一种基于深度神经网络的垃圾物焚烧识别方法及系统
技术领域
本发明涉及环境监控领域,尤其涉及一种基于深度神经网络的垃圾物焚烧识别方法及系统。
背景技术
垃圾焚烧是一种传统的处理垃圾的方法,由于垃圾用焚烧法处理后,减量化效果显著,节省用地,还可消灭各种病原体,将有毒有害物质转化为无害物,故垃圾焚烧法已成为城市垃圾处理的主要方法之一,但是,同时垃圾物焚烧也是城市中污染的重要来源,传统的人工方法难以进行有效的监控,现有技术中的垃圾物焚烧识别效果很差,主要原因是垃圾物呈现的种类繁多,焚烧场景和状态变化多样,难以提取出通用的一致的特征。
近年来,基于深度神经网络的方法在识别领域取得了巨大的成功,但是现有的用于目标识别的深度神经网络在垃圾焚烧识别上效果仍然一般,主要原因是深度神经网络需要大量的样本去学习,这些样本需要覆盖垃圾物焚烧的很多种情况,而样本的收集的工作非常困难。因此,需要一种新的垃圾物焚烧识别方法,能够解决上述技术问题,从而提高垃圾无焚烧识别的准确率,实现对垃圾物焚烧的准确监控。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种基于深度神经网络的垃圾物焚烧识别方法及系统,以解决上述技术问题。
本发明提供的基于深度神经网络的垃圾物焚烧识别方法,包括:
建立深度神经网络模型;
采集监控区内的图像信息;
将所述图像信息输入深度神经网络模型,获取图像中含有垃圾焚烧特征信息的概率;
根据所述概率完成垃圾物焚烧的识别。
进一步,所述模型包括垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型;所述垃圾焚烧特征信息包括垃圾信息、烟雾信息和火苗信息。
进一步,将所述图像信息输入深度神经网络模型,分别获取图像中含有垃圾、烟雾和火苗的概率,并将其分别与预设的阈值进行比较,根据比较结果完成垃圾物焚烧的识别。
进一步,还包括对深度神经网络模型进行训练,所述训练包括:
分别获取垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型输出的损失值,将三个损失值进行联合训练,并将联合训练的新损失值反向传播至垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型。
进一步,所述训练过程通过如下公式表示:
Loss_total=Loss_g+Loss_s+Loss_f
或
Loss_total=Loss_g*(Loss_s+Loss_f)
其中,Loss_g为垃圾识别深度神经网络子模型的损失值、Loss_s为烟雾识别深度神经网络子模型的损失值、Loss_f为火苗识别深度神经网络子模型的损失值,Loss_total为融合在一起的综合损失值。
进一步,所述根据比较结果完成垃圾物焚烧的识别通过如下公式表示:
Pg>threshold1,and Ps+Pf>threshold2、
Pg*(Ps+Pf)>threshold3
和/或
Pg*Ps*Pf>threshold4
其中,Pg为垃圾识别深度神经网络子模型输出的概率值、Ps烟雾识别深度神经网络子模型输出的概率值,Pf为火苗识别深度神经网络子模型的输出的概率值,threshold1,threshold2,threshold3和threshold4分别为预先设置的比较阈值。
本发明还提供一种基于深度神经网络的垃圾物焚烧识别系统,包括:
图像采集单元,用于采集监控区内的图像信息;
深度神经网络模型,用于根据所述图像信息输入,获取图像中含有垃圾焚烧特征信息的概率;
图像识别单元,用于根据深度神经网络模型输出的概率,完成垃圾物焚烧的识别。
进一步,所述模型包括垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型;所述垃圾焚烧特征信息包括垃圾信息、烟雾信息和火苗信息,将所述图像信息输入深度神经网络模型,分别获取图像中含有垃圾、烟雾和火苗的概率,并将其分别与预设的阈值进行比较,根据比较结果完成垃圾物焚烧的识别。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述任一项所述方法
本发明的有益效果:本发明中的基于深度神经网络的垃圾物焚烧识别方法及系统,通过将深度神经网络结构划分为三个子网络,并根据三个子网络分别进行垃圾识别、烟雾识别和火苗识别,通过这种方式可以使深度神经网络模型在样本图片较少的情况下,依然能够取得比较好的识别效果,提升了垃圾物焚烧的识别准确率,本发明可以直接与现有的监控系统进行数据交互,利用现有的摄像头获取监控区域内的图像,直接进行垃圾物识别,成本较低,利于对垃圾物焚烧进行有效监控。
附图说明
图1是本发明实施例的基于深度神经网络的垃圾物焚烧识别方法中的深度神经网络结构图。
图2是本发明实施例的基于深度神经网络的垃圾物焚烧识别方法中子网络的基本训练示意图。
图3是本发明实施例中基于深度神经网络的垃圾物焚烧识别方法中垃圾物焚烧图片调优训练示意图。
图4是本发明实施例中基于深度神经网络的垃圾物焚烧识别方法的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图4所示,本实施例中的基于深度神经网络的垃圾物焚烧识别方法,包括:
建立深度神经网络模型;
采集监控区内的图像信息;
将所述图像信息输入深度神经网络模型,获取图像中含有垃圾焚烧特征信息的概率;
根据所述概率完成垃圾物焚烧的识别。
在本实施例中,深度神经网络模型主要包括垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型;所述垃圾焚烧特征信息包括垃圾信息、烟雾信息和火苗信息,由于垃圾物焚烧的变化情况因为垃圾种类,焚烧烟雾状况、焚烧火苗状况的不同而不同,需要搜集到正在焚烧的垃圾的样本照片本身就非常困难,要想覆盖这些变化的情况更是困难。本实施例中的深度神经网络结构如图1所示,本实施例通过将垃圾物焚烧识别问题首先转化为三个子问题,分别使用三个子网络去解决这三个子问题,即一个用于垃圾识别的深度神经网络,一个烟雾识别的深度神经网络,一个火苗识别的深度神经网络,这里的每种网络针对的问题都比较有针对性,公开的数据库和网络上也能获得每种情况的大量图片样本,如垃圾物照片,烟雾照片和火苗照片都非常多,这样每个网络都能完成基本的训练。
如图2所示,本实施例中将所述图像信息输入深度神经网络模型,分别获取图像中含有垃圾、烟雾和火苗的概率,并将其分别与预设的阈值进行比较,根据比较结果完成垃圾物焚烧的基础识别,根据垃圾物焚烧的特点,一般都包含“垃圾”,“烟雾”,“火苗”这种特点,垃圾物焚烧的照片分别输入到这三个网络后,每个网络都会输出一个概率值,当三个网络的概率值都很大的情况下,是垃圾物焚烧的概率的就很大,利用这个特点,本实施例能完成初步的垃圾物焚烧的识别,优选地,本实施例中的三个网络输出的概率值分别是Pg,Ps,Pf,即判定存在垃圾物焚烧的方法可以是如下几种方法:
1)Pg>threshold1,andPs+Pf>threshold2
2)Pg*(Ps+Pf)>threshold3
3)Pg*Ps*Pf>threshold4
通过以上三种方法进行垃圾物焚烧识别,三种方法可以单独使用也可以混合使用,当然也可以采用其他的方法来进行数据处理,获取最终的垃圾物识别概率。
在本实施例中,还包括垃圾物焚烧识别的深度神经网络结构相应的学习,通过学习能够充分的利用有限的垃圾物焚烧样本照片,对整个网络进行有效的训练,利用上述提到的方法获取的结果虽然能够基本的识别垃圾物焚烧的情况,但如果充分利用垃圾物焚烧的特点,则能够取得更好的特点。在本实施例中,分别获取垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型输出的损失值,将三个损失值进行联合训练,并将联合训练的新损失值反向传播至垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型,深度神经网络是利用反向传播的方法去训练网络,每个网络训练的时候最后一层都会有个loss层输出一个对当前样本的loss值,这个值反向传播到之前的每一层来更新网络参数来实现整个网络的训练,为了使得之前的垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型能够更好的识别垃圾物焚烧的图片,本实施例将三个网络联合在一起进行训练,方法是在原有三个单独训练好的网络的基础上,针对垃圾物焚烧的样本图片,设每个网络输出的loss值分别为Loss_g,Loss_s,Loss_f,将这三个loss值融合在一起得到一个综合Loss_total,再这个Loss_total分别反向传播到三个网络,对三个网络的权重参数进行训练调整,如图3所示。最后训练得到的三个网络再按照上述的基础识别中的方法来识别。优选地,本实施例中的Loss的融合方法包括
1)Loss_total=Loss_g+Loss_s+Loss_f
或
2)Loss_total=Loss_g*(Loss_s+Loss_f)
当然,本领域技术人员应该可以知晓,上述方法只是优选地融合方法,但不限于上述几种方法。
相应地,本实施例还提供基于深度神经网络的垃圾物焚烧识别系统,包括:
图像采集单元,用于采集监控区内的图像信息;
深度神经网络模型,用于根据所述图像信息输入,获取图像中含有垃圾焚烧特征信息的概率;
图像识别单元,用于根据深度神经网络模型输出的概率,完成垃圾物焚烧的识别。
本实施例中的采集单元可以为现有的监控系统,通过现有的已经覆盖的摄像头获取监控区域内的图像信息,本实施例中的模型包括垃圾识别深度神经网络子模型、烟雾识别深度神经网络子模型和火苗识别深度神经网络子模型;所述垃圾焚烧特征信息包括垃圾信息、烟雾信息和火苗信息,将所述图像信息输入深度神经网络模型,分别获取图像中含有垃圾、烟雾和火苗的概率,并将其分别与预设的阈值进行比较,根据比较结果完成垃圾物焚烧的基础识别。通过上述方法,对深度神经网络模型进行训练,然后通过训练后的深度神经网络模型进行优化的识别。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上基于深度神经网络的垃圾物焚烧识别方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(RandomAccessMemory,简称RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignalProcessing,简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。