CN116091953A - 一种基于分组小波校准网络的建筑垃圾识别方法 - Google Patents

一种基于分组小波校准网络的建筑垃圾识别方法 Download PDF

Info

Publication number
CN116091953A
CN116091953A CN202310378939.0A CN202310378939A CN116091953A CN 116091953 A CN116091953 A CN 116091953A CN 202310378939 A CN202310378939 A CN 202310378939A CN 116091953 A CN116091953 A CN 116091953A
Authority
CN
China
Prior art keywords
representing
encoder
passing
output characteristics
wavelet
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
CN202310378939.0A
Other languages
English (en)
Other versions
CN116091953B (zh
Inventor
李冠群
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.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space 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 Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202310378939.0A priority Critical patent/CN116091953B/zh
Publication of CN116091953A publication Critical patent/CN116091953A/zh
Application granted granted Critical
Publication of CN116091953B publication Critical patent/CN116091953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/58—Construction or demolition [C&D] waste

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，公开了一种基于分组小波校准网络的建筑垃圾识别方法，包括获取无人机遥感图像；将所述无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；将所述特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。本发明可以在短时间内处理大量数据，节约成本；对环境、公共健康或安全构成无任何风险，并且可以在不中断正在进行的施工活动的情况下进行。

Description

一种基于分组小波校准网络的建筑垃圾识别方法
技术领域
本发明属于数据处理技术领域，具体涉及一种基于分组小波校准网络的建筑垃圾识别方法。
背景技术
建筑垃圾是建筑行业面临的重大环境和经济挑战。随着全球人口的持续增长，对基础设施和住房的需求增加，导致更多的建筑垃圾。建筑垃圾管理会对环境、公众健康和安全造成负面影响。识别和管理建筑垃圾对于减少建筑活动对环境的影响、保护自然资源和提高建筑项目的经济效率至关重要。传统方法是基于人工调查，依靠训练有素的专业人员的专业知识来识别和量化不同类型的建筑垃圾。然而，人工调查费时费力，而且容易出错和不一致。此外，人工调查方法可能并不总能捕捉到建筑工地产生的垃圾的全部范围，可能会受到与建筑工地某些区域相关的可见性、可访问性和安全问题的缺乏的限制。此外，这些方法的准确性和可靠性可能会受到人为因素的影响，例如疲劳和分心。为克服传统建筑垃圾识别方法的不足，无人机越来越多地被用于建筑工地勘察、建筑垃圾识别和量化。无人机遥感图像提供了施工现场的高分辨率鸟瞰图，可用于检测和识别不同类型的建筑垃圾。无人机遥感图像提供了更全面、更准确的施工现场视图。此外，无人机遥感图像可以快速高效地采集，减少人工测量和目视检查所需的时间和劳动力。然而，分析无人机遥感图像以识别和量化建筑垃圾需要先进的图像处理技术。传统的图像处理技术在准确识别和量化不同类型建筑垃圾方面的能力有限。这些技术依赖于手工制作的特征，这些特征是手动设计的特征，可能无法捕捉建筑垃圾的全部复杂性。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于遥感图像的图像矫正方法。
为实现上述目的，本发明提供了一种基于分组小波校准网络的建筑垃圾识别方法，包括：
获取无人机遥感图像；
将所述无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；
将所述特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。
根据本发明的一个方面，所述分组小波校准融合分割网络包括五个编码器、融合模块和五个解码器，将所述无人机遥感图像输入至编码器中，得到输出特征，公式为，
 ；
其中， 表示第个编码器；
 表示无人机遥感图像；
 表示通过第一个编码器后的输出特征；
 表示通过第二个编码器后的输出特征；
 表示通过第三个编码器后的输出特征；
 表示通过第四个编码器后的输出特征；
 表示通过第五个编码器后的输出特征。
根据本发明的一个方面，将所述无人机遥感图像输入至编码器中进一步包括，对所述无人机遥感图像进行预处理，公式为，
 ；
 ；
 ；
其中，表示3×3的卷积；
 表示修正线性单元；
 表示通过编码器获得的初步特征；
 表示编码器中跳转连接得到的输出特征；
 表示元素相加；
 表示离散小波变换；
 表示通过第一个编码器后的输出特征。
根据本发明的一个方面，使用融合模块对通过相邻两个编码器的输出特征进行融合，其中，融合模块包含第一分组和第二分组，公式为，
 ；
其中， 表示融合分支；
 表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果；
 表示通过第二个编码器后输的出特征和通过第三个编码器后的输出特征的融合结果；
 表示通过第三个编码器后输的出特征和通过第四个编码器后的输出特征的融合结果；
 表示通过第四个编码器后输的出特征和通过第五个编码器后的输出特征的融合结果。
根据本发明的一个方面，使用融合模块对通过相邻两个编码器的输出特征进行融合进一步包括，对通过第一个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第一个编码器后的输出特征；
 表示第一分组得到的初步特征；
表示元素相加；
 表示第一分组中跳转连接得到的中间特征；
对通过第二个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第二个编码器后的输出特征；
对第二分组中上采样后得到的特征进行进一步处理，得到校准特征，公式为，
 ；
 ；
其中， 表示逆离散小波变换；
 表示校准权重；
 表示第二分支中上采样后得到的特征；
 表示3×3的卷积；
 表示分组二中得到的初步特征；
 表示激活函数；
 表示离散小波变换；
 表示元素相乘；
 表示校准特征；
融合第一分组中跳转连接得到的中间特征和所述第二分组的所述校准特征后得到融合结果，公式为，
 ；
 ；
其中，表示元素相加；
 表示合并融合操作中跳转连接得到的特征；
 表示3×3的卷积；
表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果。
根据本发明的一个方面，将融合结果和通过编码器后的输出特征输入至解码器中，得到特征图像，公式为，
 ；
其中， 表示第个解码器；
表示元素相加；
 表示第个解码器的输出特征；
 表示特征图像。
根据本发明的一个方面，将通过第五个编码器后的输出特征输入至第一个解码器中，公式为，
 ；
 ；
 ；
 ；
其中， 表示通过第五个编码器后的输出特征；
 表示上采样后得到的特征；
表示解码器中提取到的初步特征；
 表示解码器中跳转连接得到的输出特征；
 表示通过第一个解码器后的输出特征。
根据本发明的一个方面，利用交叉熵作为损失函数以及人工标记的无人机遥感图像数据集对所述分组小波校准融合分割网络进行训练，公式为，
 ；
其中， 表示损失函数；
 表示交叉熵计算操作；
 表示第个无人机遥感施工区图像；
 表示与之对应的第个人工标记的建筑垃圾标签图像；
 表示人工标记的无人机遥感图像数据集的数量；
 表示分组小波校准融合分割网络。
为实现上述目的，本发明提供一种基于分组小波校准网络的建筑垃圾识别系统，包括：
图像获取模块：获取无人机遥感图像；
特征图像获取模块：将所述无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；
建筑垃圾识别结果获取模块：将所述特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。
本发明的有益效果在于：本发明可以在短时间内处理大量数据，节约成本；对环境、公共健康或安全构成无任何风险，并且可以在不中断正在进行的施工活动的情况下进行。
附图说明
图1示意性表示根据本发明的一种基于分组小波校准网络的建筑垃圾识别方法的流程图；
图2示意性表示本发明的编码器结构示意图；
图3示意性表示本发明的融合模块结构示意图；
图4示意性表示本发明的解码器结构示意图；
图5示意性表示本发明的分组小波校准融合分割网络结构示意图；
图6示意性表示根据本发明的一种基于分组小波校准网络的建筑垃圾识别系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于分组小波校准网络的建筑垃圾识别方法的流程图，图5示意性表示本发明的分组小波校准融合分割网络结构示意图，如图1和图5所示，本发明的一种基于分组小波校准网络的建筑垃圾识别方法，包括：
获取无人机遥感图像；
将无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；
将特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。
根据本发明的一个实施方式，图2示意性表示本发明的编码器结构示意图，分组小波校准融合分割网络包括五个编码器、融合模块和五个解码器，由图2可知，将无人机遥感图像输入至编码器中，得到输出特征，公式为，
 ；
其中， 表示第个编码器；
 表示无人机遥感图像；
 表示通过第一个编码器后的输出特征；
 表示通过第二个编码器后的输出特征；
 表示通过第三个编码器后的输出特征；
 表示通过第四个编码器后的输出特征；
 表示通过第五个编码器后的输出特征。
根据本发明的一个实施方式，将无人机遥感图像输入至编码器中进一步包括，对无人机遥感图像进行预处理，公式为，
 ；
 ；
 ；
其中，表示3×3的卷积；
 表示修正线性单元；
 表示通过编码器获得的初步特征；
 表示编码器中跳转连接得到的输出特征；
 表示元素相加；
 表示离散小波变换；
 表示通过第一个编码器后的输出特征。
根据本发明的一个实施方式，图3示意性表示本发明的融合模块结构示意图，由图3可知，使用融合模块对通过相邻两个编码器的输出特征进行融合，其中，融合模块包含第一分组和第二分组，公式为，
 ；
其中， 表示融合分支；
 表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果；
 表示通过第二个编码器后输的出特征和通过第三个编码器后的输出特征的融合结果；
 表示通过第三个编码器后输的出特征和通过第四个编码器后的输出特征的融合结果；
 表示通过第四个编码器后输的出特征和通过第五个编码器后的输出特征的融合结果。
根据本发明的一个实施方式，使用融合模块对通过相邻两个编码器的输出特征进行融合进一步包括，对通过第一个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第一个编码器后的输出特征；
 表示第一分组得到的初步特征；
表示元素相加；
 表示第一分组中跳转连接得到的中间特征；
对通过第二个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第二个编码器后的输出特征；
对第二分组中上采样后得到的特征进行进一步处理，得到校准特征，公式为，
 ；
 ；
其中， 表示逆离散小波变换；
 表示校准权重；
 表示第二分支中上采样后得到的特征；
 表示3×3的卷积；
 表示分组二中得到的初步特征；
 表示激活函数；
 表示离散小波变换；
 表示元素相乘；
 表示校准特征；
融合第一分组中跳转连接得到的中间特征和第二分组的所述校准特征后得到融合结果，公式为，
 ；
 ；
其中，表示元素相加；
 表示合并融合操作中跳转连接得到的特征；
 表示3×3的卷积；
表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果。
根据本发明的一个实施方式，图4示意性表示本发明的编码器结构示意图，如图4所示，将通过第五个编码器后的输出特征输入至第一个解码器中，公式为，
 ；
 ；
 ；
 ；
其中， 表示通过第五个编码器后的输出特征；
 表示上采样后得到的特征；
表示解码器中提取到的初步特征；
 表示解码器中跳转连接得到的输出特征；
 表示通过第一个解码器后的输出特征。
根据本发明的一个实施方式，利用交叉熵作为损失函数以及人工标记的无人机遥感图像数据集对分组小波校准融合分割网络进行训练，公式为，
 ；
其中， 表示损失函数；
 表示交叉熵计算操作；
 表示第个无人机遥感施工区图像；
 表示与之对应的第个人工标记的建筑垃圾标签图像；
 表示人工标记的无人机遥感图像数据集的数量；
 表示分组小波校准融合分割网络。
不仅如此，为实现上述发明目的，本发明还提供一种基于分组小波校准网络的建筑垃圾识别系统，图6示意性表示根据本发明的一种基于分组小波校准网络的建筑垃圾识别系统的流程图，如图6所示，根据本发明的一种基于分组小波校准网络的建筑垃圾识别系统，该系统包括：
图像获取模块：获取无人机遥感图像；
特征图像获取模块：将无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；
建筑垃圾识别结果获取模块：将特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。
根据本发明的一个实施方式，分组小波校准融合分割网络包括五个编码器、融合模块和五个解码器，将无人机遥感图像输入至编码器中，得到输出特征，公式为，
 ；
其中， 表示第个编码器；
 表示无人机遥感图像；
 表示通过第一个编码器后的输出特征；
 表示通过第二个编码器后的输出特征；
 表示通过第三个编码器后的输出特征；
 表示通过第四个编码器后的输出特征；
 表示通过第五个编码器后的输出特征。
根据本发明的一个实施方式，将无人机遥感图像输入至编码器中进一步包括，对无人机遥感图像进行预处理，公式为，
 ；
 ；
 ；
其中，表示3×3的卷积；
 表示修正线性单元；
 表示通过编码器获得的初步特征；
 表示编码器中跳转连接得到的输出特征；
 表示元素相加；
 表示离散小波变换；
 表示通过第一个编码器后的输出特征。
根据本发明的一个实施方式，使用融合模块对通过相邻两个编码器的输出特征进行融合，其中，融合模块包含第一分组和第二分组，公式为，
 ；
其中， 表示融合分支；
 表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果；
 表示通过第二个编码器后输的出特征和通过第三个编码器后的输出特征的融合结果；
 表示通过第三个编码器后输的出特征和通过第四个编码器后的输出特征的融合结果；
 表示通过第四个编码器后输的出特征和通过第五个编码器后的输出特征的融合结果。
根据本发明的一个实施方式，使用融合模块对通过相邻两个编码器的输出特征进行融合进一步包括，对通过第一个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第一个编码器后的输出特征；
 表示第一分组得到的初步特征；
表示元素相加；
 表示第一分组中跳转连接得到的中间特征；
对通过第二个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第二个编码器后的输出特征；
对第二分组中上采样后得到的特征进行进一步处理，得到校准特征，公式为，
 ；
 ；
其中， 表示逆离散小波变换；
 表示校准权重；
 表示第二分支中上采样后得到的特征；
 表示3×3的卷积；
 表示分组二中得到的初步特征；
 表示激活函数；
 表示离散小波变换；
 表示元素相乘；
 表示校准特征；
融合第一分组中跳转连接得到的中间特征和第二分组的所述校准特征后得到融合结果，公式为，
 ；
 ；
其中，表示元素相加；
 表示合并融合操作中跳转连接得到的特征；
 表示3×3的卷积；
表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果。
根据本发明的一个实施方式，将通过第五个编码器后的输出特征输入至第一个解码器中，公式为，
 ；
 ；
 ；
 ；
其中， 表示通过第五个编码器后的输出特征；
 表示上采样后得到的特征；
表示解码器中提取到的初步特征；
 表示解码器中跳转连接得到的输出特征；
 表示通过第一个解码器后的输出特征。
根据本发明的一个实施方式，利用交叉熵作为损失函数以及人工标记的无人机遥感图像数据集对分组小波校准融合分割网络进行训练，公式为，
 ；
其中， 表示损失函数；
 表示交叉熵计算操作；
 表示第个无人机遥感施工区图像；
 表示与之对应的第个人工标记的建筑垃圾标签图像；
 表示人工标记的无人机遥感图像数据集的数量；
 表示分组小波校准融合分割网络。
基于此，本发明的有益效果在于，本发明可以在短时间内处理大量数据，节约成本；对环境、公共健康或安全构成无任何风险，并且可以在不中断正在进行的施工活动的情况下进行。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (9)

1.一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，所述方法包括：
获取无人机遥感图像；
将所述无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；
将所述特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。
2.根据权利要求1所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，所述分组小波校准融合分割网络包括五个编码器、融合模块和五个解码器，将所述无人机遥感图像输入至编码器中，得到输出特征，公式为，
 ；
其中， 表示第个编码器；
 表示无人机遥感图像；
 表示通过第一个编码器后的输出特征；
 表示通过第二个编码器后的输出特征；
 表示通过第三个编码器后的输出特征；
 表示通过第四个编码器后的输出特征；
 表示通过第五个编码器后的输出特征。
3.根据权利要求2所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，将所述无人机遥感图像输入至编码器中进一步包括，对所述无人机遥感图像进行预处理，公式为，
 ；
 ；
 ；
其中，表示3×3的卷积；
 表示修正线性单元；
 表示通过编码器获得的初步特征；
 表示编码器中跳转连接得到的输出特征；
 表示元素相加；
 表示离散小波变换；
 表示通过第一个编码器后的输出特征。
4.根据权利要求1所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，使用融合模块对通过相邻两个编码器的输出特征进行融合，其中，融合模块包含第一分组和第二分组，公式为，
 ；
其中， 表示融合分支；
 表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果；
 表示通过第二个编码器后输的出特征和通过第三个编码器后的输出特征的融合结果；
 表示通过第三个编码器后输的出特征和通过第四个编码器后的输出特征的融合结果；
 表示通过第四个编码器后输的出特征和通过第五个编码器后的输出特征的融合结果。
5.根据权利要求4所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，使用融合模块对通过相邻两个编码器的输出特征进行融合进一步包括，对通过第一个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第一个编码器后的输出特征；
 表示第一分组得到的初步特征；
表示元素相加；
 表示第一分组中跳转连接得到的中间特征；
对通过第二个编码器后的输出特征进行预处理，公式为，
 ；
 ；
其中， 表示通过第二个编码器后的输出特征；
对第二分组中上采样后得到的特征进行进一步处理，得到校准特征，公式为，
 ；
 ；
其中， 表示逆离散小波变换；
 表示校准权重；
 表示第二分支中上采样后得到的特征；
 表示3×3的卷积；
 表示分组二中得到的初步特征；
 表示激活函数；
 表示离散小波变换；
 表示元素相乘；
 表示校准特征；
融合第一分组中跳转连接得到的中间特征和所述第二分组的所述校准特征后得到融合结果，公式为，
 ；
 ；
其中，表示元素相加；
 表示合并融合操作中跳转连接得到的特征；
 表示3×3的卷积；
表示通过第一个编码器后的输出特征和通过第二个编码器后的输出特征的融合结果。
6.根据权利要求1所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，将融合结果和通过编码器后的输出特征输入至解码器中，得到特征图像，公式为，
 ；
其中， 表示第个解码器；
表示元素相加；
 表示第个解码器的输出特征；
 表示特征图像。
7.根据权利要求6所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，将通过第五个编码器后的输出特征输入至第一个解码器中，公式为，
 ；
 ；
 ；
 ；
其中， 表示通过第五个编码器后的输出特征；
 表示上采样后得到的特征；
表示解码器中提取到的初步特征；
 表示解码器中跳转连接得到的输出特征；
 表示通过第一个解码器后的输出特征。
8.根据权利要求1所述的一种基于分组小波校准网络的建筑垃圾识别方法，其特征在于，利用交叉熵作为损失函数以及人工标记的无人机遥感图像数据集对所述分组小波校准融合分割网络进行训练，公式为，
 ；
其中， 表示损失函数；
 表示交叉熵计算操作；
 表示第个无人机遥感施工区图像；
 表示与之对应的第个人工标记的建筑垃圾标签图像；
 表示人工标记的无人机遥感图像数据集的数量；
 表示分组小波校准融合分割网络。
9.一种基于分组小波校准网络的建筑垃圾识别系统，其特征在于，所述系统包括：
图像获取模块：获取无人机遥感图像；
特征图像获取模块：将所述无人机遥感图像输入至分组小波校准融合分割网络，得到特征图像；
建筑垃圾识别结果获取模块：将所述特征图像输入至建筑垃圾识别网络，得到建筑垃圾识别结果。
CN202310378939.0A 2023-04-11 2023-04-11 一种基于分组小波校准网络的建筑垃圾识别方法 Active CN116091953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310378939.0A CN116091953B (zh) 2023-04-11 2023-04-11 一种基于分组小波校准网络的建筑垃圾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310378939.0A CN116091953B (zh) 2023-04-11 2023-04-11 一种基于分组小波校准网络的建筑垃圾识别方法

Publications (2)

Publication Number Publication Date
CN116091953A true CN116091953A (zh) 2023-05-09
CN116091953B CN116091953B (zh) 2023-07-14

Family

ID=86204891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310378939.0A Active CN116091953B (zh) 2023-04-11 2023-04-11 一种基于分组小波校准网络的建筑垃圾识别方法

Country Status (1)

Country Link
CN (1) CN116091953B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008104453A1 (fr) * 2007-02-16 2008-09-04 Commissariat A L'energie Atomique Procède de reconnaissance et de localisation automatique d'entités dans des images numériques
US20200311319A1 (en) * 2019-03-28 2020-10-01 China Waterborne Transport Research Institute Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis
US20200410425A1 (en) * 2019-09-14 2020-12-31 Ron Zass Generating tasks from images of construction sites
CN112597936A (zh) * 2020-12-29 2021-04-02 北京建筑大学 基于面向对象分层分割的建筑垃圾分离方法及相关产品
CN113537033A (zh) * 2021-07-12 2021-10-22 哈尔滨理工大学 一种基于深度学习的建筑垃圾遥感影像识别方法
CN113627292A (zh) * 2021-07-28 2021-11-09 广东海启星海洋科技有限公司 基于融合网络的遥感图像识别方法及装置
WO2021226977A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
WO2022052367A1 (zh) * 2020-09-10 2022-03-17 中国科学院深圳先进技术研究院 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质
CN114863098A (zh) * 2022-04-15 2022-08-05 华中科技大学 用于工业场景的细小微弱缺陷分割方法
CN114882048A (zh) * 2022-04-19 2022-08-09 重庆理工大学 基于小波散射学习网络的图像分割方法和系统
CN115131419A (zh) * 2022-06-15 2022-09-30 荣耀终端有限公司 一种形成丁达尔光效的图像处理方法及电子设备
CN115331119A (zh) * 2022-10-13 2022-11-11 山东爱福地生物股份有限公司 一种固体废弃物识别方法
US11521377B1 (en) * 2021-10-26 2022-12-06 Nanjing University Of Information Sci. & Tech. Landslide recognition method based on laplacian pyramid remote sensing image fusion
US20220405489A1 (en) * 2021-06-22 2022-12-22 X Development Llc Formulating natural language descriptions based on temporal sequences of images

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008104453A1 (fr) * 2007-02-16 2008-09-04 Commissariat A L'energie Atomique Procède de reconnaissance et de localisation automatique d'entités dans des images numériques
US20200311319A1 (en) * 2019-03-28 2020-10-01 China Waterborne Transport Research Institute Method for evaluating ecological environmental impact of channel project and countermeasures thereof based on mechanism analysis
US20200410425A1 (en) * 2019-09-14 2020-12-31 Ron Zass Generating tasks from images of construction sites
WO2021226977A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台
WO2022052367A1 (zh) * 2020-09-10 2022-03-17 中国科学院深圳先进技术研究院 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质
CN112597936A (zh) * 2020-12-29 2021-04-02 北京建筑大学 基于面向对象分层分割的建筑垃圾分离方法及相关产品
US20220405489A1 (en) * 2021-06-22 2022-12-22 X Development Llc Formulating natural language descriptions based on temporal sequences of images
CN113537033A (zh) * 2021-07-12 2021-10-22 哈尔滨理工大学 一种基于深度学习的建筑垃圾遥感影像识别方法
CN113627292A (zh) * 2021-07-28 2021-11-09 广东海启星海洋科技有限公司 基于融合网络的遥感图像识别方法及装置
US11521377B1 (en) * 2021-10-26 2022-12-06 Nanjing University Of Information Sci. & Tech. Landslide recognition method based on laplacian pyramid remote sensing image fusion
CN114863098A (zh) * 2022-04-15 2022-08-05 华中科技大学 用于工业场景的细小微弱缺陷分割方法
CN114882048A (zh) * 2022-04-19 2022-08-09 重庆理工大学 基于小波散射学习网络的图像分割方法和系统
CN115131419A (zh) * 2022-06-15 2022-09-30 荣耀终端有限公司 一种形成丁达尔光效的图像处理方法及电子设备
CN115331119A (zh) * 2022-10-13 2022-11-11 山东爱福地生物股份有限公司 一种固体废弃物识别方法

Also Published As

Publication number Publication date
CN116091953B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110705405B (zh) 目标标注的方法及装置
CN112085952A (zh) 监控车辆数据方法、装置、计算机设备及存储介质
CN115249331B (zh) 基于卷积神经网络模型的矿山生态安全识别方法
CN110969610A (zh) 基于深度学习的电力设备红外热图的识别方法及系统
CN116046692B (zh) 一种基于高光谱的土壤重金属污染监测方法和装置
CN112686261A (zh) 一种基于改进U-Net的葡萄根系图像分割方法
CN116778293B (zh) 一种基于掩膜的图像融合方法
CN115372877B (zh) 基于无人机的变电站的避雷器泄露电流表计巡检方法
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
CN109088793B (zh) 用于检测网络故障的方法和装置
CN116091953B (zh) 一种基于分组小波校准网络的建筑垃圾识别方法
CN110929690B (zh) 一种基于深度神经网络的遥感影像路网提取方法
CN111931721A (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN115273123B (zh) 一种票据识别方法、装置、设备及计算机存储介质
CN116363536A (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN111008635A (zh) 一种基于ocr的多票据自动识别方法及识别系统
CN113780492A (zh) 一种二维码二值化方法、装置、设备及可读存储介质
CN113139617A (zh) 一种输电线路自主定位方法、装置及终端设备
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN115240000B (zh) 一种用于法医鉴定的糖尿病检测装置及方法
CN117541587B (zh) 太阳能电池板缺陷检测方法、系统、电子设备及存储介质
CN111310614B (zh) 一种遥感影像的提取方法和装置
CN117237310B (zh) 一种基于图像识别的钢结构件缺陷检测方法及系统
CN113822270B (zh) 一种结构健康监测高频数据异常值的确定方法及装置
CN113177936A (zh) 一种快速精确测量叉指换能器指条数量的方法及系统

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