные химические вещества и биоопасности. Показатели травматизма на объектах сортировки отходов значительны.
• Ограниченное пространственное покрытие: Образцы часто ограничиваются несколькими сотнями килограммов из тысяч тонн, что вносит статистическую неопределенность.
• Нечастая выборка: Из-за стоимости и сложности многие объекты характеризуют отходы только один или два раза в год, отсутствуя сезонные или поведенческие сдвиги в моделях утилизации.
• Субъективность: Человеческие сортировщики могут неправильно классифицировать неоднозначные элементы, что приводит к непоследовательным данным в разных местах.

Эти пробелы мотивируют поиск альтернатив автоматизированному дистанционному зондированию. Дроны представляют собой убедительное решение, но их осуществимость зависит от преодоления технических и эксплуатационных препятствий.

Технология дронов и аэрофотосъемки для оценки отходов

Современные дроны несут в себе множество датчиков, подходящих для характеристики отходов. Наиболее распространенными являются RGB-камеры высокого разрешения, но набирают силу мультиспектральные, гиперспектральные и тепловые датчики. Эти платформы могут пролетать заранее запрограммированные маршруты над свалками, незаконными свалками или даже городскими мусорными баками, захватывая плотные наборы изображений, которые позже сшиваются в ортомозаичные или 3D-модели.

Способности сенсоров

• RGB (Visible Light): Идеально подходит для идентификации крупных предметов и основных категорий отходов, таких как строительный мусор, шины или объемные пластмассы. Разрешение до 1 см на пиксель достижимо на малых высотах.
• Многоспектральный: Улавливает ближние инфракрасные и красные полосы, полезные для различения органических отходов от пластмасс и измерения содержания влаги. Это может помочь классифицировать разлагаемые фракции.
• Гиперспектральный: Гиперспектральный: Предоставляет десятки узких спектральных полос, позволяющих обнаруживать конкретные типы полимеров (например, ПЭТ против ПЭВП) и опасные вещества.Однако обработка является вычислительно интенсивной, а датчики дороги.
• Тепло-инфракрасный: Обнаруживает тепловые сигнатуры от активного разложения или незаконного сжигания, помогая в идентификации горячих точек метана или тлеющих отходов.

Обработка и анализ данных трубопровода

Собранные дронами необработанные изображения должны быть преобразованы в данные для характеристики. Типичные шаги включают:

1. Орторекция и сшивание: Использование программного обеспечения для фотограмметрии (например, Pix4D, Agisoft Metashape) для создания геоссылочной карты сайта.
2. Сегментация: Модели машинного обучения — часто основанные на сверточных нейронных сетях — идентифицируют и очерчивают сваи отходов или отдельные объекты.
3. Классификация: Каждому сегменту присваивается тип материала с использованием спектральных сигнатур или анализа текстуры.
4. Оценка объема: Путем объединения 2D-изображений с цифровыми моделями поверхности (DSM), объем каждой категории отходов может быть рассчитан и преобразован в массу с использованием расчетных плотностей.

Недавние прорывы в области глубокого обучения, особенно в архитектурах сегментации объектов, таких как Mask R-CNN, значительно улучшили точность автоматической классификации отходов с аэрофотоснимков.

Преимущества характеристик дронов на основе отходов

При эффективном развертывании дроны предлагают несколько преимуществ, которые непосредственно устраняют недостатки традиционных методов.

Скорость и охват

Один полет дрона может покрыть 20–50 га менее чем за час, собирая данные о тысячах тонн отходов. Это позволяет проводить полное обследование свалок, а не выборку пятен. Кроме того, повторяющиеся полеты могут отслеживать изменения в течение дней или недель, что позволяет осуществлять динамический мониторинг ввода и разложения отходов.

Улучшение безопасности работников

Беспилотники устраняют необходимость в том, чтобы персонал ходил по активным свалкам или поднимался на свалки отходов. Это особенно важно на местах опасных отходов или после экстремальных погодных явлений, когда наземные условия нестабильны. Управление по безопасности и гигиене труда (OSHA) сообщает, что травмы, связанные с отходами, являются одними из самых высоких в экологическом секторе; дистанционное зондирование снижает эти воздействия.

Снижение затрат с течением времени

Хотя первоначальные инвестиции в беспилотные летательные аппараты и программное обеспечение могут составлять 10 000-50 000 долларов США, текущие эксплуатационные расходы намного ниже, чем наем сортировочных экипажей. Согласно исследованию, приведенному в Waste360, объекты, которые принимают обследования беспилотников, сообщают о сокращении расходов на характеристику на 40-60% после второго года использования, предполагая частые полеты.

Доступ в недоступные районы

Незаконные свалки в отдаленных лесах, крутые ущелья или после стихийных бедствий завалы часто невозможны для безопасного входа наземных экипажей.Дроны могут летать непосредственно в эти зоны, захватывая изображения, которые помогают властям оценить масштаб проблемы и спланировать операции по очистке.

Проблемы и ограничения

Несмотря на свои обещания, характеристики отходов на основе беспилотников сталкиваются с несколькими реальными препятствиями, которые необходимо устранить, прежде чем они смогут заменить или полностью дополнить ручные методы.

Погода и экологическая зависимость

Сильные ветры, осадки и низкие облачные потолки заземляют большинство потребительских и промышленных беспилотников. В регионах с частыми дождями или туманами окна полёта могут быть узкими, задерживая сбор данных. Кроме того, пыль и дым от активных свалок могут загрязнять объективы камер и ухудшать качество изображения.

Регулятивные ограничения

Операции с беспилотниками во многих странах требуют, чтобы пилоты имели сертификат дистанционного пилотирования и летали в пределах визуальной линии видимости (VLOS). Полеты за пределами визуальной линии зрения (BVLOS), часто необходимые для обследования крупных свалок, требуют специальных отказов, которые могут занять месяцы для получения. Воздушное пространство вблизи аэропортов или чувствительная инфраструктура могут быть полностью запрещены. Правила части 107 FLT: 1 в Соединенных Штатах явно ограничивают коммерческое использование беспилотников способами, которые влияют на миссии по характеристике отходов.

Отличия категорий отходов визуально

С воздушной точки зрения многие виды отходов выглядят удивительно похожими. Например, измельченную бумагу, белые пластмассы и светлые текстильные изделия трудно отделить. Даже с мультиспектральными датчиками различение различных марок полимеров или влажной и сухой органики остается проблемой, особенно когда отходы покрыты грязью или частично разлагаются. Проверка наземной истины по-прежнему необходима для калибровки моделей.

Необходимость в продвинутых алгоритмах и вычислительной мощности

Точность классификации современных лучших моделей на смешанных наборах данных об отходах составляет около 75-85% при оценке по известным категориям, но падает до менее 60% при столкновении с новыми предметами или необычными условиями освещения. Для обучения этих моделей требуются тысячи аннотированных аэрофотоснимков, которые являются дефицитными в общественном достоянии. Кроме того, обработка в режиме реального времени во время полета требует бортовых чипов ИИ, которые еще не являются стандартными на недорогих дронах.

Конфиденциальность данных и общественное восприятие

Летающие беспилотники над жилыми мусорными баками или вблизи частных объектов недвижимости вызывают обеспокоенность в отношении конфиденциальности. Граждане могут возражать против наблюдения, даже если изображения используются только для анализа отходов. Четкая связь и анонимизация данных необходимы для завоевания доверия сообщества.

Текущие исследования и пилотные развертывания

Несмотря на ограничения, несколько академических и промышленных проектов продемонстрировали возможность использования беспилотных отходов в контролируемых условиях.

Тематическое исследование: Картографирование свалок на Sunrise Landfill, Флорида

В 2022 году в сотрудничестве между Университетом Флориды и региональным органом по утилизации отходов использовался DJI Phantom 4 Pro для картирования полигона площадью 40 га. Изображения RGB были обработаны с помощью настраиваемой модели сегментации U-Net, которая классифицировала отходы на строительный мусор, бытовые отходы и растительность с общей точностью 82%. Команда также сгенерировала оценки объема для каждой категории, которые соответствовали наземным измерениям в пределах 12% ошибки. Успех проекта привел к рутинным ежеквартальным обследованиям беспилотников.

Тема: Незаконное обнаружение демпинга в Бразилии

Исследователи из Университета Сан-Паулу развернули дрон с мультиспектральным датчиком над тропическими лесами Амазонки для обнаружения незаконных свалок. Обучая случайный классификатор леса по спектральным индексам (NDVI, скорректированный на почву вегетационный индекс), они определили потенциальные свалки с чувствительностью 90%. Подход был ограничен необходимостью ручной проверки, но он сократил время поиска на 70% по сравнению с патрульными командами.

Инновации машинного обучения

Недавняя работа в Немецком аэрокосмическом центре (DLR) исследовала использование синтетических данных для обучения моделей классификации отходов. Создавая реалистичные изображения свай отходов с известным составом, они достигли повышения точности до 15 процентных пунктов на реальных изображениях беспилотников. Этот метод мог бы преодолеть проблему нехватки данных и ускорить развертывание на местах.