CN110956104A - 一种检测垃圾桶溢出的方法、装置及系统 - Google Patents
一种检测垃圾桶溢出的方法、装置及系统 Download PDFInfo
- Publication number
- CN110956104A CN110956104A CN201911139296.4A CN201911139296A CN110956104A CN 110956104 A CN110956104 A CN 110956104A CN 201911139296 A CN201911139296 A CN 201911139296A CN 110956104 A CN110956104 A CN 110956104A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- detection
- overflow
- sample 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.)
- Withdrawn
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 191
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 134
- 238000012795 verification Methods 0.000 claims description 33
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明涉及人工智能技术领域,公开了一种检测垃圾桶溢出的方法、装置及系统。该检测垃圾桶溢出的方法包括:获取待检测视频图像及检测模型;将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;获取检测阈值及分类器;如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;如果所述分类结果为垃圾溢出,则发送提示信息。采用本发明技术方案不但可以降低垃圾溢出的检测难度,节省成本,且可以提高检测精度。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种检测垃圾桶溢出的方法、装置及系统。
背景技术
垃圾桶溢出现象普遍存在于城市之中,垃圾散落、垃圾异味等问题严重影响了市容市貌和市民的生活。现阶段,普遍的做法是每天派遣垃圾收集车在固定时间进行垃圾倾倒,但对于居民集中区、商业区、景区等人流量较大,垃圾更新快的地方垃圾桶溢出问题仍然无法得到有效解决。通过市民拍照取证举报的方式在一定程度上可以降低垃圾桶溢出长期无人处置的发生,但这一种自下而上反应问题到再自上而下处理问题的方式,效率较低且在反映问题之前垃圾桶溢出已经形成!因此,如何在形成垃圾桶溢出并造成垃圾散落和垃圾异味之前,有关部门能及时收到预警进而制定有效措施已经成为治理城市垃圾桶溢出问题的关键技术因素。
现有技术中公开了《一种垃圾箱检测系统》,该发明为待检测垃圾箱配装相应的检测传感器、控制器等信息感应设备,包括位于垃圾箱上边缘的传感器、控制传感器的控制平台和移动终端,所述控制平台安装在所述移动终端上。本发明能够在垃圾装到传感器所在的位置的时候,发出信息到控制平台,控制平台在移动终端上显示并提醒,然后及时处理垃圾箱内的垃圾,防止垃圾过多溢出垃圾箱。
此外现有技术中还公开另一种垃圾管理系统:包括垃圾箱、客户端和服务端,其中,所述垃圾箱内设有重量检测机构、体积检测机构、GPS定位装置和控制器,所述垃圾箱中控制器与所述服务端以及客户端通信连接,以在所述垃圾箱的腔体内承载的垃圾重量或体积超过预设值时,向所述服务端和/ 或客户端发送满载信息。
在现有技术的实现过程中,发明人发现现有技术至少存在如下技术问题:
现有技术中垃圾桶溢出检测原理及装置较复杂,实现成本较高,影响检测结果的因素较多,检测结果可靠性不高。
发明内容
本发明的目的在于提供一种检测垃圾桶溢出的方法、装置及系统,以克服现有技术中垃圾桶溢出检测原理及装置较复杂,实现成本较高,影响检测结果的因素较多,检测结果可靠性不高的缺陷。
为解决上述技术问题,本发明的实施方式提供了一种检测垃圾桶溢出的方法,包括:
获取待检测视频图像及检测模型;
将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;
获取检测阈值及分类器;
如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;
如果所述分类结果为垃圾溢出,则发送提示信息。
为解决上述技术问题,本发明的实施方式还提供了一种检测垃圾桶溢出的装置,包括:
信息获取单元,用于获取待检测视频图像及检测模型;
检测单元,用于将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;
所述信息获取单元,还用于获取检测阈值及分类器;
分类处理单元,用于如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;
信息发送单元,用于如果所述分类结果为垃圾溢出,则发送提示信息。
为解决上述技术问题,本发明的实施方式还提供了一种检测垃圾桶溢出的系统,包括:如上所述检测垃圾桶溢出的装置。
本发明提供的一种检测垃圾桶溢出的方法、装置及系统,通过获取待检测视频图像及检测模型;将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;获取检测阈值及分类器;如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;如果所述分类结果为垃圾溢出,则发送提示信息。采用本发明技术方案不但可以降低垃圾溢出的检测难度,节省成本,且可以提高检测精度。
附图说明
图1是本发明实施例提供的一种检测垃圾桶溢出的方法流程图;
图2是本发明实施例提供的一种检测垃圾桶溢出的装置结构示意图;
图3是本发明实施例提供的一种检测垃圾桶溢出的系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。
本发明的第一实施方式涉及一种检测垃圾桶溢出的方法。具体流程如图 1所示。该方法包括:
101:获取待检测视频图像及检测模型;
102:将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;
103:获取检测阈值及分类器;
104:如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;
105:如果所述分类结果为垃圾溢出,则发送提示信息。
需要说明的是,所述将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果步骤,包括:
将所述待检测视频图像输入到所述检测模型进行目标检测,获取待检测视频图像中的目标检测框。
还需要说明的是,所述如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果的步骤,包括:
如果所述目标检测框大于所述检测阈值,则获取所述目标检测框对应的目标检测图片;
根据所述目标检测图片输入到所述所述分类器,进行分类处理,获取分类结果。
还需要说明的是,该方法,还包括:
获取垃圾溢出和未溢出的训练样本集合;
根据所述垃圾溢出和未溢出的训练样本集合,训练所述检测模型;
将所述检测模型确定的训练样本集合的样本位置所确定的样本图片和样本标签输入到分类器,进行分类器训练。
还需要说明的是,所述垃圾溢出和未溢出的训练样本集合合包括:样本标签和样本位置;所述根据所述垃圾溢出和未溢出的训练样本集合,训练所述检测模型的步骤;包括:
根据所述训练样本集合进行检测模型训练;所述训练样本集合的样本标签包括:第一正样本和第二正样本;
将所述训练样本集合的样本图像,输入到所述检测模型,进行样本验证识别;
确定所述训练样本集合的样本位置和样本标签;验证识别确定所述训练样本集合的样本标签包括:第一正样本,第二正样本和负样本。
还需要说明的是,所述将所述检测模型确定的训练样本集合的样本位置所确定的样本图片和样本标签输入到分类器,进行分类器训练步骤,包括:
获取所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置;
如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于上限阈值,则将验证识别后确定的训练样本集合对应样本位置对应的标签替换为所述训练样本集合的样本位置对应的标签;
如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比小于下限阈值,则所述验证识别后确定的训练样本集合中对应样本位置对应的标签为负样本;
如果所述所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于下限阈值且小于上限阈值,则丢弃所述验证识别后确定的训练样本集合中对应样本。
所述将所述检测模型确定的训练样本集合的样本位置所确定的样本图片是通过所述检测模型确定的训练样本集合的样本位置在训练样本集合中裁剪得到的。
本发明的第二实施方式涉及一种检测垃圾桶溢出的装置。该装置如图2 所示。该装置包括:
信息获取单元201,用于获取待检测视频图像及检测模型;
检测单元202,用于将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;
所述信息获取单元201,还用于获取检测阈值及分类器;
分类处理单元203,用于如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;
信息发送单元204,用于如果所述分类结果为垃圾溢出,则发送提示信息。
需要说明的是,所述检测单元,还用于将所述待检测视频图像输入到所述检测模型进行目标检测,获取待检测视频图像中的目标检测框。
还需要说明的是,所述分类处理单元,还用于如果所述目标检测框大于所述检测阈值,则获取所述目标检测框对应的目标检测图片;根据所述目标检测图片输入到所述所述分类器,进行分类处理,获取分类结果。
还需要说明的是,该装置,还包括:
该装置,还包括:
样本获取单元,用于获取垃圾溢出和未溢出的训练样本集合;
检测模型训练单元,用于根据所述垃圾溢出和未溢出的训练样本集合,训练所述检测模型;
分类器训练单元,用于将所述检测模型确定的训练样本集合的样本位置和样本标签输入到分类器,进行分类器训练。
还需要说明的是,所述垃圾溢出和未溢出的训练样本集合合包括:样本标签和样本位置;所述检测模型训练单元还用于根据所述训练样本集合进行检测模型训练;所述训练样本集合的样本标签包括:第一正样本和第二正样本;将所述训练样本集合的样本图像,输入到所述检测模型,进行样本验证识别;确定所述训练样本集合的样本位置和样本标签;验证识别确定所述训练样本集合的样本标签包括:第一正样本,第二正样本和负样本。
还需要说明的是,所述分类器训练单元,还用于获取所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置;如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于上限阈值,则将验证识别后确定的训练样本集合对应样本位置对应的标签替换为所述训练样本集合的样本位置对应的标签;如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比小于下限阈值,则所述验证识别后确定的训练样本集合中对应样本位置对应的标签为负样本;如果所述所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于下限阈值且小于上限阈值,则丢弃所述验证识别后确定的训练样本集合中对应样本。
本发明的第三实施方式涉及一种检测垃圾桶溢出的系统。该系统如图3 所示。该系统包括:如上所述的检测垃圾桶溢出的装置。
基于以上实施例,本发明利用摄像机采集到的垃圾桶溢出和未溢出垃圾桶图片,使用典型的检测框架FasterRCNN建立检测模型,将检测结果输入到垃圾桶溢出和未溢出垃圾桶分类器中,将分类结果及相应的检测框作为最终的检测结果,检测模型和分类器模型存储于处理器终端TX1。摄像机获取现场视频,以1s为时间间隔提取现场图片通过网线传输至TX1。而TX1中检测模型检测到该图片中可能包含垃圾桶溢出的检测框,再将这些检测框输入给分类器,如果分类结果为垃圾桶溢出则该检测框的类型为垃圾桶溢出,进而输出图片中的垃圾桶溢出的外接矩形坐标并将抓拍的图片保存在TX1 存储卡中,同时,通过Web端,工作人员可以远程查看检测结果,若发现垃圾桶溢出可远程通知附近现场人员进行及时清理。该方法可用于任何存在摄像头的场景中,具有可拓展性和移植性。由于检测设备脱离于垃圾桶本身,可实现多个垃圾桶同时检测,显著提高垃圾桶溢出的检测效率。检测器的检测结果输入到分类器,通过分类器区分出垃圾桶溢出或是其他,该方法能有效提高垃圾桶溢出的检测精度,使得垃圾桶溢出检测和分类模型具有较强的可靠性和稳定性。基于以上实施场景,本发明垃圾溢出检测的具体步骤如下:
步骤1:收集不同场景不同时间段的溢出垃圾桶和未溢出垃圾桶图片,建立检测模型训练集。将训练出的模型在训练集上测试,将测试结果筛选机制挑选出溢出垃圾桶,未溢出垃圾桶以及负样本!利用resnet50网络训练得到检测结果的分类器,将最终的类别为溢出垃圾的检测结果输出。
步骤2:利用TensorRT对检测模型和分类模型进行优化;
步骤3:垃圾桶溢出检测装置和系统由摄像机、TX1处理器、Web端组成。将步骤2中得到的检测模型载入TX1中,通过网线将摄像机采集到的视频回传至TX1。每隔1s,对相应的一帧图片进行检测,若检测置信度超过预设阈值则判断该图片中存在垃圾桶溢出,否则不存在。
步骤4:若步骤3中检测到垃圾桶溢出则直接输出图片中的垃圾桶溢出外接矩形坐标并将抓拍的图片保存在TX1存储卡中,远程Web端在屏幕的右侧同步显示抓拍结果,便于工作人员查看。根据查看结果,工作人员可远程通知现场附近的工作人员进行垃圾桶清理!
进一步地,步骤1中的筛选机制包括,
以0.7为检测阈值,得到若干检测框,利用GIOU匹配指标,为每个检测框匹配出GIOU最大的正样本,若GIOU>0.6,则匹配上的正样本的类型就为该检测框的类型;若GIOU<0.2,该检测框类型就为负样本,GIOU介于两者之间的检测框忽略;为了防止有的正样本没有对应的检测框,需要将原图中的正样本也加入到分类器的训练集中!
进一步地,步骤2中,采用目标检测架构Faster R-CNN作为检测网络,训练模型过程如下:
在不同场景和不同时间段采集1000张带有垃圾桶溢出的图片,随机挑选800张作为训练集,200张作为验证集。
为适应不同场景对训练集进行数据增强,包括随机颜色扰动;随机降低和增加图片亮度模拟晚上和白天场景;随机增加高斯噪声,雨点和雪点模拟不同天气;随机缩放图片模拟远近不同尺度的积水场景;以积水为中心将原始图片随机裁剪为500x500,其中不包含目标的图片作为负样本!通过上述操作原始训练集数量扩增为10000张。
利用Faster-RCNN检测框架建立垃圾桶溢出检测模型设计共享层卷积神经网络包括:三个maxpool层和7个卷积层,卷积通道数分别为 32,64,64,96,96,128,128,卷积核大小为3。
利用caffe训练框架对上述模型在步骤一中建立的VOC_COCO数据集进行训练并保存训练模型作为下一步的预训模型。
利用caffe训练框架对预训模型在数据增强后的垃圾桶溢出训练集进行训练和微调,RPN阶段最大迭代次数为100000次,FRN阶段最大迭代次数为50000次,采用SGD学习方法,基础学习率为0.0001,权重衰减为0.0005,动量为0.9,RPN阶段以30000次为一周期对学习率缩小十倍,FRN阶段以 20000次为一周期对学习率缩小十倍。
通过TensorRT将上述得到的单精度检测模型转成半精度检测模型,优化模型规模,降低内存占用率,提高垃圾桶溢出效率!
进一步地,步骤3中摄像机通过网线将视频回传至TX1,每隔1s,TX1 利用垃圾桶溢出模型分析现场图片。同时需要预设垃圾桶溢出阈值,并判断模型输出的检测框置信度分数与阈值大小。若检测分数超出阈值则判断该检测框为有效检测框,同时输出检测框坐标。
进一步地,步骤4中自动保存检测图片,检测框坐标以及检测时间和地址并以文本和图片方式显示在显示屏上,便于工作人员查看。根据查看结果,工作人员可远程通知现场附近的工作人员进行垃圾桶清理。
本发明技术方案可用于任何存在有摄像头的场景中,包括但不限于街区道路,商业区,公园,居民小区、景点等。仅通过网线将视频回传,利用TX1 对视频分析和阈值判断即可得到垃圾桶是否溢出,以及抓拍垃圾桶溢出图片,因此该方法具有较强的拓展性,移植性。检测器的检测结果输入到分类器,通过分类器区分出检测框的类别是垃圾桶溢出或是其他,该方法能有效提高检测精度,使得该方法具有较强的可靠性和稳定性。同时,自动保存信息全面,便于工作人员浏览和检查。
然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请各权利要求所要求保护的技术方案。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
为了描述的方便,描述以上装置是以功能分为各种单元/模块分别描述。当然,在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种检测垃圾桶溢出的方法,其特征在于,包括:
获取待检测视频图像及检测模型;
将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;
获取检测阈值及分类器;
如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;
如果所述分类结果为垃圾溢出,则发送提示信息。
2.根据权利要求1所述的检测垃圾桶溢出的方法,其特征在于,所述将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果步骤,包括:
将所述待检测视频图像输入到所述检测模型进行目标检测,获取待检测视频图像中的目标检测框。
3.根据权利要求2所述的检测垃圾桶溢出的方法,其特征在于,所述如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果的步骤,包括:
如果所述目标检测框大于所述检测阈值,则获取所述目标检测框对应的目标检测图片;
根据所述目标检测图片输入到所述所述分类器,进行分类处理,获取分类结果。
4.根据权利要求3所述的检测垃圾桶溢出的方法,其特征在于,该方法,还包括:
获取垃圾溢出和未溢出的训练样本集合;
根据所述垃圾溢出和未溢出的训练样本集合,训练所述检测模型;
将所述检测模型确定的训练样本集合的样本位置和样本标签输入到分类器,进行分类器训练。
5.根据权利要求4所述的检测垃圾桶溢出的方法,其特征在于,所述垃圾溢出和未溢出的训练样本集合合包括:样本标签和样本位置;所述根据所述垃圾溢出和未溢出的训练样本集合,训练所述检测模型的步骤;包括:
根据所述训练样本集合进行检测模型训练;所述训练样本集合的样本标签包括:第一正样本和第二正样本;
将所述训练样本集合的样本图像,输入到所述检测模型,进行样本验证识别;
确定所述训练样本集合的样本位置和样本标签;验证识别确定所述训练样本集合的样本标签包括:第一正样本,第二正样本和负样本。
6.根据权利要求5所述的检测垃圾桶溢出的方法,其特征在于,所述将所述检测模型确定的训练样本集合的样本位置和样本标签输入到分类器,进行分类器训练步骤,包括:
获取所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置;
如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于上限阈值,则将验证识别后确定的训练样本集合对应样本位置对应的标签替换为所述训练样本集合的样本位置对应的标签;
如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比小于下限阈值,则所述验证识别后确定的训练样本集合中对应样本位置对应的标签为负样本;
如果所述所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于下限阈值且小于上限阈值,则丢弃所述验证识别后确定的训练样本集合中对应样本。
7.一种检测垃圾桶溢出的装置,其特征在于,包括:
信息获取单元,用于获取待检测视频图像及检测模型;
检测单元,用于将所述待检测视频图像输入到所述检测模型进行目标检测,获取检测结果;
所述信息获取单元,还用于获取检测阈值及分类器;
分类处理单元,用于如果所述检测结果大于检测阈值,则根据所述分类器进行分类处理,获取分类结果;
信息发送单元,用于如果所述分类结果为垃圾溢出,则发送提示信息。
8.根据权利要求7所述的检测垃圾桶溢出的装置,其特征在于,所述检测单元,还用于将所述待检测视频图像输入到所述检测模型进行目标检测,获取待检测视频图像中的目标检测框。
9.根据权利要求8所述的检测垃圾桶溢出的装置,其特征在于,所述分类处理单元,还用于如果所述目标检测框大于所述检测阈值,则获取所述目标检测框对应的目标检测图片;根据所述目标检测图片输入到所述所述分类器,进行分类处理,获取分类结果。
10.根据权利要求9所述的检测垃圾桶溢出的装置,其特征在于,该装置,还包括:
样本获取单元,用于获取垃圾溢出和未溢出的训练样本集合;
检测模型训练单元,用于根据所述垃圾溢出和未溢出的训练样本集合,训练所述检测模型;
分类器训练单元,用于将所述检测模型确定的训练样本集合的样本位置和样本标签输入到分类器,进行分类器训练。
11.根据权利要求10所述的检测垃圾桶溢出的装置,其特征在于,所述垃圾溢出和未溢出的训练样本集合合包括:样本标签和样本位置;所述检测模型训练单元还用于根据所述训练样本集合进行检测模型训练;所述训练样本集合的样本标签包括:第一正样本和第二正样本;根据所述训练样本集合的样本位置,将所述训练样本集合的样本图像,输入到所述检测模型,进行样本验证识别;确定所述训练样本集合的样本位置和样本标签;验证识别确定所述训练样本集合的样本标签包括:第一正样本,第二正样本和负样本。
12.根据权利要求11所述的检测垃圾桶溢出的装置,其特征在于,所述分类器训练单元,还用于获取所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置;如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于上限阈值,则将验证识别后确定的训练样本集合对应样本位置对应的标签替换为所述训练样本集合的样本位置对应的标签;如果所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比小于下限阈值,则所述验证识别后确定的训练样本集合中对应样本位置对应的标签为负样本;如果所述所述训练样本集合的样本位置和所述验证识别后确定的训练样本集合中对应样本位置的广义交并比大于下限阈值且小于上限阈值,则丢弃所述验证识别后确定的训练样本集合中对应样本。
13.一种检测垃圾桶溢出的系统,其特征在于,包括如权利要求7-12中任意一项所述检测垃圾桶溢出的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911139296.4A CN110956104A (zh) | 2019-11-20 | 2019-11-20 | 一种检测垃圾桶溢出的方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911139296.4A CN110956104A (zh) | 2019-11-20 | 2019-11-20 | 一种检测垃圾桶溢出的方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956104A true CN110956104A (zh) | 2020-04-03 |
Family
ID=69977849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911139296.4A Withdrawn CN110956104A (zh) | 2019-11-20 | 2019-11-20 | 一种检测垃圾桶溢出的方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956104A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633168A (zh) * | 2020-12-23 | 2021-04-09 | 长沙中联重科环境产业有限公司 | 一种垃圾车翻桶动作识别方法、装置及垃圾车 |
CN113239728A (zh) * | 2021-04-03 | 2021-08-10 | 国家计算机网络与信息安全管理中心 | 一种用于互联网视频识别算法加速的方法 |
CN113450401A (zh) * | 2021-07-19 | 2021-09-28 | 北京航空航天大学杭州创新研究院 | 垃圾桶满溢度确定方法、装置、设备及垃圾桶 |
CN113468976A (zh) * | 2021-06-10 | 2021-10-01 | 浙江大华技术股份有限公司 | 垃圾检测方法、垃圾检测系统以及计算机可读存储介质 |
CN113554004A (zh) * | 2021-09-18 | 2021-10-26 | 三一汽车制造有限公司 | 搅拌车溢料检测方法、检测系统、电子设备及搅拌站 |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205114216U (zh) * | 2015-11-20 | 2016-03-30 | 浙江联运知慧科技有限公司 | 一种带有垃圾溢满报警的智能垃圾分类回收箱 |
CN106203498A (zh) * | 2016-07-07 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种城市场景垃圾检测方法及系统 |
CN107161567A (zh) * | 2017-04-28 | 2017-09-15 | 河海大学常州校区 | 一种智能垃圾桶管理系统 |
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 |
CN109543979A (zh) * | 2018-11-14 | 2019-03-29 | 广州慧睿思通信息科技有限公司 | 一种环境监控管理方法、系统、服务平台及介质 |
CN110276405A (zh) * | 2019-06-26 | 2019-09-24 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
-
2019
- 2019-11-20 CN CN201911139296.4A patent/CN110956104A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205114216U (zh) * | 2015-11-20 | 2016-03-30 | 浙江联运知慧科技有限公司 | 一种带有垃圾溢满报警的智能垃圾分类回收箱 |
CN106203498A (zh) * | 2016-07-07 | 2016-12-07 | 中国科学院深圳先进技术研究院 | 一种城市场景垃圾检测方法及系统 |
CN107161567A (zh) * | 2017-04-28 | 2017-09-15 | 河海大学常州校区 | 一种智能垃圾桶管理系统 |
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 |
CN109543979A (zh) * | 2018-11-14 | 2019-03-29 | 广州慧睿思通信息科技有限公司 | 一种环境监控管理方法、系统、服务平台及介质 |
CN110276405A (zh) * | 2019-06-26 | 2019-09-24 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633168A (zh) * | 2020-12-23 | 2021-04-09 | 长沙中联重科环境产业有限公司 | 一种垃圾车翻桶动作识别方法、装置及垃圾车 |
CN112633168B (zh) * | 2020-12-23 | 2023-10-31 | 长沙中联重科环境产业有限公司 | 一种垃圾车翻桶动作识别方法、装置及垃圾车 |
CN113239728A (zh) * | 2021-04-03 | 2021-08-10 | 国家计算机网络与信息安全管理中心 | 一种用于互联网视频识别算法加速的方法 |
CN113468976A (zh) * | 2021-06-10 | 2021-10-01 | 浙江大华技术股份有限公司 | 垃圾检测方法、垃圾检测系统以及计算机可读存储介质 |
CN113673298A (zh) * | 2021-06-11 | 2021-11-19 | 温州大学 | 一种基于时序门控循环单元模型的溢出监测方法 |
CN113450401A (zh) * | 2021-07-19 | 2021-09-28 | 北京航空航天大学杭州创新研究院 | 垃圾桶满溢度确定方法、装置、设备及垃圾桶 |
CN113554004A (zh) * | 2021-09-18 | 2021-10-26 | 三一汽车制造有限公司 | 搅拌车溢料检测方法、检测系统、电子设备及搅拌站 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956104A (zh) | 一种检测垃圾桶溢出的方法、装置及系统 | |
CN106845424B (zh) | 基于深度卷积网络的路面遗留物检测方法 | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的系统 | |
CN109871730A (zh) | 一种目标识别方法、装置及监控设备 | |
CN105074789A (zh) | 火灾检测系统 | |
CN102915638A (zh) | 基于监控视频的智能停车场管理系统 | |
KR102035592B1 (ko) | 육안 인식 검사원의 부하경감을 위한 등급별 영상인식 기술을 이용한 cctv 영상내 의심물체 부분검사 지원 시스템 및 방법 | |
CN110659622A (zh) | 一种倾倒垃圾检测方法、装置及系统 | |
CN102445453B (zh) | 一种高速铁路线路护栏完整性自动检测装置及识别方法 | |
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 | |
US20230306573A1 (en) | Systems and methods for assessing infrastructure | |
CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
CN111629181A (zh) | 消防生命通道监控系统及方法 | |
CN109190488A (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
CN114445803A (zh) | 驾驶数据的处理方法、装置及电子设备 | |
CN110910415A (zh) | 抛物检测方法、装置、服务器和计算机可读介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及系统 | |
CN111275984B (zh) | 车辆检测方法、装置及服务器 | |
CN115171034A (zh) | 道路异物检测方法、场景中异物检测方法及装置 | |
CN103106400B (zh) | 一种人脸检测方法与装置 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN116071711B (zh) | 一种交通拥堵状况检测方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200403 |