CN111104914A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111104914A CN111104914A CN201911338459.1A CN201911338459A CN111104914A CN 111104914 A CN111104914 A CN 111104914A CN 201911338459 A CN201911338459 A CN 201911338459A CN 111104914 A CN111104914 A CN 111104914A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- visual
- image
- rotating
- 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.)
- Granted
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 78
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 62
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims description 10
- 239000000356 contaminant Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000010813 municipal solid waste Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 206010013954 Dysphoria Diseases 0.000 description 2
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000007443 Neurasthenia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 239000002699 waste material Substances 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
- F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
- F16M11/02—Heads
- F16M11/04—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
- F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
- F16M11/02—Heads
- F16M11/04—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand
- F16M11/06—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand allowing pivoting
- F16M11/12—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand allowing pivoting in more than one direction
- F16M11/121—Means for attachment of apparatus; Means allowing adjustment of the apparatus relatively to the stand allowing pivoting in more than one direction constituted of several dependent joints
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16M—FRAMES, CASINGS OR BEDS OF ENGINES, MACHINES OR APPARATUS, NOT SPECIFIC TO ENGINES, MACHINES OR APPARATUS PROVIDED FOR ELSEWHERE; STANDS; SUPPORTS
- F16M11/00—Stands or trestles as supports for apparatus or articles placed thereon ; Stands for scientific apparatus such as gravitational force meters
- F16M11/02—Heads
- F16M11/18—Heads with mechanism for moving the apparatus relatively to the stand
-
- 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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Vascular Medicine (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供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,所述方法包括基于图像采集终端采集相关区域的环境图像并发送至服务器进行图像处理;在服务器内基于卷积神经网络框架对环境图像进行训练,提取各图像特征,建立基于卷积神经网络的视觉污染物分类识别模型;对图像采集终端后续发送的环境图像,利用训练好的分类识别模型进行城市视觉污染物的分类识别。本发明基于卷积神经网络模型,能够对城市区域内的视觉污染物进行自动识别,以便能够针对污染区域进行相关处理。
Description
技术领域
本发明主要涉及城市视觉污染物处理相关技术领域,具体是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。
背景技术
在“信息时代”,能源的交换和传输已经成为现代生活不可分割的一部分,随之带来了大量的物质设备和结构,如网络塔、通信和电气电线等广告牌和标牌等。人的视觉对于那些杂乱无章、极度不协调、相当无秩序、丑陋、脏乱差的事物会产生情绪上的烦躁郁闷、感官上的倦怠等。像城市里凌乱不堪的建筑、各式各样的广告牌都在一定程度上会造成视觉污染。视觉污染不仅能够导致神经功能、体温、心律、血压等等失去协调,还会引起头晕目眩、烦躁不安、饮食下降、注意力不集中、无力、失眠等症状。这些症状称为“视觉污染综合症”。近年来,城市中神经衰弱、失眠症的人逐日增加,患某些常见病、多发病的居民人数也有所上升,这一现象的出现与城市的视觉污染加剧有密切关系。到目前为止,视觉污染的选择研究方法仍然是人工数据采集方法为主,其具有人力劳动强度大、效率低,效果不明显的缺陷。
发明内容
为解决目前技术的不足,本发明结合现有技术,从实际应用出发,提供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,其能够对城市区域内的视觉污染物进行自动识别,以便能够针对污染区域进行相关处理。
为实现上述目的,本发明的技术方案如下:
根据本发明的一个方面,提供一种基于卷积神经网络的城市视觉污染物识别方法,所述方法包括:基于图像采集终端采集相关区域的环境图像并发送至服务器进行图像处理;在服务器内基于卷积神经网络框架对环境图像进行训练,提取各图像特征,建立基于卷积神经网络的视觉污染物分类识别模型;对图像采集终端后续发送的环境图像,利用训练好的分类识别模型进行城市视觉污染物的分类识别。
优选地,所述环境图像发送至服务器后,首先对所述环境图像进行预处理,所述预处理为灰度化处理。
优选地,在对环境图像进行训练时,首先采取人工干预的方法识别出多类视觉污染物图像并进行标记,其中每类视觉污染物图像均标记多张,通过人工干预标记的视觉污染物图像进行训练。
根据本发明的另一方面,提供一种基于卷积神经网络的城市视觉污染物识别系统,包括图像采集终端和服务器;
所述图像采集终端为多个,采用分布式布置的方式布置于城市相关区域并采集相关区域的环境图像通过有线或无线的方式发送至服务器;
所述服务器用于基于卷积神经网络框架对环境图像进行训练,提取各图像特征,建立基于卷积神经网络的视觉污染物分类识别模型;对图像采集终端后续发送的环境图像,利用训练好的分类识别模型进行城市视觉污染物的分类识别;
其中,所述图像采集终端包括控制器、定位模块、固定底座以及转动壳体,所述固定底座上固定设置一圆台,所述圆台顶部设置锥型齿,所述转动壳体底部与所述固定底座之间转动配合,所述转动壳体内部设有电机、转动组件、角度调节组件以及安装有摄像头的摄像头支架,所述转动组件包括与圆台顶部设置的锥型齿啮合的锥齿轮,所述锥齿轮一侧固定连接转动连接盘,所述角度调节组件包括角度调节转轴、从动齿轮以及主动齿轮,所述从动齿轮固定于所述角度调节转轴,所述主动齿轮与从动齿轮啮合配合,所述主动齿轮与转动连接盘同轴设置且两者之间具有一定的间隙,所述主动齿轮可相对转动的套设于电机的输出轴上,所述摄像头支架通过连接轴安装于一框体内,所述框体与转动壳体固定连接,所述连接轴一端固定连接角度调节齿轮,所述角度调节转轴靠近所述框体的一端设有蜗杆,所述蜗杆与所述角度调节齿轮啮合,所述电机固定于转动壳体内,所述电机的输出轴上安装有驱动盘,所述驱动盘和输出轴之间具有周向限位,所述驱动盘和输出轴在轴向方向滑动配合,所述驱动盘设置在转动连接盘以及主动齿轮之间,所述驱动盘两侧端面分别设有与转动连接盘以及主动齿轮侧面相吸合的电磁吸盘,通过所述电磁吸盘能够使所述驱动盘与转动连接盘或主动齿轮吸附固定连接。
作为优选,所述图像采集终端还包括太阳能光伏板以及蓄电池。
作为优选,所述圆台与转动壳体之间设有第一轴承。
作为优选,所述锥齿轮与转动连接盘相连接的转动连接轴上设有底部支撑架,所述底部支撑架固定在转动壳体内,所述底部支撑架和转动连接轴之间设有第二轴承;
所述角度调节转轴靠近摄像头支架的一端设有顶部支撑架,所述顶部支撑架固定在转动壳体内,所述顶部支撑架和角度调节转轴之间设有第三轴承。
作为优选,所述主动齿轮与电机的输出轴之间设有第四轴承;
所述角度调节转轴远离摄像头支架的一端设有侧部支撑架,所述侧部支撑架固定在转动壳体内,所述侧部支撑架和角度调节转轴之间设有第五轴承。
作为优选,所述驱动盘和电机的输出轴之间通过能够传递扭力并且能够提供轴向滑动的导向键连接。
作为优选,所述控制器包括定时器,所述定时器用于定时控制所述电机,使所述电机的驱动盘与所述转动组件或角度调节组件连接。
本发明的有益效果:
1、本发明基于卷积神经网络模型实现对城市视觉污染物的识别,能够提高对对视觉污染物区域标定的准确性,本发明的识别方法应用于城市视觉污染物的识别中,相比于传统通过人工采集数据的方式,其能够大幅度降低人力劳动强度,提高视觉污染物的识别效率。
2、本发明所提供的基于卷积神经网络模型的污染物识别系统,能够通过服务器判断图像采集终端传输的图像是否存在视觉污染的可能性,实现对视觉污染物区域的图像识别,提高对视觉污染物区域标定的准确性,通过GPS地理定位,获取视觉污染物的具体位置。
3、本发明所提供的城市视觉污染物识别系统,针对城市视觉污染物主要为广告牌和标牌,电话-电话和通讯线,网络和通讯塔,街道垃圾等情况,将图像采集终端设计为仅通过一个电机即可控制图像采集摄像头的转动和角度调整,结构简单,成本低廉,耗电量少;因此,只需一个电机即可实现摄像头基本全范围的拍照,且由于视觉污染物的分布特性,在正常使用时,可使摄像头一直维持在街道垃圾区域,而定期调整摄像头的转动和摆动,使其采集高处和周围的广告牌和标牌、电话-电话和通讯线,网络和通讯塔等,故,一个摄像头即可完成很大区域内的污染物图像采集,在城市视觉污染物识别应用中,本图像采集终端的设计能够有效降低其在城市内的分布数量,以减少系统搭建成本。
附图说明
附图1为本发明系统框架图。
附图2为本发明原理图。
附图3为本发明图像采集终端结构图。
附图4为本发明摄像头安装相关结构图。
附图5为本发明图像采集终端转动调节状态结构图。
附图6为本发明图像采集终端摆动调节状态结构图。
具体实施方式
结合附图和具体实施例,对本发明作进一步说明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
本发明实施例所提供的基于卷积神经网络的城市视觉污染物识别方法,其主要是基于卷积神经网络框架实现,通过对图像进行训练得到训练好的视觉污染物分类识别模型,基于该分类识别模型判断出图像的视觉污染物概率,以实现视觉污染物的分类。
在城市内视觉污染物种类繁多,但其主要分为四类:广告牌和标牌,电话-电话和通讯线,网络和通讯塔,街道垃圾。为实现视觉污染区域的识别,可通过图像采集终端进行相关区域的图像采集和处理,结合深度学习处理分析方法,判断采集回来的图像是否存在视觉污染的可能性,结合图像检测和分类吃力技术,实现对视觉污染物区域的图像识别,提高对视觉污染物区域标定的准确性,通过GPS地理定位,获取视觉污染物的具体位置。图2给出城市视觉污染物的识别过程示意图。
由于采集的数据图像多为较大的分辨率,若直接进行图像识别会导致网络中的连接参数过多,网络训练以及模型分类计算量较大,为避免影响识别效果,需要对数据集中的图像进行预处理。
假设采集的视觉污染物原始图像输出为
g(x,y)表示的是城市视觉污染物区域识别的边缘分布函数。符号*表示卷积。视觉污染区域的边缘轮廓提取特征量表示为:
其中,城市视觉污染物区域的半径用γ表示,根据空间像素点的分布统计方法得出,在城市视觉污染闭合区域内的监测的图象的提纯精度为:
深度学习的网络模型有卷积神经网络、递归神经网络、生成对抗网络三种。其中,应用最广泛的是卷积神经网络CNN。卷积神经网络是一种用来处理具有网络结构数据的神经网络。它的网络结构包含有卷积层、池化层以及全连接层。经过图2灰度处理后的图像都是不同大小的,而卷积神经网络的输入层有固定的大小,因此需要对图像的输入尺寸进行均衡。因此,图像被调整为固定像素的尺寸。
由于在本发明中,每张场景内部包含的信息量大,针对城市视觉污染物的特点,本实施例对网络模型进行改进,包含以下几点:
(1)输入层
将输入层图像的大小改为150×150像素。
(2)卷积层
卷积操作通过窗口滑动以及局部关联后得到卷积层特征图,为保证网络模型的非线性需要采用一定的激励函数如Relu等对卷积结果进行非线性的映射。
数学公式为R(z)=max(0,z) (5)
将卷积和池化均设为五层。C1层卷积核为32个,卷积核感受野不变,c3层卷积核为64个,卷积核感受野更改为3×3;c5层卷积核为64个,卷积核感受野为3×3。增加卷积核的个数可提取图像中更多的特征,增强网络区分不同污染物的能力。
(3)池化层
池化(Pooling):主要用于特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性。为尽可能的保留图片的纹理特征本模型采用最大池化法。为保证学习到的数据特征更加全局化,本实施例池化区域大小为3×3,步长为2,池化层均采用最大重叠池化(maxpool)。
(4)输出层(全连接层)
过前面若干次卷积+激励+池化后,模型会将学到的一个高质量的特征图片全连接层。最后一层使用softmax激活函数生成输入图像的概率用于某种视觉污染物类别。SoftMax函数表示为
式6中,j对应于特定类别的视觉污染物,神经元输出的总和在最后一层中,xj是到达SoftMax层中的视觉污染物。i表示四个输出神经元的概率输出。4个可视的污染物类别输出层将有4个神经元,i和j将具有介于0和3之间的值。在搭建好模型后,对模型进行训练和测试,以得到训练后的分类识别模型。
本发明实施例,在对模型进行训练时,收集图像采集终端采集的图像,采取人工干预的方法识别四类视觉污染物进行标记图像,每类160个图像被获取,四类总共640张图片。另一部分数据的来源是图像采集终端的现实场景图片用于作为测试,共160张。研究表明,通过卷积神经网络模型,能够训练准确率达到95%视觉污染物分类的高度复杂的任务。
本发明实施例还提供有一种基于卷积神经网络的城市视觉污染物识别系统。如图1所示,包括图像采集终端和服务器,所述图像采集终端为多个,采用分布式布置的方式布置于城市相关区域并采集相关区域的环境图像通过有线或无线的方式发送至服务器;所述服务器用于基于卷积神经网络框架对环境图像进行训练,提取各图像特征,建立基于卷积神经网络的视觉污染物分类识别模型;对图像采集终端后续发送的环境图像,利用训练好的分类识别模型进行城市视觉污染物的分类识别。
具体的,所述图像采集终端包括控制器13、定位模块、固定底座23以及转动壳体22,所述固定底座23上固定设置一圆台1,所述圆台1顶部设置锥型齿21,所述转动壳体22底部与所述固定底座23之间转动配合,具体的所述转动壳体22其底板可相对于固定底座23进行转动,固定底座23在实际使用时,可固定在高处,如电线杆等地方,转动壳体22设置为可转动式结构其主要用于调节摄像头25的照射角度,本实施例所提供的图像采集终端结构其理论上能够实现摄像头360°角度的调整。
在转动壳体22内部设有电机8、转动组件、角度调节组件以及安装有摄像头25的摄像头支架20,具体的摄像头支架20处设有锁紧螺钉,用于将摄像头25锁紧在支架内,通过转动组件调整摄像头25的照射位置,通过角度调节组件调节摄像头25的摆动角度。所述转动组件包括与圆台1顶部设置的锥型齿21啮合的锥齿轮2,所述锥齿轮2一侧固定连接转动连接盘5,所述角度调节组件包括角度调节转轴14、从动齿轮12以及主动齿轮7,所述从动齿轮7固定于所述角度调节转轴14,所述主动齿轮12与从动齿轮7啮合配合,所述主动齿轮12与转动连接盘5同轴设置且两者之间具有一定的间隙,所述主动齿轮12可相对转动的套设于电机8的输出轴9上,所述摄像头支架20通过连接轴26安装于一框体24内,所述框体24与转动壳体22固定连接,所述连接轴26一端固定连接角度调节齿轮18,所述角度调节转轴14靠近所述框体24的一端设有蜗杆19,所述蜗杆19与所述角度调节齿轮18啮合,所述电机8固定于转动壳体22内,所述电机8的输出轴9上安装有驱动盘6,所述驱动盘6和输出轴9之间具有周向限位,所述驱动盘6和输出轴9在轴向方向滑动配合,所述驱动盘6设置在转动连接盘5以及主动齿轮7之间,所述驱动盘6两侧端面分别设有与转动连接盘5以及主动齿轮7侧面相吸合的电磁吸盘10,通过所述电磁吸盘10能够使所述驱动盘6与转动连接盘5或主动齿轮7吸附固定连接。
在本实施例中,可通过一个电机8实现转动和角度的两种控制。当需要通过电机8实现摄像头25的转动时,如图5所示,可通过控制器13使驱动盘6靠近转动连接盘5一侧的电磁吸盘10通电产生磁力,而另一侧的电磁吸盘10断电,此时电磁吸盘10的磁力使得驱动盘6与转动连接盘5贴合固定,此时电机8的扭力可通过驱动盘6与转动连接盘5的配合传递到锥齿轮2,锥齿轮2在圆台1上转动时,其能够带动转动壳体22以及其上安装的零部件一同转动,从而实现摄像头25的转动调节,此时,由于主动齿轮7和输出轴9之间可自由转动,因此输出轴9的扭力不会传递到主动齿轮7。当需要调整摄像头25的倾斜角度时,如图6所示,使驱动盘6另一侧的电磁吸盘10通电,相应的对应侧的电磁吸盘10断电,此时在磁力作用下驱动盘6与主动齿轮7侧面贴合固定,电机10的扭力可传递至主动齿轮7,主动齿轮7带动角度调节转轴14转动,进而通过蜗轮蜗杆实现摄像头25倾斜角度的调整,此工作状态下,由于驱动盘6和转动连接盘5分离,因此电机10的扭力不会传递到转动连接盘5。
本发明的图像采集终端结构,针对城市内污染物分布特性进行设计,而城市污染物主要包括广告牌和标牌,电话-电话和通讯线,网络和通讯塔,街道垃圾等。由于街道垃圾处的环境一般是一直变化的,但广告牌、电话线、通讯塔等所处区域的环境并不会随时变化,因此在进行图像采集时,完全没有必要对广告牌、电话线、通讯塔等所处区域的环境进行实时采集。通过本发明的图像采集终端,可将摄像头25调整为初始状态对准街道垃圾所处区域,实时采集该区域的环境图像。而定时调整摄像头25位置,采集周围、高处的广告牌、标牌等环境图像。如摄像头25可在控制器的控制下,每天拍摄街道垃圾所处区域的若干张环境图像并送往服务器进行处理,而在控制器的定时器作用下,摄像头25每个月或若干天动作一次,分别通过逐步调整摄像头25的位置,使摄像头25采集周围、高处等环境图像送往服务器进行处理,之后再回到初始位置即可。综上,本发明的图像采集终端结构成本低廉,及其适用于城市视觉污染物的图像采集,且能够有效节省电力。
本发明的图像采集终端还包括太阳能光伏板16以及蓄电池15,通过如上描述,可知,本发明的图像采集终端的控制系统是十分省电的,因此可通过太阳能供电的方式满足其使用需求。
具体的,在本发明中,所述圆台1与转动壳体22之间设有第一轴承,所述锥齿轮2与转动连接盘5相连接的转动连接轴3上设有底部支撑架4,所述底部支撑架4固定在转动壳体22内,所述底部支撑架4和转动连接轴3之间设有第二轴承;所述角度调节转轴14靠近摄像头支架20的一端设有顶部支撑架17,所述顶部支撑架17固定在转动壳体22内,所述顶部支撑架17和角度调节转轴14之间设有第三轴承;所述主动齿轮12与电机8的输出轴之间设有第四轴承;所述角度调节转轴14远离摄像头支架17的一端设有侧部支撑架11,所述侧部支撑架11固定在转动壳体22内,所述侧部支撑架22和角度调节转轴14之间设有第五轴承。通过相应的支撑结构和轴承的设计,保证结构的稳定支撑以及灵活运行。
进一步的,本发明中,驱动盘6和电机的输出轴9之间通过能够传递扭力并且能够提供轴向滑动的导向键连接,导向键的设置,不仅能够传递扭力,还能够提供运行轨道,使得驱动盘6可在输出轴9轴向方向上调节位置。
Claims (10)
1.一种基于卷积神经网络的城市视觉污染物识别方法,其特征在于,所述方法包括:
基于图像采集终端采集相关区域的环境图像并发送至服务器进行图像处理;在服务器内基于卷积神经网络框架对环境图像进行训练,提取各图像特征,建立基于卷积神经网络的视觉污染物分类识别模型;对图像采集终端后续发送的环境图像,利用训练好的分类识别模型进行城市视觉污染物的分类识别。
2.根据权利要求1所述的基于卷积神经网络的城市视觉污染物识别方法,其特征在于,所述环境图像发送至服务器后,首先对所述环境图像进行预处理,所述预处理为灰度化处理。
3.根据权利要求1所述的基于卷积神经网络的城市视觉污染物识别方法,其特征在于,在对环境图像进行训练时,首先采取人工干预的方法识别出多类视觉污染物图像并进行标记,其中每类视觉污染物图像均标记多张,通过人工干预标记的视觉污染物图像进行训练。
4.一种基于卷积神经网络的城市视觉污染物识别系统,其特征在于,包括图像采集终端和服务器;
所述图像采集终端为多个,采用分布式布置的方式布置于城市相关区域并采集相关区域的环境图像通过有线或无线的方式发送至服务器;
所述服务器用于基于卷积神经网络框架对环境图像进行训练,提取各图像特征,建立基于卷积神经网络的视觉污染物分类识别模型;对图像采集终端后续发送的环境图像,利用训练好的分类识别模型进行城市视觉污染物的分类识别;
其中,所述图像采集终端包括控制器、定位模块、固定底座以及转动壳体,所述固定底座上固定设置一圆台,所述圆台顶部设置锥型齿,所述转动壳体底部与所述固定底座之间转动配合,所述转动壳体内部设有电机、转动组件、角度调节组件以及安装有摄像头的摄像头支架,所述转动组件包括与圆台顶部设置的锥型齿啮合的锥齿轮,所述锥齿轮一侧固定连接转动连接盘,所述角度调节组件包括角度调节转轴、从动齿轮以及主动齿轮,所述从动齿轮固定于所述角度调节转轴,所述主动齿轮与从动齿轮啮合配合,所述主动齿轮与转动连接盘同轴设置且两者之间具有一定的间隙,所述主动齿轮可相对转动的套设于电机的输出轴上,所述摄像头支架通过连接轴安装于一框体内,所述框体与转动壳体固定连接,所述连接轴一端固定连接角度调节齿轮,所述角度调节转轴靠近所述框体的一端设有蜗杆,所述蜗杆与所述角度调节齿轮啮合,所述电机固定于转动壳体内,所述电机的输出轴上安装有驱动盘,所述驱动盘和输出轴之间具有周向限位,所述驱动盘和输出轴在轴向方向滑动配合,所述驱动盘设置在转动连接盘以及主动齿轮之间,所述驱动盘两侧端面分别设有与转动连接盘以及主动齿轮侧面相吸合的电磁吸盘,通过所述电磁吸盘能够使所述驱动盘与转动连接盘或主动齿轮吸附固定连接。
5.根据权利要求4所述的基于卷积神经网络的城市视觉污染物识别系统,其特征在于,所述图像采集终端还包括太阳能光伏板以及蓄电池。
6.根据权利要求4所述的基于卷积神经网络的城市视觉污染物识别系统,其特征在于,所述圆台与转动壳体之间设有第一轴承。
7.根据权利要求4所述的基于卷积神经网络的城市视觉污染物识别系统,其特征在于,所述锥齿轮与转动连接盘相连接的转动连接轴上设有底部支撑架,所述底部支撑架固定在转动壳体内,所述底部支撑架和转动连接轴之间设有第二轴承;
所述角度调节转轴靠近摄像头支架的一端设有顶部支撑架,所述顶部支撑架固定在转动壳体内,所述顶部支撑架和角度调节转轴之间设有第三轴承。
8.根据权利要求4所述的基于卷积神经网络的城市视觉污染物识别系统,其特征在于,所述主动齿轮与电机的输出轴之间设有第四轴承;
所述角度调节转轴远离摄像头支架的一端设有侧部支撑架,所述侧部支撑架固定在转动壳体内,所述侧部支撑架和角度调节转轴之间设有第五轴承。
9.根据权利要求4所述的基于卷积神经网络的城市视觉污染物识别系统,其特征在于,所述驱动盘和电机的输出轴之间通过能够传递扭力并且能够提供轴向滑动的导向键连接。
10.根据权利要求4所述的基于卷积神经网络的城市视觉污染物识别系统,其特征在于,所述控制器包括定时器,所述定时器用于定时控制所述电机,使所述电机的驱动盘与所述转动组件或角度调节组件连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338459.1A CN111104914B (zh) | 2019-12-23 | 2019-12-23 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338459.1A CN111104914B (zh) | 2019-12-23 | 2019-12-23 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104914A true CN111104914A (zh) | 2020-05-05 |
CN111104914B CN111104914B (zh) | 2023-07-14 |
Family
ID=70423282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338459.1A Active CN111104914B (zh) | 2019-12-23 | 2019-12-23 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104914B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680775A (zh) * | 2020-06-09 | 2020-09-18 | 河北科技师范学院 | 一种基于深度神经网络的图像识别模组 |
CN111798441A (zh) * | 2020-07-12 | 2020-10-20 | 国网山西省电力公司电力科学研究院 | 一种基于图像处理的光伏电站光伏板污染物检测方法 |
CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及系统 |
CN114087500A (zh) * | 2022-01-24 | 2022-02-25 | 日照山海天旅游度假区规划设计有限公司 | 一种建筑设计用现场测量装置 |
CN115019158A (zh) * | 2022-08-03 | 2022-09-06 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105794502A (zh) * | 2016-04-12 | 2016-07-27 | 山东国兴智能科技有限公司 | 一种全自动树枝修剪机器人及修剪方法 |
CN205540228U (zh) * | 2016-02-22 | 2016-08-31 | 青海广域信息科技有限公司 | 基于互联网云技术的智能安防监控系统 |
CN106193640A (zh) * | 2016-07-13 | 2016-12-07 | 国家电网公司 | 一种铁塔巡视机器人及其工作方法 |
CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
CN107025728A (zh) * | 2017-04-14 | 2017-08-08 | 黑龙江大学 | 智慧食堂菜品自动配送系统 |
CN108423573A (zh) * | 2018-03-29 | 2018-08-21 | 曾美枝 | 一种车站处上下轮椅的装置 |
CN108657972A (zh) * | 2018-06-05 | 2018-10-16 | 南华大学 | 深井固化桶回取装置及固化桶回取方法 |
CN208459242U (zh) * | 2018-06-29 | 2019-02-01 | 国网上海市电力公司 | 一种高压配电网塔杆巡检装置 |
CN109358212A (zh) * | 2018-12-05 | 2019-02-19 | 贵州电网有限责任公司 | 一种用于电力测试的挂接微调装置 |
CN208544841U (zh) * | 2018-07-30 | 2019-02-26 | 郑敏华 | 一种汽车生产用可调节式零件夹取装置 |
CN109515540A (zh) * | 2018-12-08 | 2019-03-26 | 西南石油大学 | 一种电磁吸盘弹射牵引越障爬壁机器人装置 |
CN109541266A (zh) * | 2018-12-05 | 2019-03-29 | 贵州电网有限责任公司 | 一种用于电力测试的挂接装置 |
CN109716975A (zh) * | 2019-03-11 | 2019-05-07 | 陈利娟 | 一种干旱地区防止水分蒸发的农业防护系统及其使用方法 |
CN209471152U (zh) * | 2018-12-05 | 2019-10-08 | 贵州电网有限责任公司 | 一种用于电力测试的挂接设备 |
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
-
2019
- 2019-12-23 CN CN201911338459.1A patent/CN111104914B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205540228U (zh) * | 2016-02-22 | 2016-08-31 | 青海广域信息科技有限公司 | 基于互联网云技术的智能安防监控系统 |
CN105794502A (zh) * | 2016-04-12 | 2016-07-27 | 山东国兴智能科技有限公司 | 一种全自动树枝修剪机器人及修剪方法 |
CN106193640A (zh) * | 2016-07-13 | 2016-12-07 | 国家电网公司 | 一种铁塔巡视机器人及其工作方法 |
CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
CN107025728A (zh) * | 2017-04-14 | 2017-08-08 | 黑龙江大学 | 智慧食堂菜品自动配送系统 |
CN108423573A (zh) * | 2018-03-29 | 2018-08-21 | 曾美枝 | 一种车站处上下轮椅的装置 |
CN108657972A (zh) * | 2018-06-05 | 2018-10-16 | 南华大学 | 深井固化桶回取装置及固化桶回取方法 |
CN208459242U (zh) * | 2018-06-29 | 2019-02-01 | 国网上海市电力公司 | 一种高压配电网塔杆巡检装置 |
CN208544841U (zh) * | 2018-07-30 | 2019-02-26 | 郑敏华 | 一种汽车生产用可调节式零件夹取装置 |
CN109358212A (zh) * | 2018-12-05 | 2019-02-19 | 贵州电网有限责任公司 | 一种用于电力测试的挂接微调装置 |
CN109541266A (zh) * | 2018-12-05 | 2019-03-29 | 贵州电网有限责任公司 | 一种用于电力测试的挂接装置 |
CN209471152U (zh) * | 2018-12-05 | 2019-10-08 | 贵州电网有限责任公司 | 一种用于电力测试的挂接设备 |
CN109515540A (zh) * | 2018-12-08 | 2019-03-26 | 西南石油大学 | 一种电磁吸盘弹射牵引越障爬壁机器人装置 |
CN109716975A (zh) * | 2019-03-11 | 2019-05-07 | 陈利娟 | 一种干旱地区防止水分蒸发的农业防护系统及其使用方法 |
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
Non-Patent Citations (2)
Title |
---|
田学光;田兴志;刘轩;刘伟;: "大型精密转台高精度角度微驱动装置的研制", 光学精密工程 * |
陈志伟;徐世许;刘云鹏;曾祥晓;: "基于视觉筛选的并联机器人平面抓取系统设计", 制造业自动化 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680775A (zh) * | 2020-06-09 | 2020-09-18 | 河北科技师范学院 | 一种基于深度神经网络的图像识别模组 |
CN111680775B (zh) * | 2020-06-09 | 2022-02-01 | 河北科技师范学院 | 一种基于深度神经网络的图像识别模组 |
CN111798441A (zh) * | 2020-07-12 | 2020-10-20 | 国网山西省电力公司电力科学研究院 | 一种基于图像处理的光伏电站光伏板污染物检测方法 |
CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及系统 |
CN114087500A (zh) * | 2022-01-24 | 2022-02-25 | 日照山海天旅游度假区规划设计有限公司 | 一种建筑设计用现场测量装置 |
CN115019158A (zh) * | 2022-08-03 | 2022-09-06 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及系统 |
CN115019158B (zh) * | 2022-08-03 | 2022-10-25 | 威海海洋职业学院 | 一种基于图像识别的海洋污染区域识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111104914B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104914B (zh) | 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 | |
CN102750710B (zh) | 一种图像中运动目标统计方法和装置 | |
CN106982357A (zh) | 一种基于分布云的智能拍摄系统 | |
CN110996055A (zh) | 输电线路图像监测系统镜头的自清洁装置及方法 | |
CN208116361U (zh) | 一种太阳能电池板灰尘检测及清洁系统 | |
CN112648487A (zh) | 一种用于智慧社区的人脸识别装置及其使用方法 | |
CN112975970A (zh) | 一种视觉抓取机械臂系统 | |
CN209281614U (zh) | 一种智能交通路况信息采集装置 | |
CN110097824A (zh) | 一种工商管理教学用智能宣传板 | |
CN114445982B (zh) | 一种听觉及视觉障碍者专用门铃系统 | |
CN112297021B (zh) | 一种基于云计算的环保管家巡检机器人 | |
CN2842571Y (zh) | 一种抗天气干扰图像采集装置 | |
CN108267973A (zh) | 智能控制方法及装置 | |
CN114237309A (zh) | 一种光伏组件的角度调节方法和装置 | |
CN200959818Y (zh) | 智能烟叶烘烤仪和烟叶烘烤系统 | |
CN220819050U (zh) | 基于太阳能扫描仪的智能化病虫害识别和绿色施肥检测系统 | |
CN214901028U (zh) | 一种学生课堂行为捕捉装备 | |
CN220419990U (zh) | 基于边缘计算的前端人工智能鸟类监测装置 | |
CN112001864A (zh) | 一种基于深度学习的图像训练装置 | |
CN117059007B (zh) | 一种智能显示屏的控制方法及该显示屏 | |
CN209880008U (zh) | 一种教育学用工作动态信息显示装置 | |
CN108427922A (zh) | 一种高效的室内环境调节系统 | |
Carneiro et al. | The influence of external factors on the energy efficiency of public lighting | |
CN115802535B (zh) | 基于物联网的环境自适应led照明方法 | |
CN113905477B (zh) | 基于zigbee网络的智能节能照明方法及系统 |
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 |