CN106875061A - 一种目标路径确定的方法以及相关装置 - Google Patents
一种目标路径确定的方法以及相关装置 Download PDFInfo
- Publication number
- CN106875061A CN106875061A CN201710090649.0A CN201710090649A CN106875061A CN 106875061 A CN106875061 A CN 106875061A CN 201710090649 A CN201710090649 A CN 201710090649A CN 106875061 A CN106875061 A CN 106875061A
- Authority
- CN
- China
- Prior art keywords
- dustbin
- image
- pending
- saturation value
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000004148 unit process Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 14
- 239000002699 waste material Substances 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种目标路径确定的方法,包括:获取待处理垃圾箱图像;采用预置训练模型对待处理垃圾箱图像进行处理,预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;根据预置训练模型的处理结果,从待处理垃圾箱图像中确定目标垃圾箱图像;根据目标垃圾箱图像确定目标路径。本发明还提供一种目标路径确定装置。本发明实施例中一方面采用预置训练模型判断垃圾箱的装满程度,可以不受风向和温度等外界因素的影响,有利于提升探测的准确性,另一方面,可以预先构建出回收路径,减少了垃圾回收车的出行次数和路线距离,有利于提升回收的效率,并且避免了人力和资源的浪费。
Description
技术领域
本发明涉及计算机处理领域,尤其涉及一种目标路径确定的方法以及相关装置。
背景技术
随着我国社会经济的快速发展城市化进程的加快以及人民生活水平的迅速提高,城市生产与生活过程中产生的垃圾废物也随之迅速增加,生活垃圾占用土地,污染环境的状况以及对人们健康的影响也越加明显。如何更高效地回收和处理垃圾也成为各界所关注的焦点。
在回收垃圾的过程中,通常由垃圾车按照固定的路线去探测垃圾,然后将探测到垃圾进行回收。目前,垃圾车对垃圾的探测主要依赖于传感器,例如采用超声波传感器对垃圾进行探测,首先通过发射出特征频率的超声波和接收到该特征频率的超声波计算传输时间,然后利用传输时间得到相应的距离,从而探测到垃圾所在的位置,最后根据垃圾的位置来设计回收路径。
然而,由于超声波传感器所发射的超声波速度容易受到风向和温度的干扰,因此在实际的距离计算中会存在较大的误差。同时,不同的垃圾对超声波的吸收情况也各异,从而不利于探测的准确性,于是在为垃圾回收车规划回收路径时,可能会因为探测准确性较低而增加垃圾回收车的出行次数以及增加路线距离。
发明内容
本发明实施例提供了一种目标路径确定的方法以及相关装置,一方面采用预置训练模型判断垃圾箱的装满程度,可以不受风向和温度等外界因素的影响,有利于提升探测的准确性,另一方面,可以预先构建出回收路径,减少了垃圾回收车的出行次数和路线距离,有利于提升回收的效率,并且避免了人力和资源的浪费。
有鉴于此,本发明第一方面提供一种目标路径确定的方法,包括:
获取待处理垃圾箱图像;
采用预置训练模型对所述待处理垃圾箱图像进行处理,其中,所述预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,所述垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;
根据所述预置训练模型的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像;
根据所述目标垃圾箱图像确定目标路径,所述目标路径用于确定待处理垃圾的收集路线。
结合本发明实施例的第一方面,在第一种可能的实现方式中,所述采用预置训练模型对所述待处理垃圾箱图像进行处理之前,所述方法还包括:
获取待训练垃圾箱图像集合,其中,所述待训练垃圾箱图像集合中包含多个所述样本垃圾箱图像;
根据每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值;
根据每个所述样本垃圾箱图像所对应的所述垃圾箱饱和值获取所述预置训练模型。
结合本发明实施例的第一方面的第一种可能实现方式,在第二种可能的实现方式中,所述根据每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值,包括:
采用线性滤波器对所述样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像;
采用非线性激活函数对所述多个卷积样本垃圾箱图像进行计算,并分别获取每个所述样本垃圾箱图像对应的所述垃圾箱饱和值。
结合本发明实施例的第一方面、第一方面的第一种或第二种可能实现方式,在第三种可能的实现方式中,所述采用预置训练模型对所述待处理垃圾箱图像进行处理之后,所述方法还包括:
获取所述待处理垃圾箱图像所对应的所述垃圾箱饱和值;
所述根据所述预置训练模型的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像,包括:
根据所述垃圾箱饱和值判断至少一个所述待处理垃圾箱图像中所述垃圾箱饱和值大于或等于预设门限的所述待处理垃圾箱图像;
将所述垃圾箱饱和值大于或等于所述预设门限的所述待处理垃圾箱图像确定为所述目标垃圾箱图像。
结合本发明实施例的第一方面,在第四种可能的实现方式中,所述根据所述目标垃圾箱图像确定目标路径,包括:
当存在至少一个目标垃圾箱时,分别获取每个目标垃圾箱所对应的位置信息,所述目标垃圾箱与所述目标垃圾箱图像一一对应;
分别获取所述每个目标垃圾箱所对应的所述垃圾箱饱和值;
按照所述垃圾箱饱和值从高到低的次序依次排列所述至少一个目标垃圾箱,并获取所述至少一个目标垃圾箱所对应的饱和值排列次序;
根据所述饱和值排列次序以及所述位置信息确定所述目标路径。
本发明第二方面提供一种目标路径确定装置,包括:
第一获取模块,用于获取待处理垃圾箱图像;
处理模块,用于采用预置训练模型对所述第一获取模块获取的所述待处理垃圾箱图像进行处理,其中,所述预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,所述垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;
第一确定模块,用于根据所述处理模块采用所述预置训练模型得到的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像;
第二确定模块,用于根据所述第一确定模块确定的所述目标垃圾箱图像确定目标路径,所述目标路径用于确定待处理垃圾的收集路线。
结合本发明实施例的第二方面,在第一种可能的实现方式中,所述装置还包括:
第二获取模块,用于所述处理模块采用预置训练模型对所述待处理垃圾箱图像进行处理之前,获取待训练垃圾箱图像集合,其中,所述待训练垃圾箱图像集合中包含多个所述样本垃圾箱图像;
第三确定模块,用于根据所述第二获取模块获取的每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值;
第三获取模块,用于根据所述第三确定模块确定的每个所述样本垃圾箱图像所对应的所述垃圾箱饱和值获取所述预置训练模型。
结合本发明实施例的第二方面的第一种可能实现方式,在第二种可能的实现方式中,所述第三确定模块包括:
卷积单元,用于采用线性滤波器对所述样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像;
计算单元,用于采用非线性激活函数对所述卷积单元卷积处理的所述多个卷积样本垃圾箱图像进行计算,并分别获取每个所述样本垃圾箱图像对应的所述垃圾箱饱和值。
结合本发明实施例的第二方面、第二方面的第一种或第二种可能实现方式,在第三种可能的实现方式中,所述装置还包括:
第四获取模块,用于所述处理模块采用预置训练模型对所述待处理垃圾箱图像进行处理之后,获取所述待处理垃圾箱图像中所述待处理垃圾箱图像所对应的所述垃圾箱饱和值;
所述第一确定模块包括:
判断单元,用于根据所述垃圾箱饱和值判断所述待处理垃圾箱图像中所述垃圾箱饱和值大于或等于预设门限的所述待处理垃圾箱图像;
第一确定单元,用于将所述判断单元判断得到的所述垃圾箱饱和值大于或等于所述预设门限的所述待处理垃圾箱图像确定为所述目标垃圾箱图像。
结合本发明实施例的第二方面,在第四种可能的实现方式中,所述第二确定模块包括:
第一获取单元,当存在至少一个目标垃圾箱时,分别获取每个目标垃圾箱所对应的位置信息,所述目标垃圾箱与所述目标垃圾箱图像一一对应;
第二获取单元,分别获取所述每个目标垃圾箱所对应的所述垃圾箱饱和值;
排列单元,用于按照所述第二获取单元获取的所述垃圾箱饱和值从高到低的次序依次排列所述至少一个目标垃圾箱,并获取所述至少一个目标垃圾箱所对应的饱和值排列次序;
第二确定单元,用于根据所述排列单元排列的所述饱和值排列次序以及所述第一获取单元获取的所述位置信息确定所述目标路径。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,提供了一种目标路径确定的方法,首先获取至少一个待处理垃圾箱图像,然后采用预置训练模型对至少一个待处理垃圾箱图像进行处理,其中,预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度,再根据该预置训练模型的处理结果,从至少一个所述待处理垃圾箱图像中确定目标垃圾箱图像,最后根据目标垃圾箱图像确定目标路径,其中,目标路径用于确定待处理垃圾的收集路线。通过上述方式,可以利用预置训练模型来得到待处理垃圾箱图像的装满程度,把装满程度满足条件的待处理垃圾箱图像作为目标垃圾箱图像,从而能够预先根据目标垃圾箱图像构建出垃圾回收车的回收路径,一方面采用预置训练模型判断垃圾箱的装满程度,可以不受风向和温度等外界因素的影响,有利于提升探测的准确性,另一方面,可以预先构建出回收路径,减少了垃圾回收车的出行次数和路线距离,有利于提升回收的效率,并且避免了人力和资源的浪费。
附图说明
图1为本发明实施例中目标路径确定的架构图;
图2为本发明实施例中目标路径确定的方法一个实施例示意图;
图3为本发明实施例中获取预置训练模型的一个网络架构图;
图4为本发明应用场景中目标路径确定的一个流程示意图;
图5为本发明实施例中目标路径确定装置一个实施例示意图;
图6为本发明实施例中目标路径确定装置另一个实施例示意图;
图7为本发明实施例中目标路径确定装置另一个实施例示意图;
图8为本发明实施例中目标路径确定装置另一个实施例示意图;
图9为本发明实施例中目标路径确定装置另一个实施例示意图。
具体实施方式
本发明实施例提供了一种目标路径确定的方法以及相关装置,一方面采用预置训练模型判断垃圾箱的装满程度,可以不受风向和温度等外界因素的影响,有利于提升探测的准确性,另一方面,可以预先构建出回收路径,减少了垃圾回收车的出行次数和路线距离,有利于提升回收的效率,并且避免了人力和资源的浪费。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解,本发明主要应用于垃圾回收系统,且在垃圾回收系统中可分布有大量的垃圾箱,请参阅图1,图1为本发明实施例中目标路径确定的架构图,如图所示,假设某个区域中分布有5个垃圾箱,这些垃圾箱的装满程度分为为16%、25%、15%、85%以及92%,可以根据垃圾箱的装满程度为垃圾车构建回收路径。也就是说,当垃圾箱处于较满的状态时,垃圾车会优先去采集这些垃圾箱中的垃圾,而当垃圾箱处于较空的状态时,垃圾车可以选择不去采集这些垃圾箱中的垃圾,或者在优先采集完较满的垃圾箱之后再去采集较空的垃圾箱。
下面将对本发明中目标路径确定的方法进行介绍,请参阅图2,本发明实施例中目标路径确定的方法一个实施例包括:
101、获取待处理垃圾箱图像;
本实施例中,目标路径确定装置包含至少一个摄像头,该摄像头用于拍摄至少一个待处理垃圾箱图像。其中,待处理垃圾箱图像中可以包含至少一个垃圾箱所对应的图像,比如拍摄到垃圾箱A、垃圾箱B和垃圾箱C的图像,待处理垃圾箱图像也可以包含对同一个垃圾箱拍摄的至少一幅图像,例如拍摄到垃圾箱A的正视图、俯视图和左视图。
102、采用预置训练模型对待处理垃圾箱图像进行处理,其中,预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;
本实施例中,将获取到的至少一个待处理垃圾箱图像输入至预置训练模型,由预置训练模型对每个待处理垃圾箱图像进行处理,并输出相应的处理结果。
其中,预置训练模型是多个样本垃圾箱图像与其对应的垃圾箱饱和值之间的函数关系模型,而垃圾箱饱和值具体用于表示垃圾箱内垃圾装满的程度,可以用百分比表示,例如50%或者29%等,此外,垃圾箱饱和值还可以用等级来表示,例如采用第一级别至第五级别来表示,第一级别可以是垃圾箱内垃圾装满程度为大于或等于0%且小于20%;第二级别可以是垃圾箱内垃圾装满程度为大于或等于20%且小于40%;第三级别可以是垃圾箱内垃圾装满程度为大于或等于40%且小于60%;第四级别可以是垃圾箱内垃圾装满程度为大于或等于60%且小于80%;第五级别可以是垃圾箱内垃圾装满程度为大于或等于80%且小于或等于100%。
103、根据预置训练模型的处理结果,从待处理垃圾箱图像中确定目标垃圾箱图像;
本实施例中,在目标路径确定装置根据预置训练模型得到各个待处理垃圾箱图像分别对应的处理结果之后,按照预先设置的条件从至少一个待处理垃圾箱图像中确定至少一个目标垃圾箱图像,因此,目标垃圾箱的个数必然小于或者等于待处理垃圾箱的个数。
104、根据目标垃圾箱图像确定目标路径,目标路径用于确定待处理垃圾的收集路线。
本实施例中,最后,目标路径确定装置在获取到至少一个目标垃圾箱图像之后,可以进一步根据目标垃圾箱图像确定目标垃圾箱所在的位置,从而根据目标垃圾箱的具体位置确定目标路径,使得垃圾回收车在回收垃圾时,能够按照该目标路径去收集每个目标垃圾箱中的垃圾。
本发明实施例中,提供了一种目标路径确定的方法,首先获取至少一个待处理垃圾箱图像,然后采用预置训练模型对至少一个待处理垃圾箱图像进行处理,其中,预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度,再根据该预置训练模型的处理结果,从至少一个所述待处理垃圾箱图像中确定目标垃圾箱图像,最后根据目标垃圾箱图像确定目标路径,其中,目标路径用于确定待处理垃圾的收集路线。通过上述方式,可以利用预置训练模型来得到待处理垃圾箱图像的装满程度,把装满程度满足条件的待处理垃圾箱图像作为目标垃圾箱图像,从而能够预先根据目标垃圾箱图像构建出垃圾回收车的回收路径,一方面采用预置训练模型判断垃圾箱的装满程度,可以不受风向和温度等外界因素的影响,有利于提升探测的准确性,另一方面,可以预先构建出回收路径,减少了垃圾回收车的出行次数和路线距离,有利于提升回收的效率,并且避免了人力和资源的浪费。
可选地,在上述图2对应的实施例的基础上,本发明实施例提供的目标路径确定的方法第一个可选实施例中,采用预置训练模型对待处理垃圾箱图像进行处理之前,所述方法还包括:
获取待训练垃圾箱图像集合,其中,待训练垃圾箱图像集合中包含多个样本垃圾箱图像;
根据每个样本垃圾箱图像确定对应的垃圾箱饱和值;
根据每个样本垃圾箱图像所对应的垃圾箱饱和值获取预置训练模型。
本实施例中,将介绍目标路径确定装置训练得到预置训练模型的方式。具体地,首先目标路径确定装置获取待训练垃圾箱图像集合,该集合中包含多个样本垃圾箱图像,采用深度学习的方法获取每个样本垃圾图像对应的垃圾箱饱和值。
其中,深度学习是机器学习的一个分支,它是使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习也是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一个样本垃圾箱图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示一系列边,或者一系列特定形状的区域等,此处不做限定。而使用某些特定的标识方法更容易从实例中进行学习,例如,垃圾装满程度识别或者垃圾类别的识别等。
最后,在利用深度学习的方法获取到每个样本垃圾图像对应的垃圾箱饱和值之后,就可以建立预置训练模型,该预置训练模型中包含了样本垃圾箱图像与垃圾箱饱和值之间的对应关系。
此外,采用深度学习的一个好处是,可以用非监督式或半监督式的特征学习以及分层特征提取高效算法来代替手工提取特征,从而提升特征提取效率,也就能够更快地获取到不同样本垃圾箱图像确定对应的垃圾箱饱和值。
其次,本发明实施例中,在采用预置训练模型对待处理垃圾箱图像进行处理之前,还需要预先训练得到预置训练模型,即先获取对大量的样本垃圾箱图像,然后得到每个样本垃圾箱图像对应的垃圾箱饱和值,最后根据每个样本垃圾箱图像所对应的垃圾箱饱和值训练得到预置训练模型。通过上述方式,可以训练得到更准确的预置训练模型,为后续利用该预置训练模型对待处理垃圾箱图像进行处理提供了可行的依据,与此同时,通过对实际的样本垃圾箱图像进行学习能够有效地提高模型训练的准确度,对于样本垃圾箱图像而言也包含了大量的多为数据,可供进行数据挖掘,从而提升方案的实用性和可操作性。
可选地,在上述图2对应的第一个实施例的基础上,本发明实施例提供的目标路径确定的方法第二个可选实施例中,根据每个样本垃圾箱图像确定对应的垃圾箱饱和值,可以包括:
采用线性滤波器对样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像;
采用非线性激活函数对多个卷积样本垃圾箱图像进行计算,并分别获取每个样本垃圾箱图像对应的垃圾箱饱和值。
本实施例中,将详细介绍如何利用深度学习的方法来确定每个样本垃圾箱图像所对应的垃圾箱饱和值。
具体地,请参阅图3,图3为本发明实施例中获取预置训练模型的一个网络架构图,其中,该网络架构具体为卷积神经网络(Convolutional Neuron Netwworks,CNN),CNN是由一个或多个卷积层和顶端的全连接层组成,同时也包括关联权重层和池化层,这一结构使得CNN能够利用输入数据的二维结构进行训练。
首先可以设计CNN架构,即包括总层数、卷积层数、池化层数、卷积层感受野大小和池化层步长等,网络相关参数请参阅表1。
表1
其中,每个采用线性滤波器对样本垃圾箱图像进行卷积处理后的卷积层都会连接非线性激活函数,具体可以为f(x)=max(0,x)。可以理解的是,非线性激活函数具体可以为修正的线性单位(Rectified Linear Units,ReLu)激活函数,最后通过非线性激活函数输出每个样本垃圾箱图像对应的垃圾箱饱和值,还可以进一步根据垃圾箱饱和值分类成若干个饱和程度,例如,可以分为五个饱和程度,分别为“空”、“20%满”、“50%满”、“80%满”以及“已满”。
需要说明的是,饱和程度的类别可以根据实际情况进行设定,上述仅为一个示意,并不应理解为对本发明的限定。
使用大型公开图像数据库训练CNN,其中,大型公开图像数据库中包含了大量样本垃圾箱图像,采用反向传播算法更新参数p10,以p0作为样本垃圾箱图像的训练初始值。接着收集垃圾箱满度图像来训练网络,对CNN设定N=5个饱和程度。将输出层更换为输出层N维向量,同样采用反向传播算法将p10更新为p11。
在对待处理垃圾箱图像进行检测和判别时,先将待处理垃圾箱图像通过该CNN,然后CNN就能够输出对应的垃圾箱饱和值,还可以进一步输出该垃圾箱饱和值所对应的饱和程度类别。
再次,本发明实施例中,根据每个样本垃圾箱图像确定对应的垃圾箱饱和值,可以是先采用线性滤波器对样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像,然后采用非线性激活函数对多个卷积样本垃圾箱图像进行计算,并分别获取每个样本垃圾箱图像对应的垃圾箱饱和值。通过上述方式,利用CNN进行图像识别,与其他深度学习结构相比,能够得到更准确的训练结果,也就是说相比于其他深度算法、前馈神经网络以及卷积神经网络需要估计的参数更少,从而提升了方案的实用性和可操作性。
可选地,在上述图2以及图2对应的第一个或第二个实施例的基础上,本发明实施例提供的目标路径确定的方法第三个可选实施例中,采用预置训练模型对待处理垃圾箱图像进行处理之后,还可以包括:
获取待处理垃圾箱图像所对应的垃圾箱饱和值;
根据预置训练模型的处理结果,从待处理垃圾箱图像中确定目标垃圾箱图像,可以包括:
根据垃圾箱饱和值判断至少一个待处理垃圾箱图像中垃圾箱饱和值大于或等于预设门限的待处理垃圾箱图像;
将垃圾箱饱和值大于或等于预设门限的待处理垃圾箱图像确定为目标垃圾箱图像。
本实施例中,目标路径确定装置采用预置训练模型对待处理垃圾箱图像进行处理之后,还可以进一步获取待处理垃圾箱图像所对应的垃圾箱饱和值,即处理结果为待处理垃圾箱图像所对应的垃圾箱饱和值。
具体为,首先对至少一个待处理垃圾箱图像中各个待处理垃圾箱图像所对应的垃圾箱饱和值进行判断,即判断每个垃圾箱饱和值是否大于或者等于预设门限,若是,则将该待处理垃圾箱图像确定为目标垃圾图像,直到将所有的待处理垃圾箱图像都判断完毕,最后就能获取到至少一个目标垃圾箱图像。其中,目标垃圾箱图像与目标垃圾箱具有对应关系,且待处理垃圾箱图像与待处理垃圾箱也具有对应关系,该对应关系具体可以是一一对应的关系。
需要说明的是,预设门限可以是垃圾箱饱和值为50%,也可以是垃圾箱饱和值为80%,还可以是根据实际情况设定的其他垃圾箱饱和值,此处不做限定。
进一步地,本发明实施例中,目标路径确定装置采用预置训练模型对待处理垃圾箱图像进行处理之后,还可以先获取待处理垃圾箱图像所对应的垃圾箱饱和值,然后根据各个垃圾箱饱和值判断至少一个待处理垃圾箱图像中垃圾箱饱和值大于或等于预设门限的待处理垃圾箱图像,再将垃圾箱饱和值大于或等于预设门限的待处理垃圾箱图像确定为目标垃圾箱图像。通过上述方式,能够按照一定规则来选择合乎要求的目标垃圾箱,即不会针对所有垃圾箱都进行清理,而是对垃圾箱饱和值大于或等于预设门限的这些垃圾箱进行清理即可,从而进一步节省了回收的人力成本,同时也节约了回收的时间。
可选地,在上述图2对应的实施例的基础上,本发明实施例提供的目标路径确定的方法第四个可选实施例中,根据目标垃圾箱图像确定目标路径,可以包括:
当存在至少一个目标垃圾箱时,分别获取每个目标垃圾箱所对应的位置信息,目标垃圾箱与目标垃圾箱图像一一对应;
分别获取每个目标垃圾箱所对应的垃圾箱饱和值;
按照垃圾箱饱和值从高到低的次序依次排列至少一个目标垃圾箱,并获取至少一个目标垃圾箱所对应的饱和值排列次序;
根据饱和值排列次序以及位置信息确定目标路径。
本实施例中,在目标路径确定装置确定目标路径的过程中,具体可以有如下两种处理方式:
第一种方式为,当只存在一个目标垃圾箱图像时,即只存在一个目标垃圾箱,那么只需要直接去回收该目标垃圾箱中的垃圾即可,目标路径即为垃圾回收车到该目标垃圾箱的路径。
第二种方式为,当存在多个目标垃圾箱图像时,即存在多个目标垃圾箱,那么可以分别获取每个目标垃圾箱所对应的位置信息,位置信息具体可以经纬度信息或者三维坐标信息等,此处不做限定。与此同时,目标路径确定装置还需要分别去获取每个目标垃圾箱所对应的垃圾箱饱和值。假设有目标垃圾箱A、目标垃圾箱B、目标垃圾箱C、目标垃圾箱D和目标垃圾箱E,此时分别得到这五个目标垃圾箱的垃圾箱饱和值,具体请参阅表2:
表2
目标垃圾箱编号 | 垃圾箱饱和值 |
目标垃圾箱A | 16% |
目标垃圾箱B | 8% |
目标垃圾箱C | 77% |
目标垃圾箱D | 50% |
目标垃圾箱E | 83% |
从表2可知,按照垃圾箱饱和值从高到低的次序依次排列这五个目标垃圾箱,所获取到饱和值排列次序即为目标垃圾箱E→目标垃圾箱C→目标垃圾箱D→目标垃圾箱A→目标垃圾箱B,于是按照该饱和值排列次序以及各个目标垃圾箱所对应的位置信息,就能够规划出目标路径。
其次,本发明实施例中,当存在至少一个目标垃圾箱时,首先分别获取每个目标垃圾箱所对应的位置信息,同时分别获取每个目标垃圾箱所对应的垃圾箱饱和值,然后按照垃圾箱饱和值从高到低的次序依次排列至少一个目标垃圾箱,并且获取至少一个目标垃圾箱所对应的饱和值排列次序,最后根据饱和值排列次序以及位置信息确定目标路径。通过上述方式,可以垃圾箱饱和值从高到低的顺序来回收各个垃圾箱中的垃圾,这样就可以优先清理有较多垃圾的垃圾箱,从而使得垃圾箱能够得到及时的清理,提升方案的实用性和可行性。
为便于理解,下面还可以以一个具体应用场景对本发明中目标路径确定的过程进行详细描述,请参阅图4,图4为本发明应用场景中目标路径确定的一个流程示意图,具体为:
步骤201中,在分布有大量垃圾箱的区域中部署目标路径确定装置,该目标路径确定装置中包含至少一个摄像头,摄像头可以拍摄区域中的至少一个待处理垃圾箱图像;
步骤202中,由目标路径确定装置采用预置训练模型在后台对至少一个待处理垃圾箱图像进行处理,并得到处理结果;
步骤203中,根据步骤202中得到的处理结果,可以检测到每个待处理垃圾箱图像对应的垃圾箱饱和值;
步骤204中,分别判断每个待处理垃圾箱图像所对应的垃圾箱饱和值是否大于预设门限,若该待处理垃圾箱图像对应的垃圾箱饱和值大于预设门限,则进入步骤205,反之,如果该待处理垃圾箱图像对应的垃圾箱饱和值小于或者等于预设门限,则进入步骤206;
步骤205中,将所有垃圾箱饱和值大于预设门限的待处理垃圾箱图像作为目标垃圾箱图像,然后获取每个目标垃圾箱图像所对应的实际位置,最后根据每个目标垃圾箱图像的实际位置来构建回收路径;
步骤206中,将所有垃圾箱饱和值小于或者等于预设门限的待处理垃圾箱图像非目标垃圾箱图像,并且对非目标垃圾箱图像所对应的垃圾箱不予以回收。
下面对本发明中的目标路径确定装置进行详细描述,请参阅图5,本发明实施例中的目标路径确定装置30包括:
第一获取模块301,用于获取待处理垃圾箱图像;
处理模块302,用于采用预置训练模型对所述第一获取模块301获取的所述待处理垃圾箱图像进行处理,其中,所述预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,所述垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;
第一确定模块303,用于根据所述处理模块302采用所述预置训练模型得到的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像;
第二确定模块304,用于根据所述第一确定模块303确定的所述目标垃圾箱图像确定目标路径,所述目标路径用于确定待处理垃圾的收集路线。
本实施例中,第一获取模块301获取待处理垃圾箱图像,处理模块302采用预置训练模型对所述第一获取模块301获取的所述待处理垃圾箱图像进行处理,其中,所述预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,所述垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度,第一确定模块303根据所述处理模块302采用所述预置训练模型得到的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像,第二确定模块304根据所述第一确定模块303确定的所述目标垃圾箱图像确定目标路径,所述目标路径用于确定待处理垃圾的收集路线。
本发明实施例中,提供了一种目标路径确定装置,可以利用预置训练模型来得到待处理垃圾箱图像的装满程度,把装满程度满足条件的待处理垃圾箱图像作为目标垃圾箱图像,从而能够预先根据目标垃圾箱图像构建出垃圾回收车的回收路径,一方面采用预置训练模型判断垃圾箱的装满程度,可以不受风向和温度等外界因素的影响,有利于提升探测的准确性,另一方面,可以预先构建出回收路径,减少了垃圾回收车的出行次数和路线距离,有利于提升回收的效率,并且避免了人力和资源的浪费。
可选地,在上述图5所对应的实施例的基础上,请参阅图6,本发明实施例提供的目标路径确定装置30的另一实施例中,
所述目标路径确定装置30还包括:
第二获取模块305,用于所述处理模块302采用预置训练模型对所述待处理垃圾箱图像进行处理之前,获取待训练垃圾箱图像集合,其中,所述待训练垃圾箱图像集合中包含多个所述样本垃圾箱图像;
第三确定模块306,用于根据所述第二获取模块305获取的每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值;
第三获取模块307,用于根据所述第三确定模块306确定的每个所述样本垃圾箱图像所对应的所述垃圾箱饱和值获取所述预置训练模型。
其次,本发明实施例中,在采用预置训练模型对待处理垃圾箱图像进行处理之前,还需要预先训练得到预置训练模型,即先获取对大量的样本垃圾箱图像,然后得到每个样本垃圾箱图像对应的垃圾箱饱和值,最后根据每个样本垃圾箱图像所对应的垃圾箱饱和值训练得到预置训练模型。通过上述方式,可以训练得到更准确的预置训练模型,为后续利用该预置训练模型对待处理垃圾箱图像进行处理提供了可行的依据,与此同时,通过对实际的样本垃圾箱图像进行学习能够有效地提高模型训练的准确度,对于样本垃圾箱图像而言也包含了大量的多为数据,可供进行数据挖掘,从而提升方案的实用性和可操作性。
可选地,在上述图6所对应的实施例的基础上,请参阅图7,本发明实施例提供的目标路径确定装置30的另一实施例中,
所述第三确定模块306包括:
卷积单元3061,用于采用线性滤波器对所述样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像;
计算单元3062,用于采用非线性激活函数对所述卷积单元3061卷积处理的所述多个卷积样本垃圾箱图像进行计算,并分别获取每个所述样本垃圾箱图像对应的所述垃圾箱饱和值。
再次,本发明实施例中,根据每个样本垃圾箱图像确定对应的垃圾箱饱和值,可以是先采用线性滤波器对样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像,然后采用非线性激活函数对多个卷积样本垃圾箱图像进行计算,并分别获取每个样本垃圾箱图像对应的垃圾箱饱和值。通过上述方式,利用CNN进行图像识别,与其他深度学习结构相比,能够得到更准确的训练结果,也就是说相比于其他深度算法、前馈神经网络以及卷积神经网络需要估计的参数更少,从而提升了方案的实用性和可操作性。
可选地,在上述图5、图6或图7所对应的实施例的基础上,请参阅图8,本发明实施例提供的目标路径确定装置30的另一实施例中,
所述目标路径确定装置30还包括:
第四获取模块308,用于所述处理模块302采用预置训练模型对所述待处理垃圾箱图像进行处理之后,获取所述待处理垃圾箱图像中所述待处理垃圾箱图像所对应的所述垃圾箱饱和值;
所述第一确定模块303包括:
判断单元3031,用于根据所述垃圾箱饱和值判断所述待处理垃圾箱图像中所述垃圾箱饱和值大于或等于预设门限的所述待处理垃圾箱图像;
第一确定单元3032,用于将所述判断单元3031判断得到的所述垃圾箱饱和值大于或等于所述预设门限的所述待处理垃圾箱图像确定为所述目标垃圾箱图像。
进一步地,本发明实施例中,目标路径确定装置采用预置训练模型对待处理垃圾箱图像进行处理之后,还可以先获取待处理垃圾箱图像所对应的垃圾箱饱和值,然后根据各个垃圾箱饱和值判断至少一个待处理垃圾箱图像中垃圾箱饱和值大于或等于预设门限的待处理垃圾箱图像,再将垃圾箱饱和值大于或等于预设门限的待处理垃圾箱图像确定为目标垃圾箱图像。通过上述方式,能够按照一定规则来选择合乎要求的目标垃圾箱,即不会针对所有垃圾箱都进行清理,而是对垃圾箱饱和值大于或等于预设门限的这些垃圾箱进行清理即可,从而进一步节省了回收的人力成本,同时也节约了回收的时间。
可选地,在上述图5所对应的实施例的基础上,请参阅图9,本发明实施例提供的目标路径确定装置30的另一实施例中,
所述第二确定模块304包括:
第一获取单元3041,当存在至少一个目标垃圾箱时,分别获取每个目标垃圾箱所对应的位置信息,所述目标垃圾箱与所述目标垃圾箱图像一一对应;
第二获取单元3042,分别获取所述每个目标垃圾箱所对应的所述垃圾箱饱和值;
排列单元3043,用于按照所述第二获取单元3042获取的所述垃圾箱饱和值从高到低的次序依次排列所述至少一个目标垃圾箱,并获取所述至少一个目标垃圾箱所对应的饱和值排列次序;
第二确定单元3044,用于根据所述排列单元3043排列的所述饱和值排列次序以及所述第一获取单元3041获取的所述位置信息确定所述目标路径。
其次,本发明实施例中,当存在至少一个目标垃圾箱时,首先分别获取每个目标垃圾箱所对应的位置信息,同时分别获取每个目标垃圾箱所对应的垃圾箱饱和值,然后按照垃圾箱饱和值从高到低的次序依次排列至少一个目标垃圾箱,并且获取至少一个目标垃圾箱所对应的饱和值排列次序,最后根据饱和值排列次序以及位置信息确定目标路径。通过上述方式,可以垃圾箱饱和值从高到低的顺序来回收各个垃圾箱中的垃圾,这样就可以优先清理有较多垃圾的垃圾箱,从而使得垃圾箱能够得到及时的清理,提升方案的实用性和可行性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种目标路径确定的方法,其特征在于,包括:
获取待处理垃圾箱图像;
采用预置训练模型对所述待处理垃圾箱图像进行处理,其中,所述预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,所述垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;
根据所述预置训练模型的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像;
根据所述目标垃圾箱图像确定目标路径,所述目标路径用于确定待处理垃圾的收集路线。
2.根据权利要求1所述的方法,其特征在于,所述采用预置训练模型对所述待处理垃圾箱图像进行处理之前,所述方法还包括:
获取待训练垃圾箱图像集合,其中,所述待训练垃圾箱图像集合中包含多个所述样本垃圾箱图像;
根据每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值;
根据每个所述样本垃圾箱图像所对应的所述垃圾箱饱和值获取所述预置训练模型。
3.根据权利要求2所述的方法,其特征在于,所述根据每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值,包括:
采用线性滤波器对所述样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像;
采用非线性激活函数对所述多个卷积样本垃圾箱图像进行计算,并分别获取每个所述样本垃圾箱图像对应的所述垃圾箱饱和值。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述采用预置训练模型对所述待处理垃圾箱图像进行处理之后,所述方法还包括:
获取所述待处理垃圾箱图像所对应的所述垃圾箱饱和值;
所述根据所述预置训练模型的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像,包括:
根据所述垃圾箱饱和值判断至少一个所述待处理垃圾箱图像中所述垃圾箱饱和值大于或等于预设门限的所述待处理垃圾箱图像;
将所述垃圾箱饱和值大于或等于所述预设门限的所述待处理垃圾箱图像确定为所述目标垃圾箱图像。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标垃圾箱图像确定目标路径,包括:
当存在至少一个目标垃圾箱时,分别获取每个目标垃圾箱所对应的位置信息,所述目标垃圾箱与所述目标垃圾箱图像一一对应;
分别获取所述每个目标垃圾箱所对应的所述垃圾箱饱和值;
按照所述垃圾箱饱和值从高到低的次序依次排列所述至少一个目标垃圾箱,并获取所述至少一个目标垃圾箱所对应的饱和值排列次序;
根据所述饱和值排列次序以及所述位置信息确定所述目标路径。
6.一种目标路径确定装置,其特征在于,包括:
第一获取模块,用于获取待处理垃圾箱图像;
处理模块,用于采用预置训练模型对所述第一获取模块获取的所述待处理垃圾箱图像进行处理,其中,所述预置训练模型为样本垃圾箱图像与垃圾箱饱和值的函数关系模型,所述垃圾箱饱和值用于表示垃圾箱内垃圾装满的程度;
第一确定模块,用于根据所述处理模块采用所述预置训练模型得到的处理结果,从所述待处理垃圾箱图像中确定目标垃圾箱图像;
第二确定模块,用于根据所述第一确定模块确定的所述目标垃圾箱图像确定目标路径,所述目标路径用于确定待处理垃圾的收集路线。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于所述处理模块采用预置训练模型对所述待处理垃圾箱图像进行处理之前,获取待训练垃圾箱图像集合,其中,所述待训练垃圾箱图像集合中包含多个所述样本垃圾箱图像;
第三确定模块,用于根据所述第二获取模块获取的每个所述样本垃圾箱图像确定对应的所述垃圾箱饱和值;
第三获取模块,用于根据所述第三确定模块确定的每个所述样本垃圾箱图像所对应的所述垃圾箱饱和值获取所述预置训练模型。
8.根据权利要求7所述的装置,其特征在于,所述第三确定模块包括:
卷积单元,用于采用线性滤波器对所述样本垃圾箱图像进行卷积处理,并获取到多个卷积样本垃圾箱图像;
计算单元,用于采用非线性激活函数对所述卷积单元卷积处理的所述多个卷积样本垃圾箱图像进行计算,并分别获取每个所述样本垃圾箱图像对应的所述垃圾箱饱和值。
9.根据权利要求6至8中任一项所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于所述处理模块采用预置训练模型对所述待处理垃圾箱图像进行处理之后,获取所述待处理垃圾箱图像中所述待处理垃圾箱图像所对应的所述垃圾箱饱和值;
所述第一确定模块包括:
判断单元,用于根据所述垃圾箱饱和值判断所述待处理垃圾箱图像中所述垃圾箱饱和值大于或等于预设门限的所述待处理垃圾箱图像;
第一确定单元,用于将所述判断单元判断得到的所述垃圾箱饱和值大于或等于所述预设门限的所述待处理垃圾箱图像确定为所述目标垃圾箱图像。
10.根据权利要求6所述的装置,其特征在于,所述第二确定模块包括:
第一获取单元,当存在至少一个目标垃圾箱时,分别获取每个目标垃圾箱所对应的位置信息,所述目标垃圾箱与所述目标垃圾箱图像一一对应;
第二获取单元,分别获取所述每个目标垃圾箱所对应的所述垃圾箱饱和值;
排列单元,用于按照所述第二获取单元获取的所述垃圾箱饱和值从高到低的次序依次排列所述至少一个目标垃圾箱,并获取所述至少一个目标垃圾箱所对应的饱和值排列次序;
第二确定单元,用于根据所述排列单元排列的所述饱和值排列次序以及所述第一获取单元获取的所述位置信息确定所述目标路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710090649.0A CN106875061A (zh) | 2017-02-20 | 2017-02-20 | 一种目标路径确定的方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710090649.0A CN106875061A (zh) | 2017-02-20 | 2017-02-20 | 一种目标路径确定的方法以及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106875061A true CN106875061A (zh) | 2017-06-20 |
Family
ID=59167246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710090649.0A Pending CN106875061A (zh) | 2017-02-20 | 2017-02-20 | 一种目标路径确定的方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875061A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444863A (zh) * | 2018-10-23 | 2019-03-08 | 广西民族大学 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
CN110321779A (zh) * | 2019-04-26 | 2019-10-11 | 深圳源创环保科技有限公司 | 垃圾投放点的巡检方法、系统和计算机可读存储介质 |
CN110807381A (zh) * | 2019-10-23 | 2020-02-18 | 北京精英系统科技有限公司 | 一种检测容器内装满程度的装置和方法 |
CN113602707A (zh) * | 2021-07-05 | 2021-11-05 | 江汉大学 | 一种垃圾箱设备控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101279727B1 (ko) * | 2012-10-25 | 2013-06-27 | 수도권매립지관리공사 | 폐기물 매립 위치 추적 시스템 |
CN105117739A (zh) * | 2015-07-29 | 2015-12-02 | 南京信息工程大学 | 一种基于卷积神经网络的服装分类方法 |
CN105787506A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 基于图像识别与二维码识别技术的垃圾分类评价方法 |
CN105947476A (zh) * | 2016-05-04 | 2016-09-21 | 重庆特斯联智慧科技股份有限公司 | 基于图像识别的垃圾桶智能监护方法 |
CN106115119A (zh) * | 2016-06-30 | 2016-11-16 | 深圳市智汇十方科技有限公司 | 一种小区垃圾处理方法 |
CN106251347A (zh) * | 2016-07-27 | 2016-12-21 | 广东工业大学 | 地铁异物检测方法、装置、设备及地铁屏蔽门系统 |
-
2017
- 2017-02-20 CN CN201710090649.0A patent/CN106875061A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101279727B1 (ko) * | 2012-10-25 | 2013-06-27 | 수도권매립지관리공사 | 폐기물 매립 위치 추적 시스템 |
CN105117739A (zh) * | 2015-07-29 | 2015-12-02 | 南京信息工程大学 | 一种基于卷积神经网络的服装分类方法 |
CN105787506A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 基于图像识别与二维码识别技术的垃圾分类评价方法 |
CN105947476A (zh) * | 2016-05-04 | 2016-09-21 | 重庆特斯联智慧科技股份有限公司 | 基于图像识别的垃圾桶智能监护方法 |
CN106115119A (zh) * | 2016-06-30 | 2016-11-16 | 深圳市智汇十方科技有限公司 | 一种小区垃圾处理方法 |
CN106251347A (zh) * | 2016-07-27 | 2016-12-21 | 广东工业大学 | 地铁异物检测方法、装置、设备及地铁屏蔽门系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444863A (zh) * | 2018-10-23 | 2019-03-08 | 广西民族大学 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
CN110321779A (zh) * | 2019-04-26 | 2019-10-11 | 深圳源创环保科技有限公司 | 垃圾投放点的巡检方法、系统和计算机可读存储介质 |
CN110321779B (zh) * | 2019-04-26 | 2022-05-17 | 深圳源创环保科技有限公司 | 垃圾投放点的巡检方法、系统和计算机可读存储介质 |
CN110807381A (zh) * | 2019-10-23 | 2020-02-18 | 北京精英系统科技有限公司 | 一种检测容器内装满程度的装置和方法 |
CN113602707A (zh) * | 2021-07-05 | 2021-11-05 | 江汉大学 | 一种垃圾箱设备控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Joint Deep Learning for land cover and land use classification | |
EP3614308B1 (en) | Joint deep learning for land cover and land use classification | |
CN110263675B (zh) | 一种社区安保机器人的垃圾目标识别系统及其识别方法 | |
CN110728236B (zh) | 车辆定损方法及其专用设备 | |
CN104700099B (zh) | 识别交通标志的方法和装置 | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
CN106875061A (zh) | 一种目标路径确定的方法以及相关装置 | |
CN107451661A (zh) | 一种基于虚拟图像数据集的神经网络迁移学习方法 | |
CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
CN106204646A (zh) | 基于bp神经网络的多运动目标跟踪方法 | |
CN106650690A (zh) | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 | |
CN110991444B (zh) | 面向复杂场景的车牌识别方法及装置 | |
CN111611970B (zh) | 一种基于城管监控视频的乱扔垃圾行为检测方法 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN113408584B (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN103345643A (zh) | 一种遥感图像分类方法 | |
CN105243154A (zh) | 基于显著点特征和稀疏自编码的遥感图像检索方法及系统 | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
Yusof et al. | Automated asphalt pavement crack detection and classification using deep convolution neural network | |
Abdu et al. | A survey on waste detection and classification using deep learning | |
CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
Nazerdeylami et al. | Smart coastline environment management using deep detection of manmade pollution and hazards | |
EP3352112A1 (en) | Architecture adapted for recognising a category of an element from at least one image of said element |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |
|
RJ01 | Rejection of invention patent application after publication |