自工业化学家Leo Baekeland于1097年首次尝试合成苯酚与甲醛以来，全世界就开始了对塑料这种新材料的爱恨纠葛。

话说，塑料性质出众、耐用且便宜，但在全部塑料制品中，高达50%（全世界每年约1.5亿吨）的比例在使用一次后即被丢弃。虽然不少人一直致力于回收水瓶与塑料袋，但对于庞大的废弃总量而言，只能算是杯水车薪。大风和雨水将无数塑料废物沿着市政街道与排水系统进入小溪、河流、海湾乃至海洋，而且目前我们仍然拿不出简单易行的塑料过滤手段。

▲ 图：加利福尼亚州海沃德

旧金山河口学院（SFEI）环境信息学系主任Tony Hale表示，“塑料制品丢弃问题已经相当严重，但现有雨水处理与清理设施仍然非常有限。”

因此，SFEI决定尝试利用无人机寻求解决之道。

SFEI设想的解决方案是结合人力与机器，包括派人徒步计数并收集当地水道中的垃圾，且利用配备摄像头的无人机对垃圾排放情况进行大规模评估。

Hale解释道，“大多数排水处理行业的地勤人员每年只进行一次垃圾监测，幸运的话也就两次而已。由于人力太过有限，我们自然很难了解垃圾总量及其给社区生活带来的具体影响。”

利用无人机摄像技术，“我们能够跟踪小溪、河流乃至大江中的垃圾存在量，分析垃圾的分布方式，而后根据需要利用机器学习算法进一步剖析图像内容。”

无人机研究是SFEI及其姊妹组织南加州沿海水研究项目组全新计划中的一部分。新计划将在海洋保护委员会的资助下验证现有垃圾监测方法，并开发出可供社区环卫部门、市政项目、环保机构以及生态学家使用的垃圾监测新方案。此项计划涵盖多种实验性举措，例如禁止在城市的雨林区内使用塑料袋等。

Hale指出，“我们的任务是帮助城市规划者找到最理想的雨水过滤办法，阻止垃圾及塑料等杂物进入受保护的湿地以及公共水道。”

深度学习支持环卫清理

通过在旧金山湾以及附近支流区域内派遣无人机，SFEI在初次实验中立即收集到约35000张图像。

Hale还提到，“以这么快的速度覆盖巨大的土地面积，着实令人惊讶。”但他的兴奋之情很快消失，因为在合理的时间内处理如此巨量的数据，同样难度极大。“我们用了将近一个月时间来处理这些图像。”

为此，Hale和他的团队利用2000条注释描述各种垃圾类别，并借此训练一种开源TensorFlow机器学习算法，用于在这35000张图像当中识别具体垃圾类别、数量与位置。

为了进一步加快分析速度，SFEI还与数据分析初创企业Kinetica开展合作。Kinetica公司CMO Daniel Raskin表示：他们首先将SFEI的垃圾检测模型旋转在Docker容器当中；而后对接Kinetica的“主动分析”工作台；利用Python API，Kinetica即可将图像流传输至表内，并以此为基础对图像进行存储、分类与标记。

Raskin指出，“除了图像的提取与分发之外，我们还运行SFEI的垃圾检测模型，对数据库内的全部图像进行分类。”

如此一来，SFEI构建起一套庞大的图像目录。加利福尼亚水质监管机构如今可以根据地理位置与垃圾丢弃情况，直接使用这35000张图像带来的可视化分析结果。

最初，Kinetica利用一台四核计算机通过分布式CPU框架运行托管Kubernetes，用以支撑SFEI的部署模型。Kinetica公司SFEI项目解决方案工程师Nick Alonso指出，“我们用了约十天时间运行整个模拟流程。”虽然他们后来将该应用迁移至单GPU服务器（GPU能够高效处理机器学习类工作负载），但模拟过程仍然耗费了近一周时间。

为此，Kinetica决定加快效率，将SFEI工作负载交由Oracle Cloud Infrastructure提供的八个V100 GPU实例之上。Alonso回忆道，“整个模拟过程的速度得到迅猛提升，以往需要近一周的工作，现在能够在18小时26分内顺利完成。”