CN106845408B - 一种复杂环境下的街道垃圾识别方法 - Google Patents
一种复杂环境下的街道垃圾识别方法 Download PDFInfo
- Publication number
- CN106845408B CN106845408B CN201710044865.1A CN201710044865A CN106845408B CN 106845408 B CN106845408 B CN 106845408B CN 201710044865 A CN201710044865 A CN 201710044865A CN 106845408 B CN106845408 B CN 106845408B
- Authority
- CN
- China
- Prior art keywords
- garbage
- street
- layer
- image
- complex environment
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Abstract
本发明涉及一种街道垃圾识别方法。一种复杂环境下的街道垃圾识别方法,步骤如下:(1)首先获取街道图片并对有垃圾和没有垃圾的区域进行裁剪,构建样本集来训练深层卷积神经网络DCNN;(2)对于要检测的实时街道图片,将其与干净街道图片进行配准以及像素级作差,得到图像的变化区域,根据深层卷积神经网络DCNN的输出向量来判断该区域是否为垃圾,如果是垃圾,则在实时图像上进行标记。本发明能在尽量不遗漏垃圾目标的同时,有效抑制复杂环境以及光照变化等干扰因素所导致的误检测,实现复杂环境下的全天候街道垃圾识别。
Description
技术领域
本发明属于计算机视觉与机器学习领域,尤其涉及一种街道垃圾识别方法。
背景技术
随着社会经济水平的迅速发展,居民生活水平明显提高,商品消费量迅速增加,垃圾的排出量也随之增加,不仅污染环境,也影响城市美观。
目前,针对街道垃圾的处理方式主要是环卫工人定时巡视与清扫,由于垃圾的产生没有固定的时间和空间规律,所以这种方法容易造成清扫不及时或者巡视一番并没有发现垃圾,从而浪费人力,并且不能保障城市卫生和形象。因此采用一种能够远程实时监视街道垃圾情况并实现垃圾定位的方法显得格外迫切并且有价值。
现有的街道垃圾识别方法,例如中国专利文献号CN106203498A,公开了一种基于深度学习框架的城市场景垃圾检测方法:具体包括构建数据集,使用深度学习框架caffe选择并训练模型,最后利用训练好的模型对城市图像进行自动垃圾识别。该方法实现了全天候地监测和检测城市无序垃圾情况,但这种方法是对整个图像进行检测,由于深度学习网络错误率始终不可能为0,因此检测非垃圾的对象越多,出现误检测的几率越大,且城市场景极其复杂,经常会有类似垃圾但不是垃圾的静态物体出现在背景中,无疑会给这种方法带来大量误检测。
因此,在复杂环境下的街道垃圾识别的过程中,有效地分离目标与背景,尽可能缩小检测范围,是非常有效且必要的。
发明内容
本发明的目的是公开一种尽量不遗漏垃圾目标的同时,有效抑制复杂环境以及光照变化等干扰因素所导致的误检测,实现复杂环境下的全天候街道垃圾识别的方法。
本发明通过以下技术方案来实现上述目的:一种复杂环境下的街道垃圾识别方法,步骤如下:(1)首先获取街道图片并对有垃圾和没有垃圾的区域进行裁剪,构建样本集来训练深层卷积神经网络DCNN;(2)对于要检测的实时街道图片,将其与干净街道图片进行配准以及像素级作差,得到图像的变化区域,实现目标与背景的分离并缩小检测范围,采用R-CNN算法框架,在作差后的图片上使用图像分割算法获取局部视觉突出区域,即可能出现垃圾的位置,然后将实时图像上每一个可能出现垃圾的区域内的图像数据输入训练好的深层卷积神经网络DCNN进行识别,根据深层卷积神经网络DCNN的输出向量来判断该区域是否为垃圾,如果是垃圾,则在实时图像上进行标记。
进一步地,所述构建样本集是指将图像中标记过的垃圾区域裁切出来,在裁切下来的图像块中垃圾面积要超过50%,作为正样本,同时裁切图像中的典型非垃圾区域,作为负样本,将正负样本图片归一化到相同大小。
更进一步地,所述配准做差是指使用SIFT算法对实时图像与同一个街道场景的干净图像进行特征点提取、匹配并解出变换矩阵,利用变换矩阵将两幅图像调整到同一基准面上,然后将对应位置像素的R、G、B三个通道进行做差,获取作差图片。SIFT算法所提取的特征点具有旋转,缩放,亮度不变性,对视角变化也具有一定的稳定性,保证了图像抖动时垃圾识别功能的稳定运行。
更进一步地,所述图像分割算法采用的是selective search,通过该算法直接得到可能出现垃圾的局部视觉突出区域,大幅缩小了检测范围,与传统的使用滑动窗口对整幅图像进行检测的策略相比,本发明中首先通过selective search获得可能区域,再对可能区域进行检测的方法,计算量更小,更节省时间。
更进一步地,训练DCNN模型的具体步骤如下:
A1:构建DCNN模型,所述DCNN模型由四个卷积层,两个平均池化层,一个最大池化层以及一个全连接层组成,每个卷积层采用RELU函数作为激活函数。
A2:对DCNN模型的连接权值进行随机初始化。
A3:将正、负样本混合在一起,并随机打乱顺序。将混合之后的数据集分成两份,分别为训练集和测试集。训练集数据量占总数据量的80%,测试集数据量占总数据量的20%。
A4:将训练集输入DCNN模型,设置学习率和最大迭代次数,使用反向传播算法,调整网络中神经元之间的连接权值,使损失函数的值最小。每调整一次网络权值,使用测试集进行验证,保留测试精度最高的网络权值参数,作为DCNN模型最终的连接权值。
更进一步地,所述DCNN模型第一、三、五、七层均为卷积层,第二、四层为平均池化层,第六层为最大池化层,第八层为全连接层,第一至八层依次正向级联。
更进一步地,selective search目标面积参数设置为100至2000之间,目标长宽比阈值设置为3,高斯滤波参数设置为1.0。面积参数以及长宽比参数的设置尽量宽松,具有普适性,能够适应日常的街道垃圾。
更进一步地,RELU激活函数表示为f(x)=max(0,x),与传统的sigmoid激活函数和tanh激活函数相比,使用RELU激活函数可以使DCNN模型的收敛速度更快。
本发明的有益效果在于:本发明包括训练样本获取部分,配准做差部分以及R-CNN算法框架三个部分,其中将训练样本获取部分的样本集输入DCNN模型,将DCNN模型训练成一个能够识别垃圾图像的分类器,再对要检测的实时图片进行变化检测,即将其与干净街道图像进行配准做差,该操作实现了背景的分离,缩小检测范围。最后对做差后的图片使用图像分割算法得到局部视觉突出区域,获得可能出现垃圾的位置,并排除了因为光照变化等干扰因素所造成的大面积图像变化区域,然后利用前面训练好的DCNN模型来对上述局部视觉突出区域进行识别。与现有技术相比,这种方法通过变化检测与局部视觉突出区域提取,逐步剔除了图像背景区域与光照变化等干扰因素造成的大面积变化区域,因此能在尽量不遗漏垃圾目标的同时,有效抑制复杂环境以及光照变化等干扰因素所导致的误检测,实现复杂环境下的全天候街道垃圾识别。
附图说明
图1是本发明所述复杂环境下的街道垃圾识别方法的流程图;
图2是本发明所述DCNN模型的示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明中的一些术语解释。R-CNN算法:R-CNN算法包含selective search部分和DCNN部分,前者首先使用基于图的高效分割算法对整幅图像进行过分割,产生大量的子区域,再通过颜色、纹理、形状等指标将相似度较高的子区域两两合并,从而尽量保证物体的完整性,最后将面积超过设定范围的区域剔除,得到图像中的局部视觉突出区域,即疑似目标区域;DCNN是分类器,在本发明中的作用是判别疑似目标的类别是否为垃圾。SIFT算法:SIFT是一种检测局部尺度不变性特征点的算法,是当今计算机视觉领域中特征描述方面最热门的算法之一,它主要包括多尺度极值检测、关键点定位、计算方向、添加描述四个部分。在本发明中,通过检测实时街道图像与干净街道图像的局部尺度不变性特征点并且匹配,再使用RANSAC算法能够计算出两幅图像之间的变换矩阵,从而可以将两幅图像变换到同一个基准面上。
如图1所示,本发明通过获取街道图片构建样本集,对DCNN模型进行训练,DCNN输入为RGB三波段图像,输入尺寸为61×61×3。对于要检测的实时街道图片,将其与干净街道图片进行配准以及像素级作差,获取变化区域,采用R-CNN算法框架,在作差后的图片上使用图像分割算法得到局部视觉突出区域,即可能出现垃圾的位置,然后将实时图像上每一个可能出现垃圾的区域内的图像数据归一化到61×61×3后输入到训练好的DCNN模型进行识别,根据DCNN模型的输出向量来判断推荐框内是否为垃圾,如果是垃圾,则在实时图像上进行标记,采用矩形框将图像中的垃圾区域标记出来,如果出现多个同类垃圾连成一片的情况,则仅仅用一个大矩形框将其全部包括在内。
其中样本集中的正样本为图像中的垃圾区域裁剪所得到的图像块,且图像块中垃圾面积至少要超过50%,样本集中的负样本为图像中的典型非垃圾区域。由于正样本数量远远小于负样本,本发明将正样本进行扩增,即将每个正样本分别旋转90、180、270度,旋转之后的图像也被认为是正样本。
其中selective search目标面积参数设置为100至2000之间,目标长宽比阈值设置为3,高斯滤波参数设置为1.0。其中DCNN模型的构建与训练采用的是64位matlab环境下的深度学习工具箱Matconvnet-1.18。
在具体操作中,在不同天气,不同街道场景下拍摄街道图片(包括出现垃圾的街道以及没有垃圾的街道)共500张,其中垃圾的种类包括果皮,塑料瓶,塑料袋,纸屑等常规生活垃圾,每种垃圾出现次数大于100次。完成拍摄图片以及标记后,从图片中截取正负样本,其中正样本扩增后数量为3000张,负样本数量为6000张,并将截取出的图像长宽归一化到61,完成样本库的构建。
如图2所示,本发明所采用的DCNN模型第一、三、五、七层均为卷积层,第二、四层为平均池化层,第六层为最大池化层,第八层为全连接层,第一至八层依次正向级联。Conv1-4层用来做特征提取,其中前三个Conv操作的核大小为5,第四个Conv操作的核大小为3,所有Pooling操作的核大小都为3,Conv操作的步长都为1,Pooling操作的步长都为2,所有操作都没有进行填充。CNN卷积神经网络参数如表1所示:
表1
DCNN模型训练步骤如下:
A1:构建DCNN模型,所述DCNN模型由四个卷积层,两个平均池化层,一个最大池化层以及一个全连接层组成,每个卷积层采用RELU函数作为激活函数,该激活函数表示为f(x)=max(0,x)。
A2:对DCNN模型进行初始化,用标注差为0.05的高斯分布随机初始化网络中的连接权值。
A3:将正、负样本混合在一起,并随机打乱顺序。将混合之后的数据集分成两份,分别为训练集和测试集。训练集数据量占总数据量的80%,测试集数据量占总数据量的20%。
A4:将训练集输入DCNN模型,设置最大迭代次数为100,其中前50次迭代的学习率为0.002,第50-100次迭代的学习率为0.001。训练过程中,首先进行前向传播,得到预测类别,并计算误差,然后使用误差反向传播算法,调整网络中神经元之间的连接权值,使损失函数的值最小。每调整一次网络权值,使用测试集进行验证,保留测试精度最高的网络权值参数,作为DCNN模型最终的连接权值。
复杂环境下的街道垃圾识别方法实施如下:提前获取清扫后的干净街道图像,将要检测的街道图像与干净街道图像进行配准做差,在做差后的图像上使用selectivesearch得到可能出现垃圾的疑似区域,再把每一个疑似区域的图像归一化到61×61×3后输入到训练好的DCNN模型,进行一次前向传播,若模型输出向量中表示垃圾类别的那一位数的值最大,则将该区域判定为垃圾并在图像上用矩形框标记,反之,该区域不是垃圾。本发明能够有效抑制复杂环境以及光照变化等干扰因素所导致的误检测,实现复杂环境下的全天候街道垃圾识别,和人工巡视街道相比,大大降低了人力成本与时间成本。
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 (9)
1.一种复杂环境下的街道垃圾识别方法,其特征在于步骤如下:(1)首先获取街道图片并对有垃圾和没有垃圾的区域进行裁剪,构建样本集来训练深层卷积神经网络DCNN;(2)对于要检测的实时街道图片,将其与干净街道图片进行配准以及像素级作差,得到图像的变化区域,实现目标与背景的分离并缩小检测范围;
所述配准是指使用SIFT算法对实时图像与同一个街道场景的干净图像进行特征点检测,并匹配两幅图像中相同的特征点,通过RANSAC算法求得两幅图像之间的变换矩阵,利用变换矩阵把两幅图像调整到同一基准面上;
采用R-CNN算法框架,在作差后的图片上使用图像分割算法获取局部视觉突出区域,即可能出现垃圾的位置,然后将实时图像上每一个可能出现垃圾的区域内的图像数据输入训练好的深层卷积神经网络DCNN进行识别,根据深层卷积神经网络DCNN的输出向量来判断该区域是否为垃圾,如果是垃圾,则在实时图像上进行标记。
2.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法,其特征在于所述构建样本集是指将图像中标记过的垃圾区域裁切出来,在裁切下来的图像块中垃圾面积要超过50%,将其作为正样本,同时裁切图像中的典型非垃圾区域,作为负样本,将正负样本图片归一化到相同大小。
3.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法,其特征在于所述作差是指在同一基准面上的两幅图像中,对应位置像素的R、G、B三个通道分别进行作差并取绝对值,获取作差图片。
4.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法,其特征在于所述图像分割算法采用的是selective search,是一种层次化的、多样化的快速图像分割策略。
5.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法,其特征在于使用matlab环境下的深度学习工具Matconvnet,进行DCNN模型的构建和训练。
6.根据权利要求1所述的一种复杂环境下的街道垃圾识别方法,其特征在于训练DCNN模型的具体步骤如下:
A1:构建DCNN模型,所述DCNN模型由四个卷积层,两个平均池化层,一个最大池化层以及一个全连接层组成,每个卷积层采用RELU函数作为激活函数;
A2:对DCNN模型的连接权值进行随机初始化;
A3:将正、负样本混合在一起,并随机打乱顺序;将混合之后的数据集分成两份,分别为训练集和测试集;训练集数据量占总数据量的80%,测试集数据量占总数据量的20%;
A4:将训练集输入DCNN模型,设置学习率和最大迭代次数,使用反向传播算法,调整网络中神经元之间的连接权值,使损失函数的值最小;每调整一次网络权值,使用测试集进行验证,保留测试精度最高的网络权值参数,作为DCNN模型最终的连接权值。
7.根据权利要求6所述的一种复杂环境下的街道垃圾识别方法,其特征在于:所述DCNN模型第一、三、五、七层均为卷积层,第二、四层为平均池化层,第六层为最大池化层,第八层为全连接层,第一至八层依次正向级联。
8.根据权利要求4所述的一种复杂环境下的街道垃圾识别方法,其特征在于:selective search目标面积参数设置为100至2000之间,目标长宽比阈值设置为3,高斯滤波参数设置为1.0。
9.根据权利要求6所述的一种复杂环境下的街道垃圾识别方法,其特征在于:激活函数表示为f(x)=max(0,x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044865.1A CN106845408B (zh) | 2017-01-21 | 2017-01-21 | 一种复杂环境下的街道垃圾识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710044865.1A CN106845408B (zh) | 2017-01-21 | 2017-01-21 | 一种复杂环境下的街道垃圾识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845408A CN106845408A (zh) | 2017-06-13 |
CN106845408B true CN106845408B (zh) | 2023-09-01 |
Family
ID=59119443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710044865.1A Active CN106845408B (zh) | 2017-01-21 | 2017-01-21 | 一种复杂环境下的街道垃圾识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845408B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726726B (zh) * | 2017-10-27 | 2023-06-20 | 北京邮电大学 | 视频中的事件检测方法及装置 |
CN108319237A (zh) * | 2018-01-17 | 2018-07-24 | 湖南丰收环保科技有限公司 | 一种乡镇垃圾保洁收运一体化系统 |
CN108182455A (zh) * | 2018-01-18 | 2018-06-19 | 齐鲁工业大学 | 一种垃圾图像智能分类的方法、装置及智能垃圾桶 |
CN108335294A (zh) * | 2018-02-05 | 2018-07-27 | 贵州电网有限责任公司 | 复杂条件下的配电房异常状态图像识别方法 |
GB201804349D0 (en) * | 2018-03-19 | 2018-05-02 | Church Hill Solutions | Semi autonomous system and process for fighting littering |
CN108764154B (zh) * | 2018-05-30 | 2020-09-08 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
CN109117849A (zh) * | 2018-07-17 | 2019-01-01 | 中国铁道科学研究院集团有限公司 | 深度学习技术在车站列车运行监测预警系统的应用 |
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 |
EP3853766A1 (fr) | 2018-09-20 | 2021-07-28 | Cortexia SA | Méthode et dispositif de suivi et d'exploitation d'au moins un paramètre environnemental |
CN109087300B (zh) * | 2018-09-20 | 2020-10-16 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
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 |
CN109741377B (zh) * | 2018-11-30 | 2021-07-06 | 四川译讯信息科技有限公司 | 一种图像差异检测方法 |
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 |
CN109858331A (zh) * | 2018-12-17 | 2019-06-07 | 安徽酷哇机器人有限公司 | 自动驾驶清洁车垃圾识别清理方法 |
CN109753890B (zh) * | 2018-12-18 | 2022-09-23 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN109697469A (zh) * | 2018-12-26 | 2019-04-30 | 西北工业大学 | 一种基于一致性约束的自学习小样本遥感图像分类方法 |
CN111414926A (zh) * | 2019-01-04 | 2020-07-14 | 卓望数码技术(深圳)有限公司 | 一种智能垃圾分类方法、装置、存储介质和机器人 |
CN109948506B (zh) * | 2019-03-14 | 2023-08-01 | 南通大学 | 一种基于深度学习的多角度垃圾分类云平台 |
CN110288035B (zh) * | 2019-06-28 | 2021-05-07 | 海南树印网络科技有限公司 | 一种智能垃圾桶在线自主学习方法及系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN110781896B (zh) * | 2019-10-17 | 2022-07-19 | 暨南大学 | 一种轨道垃圾识别方法、清洁方法、系统、资源配置方法 |
CN110852420B (zh) * | 2019-11-11 | 2021-04-13 | 北京智能工场科技有限公司 | 一种基于人工智能的垃圾分类方法 |
CN111104914B (zh) * | 2019-12-23 | 2023-07-14 | 威海海洋职业学院 | 一种基于卷积神经网络的城市视觉污染物识别方法及系统 |
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 |
CN111401370B (zh) * | 2020-04-13 | 2023-06-02 | 城云科技(中国)有限公司 | 一种垃圾图像识别及任务指派管理的方法,模型及系统 |
CN111767822B (zh) * | 2020-06-23 | 2023-04-25 | 浙江大华技术股份有限公司 | 垃圾检测方法以及相关设备、装置 |
CN111754374B (zh) * | 2020-06-28 | 2021-07-20 | 黑龙江省时代资源环境工程设计有限公司 | 一种土地污染监控方法及其系统 |
CN112560863B (zh) * | 2020-12-21 | 2024-04-09 | 广东芯盾微电子科技有限公司 | 垃圾回收站地面清洁度的检测方法、系统、装置及介质 |
CN112686162B (zh) * | 2020-12-31 | 2023-12-15 | 鄂尔多斯市空港大数据运营有限公司 | 仓库环境整洁状态的检测方法、装置、设备和存储介质 |
CN113420730B (zh) * | 2021-08-23 | 2021-12-07 | 深圳市维度数据科技股份有限公司 | 基于计算机视觉的环境卫生监测方法及设备 |
CN113867404B (zh) * | 2021-11-05 | 2024-02-09 | 交通运输部天津水运工程科学研究所 | 一种基于无人机的海滩垃圾巡检方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1691065A (zh) * | 2004-04-23 | 2005-11-02 | 中国科学院计算技术研究所 | 一种视频运动对象分割方法 |
JP2006048292A (ja) * | 2004-08-03 | 2006-02-16 | Sony Corp | 動き検出装置、動き検出方法、およびプログラム |
CN105022990A (zh) * | 2015-06-29 | 2015-11-04 | 华中科技大学 | 一种基于无人艇应用的水面目标快速检测方法 |
CN105631398A (zh) * | 2014-11-24 | 2016-06-01 | 三星电子株式会社 | 识别对象的方法和设备以及训练识别器的方法和设备 |
CN105809693A (zh) * | 2016-03-10 | 2016-07-27 | 西安电子科技大学 | 基于深度神经网络的sar图像配准方法 |
-
2017
- 2017-01-21 CN CN201710044865.1A patent/CN106845408B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1691065A (zh) * | 2004-04-23 | 2005-11-02 | 中国科学院计算技术研究所 | 一种视频运动对象分割方法 |
JP2006048292A (ja) * | 2004-08-03 | 2006-02-16 | Sony Corp | 動き検出装置、動き検出方法、およびプログラム |
CN105631398A (zh) * | 2014-11-24 | 2016-06-01 | 三星电子株式会社 | 识别对象的方法和设备以及训练识别器的方法和设备 |
CN105022990A (zh) * | 2015-06-29 | 2015-11-04 | 华中科技大学 | 一种基于无人艇应用的水面目标快速检测方法 |
CN105809693A (zh) * | 2016-03-10 | 2016-07-27 | 西安电子科技大学 | 基于深度神经网络的sar图像配准方法 |
Non-Patent Citations (1)
Title |
---|
基于图像的城市场景垃圾自动检测;魏书法;程章林;;集成技术(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106845408A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN106778835B (zh) | 融合场景信息和深度特征的遥感图像机场目标识别方法 | |
CN109190752A (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN106991370B (zh) | 基于颜色和深度的行人检索方法 | |
CN105718912B (zh) | 一种基于深度学习的车辆特征物检测方法 | |
CN103870597B (zh) | 一种无水印图片的搜索方法及装置 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN104850850A (zh) | 一种结合形状和颜色的双目立体视觉图像特征提取方法 | |
CN107507170A (zh) | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 | |
CN106934455B (zh) | 基于cnn的遥感影像光学适配结构选取方法及系统 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN108549901A (zh) | 一种基于深度学习的快速迭代目标检测方法 | |
CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
CN105023027A (zh) | 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN113065486A (zh) | 适用于河道的漂浮物识别方法与系统、设备、介质 | |
CN108694716B (zh) | 一种工件检测方法、模型训练方法及设备 | |
CN114005081A (zh) | 一种烟丝异物智能检测装置及方法 | |
CN107886065A (zh) | 一种混合字体的数字序列识别方法 | |
Sebsadji et al. | Robust road marking extraction in urban environments using stereo images | |
CN109615610B (zh) | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |