CN112749747A - 垃圾分类质量评估方法及系统 - Google Patents

垃圾分类质量评估方法及系统 Download PDF

Info

Publication number
CN112749747A
CN112749747A CN202110042073.7A CN202110042073A CN112749747A CN 112749747 A CN112749747 A CN 112749747A CN 202110042073 A CN202110042073 A CN 202110042073A CN 112749747 A CN112749747 A CN 112749747A
Authority
CN
China
Prior art keywords
garbage
image
classification
unit
loss
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
Application number
CN202110042073.7A
Other languages
English (en)
Other versions
CN112749747B (zh
Inventor
朱弘恣
贺毅楠
邰俊
毕珠洁
奚慧
楼紫阳
过敏意
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.)
Shanghai Environmental Sanitation Engineering Design Institute Co ltd
Shanghai Jiaotong University
Original Assignee
Shanghai Environmental Sanitation Engineering Design Institute Co ltd
Shanghai Jiaotong University
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 Shanghai Environmental Sanitation Engineering Design Institute Co ltd, Shanghai Jiaotong University filed Critical Shanghai Environmental Sanitation Engineering Design Institute Co ltd
Priority to CN202110042073.7A priority Critical patent/CN112749747B/zh
Publication of CN112749747A publication Critical patent/CN112749747A/zh
Application granted granted Critical
Publication of CN112749747B publication Critical patent/CN112749747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

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

Abstract

一种垃圾分类质量评估方法及系统，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估。本发明基于图像识别技术识别源头分类混合垃圾图像中各类垃圾的占比，评估生活垃圾分类的质量，可以搭载于手机等便携设备，或集成在智能垃圾桶上，自动检测生活垃圾分类质量并实时反馈给居民，能够降低监督居民垃圾投放行为的成本，并有望解除垃圾投放时间和地点的限制，提高居民生活垃圾分类与投放的体验。

Description

垃圾分类质量评估方法及系统
技术领域
本发明涉及的是一种图像处理领域的技术，具体是一种垃圾分类质量评估方法及系统。
背景技术
目前，各生活垃圾分类管理条例试点城市仍然在使用原始的人力监督方法，在居民小区、 用人单位等地雇佣清洁工或招募志愿者，逐一检查居民投入垃圾桶的垃圾是否符合分类标准， 亟需有效的自动化手段代替人力评估垃圾分类的质量，对居民垃圾分类行为进行监督和引导。 现有的图像识别技术如目标检测和语义分割，均有潜力识别混合垃圾的组分，但许多因素导致 它们并不能实际解决垃圾分类质量评估问题。
目标检测技术使用多层神经网络检测输入图像中是否存在预先定义的目标，判断该目标 的类别，并用边界框对目标进行定位。将目标检测技术应用在垃圾分类质量评估问题上，则模 型接收混合垃圾图像作为输入，然后输出图像中各个垃圾的边界框。但由于混合垃圾中的垃圾 种类多样，分布密集，互相遮挡严重，构成了非常复杂的场景。现有的目标检测算法尚未突破 密集目标识别的难关，并不具备准确地识别混合垃圾中各个垃圾的能力。其次，训练目标检测 模型需要大规模的垃圾图像数据集，人工用边界框标记每张图像中的每个垃圾，现在并没有这 样的数据集，并且建立这样的数据集是一项成本过于高昂的任务。
语义分割技术使用多层神经网络预测输入图像中每一个像素所属的语义类别，应用在垃 圾分类质量评估问题上，即模型接收混合垃圾图像作为输入，然后输出图像中每个像素属于哪 种垃圾。但由于垃圾物品图像与一般物品图像不同，存在严重的污损和变形问题，这会影响语 义分割模型的性能。其次，训练语义分割模型同样需要大规模的垃圾图像数据集，人工用每张 图像中的每个像素的类别，这样的数据集并不存在也几乎不可能构建。
发明内容
本发明针对现有人工监督生活垃圾分类质量成本高且效率低的问题，提出一种垃圾分类 质量评估方法及系统，基于图像识别技术识别源头分类混合垃圾图像中各类垃圾的占比，评估 生活垃圾分类的质量，可以搭载于手机等便携设备，或集成在智能垃圾桶上，自动检测生活垃 圾分类质量并实时反馈给居民，能够降低监督居民垃圾投放行为的成本，并有望解除垃圾投放 时间和地点的限制，提高居民生活垃圾分类与投放的体验。
本发明是通过以下技术方案实现的：
本发明涉及一种垃圾分类质量评估方法，利用训练后的深度卷积神经网络识别输入图像 中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的 总体评估。
所述的输入图像中包含的对象包括：湿垃圾、纸张、塑料、有害垃圾、金属、布料、玻璃以及垃圾桶壁。
所述的输入图像包括但不限于便携设备于垃圾桶上方拍摄的混合垃圾图像。
当输入图像Ii属于所述对象的类别j，根据中心极限定理认为Ii源自于高斯分布N(μj，σj 2)， 该高斯分布体现了垃圾类别j的特征。
所述的总体评估是指：图像中各类垃圾的占比，评估垃圾分类的质量。
所述的深度卷积神经网络为包含高斯编码层的高斯分类网络，能够在过滤图像噪声的同 时提取与分类任务紧密相关的图像特征，适用于受污迹、变形等严峻噪声污染的垃圾图像。
所述的识别是指：对输入图像Ii进行预处理后，通过深度卷积神经网络的骨干网络提取 得到卷积特征f；通过两个全连接层分别提取卷积特征f的高斯分布的均值特征gμ和方差特征fσ， 对应μj和方差logσj 2；将均值特征fμ和方差特征fσ拼接成为高斯特征fgauss，再输入由全连接层 和softmax函数组成的分类器中，得到预测的垃圾样本图像类别。
所述的预处理，包括：随机切割、随机擦除、正则化处理。
所述的骨干网络采用但不限于ResNet、VGG、GoogleNet等。
所述的训练，优选使用随机梯度下降算法，其损失函数是分类损失Lc和散度损失Le之和， 其中：分类损失采用交叉熵损失，即衡量预测值y′i和标记的真实值yi之间的差异：Lc＝- ∑iyilog(y′i)；散度损失采用KL散度约束提取的fμ和fσ符合标准正态分布：
Figure BDA0002896288760000021
Figure BDA0002896288760000022
所述的训练，通过垃圾图像数据集实现，其中每张混合垃圾图像只需人工用方框标记 1～2个易于辨认的显眼垃圾的位置和种类，大大降低了建立数据集的成本。
技术效果
本发明整体解决了现有技术不能分析混合垃圾复杂图像，只能识别单一垃圾物品图像， 并且对存在污损的垃圾图像识别准确率低的缺陷。
与现有技术相比，本发明可以自动分割并识别混合垃圾图像中不同种类的垃圾，直接应 用于源头垃圾分类质量判别，使用者可拍摄源头垃圾桶中的垃圾，应用本发明自动分析垃圾组 分，降低监督垃圾分类的人力成本；本发明中的高斯分类网络创新的高斯编码结构有效提高了 垃圾图像分类准确率。
由无监督分割图像区域和有监督分类图像样本组成的分步式图像识别方法，在无需对垃 圾图像进行像素级人工标记的情况下实现了像素级的图像识别，大大降低了建立数据集和训练 模型的成本。本发明通过适用于垃圾图像的高斯分类网络，能够抑制如污损、变形等无关的噪 声，提取与垃圾类别相关的图像特征，实现比现有模型更高精度的垃圾图像分类效果。
附图说明
图1为本发明系统示意图；
图2为本发明区域分割模块示意图；
图3为本发明垃圾图像样本分类模块示意图；
图4为效果示意图。
具体实施方式
如图1所示，为本实施例涉及的一种垃圾分类质量评估系统，包括：区域分割模块、垃 圾图像样本提取模块、垃圾图像样本分类模块和区域分类模块，其中：区域分割模块通过内置 的无监督图像分割神经网络，在没有任何标记数据训练的情况下，将输入图像划分为多个不重 叠的分割区域，垃圾图像样本提取模块从分割区域中提取垃圾图像样本以识别垃圾区域的种类， 垃圾图像样本分类模块使用深度神经网络识别垃圾图像样本对应所属的垃圾类别，区域分类模 块对每个垃圾区域提取的垃圾图像样本的分类结果投票决定该垃圾区域的类别，即将相同种类 的垃圾区域被合并，最终混合垃圾图像上的每一个像素都被确定了所属的垃圾种类。
如图2所示，所述的区域分割模块包括：卷积模块单元、分类器单元、超像素优化单元 和损失计算单元。其中：卷积模块单元包含三层卷积层，对输入图像进行卷积运算，得到响应 图；分类器单元对响应图使用Argmax函数得到聚类标签；超像素优化单元根据每个超像素中 出现频率最高的聚类标签，统一每个超像素的标签，得到优化后的聚类标签；损失计算单元根 据响应图和优化后的聚类标签计算分类损失，反向传播优化网络参数，迭代五次后得到的优化 后的聚类标签为最终的区域分割结果。
所述的垃圾图像样本提取模块包括：连通域提取单元，去噪单元，样本切割单元。其中： 连通域提取单元根据区域分割的聚类标签信息，使用两编扫描算法，找到每个由具有相同聚类 标签的相邻像素组成的像素集合作为连通分量，每个连通分量作为一个垃圾区域，认为其中只 包含同一种类的垃圾；去噪单元遍历所有垃圾区域，将面积小于5000像素的垃圾区域标记为 噪声；样本切割单元对应每个垃圾区域生成一个最小的包围框，包围框的尺寸为lx×ly；以一 个尺寸为l×l的候选框在包围框中随机滑动，当候选框中属于垃圾区域的像素占比超过85％， 则将候选框中的子图像作为一个垃圾图像样本；重复此过程以生成若干个垃圾图像样本。其中 l＝min(224,min(lx，ly))，垃圾图像样本的数量
Figure BDA0002896288760000031
如图3所示，所述的垃圾图像样本分类模块包括：骨干网络单元，高斯编码单元，分类 器单元和损失计算单元。骨干网络单元采用ResNet-152结构，对输入图像进行一系列卷积池 化运算，得到2048维的卷积特征f；高斯编码单元使用两个全连接层进行运算，将卷积特征f 转换为两个512维的高斯参数特征fμ和fσ，拼接合成1024维的高斯特征fgauss；分类器单元使 用全连接层和softmax函数对高斯特征进行运算，使用Argmax函数得到输入图像所属类别； 损失计算单元计算预测结果和标记数据的交叉熵得到分类损失，计算fμ和fσ代表的高斯分布和 标准正态分布的KL散度得到散度损失，以分类损失和散度损失的加权求和作为损失函数，反 向传播优化网络参数。
所述的高斯分类网络使用每类1200样本的垃圾图像数据集训练，使用随机梯度下降算 法，批量大小64，初始学习率0.01，每40次迭代后衰减，衰减指数为0.1，训练过程共迭代 100次。
如图3所示，为垃圾分类质量评估结果。其中真实组分为人工标记，预测组分为本发明 自动输出结果，图中不同颜色代表该区域垃圾的种类，以区域面积占比作为该类垃圾的比例。
本发明系统使用PyTorch框架实现神经网络结构，在装载3.80GHz Intel i7-9800X CPU 和4x GeForce RTX2080Ti GPU的服务器上运行，能够得到的实验数据是：高斯分类网络识别 垃圾图像样本的类别平均准确率达到88.5％，垃圾分类质量评估系统识别混合垃圾图像的组分 的频权交并比(fwIoU)达到54.8。
与现有技术相比，本方法在垃圾图像数据集上比现有技术提高了分类准确率，现有技术 最高分类准确率为83.8％，而本发明分类准确率达到88.5％；本发明创新地实现了混杂垃圾图 像组分分析的功能，频权交并比(fwIoU)达到54.8，而现有技术不能处理混杂垃圾图像。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式 对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围 内的各个实现方案均受本发明之约束。

Claims (10)

1.一种垃圾分类质量评估方法，其特征在于，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估，即图像中各类垃圾的占比，评估垃圾分类的质量；
当输入图像Ii属于所述对象的类别j，根据中心极限定理认为Ii源自于高斯分布N(μj，σj 2)，该高斯分布体现了垃圾类别j的特征；
所述的深度卷积神经网络为包含高斯编码层的高斯分类网络，在过滤图像噪声的同时提取与分类任务紧密相关的图像特征。
2.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的识别是指：对输入图像Ii进行预处理后，通过深度卷积神经网络的骨干网络提取得到卷积特征f；通过两个全连接层分别提取卷积特征f的高斯分布的均值特征fμ和方差特征fσ，对应μj和方差logσj 2；将均值特征fμ和方差特征fσ拼接成为高斯特征fgauss，再输入由全连接层和softmax函数组成的分类器中，得到预测的垃圾样本图像类别。
3.根据权利要求2所述的垃圾分类质量评估方法，其特征是，所述的预处理，包括：随机切割、随机擦除、正则化处理。
4.根据权利要求2所述的垃圾分类质量评估方法，其特征是，所述的骨干网络采用ResNet、VGG、GoogleNet。
5.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的训练，使用随机梯度下降算法，其损失函数是分类损失Lc和散度损失Le之和，其中：分类损失采用交叉熵损失，即衡量预测值y′i和标记的真实值yi之间的差异：Lc＝-∑iyilog(y′i)；散度损失采用KL散度约束提取的fμ和fσ符合标准正态分布：
Figure FDA0002896288750000011
6.根据权利要求1或5所述的垃圾分类质量评估方法，其特征是，所述的训练，通过垃圾图像数据集实现：使用每类1200样本的垃圾图像数据集训练，使用随机梯度下降算法，批量大小64，初始学习率0.01，每40次迭代后衰减，衰减指数为0.1，训练过程共迭代100次。
7.一种实现上述任一权利要求所述方法的垃圾分类质量评估系统，其特征在于，包括：区域分割模块、垃圾图像样本提取模块、垃圾图像样本分类模块和区域分类模块，其中：区域分割模块通过内置的无监督图像分割神经网络，在没有任何标记数据训练的情况下，将输入图像划分为多个不重叠的分割区域，垃圾图像样本提取模块从分割区域中提取垃圾图像样本以识别垃圾区域的种类，垃圾图像样本分类模块使用深度神经网络识别垃圾图像样本对应所属的垃圾类别，区域分类模块对每个垃圾区域提取的垃圾图像样本的分类结果投票决定该垃圾区域的类别，即将相同种类的垃圾区域被合并，最终混合垃圾图像上的每一个像素都被确定了所属的垃圾种类。
8.根据权利要求7所述的垃圾分类质量评估系统，其特征是，所述的区域分割模块包括：卷积模块单元、分类器单元、超像素优化单元和损失计算单元，其中：卷积模块单元包含三层卷积层，对输入图像进行卷积运算，得到响应图；分类器单元对响应图使用Argmax函数得到聚类标签；超像素优化单元根据每个超像素中出现频率最高的聚类标签，统一每个超像素的标签，得到优化后的聚类标签；损失计算单元根据响应图和优化后的聚类标签计算分类损失，反向传播优化网络参数，迭代五次后得到的优化后的聚类标签为最终的区域分割结果。
9.根据权利要求7所述的垃圾分类质量评估系统，其特征是，所述的垃圾图像样本提取模块包括：连通域提取单元，去噪单元，样本切割单元，其中：连通域提取单元根据区域分割的聚类标签信息，使用两编扫描算法，找到每个由具有相同聚类标签的相邻像素组成的像素集合作为连通分量，每个连通分量作为一个垃圾区域，认为其中只包含同一种类的垃圾；去噪单元遍历所有垃圾区域，将面积小于5000像素的垃圾区域标记为噪声；样本切割单元对应每个垃圾区域生成一个最小的包围框，包围框的尺寸为lx×ly；以一个尺寸为I×I的候选框在包围框中随机滑动，当候选框中属于垃圾区域的像素占比超过85％，则将候选框中的子图像作为一个垃圾图像样本；重复此过程以生成若干个垃圾图像样本，其中I＝min(224，min(lx，ly))，垃圾图像样本的数量
Figure FDA0002896288750000021
10.根据权利要求7所述的垃圾分类质量评估系统，其特征是，所述的垃圾图像样本分类模块包括：骨干网络单元，高斯编码单元，分类器单元和损失计算单元，骨干网络单元采用ResNet-152结构，对输入图像进行一系列卷积池化运算，得到2048维的卷积特征f；高斯编码单元使用两个全连接层进行运算，将卷积特征f转换为两个512维的高斯参数特征fμ和fσ，拼接合成1024维的高斯特征fgauss；分类器单元使用全连接层和softmax函数对高斯特征进行运算，使用Argmax函数得到输入图像所属类别；损失计算单元计算预测结果和标记数据的交叉熵得到分类损失，计算fμ和fσ代表的高斯分布和标准正态分布的KL散度得到散度损失，以分类损失和散度损失的加权求和作为损失函数，反向传播优化网络参数。
CN202110042073.7A 2021-01-13 2021-01-13 垃圾分类质量评估方法及系统 Active CN112749747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110042073.7A CN112749747B (zh) 2021-01-13 2021-01-13 垃圾分类质量评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110042073.7A CN112749747B (zh) 2021-01-13 2021-01-13 垃圾分类质量评估方法及系统

Publications (2)

Publication Number Publication Date
CN112749747A true CN112749747A (zh) 2021-05-04
CN112749747B CN112749747B (zh) 2022-11-11

Family

ID=75651117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110042073.7A Active CN112749747B (zh) 2021-01-13 2021-01-13 垃圾分类质量评估方法及系统

Country Status (1)

Country Link
CN (1) CN112749747B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708464A (zh) * 2022-06-01 2022-07-05 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN116052027A (zh) * 2023-03-31 2023-05-02 深圳联和智慧科技有限公司 基于无人机的漂浮垃圾种类识别方法、系统及云平台
CN117095242A (zh) * 2023-10-18 2023-11-21 中交一公局第六工程有限公司 一种基于机器视觉的智能建筑垃圾分类方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570521A (zh) * 2016-10-24 2017-04-19 中国科学院自动化研究所 多语言场景字符识别方法及识别系统
CN107481231A (zh) * 2017-08-17 2017-12-15 广东工业大学 一种基于深度卷积神经网络的五金件缺陷分类识别方法
CN107871136A (zh) * 2017-03-22 2018-04-03 中山大学 基于稀疏性随机池化的卷积神经网络的图像识别方法
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
CN110046599A (zh) * 2019-04-23 2019-07-23 东北大学 基于深度融合神经网络行人重识别技术的智能监控方法
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
CN111062452A (zh) * 2019-12-31 2020-04-24 中国民用航空总局第二研究所 针对高斯分类神经网络进行强化训练的方法及设备
WO2020232942A1 (zh) * 2019-05-17 2020-11-26 丰疆智能科技股份有限公司 基于农田图像的卷积神经网络构建方法及其系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570521A (zh) * 2016-10-24 2017-04-19 中国科学院自动化研究所 多语言场景字符识别方法及识别系统
CN107871136A (zh) * 2017-03-22 2018-04-03 中山大学 基于稀疏性随机池化的卷积神经网络的图像识别方法
CN107481231A (zh) * 2017-08-17 2017-12-15 广东工业大学 一种基于深度卷积神经网络的五金件缺陷分类识别方法
CN108009520A (zh) * 2017-12-21 2018-05-08 东南大学 一种基于卷积变分自编码器神经网络的手指静脉识别方法及系统
CN110046599A (zh) * 2019-04-23 2019-07-23 东北大学 基于深度融合神经网络行人重识别技术的智能监控方法
WO2020232942A1 (zh) * 2019-05-17 2020-11-26 丰疆智能科技股份有限公司 基于农田图像的卷积神经网络构建方法及其系统
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
CN111062452A (zh) * 2019-12-31 2020-04-24 中国民用航空总局第二研究所 针对高斯分类神经网络进行强化训练的方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGRI LU,HONGBIN MA: "Neural Network Structure Design based on N-Gauss Activation Function", 《ARXIV:2106.07562V1》 *
胡太: "基于深度神经网络的小目标语义分割算法研究", 《知网硕士文献》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708464A (zh) * 2022-06-01 2022-07-05 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN114708464B (zh) * 2022-06-01 2022-08-30 广东艺林绿化工程有限公司 一种基于道路垃圾分类的市政环卫清扫垃圾车清扫方法
CN116052027A (zh) * 2023-03-31 2023-05-02 深圳联和智慧科技有限公司 基于无人机的漂浮垃圾种类识别方法、系统及云平台
CN117095242A (zh) * 2023-10-18 2023-11-21 中交一公局第六工程有限公司 一种基于机器视觉的智能建筑垃圾分类方法及系统
CN117095242B (zh) * 2023-10-18 2023-12-26 中交一公局第六工程有限公司 一种基于机器视觉的智能建筑垃圾分类方法及系统

Also Published As

Publication number Publication date
CN112749747B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN112749747B (zh) 垃圾分类质量评估方法及系统
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN104992223B (zh) 基于深度学习的密集人数估计方法
Cord et al. Automatic road defect detection by textural pattern recognition based on AdaBoost
CN111126136A (zh) 一种基于图像识别的烟雾浓度量化方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN111339883A (zh) 复杂场景下基于人工智能的变电站内异常行为识别与检测方法
CN105976383A (zh) 一种基于极限学习机图像识别的输电设备故障诊断方法
Spagnolo et al. An abandoned/removed objects detection algorithm and its evaluation on pets datasets
CN105957356A (zh) 一种基于行人数量的交通控制系统及方法
CN110569755A (zh) 一种基于视频的智能积水检测方法
CN109858570A (zh) 图像分类方法及系统、计算机设备及介质
Daniel et al. Automatic road distress detection and analysis
CN117392465B (zh) 一种基于视觉的垃圾分类数字化管理方法
CN107610119A (zh) 基于直方图分解的带钢表面缺陷精准检测方法
CN118294455A (zh) 钕铁硼电镀毛坯的智能检测系统及方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
Tsai et al. Automatic detection of deficient video log images using a histogram equity index and an adaptive Gaussian mixture model
CN117593499A (zh) 一种基于分布式巡检策略的水电站机电设备故障识别方法
CN115170829A (zh) 发电机转子通风孔异物监控识别系统及方法
CN115830701A (zh) 一种基于小样本学习的人员违规行为预测方法
CN115661475A (zh) 一种图像异物识别方法、装置、设备及存储介质
CN114694090A (zh) 一种基于改进PBAS算法与YOLOv5的校园异常行为检测方法
CN114373116A (zh) 一种运维现场图像的筛选方法、装置、设备及产品
CN113034502A (zh) 一种排水管道缺陷去冗余方法

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