CN113111769A - 垃圾违规投放行为监控方法、装置和计算机设备 - Google Patents

垃圾违规投放行为监控方法、装置和计算机设备 Download PDF

Info

Publication number
CN113111769A
CN113111769A CN202110384872.2A CN202110384872A CN113111769A CN 113111769 A CN113111769 A CN 113111769A CN 202110384872 A CN202110384872 A CN 202110384872A CN 113111769 A CN113111769 A CN 113111769A
Authority
CN
China
Prior art keywords
user
violation
garbage
image
putting
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
CN202110384872.2A
Other languages
English (en)
Inventor
罗林锋
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City Technology 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202110384872.2A priority Critical patent/CN113111769A/zh
Publication of CN113111769A publication Critical patent/CN113111769A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • 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
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及图像识别技术领域，揭示了一种垃圾违规投放行为监控方法、装置和计算机设备，方法包括：接收监控设备采集的视频流，利用预设的人体识别算法识别出含有用户的视频帧作为用户图像；将用户图像输入到预先构建的垃圾违规投放行为模型中，识别出用户图像中的用户是否有垃圾违规投放行为；若是，确定垃圾违规投放行为的违规类型及确定用户的身份信息，根据违规类型查询用户当前违规投放行为的扣分，将用户当前违规投放行为的扣分累加至总扣分中；当总扣分大于预设值时，根据违规类型为用户制定指导策略以供参考执行，从而不仅可以减少人工监督投入成本，还能针对不同用户的不同违规类型制定指导策略，提高垃圾分类监管效果。

Description

垃圾违规投放行为监控方法、装置和计算机设备
技术领域
本申请涉及到图像识别技术领域，特别是涉及到一种垃圾违规投放行为监控方法、装置和计算机设备。
背景技术
随着城市垃圾总量的逐年增加，垃圾处理已经成为影响城市发展的重要因素之一。为了提高垃圾处理能力，需要在生活垃圾投放时就做好分类工作。尽管我国垃圾分类已经普及并提倡了多年，但由于监管力度不够，生活垃圾分类工作并不尽如人意。随着生活垃圾强制分类政策的提出，在进行垃圾分类监管时，传统的人工监管的方式耗费人力较大，且效率低下。
当今社会对住宅社区的垃圾投放管理，大部分还是依赖于用户自觉地进行垃圾分类处理，缺乏有效的垃圾分类指导和垃圾投放行为规范监控系统，难以对分类质量不高的违规投放用户进行重点宣导，导致垃圾分类监管的效果较差。
发明内容
本申请的主要目的为提供一种垃圾违规投放行为监控方法、装置和计算机设备，实现对分类质量不高的违规投放用户进行重点宣导，提高垃圾分类监管的效果。
为了实现上述发明目的，本申请提出一种垃圾违规投放行为监控方法，包括：
接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析；
若是，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
判断所述用户对应违规类型的总扣分是否大于预设值；
当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
优选地，所述利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为的步骤，包括：
利用所述垃圾违规投放行为模型提取所述用户图像的图像特征，并根据所述垃圾违规投放行为模型预置的行为分类算法对所述图像特征进行分析；
根据分析结果判断所述用户图像中的用户是否有垃圾违规投放行为。
优选地，当所述用户图像具有多张时，所述利用所述垃圾违规投放行为模型提取所述用户图像的图像特征，并根据所述垃圾违规投放行为模型预置的行为分类算法对所述图像特征进行分析的步骤，包括：
利用所述垃圾违规投放行为模型对多张用户图像分别提取特征点，将所有用户图像的特征点进行整合后，得到所述图像特征；
根据所述行为分类算法对所述图像特征进行分析，确定所述用户手持物品的类型以及用户手持物品最后所落入的垃圾箱的信息；
将所述用户手持物品的类型以及用户手持物品最后所落入的垃圾箱的信息进行整理后生成分析结果。
进一步地，所述根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行的步骤之后，还包括：
统计所述用户在预设时间内的所有垃圾违规投放行为的违规次数及违规类型，并获取各种违规类型预先设置的权重；其中，所述权重的大小与违规类型对环境污染的程度成正比；
根据所述违规次数及违规类型的权重计算该用户在所述预设时间内的评分值，按照预设换算规则将所述评分值换算成赔偿金额；
查询所述用户的电子账户，从所述用户的电子账户中扣除对应所述赔偿金额的资产。
优选地，所述确定所述用户的身份信息的步骤，包括：
判断所述用户图像中所述用户的人脸是否存在遮挡；
若是，根据预设人脸还原算法对所述用户在所述用户图像中的人脸进行还原处理，并且从还原后的所述用户图像中提取所述用户的人脸特征；
若否，则从所述用户图像中提取所述用户的人脸特征；
根据所述人脸特征查询所述用户的身份信息。
优选地，所述确定所述用户的身份信息的步骤，包括：
判断所述用户图像中所述用户的人脸是否存在遮挡；
当确定所述用户图像中所述用户的人脸存在遮挡，根据连续多张的所述用户图像识别所述用户的行走姿态；
从数据库中查询与所述用户的行走姿态相匹配的目标行走姿态，并查询所述目标行走姿态对应的目标用户；其中，所述数据库中预存有各个用户的行走姿态；
获取所述目标用户的身份信息，将所述目标用户的身份信息作为所述用户的身份信息。
优选地，所述根据所述违规类型为所述用户制定指导策略的步骤，包括：
获取所述违规类型所对应的标准垃圾投放方式的视频图像；
利用所述视频图像制定所述指导策略。
本申请还提供一种垃圾违规投放行为监控装置，包括：
接收模块，用于接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
识别模块，用于将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析；
累加模块，用于在用户图像中的用户有垃圾违规投放行为时，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
判断模块，用于判断所述用户对应违规类型的总扣分是否大于预设值；
制定模块，用于当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的垃圾违规投放行为监控方法、装置和计算机设备，首先接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从视频流中识别出含有用户的视频帧作为用户图像；然后将用户图像输入到预先构建的垃圾违规投放行为模型中，利用垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；若是，确定垃圾违规投放行为的违规类型及确定用户的身份信息，根据违规类型查询用户当前违规投放行为的扣分，并根据身份信息将所述用户当前违规投放行为的扣分累加至用户对应违规类型的总扣分中；判断用户对应违规类型的总扣分是否大于预设值；当确定用户对应违规类型的总扣分大于预设值时，根据违规类型为所述用户制定指导策略，将指导策略发送给所述用户所在的终端以供参考执行。不仅可以大大减少人工监督投入成本，还能针对不同用户的不同违规类型制定指导策略，以及时且有针对性地对违规投放人员进行宣导、教育，提高垃圾分类监管效果。
附图说明
图1为本申请一实施例的垃圾违规投放行为监控方法的流程示意图；
图2为本申请一实施例的垃圾违规投放行为监控装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提出一种垃圾违规投放行为监控方法，包括如下步骤：
S1、接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
其中，该监控区域为垃圾投放点，监控设备可设置于生活小区、办公场所或者公共场所的垃圾投放点，或者，设置于生活小区、办公场所或者公共场所的垃圾投放点附近，用于拍摄垃圾投放点的视频图像信息，且能够24h拍摄垃圾投放点的视频图像信息，生成视频流，将视频流发送给服务器。其中，所拍摄的视频图像信息可以为：ASF格式、n AVI格式、MPEG格式、MOV格式等等。此外，还可直接利用安防监控系统中位于垃圾投放点的监控摄像头作为监控设备，无需再重新建设新的监控摄像头，较为方便，且节约成本。
服务器接收监控设备在预设时间段内采集的视频流，对该视频流进行降噪、格式转换等预处理后，利用预设的人体识别算法从预处理后的所述视频流中识别出含有用户的视频帧，即对视频流中的每一视频帧进行图像识别，识别并筛选出含有用户的视频帧作为用户图像。所述人体识别算法通过提取视频帧的特征点，判断所述特征点是否为人体特征，以确定视频帧是否为含有用户的视频帧。其中，该特征点为眼睛、脸、手、脚等图像特征。例如，当从视频流的任一视频帧中提取出含有眼睛的特征点时，则可确定该视频帧为含有用户的视频帧。
S2、将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；
本步骤将截取到的用户图像输入预先训练好的垃圾违规投放行为模型中，利用垃圾违规投放行为模型分析用户图像中的用户是否存在垃圾违规投放行为。其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析。
对深度卷积神经网络模型进行训练时，可预先收集大量的用户图像样本及用户图像样本中每张用户图像已标记的垃圾违规投放行为，将用户图像样本及用户图像样本中已标记的垃圾违规投放行为输入深度卷积神经网络模型中进行训练，并利用预设的损失函数计算深度卷积神经网络模型每次训练后的损失值，该损失值用于评估深度卷积神经网络模型的训练结果，判断该损失值是否小于预设损失值，当该损失值小于预设损失值时，则表明当前深度卷积神经网络模型训练合格，得到训练好的深度卷积神经网络模型，即所述垃圾违规投放行为模型。
在一实施例中，在本步骤S2中，所述利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为的步骤，可具体包括：
S21、利用所述垃圾违规投放行为模型提取所述用户图像的图像特征，并根据所述垃圾违规投放行为模型预置的行为分类算法对所述图像特征进行分析；
本步骤可对用户图像进行初步识别，识别出每张用户图像的用户手持物品的图像区域，再提取图像区域中的图像特征，针对图像区域的图像特征进一步识别，利用预置的行为分类算法识别出图像区域中用户手持物品的垃圾类型，并结合多张图像区域的用户手持物品的位置确定用户手持物品的位置变化，得到含有用户手持物品的类型及位置变化的分析结果。其中，行为分类算法用于根据多张图像中人体姿态的变化分析用户行为的算法。
S22、根据分析结果判断所述用户图像中的用户是否有垃圾违规投放行为。
本步骤可针对同一个用户在垃圾投放区域的位置变化，以及用户手持物品的类型及位置变化判断用户图像中的用户的扔垃圾行为。例如当在垃圾投放区域的左侧时，检测到手持有物品，当所述用户移动至垃圾投放区域的右侧时，检测到手中没有持有物品，表示该用户进行了扔垃圾的行为。当判断该用户具有扔垃圾行为时，将本次所述用户的用户图像及用户图像中的人脸部分、扔垃圾行为的时间及投放垃圾的地点记录，形成扔垃圾行为数据，以便后续分析该用户的扔垃圾特征。
在一个实施例中，当所述用户图像具有多张时，在步骤S21中，所述利用所述垃圾违规投放行为模型提取所述用户图像的图像特征，并根据所述垃圾违规投放行为模型预置的行为分类算法对所述图像特征进行分析的步骤，可具体包括：
S211、利用所述垃圾违规投放行为模型对多张用户图像分别提取特征点，将所有用户图像的特征点进行整合后，得到所述图像特征；
S212、根据所述行为分类算法对所述图像特征进行分析，确定所述用户手持物品的类型以及用户手持物品最后所落入的垃圾箱的信息；
S213、将所述用户手持物品的类型以及用户手持物品最后所落入的垃圾箱的信息进行整理后生成分析结果。
本实施例可对连续的多张用户图像分别提取特征点，将所有用户图像的特征点进行收集整理后，得到图像特征，利用该图像特征确定用户手持物品的类型，以及确定手持物品最终落入垃圾箱的信息，将垃圾的类型以及垃圾最后所落入的垃圾箱的信息进行整理后生成分析结果，以便后续判断该用户是否存在违规投放行为，提高垃圾违规投放行为的识别精度。
S3、若是，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
当用户图像中的用户存在违规投放行为时，则进一步分析该垃圾违规投放行为的违规类型，如将瓶子、可乐瓶等可回收物错投放至有害垃圾的垃圾箱中。然后查询该违规类型所对应的扣分，可通过对照表的形式将每个违规类型设置一扣分，以根据所述违规类型从对照表中确定该用户当前违规投放行为的扣分，并根据用户的身份信息将该用户当前违规投放行为的扣分累加至该用户对应违规类型的总扣分中，其中，所述总扣分为用户在预设时间段内的历史违规投放行为的扣分的累加值。
在一实施例中，在本步骤S3中，所述确定所述用户的身份信息的步骤，可具体包括：
S31、判断所述用户图像中所述用户的人脸是否存在遮挡；
本步骤可对提取的用户图像进行人脸检测，根据人脸检测结果判断用户图像中所述用户的人脸是否存在遮挡，例如，当检测到用户图像的人脸区域缺少一些诸如眼睛的人脸特征点时，则判定用户的人脸存在遮挡。
S32、若是，根据预设人脸还原算法对所述用户在所述用户图像中的人脸进行还原处理，并且从还原后的所述用户图像中提取所述用户的人脸特征；
当检测到用户的人脸存在遮挡时，则识别出被遮挡的人脸特征点，采用人脸还原技术，对用户被遮挡的人脸特征点进行还原，以利用还原后的人脸图像确认用户的身份信息。其中，为进行人脸还原，还需要将用户的注册人脸记录于对比数据集中。具体的，可通过诸如LFW(Labeled Faces in the Wild)、DDB(FaceDetection Data Set and Benchmark)和MegaFace等的一些人脸公开数据集，对其中的人脸局部进行抹除，并建立抹除图像与源图像之间的对应关系，采用深度残差网络Res-Net，对人脸还原模型进行训练，并利用损失函数计算每次训练完成后人脸还原模型的损失值，判断损失值是否达到预设值，若是则表示当前人脸还原模型训练完成，输出最后一次训练后的人脸还原模型，并基于训练完成的人脸还原模型对所述用户在所述图像中的人脸进行还原处理，根据还原处理的人脸图像进行用户的身份信息识别，从而即使在用户人脸被遮挡的情况下也能实现用户的身份信息识别。
S33、若否，则从所述用户图像中提取所述用户的人脸特征；
当检测到用户的人脸不存在遮挡时，则可直接提取出该用户的人脸特征，如眼部特征、鼻子特征、嘴巴特征等等。
S34、根据所述人脸特征查询所述用户的身份信息。
本步骤将提取的人脸特征与人脸数据库中的标准人脸特征进行一一比对，从人脸数据库中筛选出与提取的人脸特征相匹配的标准人脸特征作为目标人脸特征，并从人脸数据库中查询目标人脸特征所对应的用户及其身份信息，以对用户图像的用户进行快速精准地自动识别。
在另一实施例中，在本步骤S3中，所述确定所述用户的身份信息的步骤，可具体包括：
D31、判断所述用户图像中所述用户的人脸是否存在遮挡；
本步骤可对提取的用户图像进行人脸检测，根据人脸检测结果判断用户图像中所述用户的人脸是否存在遮挡，例如，当检测到用户图像的人脸区域缺少一些诸如眼睛的人脸特征点时，则判定用户的人脸存在遮挡。
D32、当确定所述用户图像中所述用户的人脸存在遮挡，根据连续多张的所述用户图像识别所述用户的行走姿态；
当检测到用户的人脸被遮挡时，还可从多张用户图像中提取用户在每张图像的形体动作，结合多张用户图像的形体动作确定用户的行走姿态，如走路时喜欢踮脚。
D33、从数据库中查询与所述用户的行走姿态相匹配的目标行走姿态，并查询所述目标行走姿态对应的目标用户；其中，所述数据库中预存有各个用户的行走姿态；
本步骤采用行人重识别技术，通过识别用户的行走姿态，查询该目标行走姿态所对应的目标用户。其中，各个用户的行走姿态及身份信息可通过历史监控中获取各个行人的行走姿态及其身份信息，并将其保存在数据库中。行人重识别技术，也被称为ReID(Person Re-identification)，是希望能够利用计算机视觉的算法来进行跨摄像头的追踪，也就是找到不同摄像头下的同一个人，并对其人体姿态进行分析。
D34、获取所述目标用户的身份信息，将所述目标用户的身份信息作为所述用户的身份信息。
在确定目标用户后，查询该目标用户的身份信息，将目标用户的身份信息作为所述用户的身份信息，以在人脸即使被遮挡，也能精准快速地完成用户的身份信息识别。
S4、判断所述用户对应违规类型的总扣分是否大于预设值；
本步骤用于判断用户在该违规类型的违规情况，当判断用户对应违规类型的总扣分小于预设值时，则表明该用户在该违规类型的垃圾违规投放行为较为良好。其中，该预设值可根据实际需要进行设置。
S5、当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
在得到该用户的总扣分之后，判断所述用户对应违规类型的总扣分是否大于预设值，该预设值可以百分制的形式自定义设置，当确定违规类型的总扣分大于预设值时，则表明该用户该违规类型较为严重，则根据所述违规类型为所述用户制定指导策略，将指导策略发送给用户所在的终端，在该终端显示，以供该用户学习，以利用指导策略对该用户的违规行为进行针对性矫正，从而通过智能抓取违规投放垃圾录像视频功能，可以有效发现违规投放人员和经常被违规投放的投放点，便于管理人员及时有效清理违规投放的垃圾，也能针对不同用户的不同违规类型制定指导策略，以及时且有针对性地宣导、教育违规投放人员。其中，所述指导策略中含有总扣分大于预设值的违规类型所对应的标准垃圾投放方式。
在一实施例中，在步骤S5中，所述根据所述违规类型为所述用户制定指导策略的步骤，可具体包括：
S51、获取所述违规类型所对应的标准垃圾投放方式的视频图像；
S52、利用所述视频图像制定所述指导策略。
本实施例可获取违规类型所对应的标准垃圾投放方式的视频图像，利用视频图像制定指导策略，如从视频图像中截取垃圾类型及该垃圾类型对应的垃圾箱，指导用户将该垃圾类型的垃圾扔进对应的垃圾箱中，以针对不同用户的不同违规类型制定相应的指导策略，以及时且有针对性地宣导、教育违规投放人员。
在一实施例中，在步骤S5中，所述根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行的步骤之后，还可包括：
S6、统计所述用户在预设时间内的所有垃圾违规投放行为的违规次数及违规类型，并获取各种违规类型预先设置的权重；其中，所述权重的大小与违规类型对环境污染的程度成正比；
本步骤可统计用户在预设时间内的所有违规投放行为的违规次数及违规类型，并获取为各种违规类型预先设置的权重，如在一年内的违规投放次数、各种违规类型及各种违规类型的违规投放次数。该权重用于表征违规类型对环境污染的程度，因此该权重与违规类型对环境污染的程度成正比，从而对环境污染的程度较高的违规投放行为进行较高的惩罚。
S7、根据所述违规次数及违规类型的权重计算该用户在所述预设时间内的评分值，按照预设换算规则将所述评分值换算成赔偿金额；
可将各种违规类型的次数乘以相应权重并累加后得到该用户在所述预设时间内的评分值，用于评估该用户在该预设时间内的垃圾投放行为，并按照预设换算规则将所述评分值换算成赔偿金额。例如，当统计得到A用户存在将可乐瓶3次错投放至有害垃圾箱，以及将电池5次错投放至厨余垃圾箱时，由于将电池错投放至厨余垃圾箱对环境所造成的危害比将可乐瓶错投放至有害垃圾箱对环境所造成的危害大，因此可将电池错投放至厨余垃圾箱的违规类型的权重设置为0.9，将可乐瓶错投放至有害垃圾箱的违规类型的权重设置为0.6，则该用户的评分值为0.6*3+0.9*5＝6.3，可将评分值按照1：100的比例换算，则换算成赔偿金额为630。
S8、查询所述用户的电子账户，从所述用户的电子账户中扣除对应所述赔偿金额的资产。
本步骤可查询该用户的电子账户，从该用户的电子账户中扣除对应赔偿金额的资产，从而根据不同违规类型的垃圾违规投放行为进行有针对性的惩罚，以减少严重性垃圾违规投放行为的发生。
需要说明的是，所述垃圾箱包括有害垃圾、可回收物、湿垃圾和干垃圾这四种类别的垃圾箱。具体地，所述有害垃圾为对人体健康或自然环境造成直接或潜在危害的零星废弃物，例如，电池、杀虫剂、灯泡、废药品等。所述可回收物为适宜回收和可循环再利用的废弃物，例如，A4纸、塑料瓶、被单、玻璃瓶等。所述湿垃圾为易腐的生物质废弃物，例如，剩菜剩饭、瓜皮、果核、酱油等。所述干垃圾为除上述有害垃圾、可回收物、湿垃圾以外的其他生活废弃物，例如，纸盒、车票、蚊香片、花篮等。
在一实施例中，当监控区域具有多个时，本申请的垃圾违规投放行为监控方法还可包括：
C6、对所述视频流进行采样，对采样得到的图像进行区域划分，确定违规所在的分类区域；
本步骤还可对视频流进行随机采样，如每隔一分钟采样依次，得到图像帧；并对采样得到的图像分别进行区域划分，并识别出该违规投放行为所在的分类区域，将当前违规投放行为的扣分累加至该分类区域的违规类型中。
统计各个监控区域内违规投放行为的总扣分，从所述多个监控区域中筛选出总扣分大于预设阈值的监控区域，得到目标监控区域；
本步骤统计预设时间内各个监控区域内违规投放行为的总扣分，从所述多个监控区域中筛选出总扣分大于预设阈值的监控区域，得到目标监控区域，该目标监控区域即为违规投放行为较为严重的区域。
控制监控设备增加对所述目标监控区域的监控时间及次数。
本步骤可控制监控设备或人工智能机器人增加对所述目标监控区域的监控时间及次数。例如，当监控到A小区的总扣分大于预设阈值时，则加强对A小区的监控时间及次数，以提高监控效果，实现对垃圾投放习惯的分析，为社区垃圾管理部门提供准确的垃圾投放数据和有效的垃圾管理依据。
综上所述，本申请的垃圾违规投放行为监控方法，首先接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从视频流中识别出含有用户的视频帧作为用户图像；然后将用户图像输入到预先构建的垃圾违规投放行为模型中，利用垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；若是，确定垃圾违规投放行为的违规类型及确定用户的身份信息，根据违规类型查询用户当前违规投放行为的扣分，并根据身份信息将所述用户当前违规投放行为的扣分累加至用户对应违规类型的总扣分中；判断用户对应违规类型的总扣分是否大于预设值；当确定用户对应违规类型的总扣分大于预设值时，根据违规类型为所述用户制定指导策略，将指导策略发送给所述用户所在的终端以供参考执行。不仅可以大大减少人工监督投入成本，还能针对不同用户的不同违规类型制定指导策略，以及时且有针对性地对违规投放人员进行宣导、教育，提高垃圾分类监管效果。
参照图2，本申请实施例中还提供一种垃圾违规投放行为监控装置，包括：
接收模块1，用于接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
其中，该监控区域为垃圾投放点，监控设备可设置于生活小区、办公场所或者公共场所的垃圾投放点，或者，设置于生活小区、办公场所或者公共场所的垃圾投放点附近，用于拍摄垃圾投放点的视频图像信息，且能够24h拍摄垃圾投放点的视频图像信息，生成视频流，将视频流发送给服务器。其中，所拍摄的视频图像信息可以为：ASF格式、n AVI格式、MPEG格式、MOV格式等等。此外，还可直接利用安防监控系统中位于垃圾投放点的监控摄像头作为监控设备，无需再重新建设新的监控摄像头，较为方便，且节约成本。
服务器接收监控设备在预设时间段内采集的视频流，对该视频流进行降噪、格式转换等预处理后，利用预设的人体识别算法从预处理后的所述视频流中识别出含有用户的视频帧，即对视频流中的每一视频帧进行图像识别，识别并筛选出含有用户的视频帧作为用户图像。所述人体识别算法通过提取视频帧的特征点，判断所述特征点是否为人体特征，以确定视频帧是否为含有用户的视频帧。其中，该特征点为眼睛、脸、手、脚等图像特征。例如，当从视频流的任一视频帧中提取出含有眼睛的特征点时，则可确定该视频帧为含有用户的视频帧。
识别模块2，用于将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；
本模块将截取到的用户图像输入预先训练好的垃圾违规投放行为模型中，利用垃圾违规投放行为模型分析用户图像中的用户是否存在垃圾违规投放行为。其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析。
对深度卷积神经网络模型进行训练时，可预先收集大量的用户图像样本及用户图像样本中每张用户图像已标记的垃圾违规投放行为，将用户图像样本及用户图像样本中已标记的垃圾违规投放行为输入深度卷积神经网络模型中进行训练，并利用预设的损失函数计算深度卷积神经网络模型每次训练后的损失值，该损失值用于评估深度卷积神经网络模型的训练结果，判断该损失值是否小于预设损失值，当该损失值小于预设损失值时，则表明当前深度卷积神经网络模型训练合格，得到训练好的深度卷积神经网络模型，即所述垃圾违规投放行为模型。
累加模块3，用于在用户图像中的用户有垃圾违规投放行为时，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
当用户图像中的用户存在违规投放行为时，则进一步分析该垃圾违规投放行为的违规类型，如将瓶子、可乐瓶等可回收物错投放至有害垃圾的垃圾箱中。然后查询该违规类型所对应的扣分，可通过对照表的形式将每个违规类型设置一扣分，以根据所述违规类型从对照表中确定该用户当前违规投放行为的扣分，并根据用户的身份信息将该用户当前违规投放行为的扣分累加至该用户对应违规类型的总扣分中，其中，所述总扣分为用户在预设时间段内的历史违规投放行为的扣分的累加值。
判断模块4，用于判断所述用户对应违规类型的总扣分是否大于预设值；
本模块用于判断用户在该违规类型的违规情况，当判断用户对应违规类型的总扣分小于预设值时，则表明该用户在该违规类型的垃圾违规投放行为较为良好。其中，该预设值可根据实际需要进行设置。
制定模块5，用于当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
在得到该用户的总扣分之后，判断所述用户对应违规类型的总扣分是否大于预设值，该预设值可以百分制的形式自定义设置，当确定违规类型的总扣分大于预设值时，则表明该用户该违规类型较为严重，则根据所述违规类型为所述用户制定指导策略，将指导策略发送给用户所在的终端，在该终端进行显示，以供该用户学习，以利用指导策略对该用户的违规行为进行针对性矫正，从而通过智能抓取违规投放垃圾录像视频功能，可以有效发现违规投放人员和经常被违规投放的投放点，便于管理人员及时有效清理违规投放的垃圾，也能针对不同用户的不同违规类型制定指导策略，以及时且有针对性地宣导、教育违规投放人员。其中，所述指导策略中含有总扣分大于预设值的违规类型所对应的标准垃圾投放方式。
如上所述，可以理解地，本申请中提出的所述垃圾违规投放行为监控装置的各组成部分可以实现如上所述垃圾违规投放行为监控方法任一项的功能，具体结构不再赘述。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储监控设备采集到的视频流、每个用户的扣分情况、垃圾违规投放行为模型输出的分析结果等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种垃圾违规投放行为监控方法。
上述处理器执行上述的垃圾违规投放行为监控方法，包括：
接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析；
若是，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
判断所述用户对应违规类型的总扣分是否大于预设值；
当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
本申请一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，计算机程序被处理器执行时实现一种垃圾违规投放行为监控方法，包括步骤：
接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析；
若是，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
判断所述用户对应违规类型的总扣分是否大于预设值；
当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本申请的最大有益效果在于：
本申请的垃圾违规投放行为监控方法、装置和计算机设备，首先接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从视频流中识别出含有用户的视频帧作为用户图像；然后将用户图像输入到预先构建的垃圾违规投放行为模型中，利用垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；若是，确定垃圾违规投放行为的违规类型及确定用户的身份信息，根据违规类型查询用户当前违规投放行为的扣分，并根据身份信息将所述用户当前违规投放行为的扣分累加至用户对应违规类型的总扣分中；判断用户对应违规类型的总扣分是否大于预设值；当确定用户对应违规类型的总扣分大于预设值时，根据违规类型为所述用户制定指导策略，将指导策略发送给所述用户所在的终端以供参考执行。不仅可以大大减少人工监督投入成本，还能针对不同用户的不同违规类型制定指导策略，以及时且有针对性地对违规投放人员进行宣导、教育，提高垃圾分类监管效果。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种垃圾违规投放行为监控方法，其特征在于，包括：
接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析；
若是，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
判断所述用户对应违规类型的总扣分是否大于预设值；
当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
2.根据权利要求1所述的方法，其特征在于，所述利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为的步骤，包括：
利用所述垃圾违规投放行为模型提取所述用户图像的图像特征，并根据所述垃圾违规投放行为模型预置的行为分类算法对所述图像特征进行分析；
根据分析结果判断所述用户图像中的用户是否有垃圾违规投放行为。
3.根据权利要求2所述的方法，其特征在于，当所述用户图像具有多张时，所述利用所述垃圾违规投放行为模型提取所述用户图像的图像特征，并根据所述垃圾违规投放行为模型预置的行为分类算法对所述图像特征进行分析的步骤，包括：
利用所述垃圾违规投放行为模型对多张用户图像分别提取特征点，将所有用户图像的特征点进行整合后，得到所述图像特征；
根据所述行为分类算法对所述图像特征进行分析，确定所述用户手持物品的类型以及用户手持物品最后所落入的垃圾箱的信息；
将所述用户手持物品的类型以及用户手持物品最后所落入的垃圾箱的信息进行整理后生成分析结果。
4.根据权利要求1所述的方法，其特征在于，所述根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行的步骤之后，还包括：
统计所述用户在预设时间内的所有垃圾违规投放行为的违规次数及违规类型，并获取各种违规类型预先设置的权重；其中，所述权重的大小与违规类型对环境污染的程度成正比；
根据所述违规次数及违规类型的权重计算该用户在所述预设时间内的评分值，按照预设换算规则将所述评分值换算成赔偿金额；
查询所述用户的电子账户，从所述用户的电子账户中扣除对应所述赔偿金额的资产。
5.根据权利要求1所述的方法，其特征在于，所述确定所述用户的身份信息的步骤，包括：
判断所述用户图像中所述用户的人脸是否存在遮挡；
若是，根据预设人脸还原算法对所述用户在所述用户图像中的人脸进行还原处理，并且从还原后的所述用户图像中提取所述用户的人脸特征；
若否，则从所述用户图像中提取所述用户的人脸特征；
根据所述人脸特征查询所述用户的身份信息。
6.根据权利要求1所述的方法，其特征在于，所述确定所述用户的身份信息的步骤，包括：
判断所述用户图像中所述用户的人脸是否存在遮挡；
当确定所述用户图像中所述用户的人脸存在遮挡，根据连续多张的所述用户图像识别所述用户的行走姿态；
从数据库中查询与所述用户的行走姿态相匹配的目标行走姿态，并查询所述目标行走姿态对应的目标用户；其中，所述数据库中预存有各个用户的行走姿态；
获取所述目标用户的身份信息，将所述目标用户的身份信息作为所述用户的身份信息。
7.根据权利要求1所述的方法，其特征在于，所述根据所述违规类型为所述用户制定指导策略的步骤，包括：
获取所述违规类型所对应的标准垃圾投放方式的视频图像；
利用所述视频图像制定所述指导策略。
8.一种垃圾违规投放行为监控装置，其特征在于，包括：
接收模块，用于接收监控设备对监控区域监控时采集的视频流，利用预设的人体识别算法从所述视频流中识别出含有用户的视频帧，并选取含有用户的视频帧作为用户图像；
识别模块，用于将所述用户图像输入到预先构建的垃圾违规投放行为模型中，利用所述垃圾违规投放行为模型识别出用户图像中的用户是否有垃圾违规投放行为；其中，所述垃圾违规投放行为模型为预先训练好的深度卷积神经网络模型，用于对用户图像中的用户的垃圾投放行为进行分析；
累加模块，用于在用户图像中的用户有垃圾违规投放行为时，确定所述垃圾违规投放行为的违规类型及确定所述用户的身份信息，根据所述违规类型查询所述用户当前违规投放行为的扣分，并根据所述身份信息将所述用户当前违规投放行为的扣分累加至所述用户对应违规类型的总扣分中；
判断模块，用于判断所述用户对应违规类型的总扣分是否大于预设值；
制定模块，用于当确定所述用户对应违规类型的总扣分大于预设值时，根据所述违规类型为所述用户制定指导策略，将所述指导策略发送给所述用户所在的终端以供参考执行。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述垃圾违规投放行为监控方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述垃圾违规投放行为监控方法的步骤。
CN202110384872.2A 2021-04-09 2021-04-09 垃圾违规投放行为监控方法、装置和计算机设备 Pending CN113111769A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384872.2A CN113111769A (zh) 2021-04-09 2021-04-09 垃圾违规投放行为监控方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384872.2A CN113111769A (zh) 2021-04-09 2021-04-09 垃圾违规投放行为监控方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN113111769A true CN113111769A (zh) 2021-07-13

Family

ID=76715542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384872.2A Pending CN113111769A (zh) 2021-04-09 2021-04-09 垃圾违规投放行为监控方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN113111769A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435419A (zh) * 2021-08-26 2021-09-24 城云科技（中国）有限公司 违规丢弃垃圾行为检测方法、装置及应用
CN113822446A (zh) * 2021-08-18 2021-12-21 浙江鼎胜环保技术有限公司 一种智能垃圾中转系统
CN113920471A (zh) * 2021-10-13 2022-01-11 平安国际智慧城市科技股份有限公司 生产废物的远程监控方法、装置、计算机设备及存储介质
CN114548767A (zh) * 2022-02-23 2022-05-27 浙江七巧连云生物传感技术股份有限公司 基于物联网垃圾分类投放智能监控识别管理系统
CN114715562A (zh) * 2022-03-21 2022-07-08 盛视科技股份有限公司 一种厨余垃圾违规投放行为的识别方法
CN115147920A (zh) * 2022-05-18 2022-10-04 福州大学 垃圾投放点的信息处理方法、装置、设备、介质及产品
CN115830545A (zh) * 2022-12-13 2023-03-21 苏州市伏泰信息科技股份有限公司 面向垃圾分类的智能督导方法及系统
CN116092280A (zh) * 2023-02-07 2023-05-09 深圳市冠标科技发展有限公司 一种基于远程通信的监督方法及装置
CN116682051A (zh) * 2023-01-16 2023-09-01 苏州市伏泰信息科技股份有限公司 基于视觉的垃圾投放行为监管方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516768A (zh) * 2019-08-29 2019-11-29 中新智擎科技有限公司 一种垃圾分类管理的方法、装置及人工智能机器人
CN110633771A (zh) * 2019-09-20 2019-12-31 广州游艺云物联网技术有限公司 垃圾分类处理方法及装置
CN110795999A (zh) * 2019-09-21 2020-02-14 万翼科技有限公司 垃圾投递行为分析方法及相关产品
CN111814517A (zh) * 2019-04-11 2020-10-23 深圳市家家分类科技有限公司 垃圾投递检测方法及相关产品

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814517A (zh) * 2019-04-11 2020-10-23 深圳市家家分类科技有限公司 垃圾投递检测方法及相关产品
CN110516768A (zh) * 2019-08-29 2019-11-29 中新智擎科技有限公司 一种垃圾分类管理的方法、装置及人工智能机器人
CN110633771A (zh) * 2019-09-20 2019-12-31 广州游艺云物联网技术有限公司 垃圾分类处理方法及装置
CN110795999A (zh) * 2019-09-21 2020-02-14 万翼科技有限公司 垃圾投递行为分析方法及相关产品

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江宪法: "《人民警察的时代担当》", 30 November 2019, 上海人民出版社 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822446A (zh) * 2021-08-18 2021-12-21 浙江鼎胜环保技术有限公司 一种智能垃圾中转系统
CN113435419A (zh) * 2021-08-26 2021-09-24 城云科技（中国）有限公司 违规丢弃垃圾行为检测方法、装置及应用
CN113920471A (zh) * 2021-10-13 2022-01-11 平安国际智慧城市科技股份有限公司 生产废物的远程监控方法、装置、计算机设备及存储介质
CN114548767A (zh) * 2022-02-23 2022-05-27 浙江七巧连云生物传感技术股份有限公司 基于物联网垃圾分类投放智能监控识别管理系统
CN114715562A (zh) * 2022-03-21 2022-07-08 盛视科技股份有限公司 一种厨余垃圾违规投放行为的识别方法
CN115147920A (zh) * 2022-05-18 2022-10-04 福州大学 垃圾投放点的信息处理方法、装置、设备、介质及产品
CN115830545A (zh) * 2022-12-13 2023-03-21 苏州市伏泰信息科技股份有限公司 面向垃圾分类的智能督导方法及系统
CN115830545B (zh) * 2022-12-13 2023-10-03 苏州市伏泰信息科技股份有限公司 面向垃圾分类的智能督导方法及系统
CN116682051A (zh) * 2023-01-16 2023-09-01 苏州市伏泰信息科技股份有限公司 基于视觉的垃圾投放行为监管方法及装置
CN116682051B (zh) * 2023-01-16 2024-05-24 苏州市伏泰信息科技股份有限公司 基于视觉的垃圾投放行为监管方法及装置
CN116092280A (zh) * 2023-02-07 2023-05-09 深圳市冠标科技发展有限公司 一种基于远程通信的监督方法及装置

Similar Documents

Publication Publication Date Title
CN113111769A (zh) 垃圾违规投放行为监控方法、装置和计算机设备
CN109684979B (zh) 一种基于图像识别技术的垃圾分类方法、装置及电子设备
Salimi et al. Visual-based trash detection and classification system for smart trash bin robot
CN110210635A (zh) 一种能识别废弃物的智能分类回收系统
CN110516768A (zh) 一种垃圾分类管理的方法、装置及人工智能机器人
KR101779782B1 (ko) 인공신경망 분석에 근거한 복합적 물체 인식 시스템 및 방법
CN110851866A (zh) 一种基于区块链的垃圾分类方法及系统
CN112298844B (zh) 一种垃圾分类监督方法及装置
Mookkaiah et al. Design and development of smart Internet of Things–based solid waste management system using computer vision
CN110717426A (zh) 基于域自适应学习的垃圾分类方法、电子设备及存储介质
CN110598604A (zh) 一种垃圾分类投放智能监管方法、装置及计算机存储介质
CN111784171A (zh) 基于人工智能及图像处理的市政cim环卫工作分配方法
CN107480643A (zh) 一种智能垃圾分类处理的机器人
CN111498327A (zh) 基于区块链技术提高垃圾分类正确率的系统及方法
CN109775180A (zh) 智能分类垃圾桶及其控制方法
CN112499017A (zh) 垃圾分类方法、装置及垃圾箱
CN113128397A (zh) 一种垃圾分类投放的监控方法、系统、装置及存储介质
CN117465862A (zh) 智能垃圾桶管理方法和装置
CN113850183A (zh) 一种基于人工智能技术判断视频中行为的方法
CN115564376A (zh) 垃圾投放管理系统和垃圾存放系统
CN112347254A (zh) 新闻文本的分类方法、装置、计算机设备和存储介质
CN111832749B (zh) 垃圾袋识别方法及相关装置
Hin et al. An Intelligent Smart Bin for Waste Management
CN117421692B (zh) 垃圾投放站的垃圾违规投放识别方法、装置、设备
CN111889393A (zh) 一种具有监察功能的垃圾分类前置装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713