CN115222683A - 一种分配清洁人员的方法、系统、存储介质及电子设备 - Google Patents

一种分配清洁人员的方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN115222683A
CN115222683A CN202210787997.4A CN202210787997A CN115222683A CN 115222683 A CN115222683 A CN 115222683A CN 202210787997 A CN202210787997 A CN 202210787997A CN 115222683 A CN115222683 A CN 115222683A
Authority
CN
China
Prior art keywords
image
sub
target area
determining
cleaning
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
CN202210787997.4A
Other languages
English (en)
Inventor
李名亮
任大昌
董永辉
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202210787997.4A priority Critical patent/CN115222683A/zh
Publication of CN115222683A publication Critical patent/CN115222683A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T5/80—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本申请涉及工厂管理领域，具体涉及一种分配清洁人员的方法、装置及电子设备，解决了现有技术中无法有效的衡量保洁人员的工作量的问题。方法包括：获取目标区域的图像；基于所述图像确定所述目标区域的垃圾覆盖率；基于所述垃圾覆盖率确定目标区域的清洁工作量；基于所述清洁工作量，确定分配清洁人员的数量。

Description

一种分配清洁人员的方法、系统、存储介质及电子设备
技术领域
本申请涉及工厂管理技术领域，特别地涉及一种分配清洁人员的方法、系统、存储介质及电子设备。
背景技术
随着新一代信息技术的发展，产业园区智慧化势在必行，其中园区内的卫生清洁是不可忽视的。但是产业园区垃圾多样，地面复杂，覆盖面积大，无法有效的衡量保洁人员的工作量。
发明内容
针对上述问题，本申请提供一种分配清洁人员的方法、系统、存储介质及电子设备，通过所述方法可以针对不同区域合理地分配保洁人员，可以提高清洁效率，减轻保洁人员的工作负担。
第一方面，本申请提供了一种分配清洁人员的方法，所述方法包括：
获取目标区域的图像；
基于所述图像确定所述目标区域的垃圾覆盖率；
基于所述垃圾覆盖率确定目标区域的清洁工作量；
基于所述清洁工作量，确定分配清洁人员的数量。
在一些实施例中，基于所述图像确定所述目标区域的垃圾覆盖率，包括：
通过HSV颜色空间算法对所述图像进行阴影去除；并根据预设像素对所述图像进行分块处理，获取所述图像的子块集合；
基于所述图像的子块集合，确定所述图像的二值图片；
基于所述二值图片获取所述分级指标；
基于所述分级指标获取所述目标区域的目标物数量分布矩阵；
根据所述目标物数量分布矩阵和特征权重，计算所述目标区域的垃圾覆盖率。
在一些实施例中，所述基于图像的子块集合，确定所述图像的二值图片，包括：
通过高斯算法对所述图像的子块集合中的每一个子块图像进行去噪，并通过索贝尔算子进行图像边缘检测，获取中间处理图像集；
基于所述中间处理图像集进行二值化面积阈值去噪；
基于所述二值化面积阈值去噪后的图像，通过形态学刻画获取所述图像的二值图片。
在一些实施例中，所述基于所述二值图片获取所述分级指标，包括：
对所述二值图片进行遍历，通过量化评级计算式获取所述图像的的子块集合中的每一个子块图像的分级指标Pij；所述量化评级计算式为：
Figure BDA0003729423720000021
其中，Hxy为子块集合中的任意一个子块图像的每个像素点的像素值；i和j分别代表所述子块图像第i行第j列；X和Y分别为所述子块图像的分辨率横、纵数值；x和y分别为从1开始到X和Y的计数器。
在一些实施例中，所述基于所述分级指标获取所述目标区域的目标物数量分布矩阵，包括：
基于所述图像的的子块集合中的每一个子块图像的分级指标Pij，通过量化数值计算式获取所述图像的的子块集合中的每一个子块图像的量化数值Iij；
所述量化数值计算式为：
Figure BDA0003729423720000022
基于量化数值Iij，获取所述目标区域的目标物数量分布矩阵。
在一些实施例中，所述方法还包括：
获取目标区域的图像；
基于训练好的目标物检测模型，确定所述图像中目标物的特征权重。
在一些实施例中，所述目标物检测模型的训练过程包括：
获取包括目标物的样本图像；
通过标注工具对所述样本图像中的图片中目标物进行标注，得到样本数据；
基于所述样本数据确定确定所述目标物检测模型。
第二方面，本申请提供了一种分配清洁人员的系统，其特征在于，所述系统包括：
获取模块，用于获取目标区域的图像；
第一确定模块，用于基于所述图像确定所述目标区域的垃圾覆盖率；
第二确定模块，用于基于所述垃圾覆盖率确定目标区域的清洁工作量；
第三确定模块，用于基于所述清洁工作量，确定分配清洁人员的数量。
第三方面，本申请提供了一种存储介质，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如上述的分配清洁人员的方法。
第四方面，本申请提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行上述的分配清洁人员的方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
本申请提供的一种分配清洁人员的方法、系统、存储介质及电子设备，通过获取目标区域的图像，并通过图像处理技术确定目标区域的垃圾覆盖率，从而合理分配目标区域的清洁人员，可以有效的衡量保洁人员的工作量，针对不同区域合理地分配保洁人员，可以提高清洁效率，减轻保洁人员的工作负担。
附图说明
在下文中将基于实施例并参考附图来对本申请进行更详细的描述。
图1为本申请实施例提供的一种分配清洁人员系统的应用场景示意图；
图2为本申请实施例提供的一种分配清洁人员方法的流程示意图；
图3a为本申请实施例提供的确定二值图片的方法的流程示意图；
图3b为本申请实施例提供的确定二值图片的过程的效果示意图；
图4为本申请实施例提供的目标物数量分布矩阵的示意图；
图5为本申请实施例提供的一种确定特征权重的方法的流程示意图；
图6为本申请实施例提供的一种分配清洁人员系统的模块示意图。
在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本申请的保护范围之内。
实施例一
图1是根据本说明书一些实施例所示的一种分配清洁人员系统的应用场景示意图。
本申请的实施例中，分配清洁人员系统的应用场景100可以包括服务器110、网络120、图像获取设备130以及终端140。
在一些实施例中，服务器110可以处理与图像获取设备130相关的信息和/或数据，以执行本申请中描述的一个或以上功能。在一些实施例中，服务器110可以通过网络120获取图像获取设备130的数据。在一些实施例中，服务器110可以包括一个或以上处理引擎(例如，单核处理引擎或多核处理引擎)。仅作为示例，服务器110可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
在一些实施例中，服务器110可以包括处理设备。服务器110可以是单个服务器或服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地或远程的。例如，服务器110可以经由网络120访问存储在图像获取设备130的数据。在一些实施例中，服务器110可以在云平台上实现。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，行人警示装置的应用场景中的一个或以上组件(例如，服务器110)可以经由网络120将信息和/或数据发送到图像获取设备130的其他组件。在一些实施例中，网络120可以为任意形式的有线或无线网络，或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通信(NFC)网络等或其任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。
图像获取设备130是一种图像和/或视频输入设备，可以用于获取目标区域的图像的设备。在一些实施例中，图像获取设备130可以是任意一种类型的摄像头、照相机等，还可以是任意一种具备拍照和/或录像功能的装置。
在一些实施例中，终端140可以指用户所使用的一个或多个终端设备或软件。在一些实施例中，终端140是指具有输入和/或输出功能的便携式设备。例如，终端140可以包括智能手机140-1、笔记本电脑140-2、台式电脑140-3和智能移动设备等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、手持终端(POS)等或其任意组合。
实施例二
本实施例提供一种分配清洁人员的方法，图2为本申请实施例提供的一种分配清洁人员的方法的流程示意图，本申请实施例中，下述方法可以通过电子设备执行。如图2所述，所述方法包括：
步骤210，获取目标区域的图像,。
在本申请的实施例中，目标区域可以指待清洁的地面区域。例如，带清洁的街道、马路等。在一些实施例中，目标区域的图像可以是通过图像获取设备拍摄的待清洁区域的图片和/或视频。
步骤220，基于所述图像确定所述目标区域的垃圾覆盖率。
在本申请的实施例中，可以结合多种图像处理技术和算法，基于目标区域的图像，确定该目标区域的垃圾覆盖率。
在一些实施例中，基于所述图像确定所述目标区域的垃圾覆盖率的方法可以包括：将所述图像进行阴影去除和分块处理，获取所述图像的子块集合；基于所述图像的子块集合，确定所述图像的二值图片；基于所述二值图片获取所述分级指标；基于所述分级指标获取所述目标区域的目标物数量分布矩阵；根据所述目标物数量分布矩阵和特征权重，计算所述目标区域的垃圾覆盖率。
关于确定图像的二值图片的具体方式，可以参见实施例三及其详细内容，此处不再赘述。
步骤230，基于所述垃圾覆盖率确定目标区域的清洁工作量。
在一些实施例中，可以基于垃圾覆盖率的范围划分对应清洁工作量的等级。例如，垃圾覆盖率的值为0-10％时，对应的清洁工作量为1级；垃圾覆盖率的值为10％-20％时，对应的清洁工作量为2级；垃圾覆盖率的值为20％-30％时，对应的清洁工作量为3级……依次类推。垃圾覆盖率越高，对应的清洁工作量越大。
步骤240，基于所述清洁工作量，确定分配清洁人员的数量。
在一些实施例中，可以基于清洁工作量所对应的等级，确定清洁人员的数量。例如，清洁工作量为1-2级时，清洁人员的数量可以为1人；清洁工作量为2-4级时，清洁人员的数量可以为2人等等。
在一些实施例中，清洁人员的数量可以根据具体情况进行设定。清洁工作量的等级越高，对应分配的清洁人员数量越多。
实施例三
图3a为本申请实施例提供的确定二值图片的方法的流程示意图。
在一些实施例中，可以将目标区域的图像进行阴影去除和分块处理，获取所述图像的子块集合。
在一些实施例中，通过HSV颜色空间算法对所述图像进行阴影去除。由于HSV色彩空间采用的是色彩的色调(H)、饱和度(S)和亮度(V)的信息，与人类视觉感知方法非常相近，所以可以更精确地反映出运动目标与阴影的色彩和灰度信息。
在一些实施例中，目标区域的图像还可以根据预设像素对所述图像进行分块处理，获取所述图像的子块集合。例如，将图像矩阵按照预设的像素大小分成若干小块，形成图像的子块集合，构成路面状态样本，在图像分块的基础上对每一子块进行后续的处理。
在一些实施例中，基于所述图像的子块集合，确定所述图像的二值图片。
在一些实施例中，可以通过高斯算法对所述图像的子块集合中的每一个子块图像进行去噪。由于在获取图像或处理过程中，图像会产生各类的噪声，通过高斯算法对图像进行去噪，可以最大程度保护图像的细节、纹理与边缘,并且滤除噪声对图片质量造成的影响。
在一些实施例中，基于去噪后的图像，通过索贝尔(Sobel)算子进行图像边缘检测，获取中间处理图像集。
在一些实施例中，用G、θ代表图像每一分块的梯度大小以及梯度方向，通过计算式(1)可以计算每一块图像的横向梯度和纵向梯度：
Figure BDA0003729423720000071
其中：Gx为经横向边缘检测的图像梯度，
Figure BDA0003729423720000072
A为目标区域的图像；Gy为经纵向边缘检测的图像梯度，
Figure BDA0003729423720000073
在一些实施例中，基于所述中间处理图像集进行二值化面积阈值去噪。在边缘检测的基础上采用Otsu算法确定最佳阈值，并根据最佳阈值将图像的前景和背景分开，即
Figure BDA0003729423720000074
其中，F(i，j)为图像所处的灰度值；T为最佳阈值。
在一些实施例中，基于所述二值化面积阈值去噪后的图像，通过形态学刻画获取所述图像的二值图片。为了进一步除去分割后图像中的不相干点，对图像进行形态学刻画，采取闭运算，即先膨胀再腐蚀。例如，首先把二值图像各1像素连接成分的边界点去掉从而缩小一层即腐蚀操作，闭操作完成后得到最终的图像分割图片，如图3b所示，为本申请实施例提供的确定二值图片的过程的效果示意图
实施例四
在本申请的实施例中，可以基于二值图片确定目标区域的垃圾覆盖率。
在一些实施例中，可以基于所述二值图片获取所述分级指标。
在一些实施例中，确定分级指标的方法可以包括：对所述二值图片进行遍历，通过量化评级计算式获取所述图像的的子块集合中的每一个子块图像的分级指标Pij；所述量化评级计算式如公式(2)所示：
Figure BDA0003729423720000081
其中，Hxy为子块集合中的任意一个子块图像的每个像素点的像素值；i和j分别代表所述子块图像第i行第j列；X和Y分别为所述子块图像的分辨率横、纵数值；x和y分别为从1开始到X和Y的计数器。
在一些实施例中，基于所述分级指标获取所述目标区域的目标物数量分布矩阵。具体方法包括：
基于所述图像的的子块集合中的每一个子块图像的分级指标Pij，通过量化数值计算式获取所述图像的的子块集合中的每一个子块图像的量化数值Iij；
所述量化数值计算式为：
Figure BDA0003729423720000082
基于量化数值Iij，获取所述目标区域的目标物数量分布矩阵。如图4所示，为本申请实施例提供的目标物数量分布矩阵的示意图。
在一些实施例中，根据所述目标物数量分布矩阵和特征权重，计算所述目标区域的垃圾覆盖率。其中，特征权重可以根据目标检测模型确定，关于特征权重的具体内容可以参见实施例五及其详细描述，此处不再赘述。
实施例五
本申请的实施例五提供了一种确定特征权重的方法。图5为本申请实施例提供的一种确定特征权重的方法的流程示意图。
如图5所示：确定特征权重的方法包括：获取目标区域的图像；基于训练好的目标物检测模型，确定所述图像中目标物的特征权重。
在一些实施例中，目标物检测模型是由基于区域卷积神经网络(Faster-RCNN)模型的垃圾物种类识别算法组成，Faster-RCNN是一种目标检测方法，在Fast-RCNN的基础之上设计了一种区域建议网络(Region Proposal Networks)来生成建议区域(regionproposals)。通过上述方法，可以它和检测网络共享全图的卷积特征，大大降低了生成建议区域的时间，同时能产生质量更高的建议窗口。在结构上，Faster-RCNN已经将特征抽取、区域选择、边框回归以及分类都整合在了一个网络中，其大部分的预测是在图形处理器(GPU)下完成的,使得综合性能有较大提高，在检测速度方面尤为明显。
例如，通过Faster-RCNN算法进行检测，其具体步骤包括：把任意大小的图片输入卷积神经网络(Convolutional Neural Network,CNN)进行特征提取；利用RPN网络产生高质量的建议框,每张图片约产生300个建议框；将建议框映射到CNN的最后一层卷积特征图上；用池化层(pooling layer)固定每个建议框的大小；利用分类层和边框回归层对建议区域进行具体的类别判断和精确的边框回归。
在一些实施例中，目标物检测模型可以通过训练获得。目标物检测模型的训练过程包括：获取包括目标物的样本图像；通过标注工具对所述样本图像中的图片中目标物进行标注，得到样本数据；基于所述样本数据确定确定所述目标物检测模型。
例如，通过图像获取设备对路面垃圾物进行拍照采样，利用图片标注工具LabelImg对样本图片进行标注，框选出ground truth。再利用标注完成的图片即可建立样本库，用于模型训练。选取15000张数据集作为训练验证集以及测试集，将1000张数据集作为增量测试集，以便研究车辆检测的泛化能力。反复迭代150000次后，损失函数的值接近于0，且随着次数的增加其值的大小基本无变化，此时得到最终训练好的目标检测模型。
实施例六
本实施例提供一种一种分配清洁人员的系统模块，图6为本申请实施例提供的一种分配清洁人员系统的模块示意图。如图6所示，分配清洁人员系统600包括：
获取模块610，用于获取目标区域的图像；
第一确定模块620，用于基于所述图像确定所述目标区域的垃圾覆盖率；
第二确定模块630，用于基于所述垃圾覆盖率确定目标区域的清洁工作量；
第三确定模块640，用于基于所述清洁工作量，确定分配清洁人员的数量。
在一些实施例中，第一确定模块620还包括：
第一处理子模块，通过HSV颜色空间算法对所述图像进行阴影去除；并根据预设像素对所述图像进行分块处理，获取所述图像的子块集合；
第二处理子模块，用于基于所述图像的子块集合，确定所述图像的二值图片；
第三处理子模块，用于基于所述二值图片获取所述分级指标；
第四处理子模块，用于基于所述分级指标获取所述目标区域的目标物数量分布矩阵；
第五处理子模块，用于根据所述目标物数量分布矩阵和特征权重，计算所述目标区域的垃圾覆盖率。
在一些实施例中，第二处理子模块还可以用于包括：通过高斯算法对所述图像的子块集合中的每一个子块图像进行去噪，并通过索贝尔算子进行图像边缘检测，获取中间处理图像集；基于所述中间处理图像集进行二值化面积阈值去噪；基于所述二值化面积阈值去噪后的图像，通过形态学刻画获取所述图像的二值图片。
在一些实施例中，第三处理子模块还可以用于包括：对所述二值图片进行遍历，通过量化评级计算式获取所述图像的的子块集合中的每一个子块图像的分级指标Pij；所述量化评级计算式为：
Figure BDA0003729423720000101
其中，Hxy为子块集合中的任意一个子块图像的每个像素点的像素值；i和j分别代表所述子块图像第i行第j列；X和Y分别为所述子块图像的分辨率横、纵数值；x和y分别为从1开始到X和Y的计数器。
在一些实施例中，第四处理子模块还可以用于包括：
基于所述图像的的子块集合中的每一个子块图像的分级指标Pij，通过量化数值计算式获取所述图像的的子块集合中的每一个子块图像的量化数值Iij；
所述量化数值计算式为：
Figure BDA0003729423720000111
基于量化数值Iij，获取所述目标区域的目标物数量分布矩阵。
在一些实施例中，第五处理子模块还可以用于包括：获取目标区域的图像；基于训练好的目标物检测模型，确定所述图像中目标物的特征权重。
在一些实施例中，第五处理子模块还可以用于包括：获取包括目标物的样本图像；通过标注工具对所述样本图像中的图片中目标物进行标注，得到样本数据；基于所述样本数据确定确定所述目标物检测模型。
实施例七
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现如上述方法步骤。
上述方法步骤的具体实施例过程可参见实施例一至实施例五，本实施例在此不再重复赘述。
实施例八
本申请实施例提供了一种电子设备，该电子设备可以是手机、电脑或平板电脑等，包括存储器和处理器，所述存储器上存储有计算器程序，该计算机程序被处理器执行时实现如实施例一中所述的应用管理方法。可以理解，电子设备还可以包括，多媒体组件，输入/输出(I/O)接口，以及通信组件。
其中，处理器用于执行如实施例一中的应用管理方法中的全部或部分步骤。存储器用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
所述处理器可以是专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的应用管理方法。
所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
多媒体组件可以包括屏幕和音频组件，所述屏幕可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。
I/O接口为处理器和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件用于该电子设备与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件405可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
综上，本申请提供的一种分配清洁人员方法、系统、存储介质及电子设备。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。
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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种分配清洁人员的方法，其特征在于，所述方法包括：
获取目标区域的图像；
基于所述图像确定所述目标区域的垃圾覆盖率；
基于所述垃圾覆盖率确定目标区域的清洁工作量；
基于所述清洁工作量，确定分配清洁人员的数量。
2.根据权利要求1所述的方法，其特征在于，基于所述图像确定所述目标区域的垃圾覆盖率，包括：
通过HSV颜色空间算法对所述图像进行阴影去除；并根据预设像素对所述图像进行分块处理，获取所述图像的子块集合；
基于所述图像的子块集合，确定所述图像的二值图片；
基于所述二值图片获取所述分级指标；
基于所述分级指标获取所述目标区域的目标物数量分布矩阵；
根据所述目标物数量分布矩阵和特征权重，计算所述目标区域的垃圾覆盖率。
3.根据权利要求2所述的方法，其特征在于，所述基于图像的子块集合，确定所述图像的二值图片，包括：
通过高斯算法对所述图像的子块集合中的每一个子块图像进行去噪，并通过索贝尔算子进行图像边缘检测，获取中间处理图像集；
基于所述中间处理图像集进行二值化面积阈值去噪；
基于所述二值化面积阈值去噪后的图像，通过形态学刻画获取所述图像的二值图片。
4.根据权利要求2所述的方法，其特征在于，所述基于所述二值图片获取所述分级指标，包括：
对所述二值图片进行遍历，通过量化评级计算式获取所述图像的的子块集合中的每一个子块图像的分级指标Pij；所述量化评级计算式为：
Figure FDA0003729423710000021
其中，Hxy为子块集合中的任意一个子块图像的每个像素点的像素值；i和j分别代表所述子块图像第i行第j列；X和Y分别为所述子块图像的分辨率横、纵数值；x和y分别为从1开始到X和Y的计数器。
5.根据权利要求2所述的方法，其特征在于，所述基于所述分级指标获取所述目标区域的目标物数量分布矩阵，包括：
基于所述图像的的子块集合中的每一个子块图像的分级指标Pij，通过量化数值计算式获取所述图像的的子块集合中的每一个子块图像的量化数值Iij；
所述量化数值计算式为：
Figure FDA0003729423710000022
基于量化数值Iij，获取所述目标区域的目标物数量分布矩阵。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取目标区域的图像；
基于训练好的目标物检测模型，确定所述图像中目标物的特征权重。
7.根据权利要求6所述的方法，其特征在于，所述目标物检测模型的训练过程包括：
获取包括目标物的样本图像；
通过标注工具对所述样本图像中的图片中目标物进行标注，得到样本数据；
基于所述样本数据确定确定所述目标物检测模型。
8.一种分配清洁人员的系统，其特征在于，所述系统包括：
获取模块，用于获取目标区域的图像；
第一确定模块，用于基于所述图像确定所述目标区域的垃圾覆盖率；
第二确定模块，用于基于所述垃圾覆盖率确定目标区域的清洁工作量；
第三确定模块，用于基于所述清洁工作量，确定分配清洁人员的数量。
9.一种存储介质，其特征在于，该存储介质存储的计算机程序，在被一个或多个处理器执行时，用来实现如权利要求1-7中所述的分配清洁人员的方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1-7任意一项所述的分配清洁人员的方法。
CN202210787997.4A 2022-07-04 2022-07-04 一种分配清洁人员的方法、系统、存储介质及电子设备 Pending CN115222683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210787997.4A CN115222683A (zh) 2022-07-04 2022-07-04 一种分配清洁人员的方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210787997.4A CN115222683A (zh) 2022-07-04 2022-07-04 一种分配清洁人员的方法、系统、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115222683A true CN115222683A (zh) 2022-10-21

Family

ID=83609862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210787997.4A Pending CN115222683A (zh) 2022-07-04 2022-07-04 一种分配清洁人员的方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115222683A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116663862A (zh) * 2023-07-27 2023-08-29 厦门智慧思明数据有限公司 一种基于ai的城市治理一网统管方法及系统
CN116862178A (zh) * 2023-07-12 2023-10-10 广东易彻科技有限公司 智慧环卫管理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862178A (zh) * 2023-07-12 2023-10-10 广东易彻科技有限公司 智慧环卫管理方法及系统
CN116663862A (zh) * 2023-07-27 2023-08-29 厦门智慧思明数据有限公司 一种基于ai的城市治理一网统管方法及系统
CN116663862B (zh) * 2023-07-27 2023-11-14 厦门智慧思明数据有限公司 一种基于ai的城市治理一网统管方法及系统

Similar Documents

Publication Publication Date Title
Santra et al. Learning a patch quality comparator for single image dehazing
CN115222683A (zh) 一种分配清洁人员的方法、系统、存储介质及电子设备
Li et al. Multi-scale single image dehazing using laplacian and gaussian pyramids
CN108510451B (zh) 一种基于双层卷积神经网络的重建车牌的方法
Yang et al. Single image haze removal via region detection network
CN109598794B (zh) 三维gis动态模型的构建方法
CN112529015A (zh) 一种基于几何解缠的三维点云处理方法、装置及设备
Xiao et al. Scene‐aware image dehazing based on sky‐segmented dark channel prior
CN109389569B (zh) 基于改进DehazeNet的监控视频实时去雾方法
CN111476213A (zh) 一种基于道路影像的遮挡物覆盖区域填充方法和装置
CN111192226A (zh) 一种图像融合去噪方法及装置、系统
CN113887649B (zh) 一种基于深层特征和浅层特征融合的目标检测方法
Wang et al. An ensemble multi-scale residual attention network (EMRA-net) for image Dehazing
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
CN114155375A (zh) 机场道面病害检测的方法、装置、电子设备及存储介质
Ansari et al. A novel approach for scene text extraction from synthesized hazy natural images
CN116883303A (zh) 基于特征差分补偿与融合的红外与可见光图像融合方法
CN112164010A (zh) 一种多尺度融合卷积神经网络图像去雾方法
CN115239746B (zh) 一种面向对象的遥感图像分割方法、装置、设备及介质
CN116310832A (zh) 遥感图像处理方法、装置、设备、介质及产品
CN111126248A (zh) 一种遮挡下的车辆识别方法及装置
CN111062924A (zh) 图像处理方法、装置、终端和存储介质
Ali et al. Active contour image segmentation model with de‐hazing constraints
CN115601616A (zh) 一种样本数据生成方法、装置、电子设备和存储介质
CN114708173A (zh) 图像融合方法、计算机程序产品、存储介质及电子设备

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