垃圾管理是現代城市一個非常有挑戰性的任務，每個地區都有其獨特的垃圾產生模式，但無論產生垃圾的種類和數量如何變化，優化垃圾的收集方式是降低成本、保持城市清潔的重要手段。

　　對于一些城市來說，由于不能安裝大型垃圾箱，這項任務變得更加困難，比如阿姆斯特丹，在市中心的大部分地區，垃圾收集依賴于市民和游客每周兩次將垃圾袋投放到指定的收集點。

　　在這種情況下，優化垃圾收集過程和盡量減少垃圾袋在這些地點的堆積時間是至關重要的。

　　傳統的解決方法是將某種形式的傳感器分散在城市中，這些傳感器將負責收集有關垃圾分布的數據，但是這種方法成本很高，無論是安裝還是維護都需要持續的投資，而且對環境不友好，畢竟這種解決環境問題的方法，同時又生產了更多的一次性電子產品，還將它們散布在城市的各個角落。

　　但是medium上有位名叫Michele Moscaritolo博主就想，如果有一個智能攝像頭可以準確地識別垃圾，那么這個問題就很好解決了。

　　一個城市只需要有一些這樣的攝像頭，裝在垃圾收集車或專用車輛，垃圾處理中心的人員可以從他們的辦公室實時遠程監控垃圾統計數據，比如每種垃圾類型通常出現在哪里，每天、每周和每月的趨勢，熱點等。

　　另外，這樣的專用車輛還可以檢測居民不按時間地點要求扔垃圾的情況，以進行實時干預。

　　有了這樣的想法，Michele Moscaritolo就付諸行動，做了這樣的一個智能攝像頭和垃圾監控系統。

　　讓我們一起來膜拜一下大神的教程。

　　相機，要選就選最好的

　　檢測方面我采用了一個常用且非常有效的對象檢測神經網絡：Yolo，阿姆斯特丹市的人工智能專家Maarten Sukel最近發布了這個網絡的一個版本，專門訓練識別垃圾箱、袋子和紙箱，這個系統作為我們相機軟件的核心。

　　Yolo鏈接：

　　https://pjreddie.com/darknet/yolo/

　　考慮到隱私問題，攝像機還嵌入了一項模糊人臉，衣服和人體的邊緣技術，這樣就沒有涉及隱私的數據被傳輸到云。

　　為便攜式相機增加智能功能，我使用了NVIDIA Jetson家族系統的單晶片相機。對于相機，我選擇了最強大的一個，AGX Xavier系列，考慮到我們必須運行垃圾檢測和人模糊，這是一個比較穩妥的選擇。

　　全城最靚的智能Vespa摩托

　　要到達阿姆斯特丹的每個地區，最好的就是電動自行車。但是電動車哪能配得上我拉風的造型，因此我改裝了我的Vespa摩托車，把所有的設備(相機和天線排除在外)都放在坐墊下的車廂里。加上一個簡單的穩壓器和一個電源按鈕，我就有了一個智能的Vespa摩托車，我給它取了個名字——VespAI!

　　車載軟件使用經過修改的Darknet來運行Yolo v3，檢測結果通過一個濾波和積累模塊提供，該模塊將避免在多個相鄰視頻幀中出現多次計算同一垃圾;它還將為一個”垃圾點”在大約5米半徑范圍內進行多次檢測。

　　垃圾的GPS坐標通過簡單的gpsd接口從usb模塊讀取，將數據存儲在Google Firestore實時數據庫中，這樣本地的Google firebase SDK就被用于客戶端應用程序開發。

　　應用程序

　　現代數據分析應用程序必須支持從任何設備和平臺訪問，而實時數據訪問則需要使用適當的后端技術和能夠支持用戶查詢的數據模型。我們選擇Ionic+Angular進行前端開發和谷歌的Firestore坐標實時數據庫。

　　Ionic+Angular讓我們可以從一個普通的代碼庫生產iOS和安卓應用程序，以及一個基于web的可以從任何瀏覽器訪問的應用程序。

　　Google Firebase則可以讓我們將每個GPS點左邊作為一個嵌套的集合/文檔存儲。選擇的數據模型允許我們快速檢索檢測到的垃圾點列表，包括相關的GPS坐標、集裝箱/袋子/紙板的數量、按區域和每小時的粒度數據，其對分布式計數器的支持還能讓我們按小時和區域實時統計信息變得非常容易，不需要執行復雜的查詢。

　　Firebase客戶端SDK包括一個通用的API，可用于訂閱客戶端應用程序，以添加/更新/刪除Firestore數據庫上運行在VespAI上的應用程序產生的活動。通過這種方式，我們的所有應用程序都可以在檢測后幾秒鐘內顯示數據。

　　谷歌地圖目前支持兩種不同的可視化: 熱圖和標記點。熱度圖可以快速查看區域中的垃圾分布情況，而標記點可以檢查單個垃圾檢測點的詳細信息。

　　垃圾數據分析應用程序(Android)

　　網頁版應用程序鏈接如下：

　　https://mangustatrash.firebaseapp.com/tabs/tab2

　　未來可以改進的地方

該應用程序功能齊全，但是還有一些可以改進的地方:

• 使用更好的全球定位系統模塊。目前的模塊基于u-blox neo-7代，neo-8現在已經可以用了，精度比neo-7代有所提高，這將避免由于衛星接收差有時出現垃圾在“在運河中央”的情況。
• 進一步訓練神經網絡模型。當我們累積越來越多的垃圾圖像時，我們將用這些圖像用于進一步訓練，以逐步獲得更精確的檢測。
• 后端改進。我們計劃使用Firestore分布式計數器來添加更多的實時統計信息，例如基于區域的每個垃圾類型的每日和每周統計信息。
• 同樣在后端。我們正在考慮使用GeoFire來支持地理查詢，這將允許用戶對客戶定義的區域進行統計。
• 支持將數據導出到其他類型的數據庫。比如支持基于SQL的歷史數據集查詢。