CN106203498B - 一种城市场景垃圾检测方法及系统 - Google Patents
一种城市场景垃圾检测方法及系统 Download PDFInfo
- Publication number
- CN106203498B CN106203498B CN201610529468.9A CN201610529468A CN106203498B CN 106203498 B CN106203498 B CN 106203498B CN 201610529468 A CN201610529468 A CN 201610529468A CN 106203498 B CN106203498 B CN 106203498B
- Authority
- CN
- China
- Prior art keywords
- urban
- garbage
- deep learning
- detection
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种城市场景垃圾检测方法及系统。城市场景垃圾检测方法包括:选定视觉物体分类VOC数据集作为垃圾检测的基础数据集,获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集,然后基于深度学习技术搭建深度学习平台,在深度学习平台上选择预训练模型,在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测,自动给出检测结果,不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测,能够做到全天候的城市无序丢弃垃圾状况监测和检测,成本低、耗时短,这就大大的便利城市中无序丢弃垃圾的检测和清理,保障城市卫生和形象。
Description
技术领域
本发明涉及一种检测方法及系统,尤其涉及一种城市场景垃圾检测方法及系统。
背景技术
城市中无序丢弃的垃圾严重影响市容市貌、污染生活环境,给城市和居民带来极大的影响。
为清理城市中无序丢弃的垃圾、维护城市卫生和形象,需要对城市场景中的垃圾进行检测定位,然后根据定位来进行清理。目前的城市场景垃圾检测方法主要是派专人进行巡查并进行拍照登记,巡查的过程中需要人工定位无序丢弃的垃圾,操作手持相机进行拍照,巡查过后进行整理归档来记录垃圾分布情况与对应的相应责任人。这种方法需要专人乘坐交通工具进行拍照登记,受交通、天气、人员休假与工作时间等方面的影响很大,不能做到全天候的城市无序丢弃垃圾状况监测和检测,并且人工拍照、整理还存在成本高、耗时长等问题,这就大大的不利于城市中无序丢弃垃圾的检测和清理,不能保障城市卫生和形象。
发明内容
有鉴于此,有必要针对上述城市场景中的垃圾检测和监测不能全天候进行、且成本高耗时长的问题,提供一种城市场景垃圾检测方法及系统。
本发明提供的一种城市场景垃圾检测方法,包括如下步骤:
S10:选定VOC数据集作为垃圾检测的基础数据集,收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注,将标注后的城市影像与VOC数据集中已有数据进行融合;
S20:在融合后的VOC数据集基础上,搭建垃圾检测的深度学习平台,在搭建的深度学习平台上,获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置;
S30:采用预训练模型对新获取城市影像进行垃圾检测,检测新获取城市影像是否存在垃圾及垃圾存在区域,给出检测结果。
在其中的一个实施方式中,所述步骤S10具体为:收集城市影像,挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式,采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注,标注完成后,将标注后的城市影像随机的划分为训练集、验证集和测试集,并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合。
在其中的一个实施方式中,所述步骤S20具体为:
选择Caffe深度学习框架进行深度学习平台的实现,使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。
在其中的一个实施方式中,所述步骤S20具体为:使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。
在其中的一个实施方式中,所述步骤S30具体包括:
对新获取的城市影像进行预处理,具体包括对新获取城市影像进行裁剪、缩放,和/或进行均值提取处理;
将预处理之后的城市影像输入深度学习的神经网络,得到对城市影像中候选区域的分类和位置的回归以得出检测结果。
本发明提供的一种城市场景垃圾检测系统,包括:
数据融合模块,选定VOC数据集作为垃圾检测的基础数据集,收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注,将标注后的城市影像与VOC数据集中已有数据进行融合;
深度学习平台搭建模块,在融合后的VOC数据集基础上,搭建垃圾检测的深度学习平台,在搭建的深度学习平台上,获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置;
城市影像垃圾检测模块,采用预训练模型对新获取城市影像进行垃圾检测,检测新获取城市影像是否存在垃圾及垃圾存在区域,给出检测结果。
在其中的一个实施方式中,所述数据融合模块收集城市影像,挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式,采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注,标注完成后,将标注后的城市影像随机的划分为训练集、验证集和测试集,并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合。
在其中的一个实施方式中,所述深度学习平台搭建模块选择Caffe深度学习框架进行深度学习平台的实现,使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。
在其中的一个实施方式中,所述深度学习平台搭建模块使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。
在其中的一个实施方式中,所述城市影像垃圾检测模块对新获取的城市影像进行预处理,具体包括对新获取城市影像进行裁剪、缩放,和/或进行均值提取处理;将预处理之后的城市影像输入深度学习的神经网络,得到对城市影像中候选区域的分类和位置的回归以得出检测结果。本发明城市场景垃圾检测方法及系统,选定视觉物体分类VOC数据集作为垃圾检测的基础数据集,获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集,然后基于深度学习技术搭建深度学习平台,在深度学习平台上选择预训练模型,在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测,自动给出检测结果,不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测,能够做到全天候的城市无序丢弃垃圾状况监测和检测,成本低、耗时短,这就大大的便利城市中无序丢弃垃圾的检测和清理,保障城市卫生和形象。
附图说明
图1是一个实施例中的城市场景垃圾检测方法的流程图;
图2是一个实施例中的城市场景垃圾检测系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1是一个实施例中城市场景垃圾检测方法的流程图,如图1所示,该方法包括如下步骤:
S10:选定VOC(visual object classes,视觉物体分类)数据集作为垃圾检测的基础数据集,收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注,将标注后的城市影像与VOC数据集中已有数据进行融合。
VOC(visual object classes,视觉物体分类)数据集是权威的场景检测数据集,包括有大量训练验证图片和测试图片,具有很多类已标注对象,包括行人、自行车、公共汽车、小轿车、摩托车等城市场景内的常见对象,通过VOC数据集中已经标注对象能够对城市影像中的对象进行检测识别。故在该实施例中,选定VOC(visual object classes,视觉物体分类)数据集作为垃圾检测的基础数据集,利用VOC数据集中的数据和标注对象来进行城市场景中无序丢弃垃圾的检测。
由于VOC数据集中的数据有限,可能存在训练数据不足的问题,该实施例中获取城市影像来对VOC数据集进行扩充。具体的,收集城市影像,城市影像包括街景车拍摄的城市影像、由互联网爬取的城市影像等。然后从中挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式,采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注(标注过程中尽可能的在少标入背景的条件下将感兴趣对象标入完整)。在标注完之后,将标注后的城市影像随机的划分为训练集、验证集和测试集,并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合。
更进一步的,选定VOC2007数据集作为垃圾检测的基础数据集。VOC2007数据集包括5011张训练验证图片和4952张测试图片,共有20类已标注对象,适合作为基础数据集。
S20:在融合后的VOC数据集基础上,搭建垃圾检测的深度学习平台,在搭建的深度学习平台上,获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置。
在将获取的城市影像与VOC数据集融合之后,在融合数据的基础上,本发明方法基于深度学习算法来对城市场景中无序丢弃垃圾进行检测,搭建垃圾检测的深度学习平台,将深度学习应用到城市场景垃圾检测之中,扩大深度学习的应用。搭建垃圾检测的深度学习平台后,深度学习平台具有多种预训练模型,则由多种预训练模型中选择获取适合进行垃圾检测的预训练模型。为使得所获取的预训练模型能够很好的适应当前地区的垃圾检测,还需要对预训练模型进行适应性先验参数设置。
为提高检测精度,在具体的方式中,该步骤中选择Caffe深度学习框架进行深度学习平台的实现。Caffe深度学习框架文档完善、社区活跃并有丰富的模型库,适合进行平台搭建。同时,平台硬件配置采用GPU(浮点运算能力更强)作为运算核心。进一步的,使用Nividia Geforce GTX 980作为GPU,使用Interl Core i7与16G内存作为主要的硬件配置。
在选择Caffe深度学习框架进行深度学习平台的实现后,Caffe深度学习框架完善的社区生态提供了丰富的经过良好预训练的模型,该实施例中,使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。
由于不同的应用场景需要对预训练模型的先验参数进行不同的调整,针对垃圾检测应用场景,该实施例中,使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。经过反复验证,该实施例最终选择0.001作为初始学习率,0.0005作为权值衰减量,0.9作为冲量,并从每张城市影像中挑选出128个候选区域作为mini-batch(子集),进行损失的反向传播从而更新预训练模型权值。
S30:采用预训练模型对新获取城市影像进行垃圾检测,检测新获取城市影像是否存在垃圾及垃圾存在区域,给出检测结果。
在搭建了深度学习平台并且选择获取了预训练模型后,则采用获取的预训练模型来对城市场景中无序丢弃的垃圾进行检测。具体的,新获取城市场景的城市影像,然后采用预训练模型对新获取城市影像进行垃圾检测。通过预训练模型的检测,判断出城市影像是否存在垃圾及垃圾存在区域,给出检测结果,从而通过深度学习及预训练模型实现城市场景中无序丢弃垃圾的检测。
在进一步的方式中,为使得城市影像满足预训练模型的要求,对于新获取的城市影像进行预处理,对新获取城市影像进行裁剪或缩放,使新获取城市影像符合预训练模型的要求。
同时,由于城市影像的像素范围是固定的,故还要对新获取城市影像进行均值提取处理。具体的,统计融合后VOC数据集的训练集中红、绿、蓝三个波段的像素值,得到三个波段像素的均值,将新获取城市影像的三个波段减去对应均值。在经过预处理之后,将经过预处理之后的城市影像输入深度学习的神经网络,得到对城市影像中候选区域的分类和位置的回归以得出检测结果。根据不同的应用场景,选择不同的置信度对候选结果进行筛选,找出最有可能是无序丢弃垃圾的区域,实现对城市影像中无序丢弃垃圾的检测。
该城市场景垃圾检测方法,选定视觉物体分类VOC数据集作为垃圾检测的基础数据集,获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集,然后基于深度学习技术搭建深度学习平台,在深度学习平台上选择预训练模型,在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测,自动给出检测结果,不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测,能够做到全天候的城市无序丢弃垃圾状况监测和检测,成本低、耗时短,这就大大的便利城市中无序丢弃垃圾的检测和清理,保障城市卫生和形象。
同时,本发明还提供一种城市场景垃圾检测系统,如图2所示,该城市场景垃圾检测系统包括:
数据融合模块100,选定VOC(visual object classes,视觉物体分类)数据集作为垃圾检测的基础数据集,收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注,将标注后的城市影像与VOC数据集中已有数据进行融合。
VOC(visual object classes,视觉物体分类)数据集是权威的场景检测数据集,包括有大量训练验证图片和测试图片,具有很多类已标注对象,包括行人、自行车、公共汽车、小轿车、摩托车等城市场景内的常见对象,通过VOC数据集中已经标注对象能够对城市影像中的对象进行检测识别。故在该实施例中,数据融合模块100选定VOC(visual objectclasses,视觉物体分类)数据集作为垃圾检测的基础数据集,利用VOC数据集中的数据和标注对象来进行城市场景中无序丢弃垃圾的检测。
由于VOC数据集中的数据有限,可能存在训练数据不足的问题,该实施例中数据融合模块100获取城市影像来对VOC数据集进行扩充。具体的,数据融合模块100收集城市影像,城市影像包括街景车拍摄的城市影像、由互联网爬取的城市影像等;然后从中挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式,采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注(标注过程中尽可能的在少标入背景的条件下将感兴趣对象标入完整);在标注完之后,将标注后的城市影像随机的划分为训练集、验证集和测试集,并分别将新获取的数据的训练集、验证集和测试集同VOC数据集中的已有的训练集、验证集和测试集进行融合。
更进一步的,数据融合模块100选定VOC2007数据集作为垃圾检测的基础数据集。VOC2007数据集包括5011张训练验证图片和4952张测试图片,共有20类已标注对象,适合作为基础数据集。
深度学习平台搭建模块200,在融合后的VOC数据集基础上,搭建垃圾检测的深度学习平台,在搭建的深度学习平台上,获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置。
在将获取的城市影像与VOC数据集融合之后,在融合数据的基础上,本发明系统基于深度学习算法来对城市场景中无序丢弃垃圾进行检测,深度学习平台搭建模块200搭建垃圾检测的深度学习平台,将深度学习应用到城市场景垃圾检测之中,扩大深度学习的应用。搭建垃圾检测的深度学习平台后,深度学习平台具有多种预训练模型,深度学习平台搭建模块200则由多种预训练模型中选择获取适合进行垃圾检测的预训练模型。为使得所获取的预训练模型能够很好的适应当前地区的垃圾检测,还需要对预训练模型进行适应性先验参数设置。
为提高检测精度,深度学习平台搭建模块200选择Caffe深度学习框架进行深度学习平台的实现。Caffe深度学习框架文档完善、社区活跃并有丰富的模型库,适合进行平台搭建。同时,深度学习平台硬件配置采用GPU(浮点运算能力更强)作为运算核心。进一步的,使用Nividia Geforce GTX 980作为GPU,使用Interl Core i7与16G内存作为主要的硬件配置。
在选择Caffe深度学习框架进行深度学习平台的实现后,Caffe深度学习框架完善的社区生态提供了丰富的经过良好预训练的模型,该实施例中,深度学习平台搭建模块200使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。
由于不同的应用场景需要对预训练模型的先验参数进行不同的调整,针对垃圾检测应用场景,该实施例中,深度学习平台搭建模块200使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。经过反复验证,该实施例最终选择0.001作为初始学习率,0.0005作为权值衰减量,0.9作为冲量,并从每张城市影像中挑选出128个候选区域作为mini-batch(子集),进行损失的反向传播从而更新预训练模型权值。
城市影像垃圾检测模块300,采用预训练模型对新获取城市影像进行垃圾检测,检测新获取城市影像是否存在垃圾及垃圾存在区域,给出检测结果。
在搭建了深度学习平台并且选择获取了预训练模型后,城市影像垃圾检测模块300采用获取的预训练模型来对城市场景中无序丢弃的垃圾进行检测。具体的,新获取城市场景的城市影像,然后采用预训练模型对新获取城市影像进行垃圾检测。通过预训练模型的检测,判断出城市影像是否存在垃圾及垃圾存在区域,给出检测结果,从而通过深度学习及预训练模型实现城市场景中无序丢弃垃圾的检测。
在进一步的方式中,为使得城市影像满足预训练模型的要求,城市影像垃圾检测模块300对于新获取的城市影像进行预处理,对新获取城市影像进行裁剪或缩放,使新获取城市影像符合预训练模型的要求。
同时,由于城市影像的像素范围是固定的,故城市影像垃圾检测模块300还要对新获取城市影像进行均值提取预处理。具体的,城市影像垃圾检测模块300统计融合后VOC数据集的训练集中红、绿、蓝三个波段的像素值,得到三个波段像素的均值,将新获取城市影像的三个波段减去对应均值。在经过预处理之后,将经过预处理之后的城市影像输入深度学习的神经网络,得到对城市影像中候选区域的分类和位置的回归以得出检测结果。根据不同的应用场景,选择不同的置信度对候选结果进行筛选,找出最有可能是无序丢弃垃圾的区域,实现对城市影像中无序丢弃垃圾的检测。
该城市场景垃圾检测系统,选定视觉物体分类VOC数据集作为垃圾检测的基础数据集,获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集,然后基于深度学习技术搭建深度学习平台,在深度学习平台上选择预训练模型,在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测,自动给出检测结果,不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测,能够做到全天候的城市无序丢弃垃圾状况监测和检测,成本低、耗时短,这就大大的便利城市中无序丢弃垃圾的检测和清理,保障城市卫生和形象。
本发明城市场景垃圾检测方法及系统,选定视觉物体分类VOC数据集作为垃圾检测的基础数据集,获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集,然后基于深度学习技术搭建深度学习平台,在深度学习平台上选择预训练模型,在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测,自动给出检测结果,不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测,能够做到全天候的城市无序丢弃垃圾状况监测和检测,成本低、耗时短,这就大大的便利城市中无序丢弃垃圾的检测和清理,保障城市卫生和形象。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种城市场景垃圾检测方法,其特征在于,包括如下步骤:
S10:选定VOC数据集作为垃圾检测的基础数据集,收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注,将标注后的城市影像与VOC数据集中已有数据进行融合;
S20:在融合后的VOC数据集基础上,搭建垃圾检测的深度学习平台,在搭建的深度学习平台上,获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置;
S30:采用预训练模型对新获取城市影像进行垃圾检测,检测新获取城市影像是否存在垃圾及垃圾存在区域,给出检测结果;
所述步骤S10具体为:收集城市影像,挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式,采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注,标注完成后,将标注后的城市影像随机的划分为训练集、验证集和测试集,并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合;
所述步骤S20具体为:使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度;选择0.001作为初始学习率,0.0005作为权值衰减量,0.9作为冲量,并从每张城市影像中挑选出N个候选区域作为子集,进行损失的反向传播从而更新预训练模型权值;
所述步骤S30具体包括:
对新获取的城市影像进行预处理,具体包括对新获取城市影像进行裁剪、缩放,和/或进行均值提取处理;
将预处理之后的城市影像输入深度学习的神经网络,得到对城市影像中候选区域的分类和位置的回归以得出检测结果。
2.根据权利要求1所述的城市场景垃圾检测方法,其特征在于,所述步骤S20具体为:
选择Caffe深度学习框架进行深度学习平台的实现,使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。
3.一种城市场景垃圾检测系统,其特征在于,包括:
数据融合模块,选定VOC数据集作为垃圾检测的基础数据集,收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注,将标注后的城市影像与VOC数据集中已有数据进行融合;
深度学习平台搭建模块,在融合后的VOC数据集基础上,搭建垃圾检测的深度学习平台,在搭建的深度学习平台上,获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置;
城市影像垃圾检测模块,采用预训练模型对新获取城市影像进行垃圾检测,检测新获取城市影像是否存在垃圾及垃圾存在区域,给出检测结果;
所述深度学习平台搭建模块使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度;选择0.001作为初始学习率,0.0005作为权值衰减量,0.9作为冲量,并从每张城市影像中挑选出N个候选区域作为子集,进行损失的反向传播从而更新预训练模型权值;
所述数据融合模块收集城市影像,挑选出含有无序丢弃垃圾的城市影像作为候选集,按照VOC数据集定义的格式,采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注,标注完成后,将标注后的城市影像随机的划分为训练集、验证集和测试集,并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合;
所述城市影像垃圾检测模块对新获取的城市影像进行预处理,具体包括对新获取城市影像进行裁剪、缩放,和/或进行均值提取处理;将预处理之后的城市影像输入深度学习的神经网络,得到对城市影像中候选区域的分类和位置的回归以得出检测结果。
4.根据权利要求3所述的城市场景垃圾检测系统,其特征在于,所述深度学习平台搭建模块选择Caffe深度学习框架进行深度学习平台的实现,使用ModelZoo中的ZF模型作为垃圾检测任务的预训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610529468.9A CN106203498B (zh) | 2016-07-07 | 2016-07-07 | 一种城市场景垃圾检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610529468.9A CN106203498B (zh) | 2016-07-07 | 2016-07-07 | 一种城市场景垃圾检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203498A CN106203498A (zh) | 2016-12-07 |
CN106203498B true CN106203498B (zh) | 2019-12-24 |
Family
ID=57465481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610529468.9A Active CN106203498B (zh) | 2016-07-07 | 2016-07-07 | 一种城市场景垃圾检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203498B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119662A (zh) * | 2018-03-29 | 2019-08-13 | 王胜春 | 一种基于深度学习的垃圾种类识别系统 |
CN109165582B (zh) * | 2018-08-09 | 2021-09-24 | 河海大学 | 一种城市街道垃圾检测和清洁度评估方法 |
CN108932510A (zh) * | 2018-08-20 | 2018-12-04 | 贵州宜行智通科技有限公司 | 一种垃圾检测方法及装置 |
WO2020058905A1 (fr) | 2018-09-20 | 2020-03-26 | Cortexia Sa | Méthode et dispositif de suivi et d'exploitation d'au moins un paramètre environnemental |
CN109389161B (zh) * | 2018-09-28 | 2021-08-31 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
CN109376788A (zh) * | 2018-10-31 | 2019-02-22 | 重庆爱思网安信息技术有限公司 | 一种基于深度学习高识别率的图像分析方法 |
CN109598303A (zh) * | 2018-12-03 | 2019-04-09 | 江西洪都航空工业集团有限责任公司 | 一种基于城市场景的垃圾检测方法 |
CN110598784B (zh) * | 2019-09-11 | 2020-06-02 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
CN110659622A (zh) * | 2019-09-27 | 2020-01-07 | 北京文安智能技术股份有限公司 | 一种倾倒垃圾检测方法、装置及系统 |
CN110956104A (zh) * | 2019-11-20 | 2020-04-03 | 河南华衍智能科技有限公司 | 一种检测垃圾桶溢出的方法、装置及系统 |
CN111123940A (zh) * | 2019-12-27 | 2020-05-08 | 科大讯飞股份有限公司 | 一种扫地机器人的清扫规划方法、扫地机器人及清扫系统 |
CN112560755B (zh) * | 2020-12-24 | 2022-08-19 | 中再云图技术有限公司 | 一种识别城市暴露垃圾的目标检测方法 |
CN116189099B (zh) * | 2023-04-25 | 2023-10-10 | 南京华苏科技有限公司 | 基于改进yolov8的暴露垃圾检测及堆放监控的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366250A (zh) * | 2013-07-12 | 2013-10-23 | 中国科学院深圳先进技术研究院 | 基于三维实景数据的市容环境检测方法及系统 |
CN105446183A (zh) * | 2015-12-07 | 2016-03-30 | 陆宁远 | 智慧城市回收终端及其控制方法 |
CN105512666A (zh) * | 2015-12-16 | 2016-04-20 | 天津天地伟业数码科技有限公司 | 一种基于视频的河道垃圾识别方法 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
-
2016
- 2016-07-07 CN CN201610529468.9A patent/CN106203498B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366250A (zh) * | 2013-07-12 | 2013-10-23 | 中国科学院深圳先进技术研究院 | 基于三维实景数据的市容环境检测方法及系统 |
CN105446183A (zh) * | 2015-12-07 | 2016-03-30 | 陆宁远 | 智慧城市回收终端及其控制方法 |
CN105512666A (zh) * | 2015-12-16 | 2016-04-20 | 天津天地伟业数码科技有限公司 | 一种基于视频的河道垃圾识别方法 |
CN105630882A (zh) * | 2015-12-18 | 2016-06-01 | 哈尔滨工业大学深圳研究生院 | 基于遥感数据深度学习的近海污染物识别与跟踪方法 |
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
Non-Patent Citations (3)
Title |
---|
"Faster-RCNN+ZF用自己的数据集训练模型(Matlab版本)";小咸鱼_;《https://blog.csdn.net/sinat_30071459/article/details/50546891》;20160120;第1-6页 * |
"将数据集做成VOC2007格式用于Faster-RCNN训练";小咸鱼_;《https://blog.csdn.net/sinat_30071459/article/details/50723212》;20160223;第1-4页 * |
"行人重现检测研究";李千;《万方硕士学位论文》;20160504;第42-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106203498A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203498B (zh) | 一种城市场景垃圾检测方法及系统 | |
CN110348445B (zh) | 一种融合空洞卷积和边缘信息的实例分割方法 | |
CN106920229B (zh) | 图像模糊区域自动检测方法及系统 | |
CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
Morishita et al. | SakuraSensor: Quasi-realtime cherry-lined roads detection through participatory video sensing by cars | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN105574543B (zh) | 一种基于深度学习的车辆品牌型号识别方法和系统 | |
CN108154134A (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN110781711A (zh) | 目标对象识别方法、装置、电子设备及存储介质 | |
CN107194396A (zh) | 国土资源视频监控系统中基于特定违章建筑识别预警方法 | |
CN108171175B (zh) | 一种深度学习样本增强系统及其运行方法 | |
CN111898581A (zh) | 动物检测方法、装置、电子设备及可读存储介质 | |
CN108769598A (zh) | 基于行人重识别的跨摄像头视频浓缩方法 | |
CN112883921A (zh) | 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法 | |
CN106339657A (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN113822247A (zh) | 基于航拍影像的违章建筑识别方法及系统 | |
CN111091110A (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN114445780A (zh) | 裸土苫盖的检测方法及装置、识别模型的训练方法及装置 | |
CN109815936A (zh) | 一种目标对象分析方法及装置、计算机设备和存储介质 | |
CN112686172A (zh) | 机场跑道异物检测方法、装置及存储介质 | |
CN111008576A (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN114708426A (zh) | 目标检测方法、模型训练方法、装置、设备及存储介质 | |
Llopis-Castelló et al. | Automatic classification and quantification of basic distresses on urban flexible pavement through convolutional neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |