CN112183460A - 一种智能识别环境卫生的方法及装置 - Google Patents

一种智能识别环境卫生的方法及装置 Download PDF

Info

Publication number
CN112183460A
CN112183460A CN202011126747.3A CN202011126747A CN112183460A CN 112183460 A CN112183460 A CN 112183460A CN 202011126747 A CN202011126747 A CN 202011126747A CN 112183460 A CN112183460 A CN 112183460A
Authority
CN
China
Prior art keywords
picture
confidence
identified
feedforward neural
image features
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
Application number
CN202011126747.3A
Other languages
English (en)
Inventor
胡金吒
郑楠
刘岩松
胡志伟
王磊
张明镜
廖磊
刘牛
彭小丽
苏杰
杨辰珉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Optical Valley United Group Co ltd
Original Assignee
Wuhan Optical Valley United Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Optical Valley United Group Co ltd filed Critical Wuhan Optical Valley United Group Co ltd
Priority to CN202011126747.3A priority Critical patent/CN112183460A/zh
Publication of CN112183460A publication Critical patent/CN112183460A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种智能识别环境卫生的方法及装置。包括：实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理后的区域图片作为待识别图片；建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片提取特征图，并计算特征图的置信度；设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根据比较结果，对该置信度对应的监控区域图片进行识别分类。本发明通过前馈神经CNN网络能够精确对园区的垃圾进行分类识别，然后对于识别不够准确的小目标，通过感知生成式对抗网络进行辅助识别，保证园区的识别精确度和效率，提高了园区的整洁度。

Description

一种智能识别环境卫生的方法及装置
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种智能识别环境卫生的方法 及装置。
背景技术
随着时代的发展，园区对企业发展的作用也越来越大，好的园区能够提升 企业的知名度，同时园区的管理就显得十分重要，特别是园区环境管理，干净 卫生的园区环境已经成为现有园区的判断标准之一。
现有的园区环境管理技术一般都是通过图片识别的方式来对园区中的垃圾 进行识别且清理，但是这种方式仅仅只能识别出垃圾，并不能对垃圾进行更进 一步识别分类，识别精度不高，存在识别错误的情况，所以，亟需一种智能识 别环境卫生的方法能够更高精度对地面垃圾进行识别。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现 有技术。
发明内容
有鉴于此，本发明提出了一种智能识别环境卫生的方法及装置，旨在解决 现有技术无法更加精确对园区内的垃圾进行识别分类的技术问题。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种智能识别环境卫生的方法，所述智能识别环境 卫生的方法包括以下步骤：
S1，实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理 后的区域图片作为待识别图片；
S2，建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片提取 特征图，并计算特征图的置信度；
S3，设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根据比 较结果，对该置信度对应的监控区域图片进行识别分类。
在以上技术方案的基础上，优选的，步骤S1中，实时抓取监控区域图片， 并对抓取到的区域图片进行预处理，将处理后的区域图片作为待识别图片，还 包括以下步骤，实时抓取监控区域图片，并同步获取监控区域图片对应的区域 信息，所述区域信息包括：楼栋区域，花坛区域以及道路区域，从监控区域图 片中删除楼栋区域对应的监控区域图片，将剩下的监控区域图片打包作为图片 集，对图片集中的区域图片进行预处理，将处理后的区域图片作为待识别图片。
在以上技术方案的基础上，优选的，对图片集中的区域图片进行预处理， 将处理后的区域图片作为待识别图片，还包括以下步骤，设定图片完整性验证 规则，根据该图片完整性验证规则对图片集中的区域图片进行验证，当图片集 中的区域图片不满足验证规则时，根据该区域图片对应的区域信息重新抓取区 域图片并进行验证；当图片集中的区域图片满足验证规则时，提取该区域图片 作为待识别图片。
在以上技术方案的基础上，优选的，步骤S2中，建立前馈神经CNN网络， 根据前馈神经CNN网络从待识别图片提取特征图，并计算特征图的置信度，还 包括以下步骤，建立前馈神经CNN网络，根据该前馈神经CNN网络生成六层 卷积层，根据该六层卷积层从待识别图片提取特征图，根据该图像特征获取对 应的置信度。
在以上技术方案的基础上，优选的，根据该六层卷积层从待识别图片提取 特征图，根据该图像特征获取对应的置信度，还包括以下步骤，根据该六层卷 积层从待识别图片提取6个特征图，根据该特征图生成对应的默认框，通过卷 积核对特征图进行卷积，获取该特征图的置信度，利用默认框输出对应特征图 的置信度。
在以上技术方案的基础上，优选的，还包括以下步骤，步骤S3中，设定置 信度阈值，将图像特征的置信度与置信度阈值进行比较，根据比较结果，对该 置信度对应的图像特征进行识别分类，还包括以下步骤，设定置信度阈值，将 图像特征的置信度与置信度阈值进行比较，当图像特征的置信度大于置信度阈 值时，保留该置信度对应的默认框，并通过非极大值抑制法从保留的默认框中 筛选出没有互相相交的默认框作为最终默认框，对该最终默认框对应的图像特 征进行识别分类；当图像特征的置信度小于置信度阈值时，删除该置信度对应 的默认框。
在以上技术方案的基础上，优选的，对该最终默认框对应的图像特征进行 识别分类，还包括以下步骤，当识别分类结果为大目标时，直接输出该结果， 所述大目标包括：塑料瓶、垃圾袋、车辆、动物以及人；当识别分类结果为小 目标时，所述小目标包括：落叶以及纸屑，建立感知生成式对抗网络，根据该 感知生成式对抗网络对小目标对应的特征图进行标记放大，并对放大后的特征 图进行识别分类。
更进一步优选的，所述智能识别环境卫生的装置包括：
抓取模块，用于实时抓取监控区域图片，并对抓取到的区域图片进行预处 理，将处理后的区域图片作为待识别图片；
计算模块，用于建立前馈神经CNN网络，根据前馈神经CNN网络从待识 别图片提取特征图，并计算特征图的置信度；
识别分类模块，用于设定置信度阈值，将特征图的置信度与置信度阈值进 行比较，根据比较结果，对该置信度对应的图像特征进行识别分类。
第二方面，所述智能识别环境卫生的方法还包括一种存储设备，所述存储 设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行 的智能识别环境卫生的方法程序，所述智能识别环境卫生的方法程序配置为实 现如上文所述的智能识别环境卫生的方法的步骤。
第三方面，所述智能识别环境卫生的方法还包括一种介质，所述介质为计 算机介质，所述计算机介质上存储有智能识别环境卫生的方法程序，所述智能 识别环境卫生的方法程序被处理器执行时实现如上文所述的智能识别环境卫生 的方法的步骤。
本发明的一种智能识别环境卫生的方法相对于现有技术具有以下有益效 果：
(1)通过建立前馈神经CNN网络对园区监控区域的画面进行分类识别，通过 前馈神经CNN网络能够提高园区图像特征分类识别的精确度，提升系统识别效 率。
(2)通过感知生成式对抗网络辅助前馈神经CNN网络，对前馈神经CNN网 络无法识别的小目标进行标记放大后识别，能够对前馈神经CNN网络的识别分 类效果进行完善，整体提升了园区图像特征识别分类的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例方案涉及的硬件运行环境的设备的结构示意图；
图2为本发明智能识别环境卫生的方法第一实施例的流程示意图；
图3为本发明智能识别环境卫生的方法第一实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、 完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是 全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出 创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，该存储设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存 储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口 1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户 接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以 包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接 口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001 的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对设备的限定，在 实际应用中设备可以包括比图示更多或更少的部件，或者组合某些部件，或者 不同的部件布置。
如图1所示，作为一种介质的存储器1005中可以包括操作系统、网络通信 模块、用户接口模块以及智能识别环境卫生的方法程序。
在图1所示的设备中，网络接口1004主要用于建立设备与存储智能识别环 境卫生的方法系统中所需的所有数据的服务器的通信连接；用户接口1003主要 用于与用户进行数据交互；本发明智能识别环境卫生的方法设备中的处理器 1001、存储器1005可以设置在智能识别环境卫生的方法设备中，所述智能识别 环境卫生的方法设备通过处理器1001调用存储器1005中存储的智能识别环境 卫生的方法程序，并执行本发明实施提供的智能识别环境卫生的方法。
结合图2，图2为本发明智能识别环境卫生的方法第一实施例的流程示意 图。
本实施例中，所述智能识别环境卫生的方法包括以下步骤：
S10：实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理 后的区域图片作为待识别图片。
应当理解的是，为了能够第一时间对园区内的环境进行检测，不同的园区 会根据园区环境安装不同的摄像头，通过摄像头对监控区域的图片进行抓取， 为了体现检测的及时性，一般的园区都是实时对监控区域的图片进行抓取。
应当理解的是，垃圾信息的数据收集可以从互联网或者摄像机拍摄得到多 种类型的垃圾图片，创建垃圾检测的数据集，图片包含的垃圾类别尽量各不相 同，并且使用标注工具对图片进行标注。
应当理解的是，抓到的图片一般都是楼栋区域、花坛区域以及道路区域这 些方便监控的地方，同时还会同步获取这些地方的区域信息，区域信息就是指 楼栋、花坛以及道路这些区域，因为楼栋区域一般都是大楼，需要清洁整理的 地方不多，所以系统主要重心还是放在花坛区域以及道路区域，为了方便系统 进行检测，系统会根据区域信息删除楼栋区域的图片，以此减少工作量。
应当理解的是，在得到花坛区域以及道路区域这些地方的图片之后，系统 会将这些区域图片作为待验证图片，同时由于数据传输或者器件的原因，可能 会存在图片不完整的情况，不完整的图片不仅浪费系统的资源，同时也无法为 检测提供帮助，所以，在得到待验证图片之后，系统会设定图片完整性验证规 则，这个图片完整性验证规则是系统根据历史完整图片建立的规则，用于验证 图片的完整性，只有通过验证的图片，才会被系统标记为待识别图片。
应当理解的是，验证图片的完整性还能对设备性能进行检测，若是一个区 域的图片存在多张不完整图片，那么就表明这个区域的设备可能存在问题或者 数据传输可能存在问题，这时系统会提醒工作人员进行维修。
S20：根据建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片 提取特征图，并计算特征图的置信度。
应当理解的是，为了对抓取的特征图进行识别分类，本实施例中使用的是 前馈神经CNN网络，即SSD(Single Shot MultiBox Detector)网络结构，通过 前馈神经CNN网络，用来生成大小范围为500×500的框，然后对每个框中间 的物品进行评分，这个评分就是用于识别分类待识别图片的置信度。
应当理解的是，SSD网络主要由两部分组成，第一部分为基础的图像特征 提取网络，第二部分为特征金字塔网络，其中第一部分的基础图像特征提取网 络结构是基于VGG16网络结构数据。第二部分是将VGG16最后两个全连接层 改成卷积层，并随后增加了4个卷积层来构造网络结构，从而构建特征金字塔 的网络部分。
应当理解的是，在本实施例的识别过程中，特征金字塔网络部分提取图像 中的特征。特征金字塔的默认框从六层卷积层输出的特征图中产生。每个特征 图的大小为38×38、19×19、10×10、5×5、3×3、1×1。在此算法中，每个 特征图上的每个点会生成对应一组默认框，每个默认框对应一个边界框输出一 组检测结果，检测结果中包括它的位置值和置信度(属于某一类型的得分值)。 在这六个特征图中，除去第一层作为特征图，剩下的五个卷积层的特征图分别 用两个不同的3×3的卷积核进行卷积，其中一个卷积结果输出每个边界框中各 个类别的置信度，另一个卷积结果输出每个边界框中各个类别的位置值。
具体算法如下：
使用m个特征图来做预测，其中特征图默认框比例公式如下：
Figure BDA0002733861000000071
其中m为特征图的数量，Fmax取0.95，Fmin取0.2，得出每个特征图的默认 框的比例。每个默认框的宽高为：
Figure BDA0002733861000000072
在垃圾识别模型中的总体目标损失函数是位置损失的加权之和：
Figure BDA0002733861000000073
其中N是匹配的默认框的数量，位置损失是预测框l和真实标签值框g参数 之间的损失。
S30：设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根据比 较结果，对该置信度对应的图像特征进行识别分类。
应当理解的是，垃圾识别结果预测是通过使用非极大值抑制方法的到最终 的预测结果，预测过程是根据每个预测默认框所生成的检测结果中的置信度来 确定预测的物体所属类别，低于置信度阈值0.5的默认框将会被筛除，对剩下的 默认框由置信度值的大小进行从小到大排列，保前N个默认框，最后用非极大 值抑制法。该方法对于有相交的默认框，对于没有相交的就直接保留下来作为 最后结果。
应当理解的是，由于前馈神经CNN网络对于小目标的识别效果不好，所以 当识别分类结果为大目标时，直接输出该结果，所述大目标包括：塑料瓶、垃 圾袋、车辆、动物以及人；当识别分类结果为小目标时，所述小目标包括：落 叶以及纸屑，建立感知生成式对抗网络，根据该感知生成式对抗网络对小目标 对应的特征图进行标记放大，并对放大后的特征图进行识别分类。
需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限 定。
通过上述描述不难发现，本实施例通过实时抓取监控区域图片，并对抓取 到的区域图片进行预处理，将处理后的区域图片作为待识别图片；建立前馈神 经CNN网络，根据前馈神经CNN网络从待识别图片提取特征图，并计算特征 图的置信度；设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根 据比较结果，对该置信度对应的监控区域图片进行识别分类。本实施例通过前 馈神经CNN网络能够精确对园区的垃圾进行分类识别，然后对于识别不够准确 的小目标，通过感知生成式对抗网络进行辅助识别，保证园区的识别精确度和 效率，提高了园区的整洁度。
此外，本发明实施例还提出一种智能识别环境卫生的装置。如图3所示， 该智能识别环境卫生的装置包括：抓取模块10、计算模块20、识别分类模块 30。
抓取模块10，用于实时抓取监控区域图片，并对抓取到的区域图片进行预 处理，将处理后的区域图片作为待识别图片；
计算模块20，用于建立前馈神经CNN网络，根据前馈神经CNN网络从待 识别图片提取特征图，并计算特征图的置信度；
识别分类模块30，用于设定置信度阈值，将特征图的置信度与置信度阈值 进行比较，根据比较结果，对该置信度对应的图像特征进行识别分类。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对 本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际 的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限 制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所 提供的智能识别环境卫生的方法，此处不再赘述。
此外，本发明实施例还提出一种介质，所述介质为计算机介质，所述计算 机介质上存储有智能识别环境卫生的方法程序，所述智能识别环境卫生的方法 程序被处理器执行时实现如下操作：
S1，实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理 后的区域图片作为待识别图片；
S2，建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片提取 特征图，并计算特征图的置信度；
S3，设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根据比 较结果，对该置信度对应的监控区域图片进行识别分类。
进一步地，所述智能识别环境卫生的方法程序被处理器执行时还实现如下 操作：
实时抓取监控区域图片，并同步获取监控区域图片对应的区域信息，所述 区域信息包括：楼栋区域，花坛区域以及道路区域，从监控区域图片中删除楼 栋区域对应的监控区域图片，将剩下的监控区域图片打包作为图片集，对图片 集中的区域图片进行预处理，将处理后的区域图片作为待识别图片。
进一步地，所述智能识别环境卫生的方法程序被处理器执行时还实现如下 操作：
设定图片完整性验证规则，根据该图片完整性验证规则对图片集中的区域 图片进行验证，当图片集中的区域图片不满足验证规则时，根据该区域图片对 应的区域信息重新抓取区域图片并进行验证；当图片集中的区域图片满足验证 规则时，提取该区域图片作为待识别图片。
进一步地，所述智能识别环境卫生的方法程序被处理器执行时还实现如下 操作：
建立前馈神经CNN网络，根据该前馈神经CNN网络生成六层卷积层，根 据该六层卷积层从待识别图片提取特征图，根据该图像特征获取对应的置信度。
进一步地，所述智能识别环境卫生的方法程序被处理器执行时还实现如下 操作：
根据该六层卷积层从待识别图片提取6个特征图，根据该特征图生成对应 的默认框，通过卷积核对特征图进行卷积，获取该特征图的置信度，利用默认 框输出对应特征图的置信度。
进一步地，所述智能识别环境卫生的方法程序被处理器执行时还实现如下 操作：
设定置信度阈值，将图像特征的置信度与置信度阈值进行比较，当图像特 征的置信度大于置信度阈值时，保留该置信度对应的默认框，并通过非极大值 抑制法从保留的默认框中筛选出没有互相相交的默认框作为最终默认框，对该 最终默认框对应的图像特征进行识别分类；当图像特征的置信度小于置信度阈 值时，删除该置信度对应的默认框。
进一步地，所述智能识别环境卫生的方法程序被处理器执行时还实现如下 操作：
当识别分类结果为大目标时，直接输出该结果，所述大目标包括：塑料瓶、 垃圾袋、车辆、动物以及人；当识别分类结果为小目标时，所述小目标包括： 落叶以及纸屑，建立感知生成式对抗网络，根据该感知生成式对抗网络对小目 标对应的特征图进行标记放大，并对放大后的特征图进行识别分类。
以上所述仅为本发明的较佳实施方式而已，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、改进等，均应包含在本 发明的保护范围之内。

Claims (10)

1.一种智能识别环境卫生的方法，其特征在于：包括以下步骤；
S1，实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理后的区域图片作为待识别图片；
S2，建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片提取特征图，并计算特征图的置信度；
S3，设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根据比较结果，对该置信度对应的监控区域图片进行识别分类。
2.如权利要求1所述的智能识别环境卫生的方法，其特征在于：步骤S1中，实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理后的区域图片作为待识别图片，还包括以下步骤，实时抓取监控区域图片，并同步获取监控区域图片对应的区域信息，所述区域信息包括：楼栋区域，花坛区域以及道路区域，从监控区域图片中删除楼栋区域对应的监控区域图片，将剩下的监控区域图片打包作为图片集，对图片集中的区域图片进行预处理，将处理后的区域图片作为待识别图片。
3.如权利要求2所述的智能识别环境卫生的方法，其特征在于：对图片集中的区域图片进行预处理，将处理后的区域图片作为待识别图片，还包括以下步骤，设定图片完整性验证规则，根据该图片完整性验证规则对图片集中的区域图片进行验证，当图片集中的区域图片不满足验证规则时，根据该区域图片对应的区域信息重新抓取区域图片并进行验证；当图片集中的区域图片满足验证规则时，提取该区域图片作为待识别图片。
4.如权利要求3所述的智能识别环境卫生的方法，其特征在于：步骤S2中，建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片提取特征图，并计算特征图的置信度，还包括以下步骤，建立前馈神经CNN网络，根据该前馈神经CNN网络生成六层卷积层，根据该六层卷积层从待识别图片提取特征图，根据该图像特征获取对应的置信度。
5.如权利要求4所述的智能识别环境卫生的方法，其特征在于：根据该六层卷积层从待识别图片提取特征图，根据该图像特征获取对应的置信度，还包括以下步骤，根据该六层卷积层从待识别图片提取6个特征图，根据该特征图生成对应的默认框，通过卷积核对特征图进行卷积，获取该特征图的置信度，利用默认框输出对应特征图的置信度。
6.如权利要求5所述的智能识别环境卫生的方法，其特征在于：步骤S3中，设定置信度阈值，将图像特征的置信度与置信度阈值进行比较，根据比较结果，对该置信度对应的图像特征进行识别分类，还包括以下步骤，设定置信度阈值，将图像特征的置信度与置信度阈值进行比较，当图像特征的置信度大于置信度阈值时，保留该置信度对应的默认框，并通过非极大值抑制法从保留的默认框中筛选出没有互相相交的默认框作为最终默认框，对该最终默认框对应的图像特征进行识别分类；当图像特征的置信度小于置信度阈值时，删除该置信度对应的默认框。
7.如权利要求6所述的智能识别环境卫生的方法，其特征在于：对该最终默认框对应的图像特征进行识别分类，还包括以下步骤，当识别分类结果为大目标时，直接输出该结果，所述大目标包括：塑料瓶、垃圾袋、车辆、动物以及人；当识别分类结果为小目标时，所述小目标包括：落叶以及纸屑，建立感知生成式对抗网络，根据该感知生成式对抗网络对小目标对应的特征图进行标记放大，并对放大后的特征图进行识别分类。
8.一种智能识别环境卫生的装置，其特征在于，所述智能识别环境卫生的装置包括：
抓取模块，用于实时抓取监控区域图片，并对抓取到的区域图片进行预处理，将处理后的区域图片作为待识别图片；
计算模块，用于建立前馈神经CNN网络，根据前馈神经CNN网络从待识别图片提取特征图，并计算特征图的置信度；
识别分类模块，用于设定置信度阈值，将特征图的置信度与置信度阈值进行比较，根据比较结果，对该置信度对应的图像特征进行识别分类。
9.一种存储设备，其特征在于，所述存储设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的智能识别环境卫生的方法程序，所述智能识别环境卫生的方法程序配置为实现如权利要求1至7任一项所述的智能识别环境卫生的方法的步骤。
10.一种介质，其特征在于，所述介质为计算机介质，所述计算机介质上存储有智能识别环境卫生的方法程序，所述智能识别环境卫生的方法程序被处理器执行时实现如权利要求1至7任一项所述的智能识别环境卫生的方法的步骤。
CN202011126747.3A 2020-10-20 2020-10-20 一种智能识别环境卫生的方法及装置 Pending CN112183460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011126747.3A CN112183460A (zh) 2020-10-20 2020-10-20 一种智能识别环境卫生的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011126747.3A CN112183460A (zh) 2020-10-20 2020-10-20 一种智能识别环境卫生的方法及装置

Publications (1)

Publication Number Publication Date
CN112183460A true CN112183460A (zh) 2021-01-05

Family

ID=73922436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011126747.3A Pending CN112183460A (zh) 2020-10-20 2020-10-20 一种智能识别环境卫生的方法及装置

Country Status (1)

Country Link
CN (1) CN112183460A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115950479A (zh) * 2022-12-13 2023-04-11 吉林化工学院 一种基于分布式传感器的家庭环境信息监测系统
CN116104034A (zh) * 2023-02-28 2023-05-12 江苏省环境工程技术有限公司 一种用于城市绿化带落叶清扫的智能机器人及其系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316007A (zh) * 2017-06-07 2017-11-03 浙江捷尚视觉科技股份有限公司 一种基于深度学习的监控图像多类物体检测与识别方法
CN107451619A (zh) * 2017-08-11 2017-12-08 深圳市唯特视科技有限公司 一种基于感知生成对抗网络的小目标检测方法
CN108764115A (zh) * 2018-05-24 2018-11-06 东北大学 一种卡车危险提醒方法
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
CN110473142A (zh) * 2019-05-22 2019-11-19 南京理工大学 基于深度学习的单幅图像超分辨率重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316007A (zh) * 2017-06-07 2017-11-03 浙江捷尚视觉科技股份有限公司 一种基于深度学习的监控图像多类物体检测与识别方法
CN107451619A (zh) * 2017-08-11 2017-12-08 深圳市唯特视科技有限公司 一种基于感知生成对抗网络的小目标检测方法
CN108764115A (zh) * 2018-05-24 2018-11-06 东北大学 一种卡车危险提醒方法
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
CN110473142A (zh) * 2019-05-22 2019-11-19 南京理工大学 基于深度学习的单幅图像超分辨率重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANAN LI等: "Perceptual Generative Adversarial Networks for Small Object Detection", 《ARXIV:1706.05274V2》 *
彭昕昀等: "基于 SSD 算法的垃圾识别分类研究", 《韶关学院学报•自然科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115950479A (zh) * 2022-12-13 2023-04-11 吉林化工学院 一种基于分布式传感器的家庭环境信息监测系统
CN116104034A (zh) * 2023-02-28 2023-05-12 江苏省环境工程技术有限公司 一种用于城市绿化带落叶清扫的智能机器人及其系统
CN116104034B (zh) * 2023-02-28 2023-11-14 江苏省环境工程技术有限公司 一种用于城市绿化带落叶清扫的智能机器人及其系统

Similar Documents

Publication Publication Date Title
Rustia et al. Automatic greenhouse insect pest detection and recognition based on a cascaded deep learning classification method
CN109508688B (zh) 基于骨架的行为检测方法、终端设备及计算机存储介质
CN109214280B (zh) 基于街景的店铺识别方法、装置、电子设备及存储介质
CN111611970B (zh) 一种基于城管监控视频的乱扔垃圾行为检测方法
CN111325137B (zh) 暴力分拣检测方法、装置、设备及存储介质
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN110555420B (zh) 一种基于行人区域特征提取和重识别融合模型网络及方法
CN111813997A (zh) 入侵分析方法、装置、设备及存储介质
CN110688980B (zh) 基于计算机视觉的人体姿态分类方法
CN112183460A (zh) 一种智能识别环境卫生的方法及装置
CN113420673B (zh) 垃圾分类方法、装置、设备及存储介质
CN114937179B (zh) 垃圾图像分类方法、装置、电子设备及存储介质
CN111582336A (zh) 一种基于图像识别垃圾种类的装置及方法
CN115862113A (zh) 陌生人异常识别方法、装置、设备及存储介质
CN112686180A (zh) 一种封闭空间人员数量计算方法
CN112101302A (zh) 非法张贴物检测方法、系统和电子设备
CN112418159A (zh) 基于注意力掩码的就餐人员监控方法、装置和电子设备
CN116959099A (zh) 一种基于时空图卷积神经网络的异常行为识别方法
CN115601684A (zh) 突发事件预警方法、装置、电子设备及存储介质
CN115131826A (zh) 物品检测识别方法、网络模型的训练方法和装置
TWI728655B (zh) 應用於動物的卷積神經網路偵測方法及系統
CN111461104B (zh) 视觉识别方法、装置、设备及存储介质
Mentari et al. Detecting Objects Using Haar Cascade for Human Counting Implemented in OpenMV
Chen et al. A real time vision-based smoking detection framework on edge
US20140254864A1 (en) System and method for gesture detection through local product map

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: 20210105

RJ01 Rejection of invention patent application after publication