CN116091953B - 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
CN116091953B
CN116091953B CN202310378939.0A CN202310378939A CN116091953B CN 116091953 B CN116091953 B CN 116091953B CN 202310378939 A CN202310378939 A CN 202310378939A CN 116091953 B CN116091953 B CN 116091953B
Authority
CN
China
Prior art keywords
representing
encoder
passing
output characteristics
fusion
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.)
Active
Application number
CN202310378939.0A
Other languages
English (en)
Other versions
CN116091953A (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，
Figure SMS_1
；
其中，
Figure SMS_2
表示第
Figure SMS_3
个编码器；
Figure SMS_4
表示无人机遥感图像；
Figure SMS_5
表示通过第一个编码器后的输出特征；
Figure SMS_6
表示通过第二个编码器后的输出特征；
Figure SMS_7
表示通过第三个编码器后的输出特征；
Figure SMS_8
表示通过第四个编码器后的输出特征；
Figure SMS_9
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，
Figure SMS_10
；
Figure SMS_11
；
Figure SMS_12
；
其中，
Figure SMS_13
表示3×3的卷积；
Figure SMS_14
表示修正线性单元；
Figure SMS_15
表示通过编码器获得的初步特征；
Figure SMS_16
表示编码器中跳转连接得到的输出特征；
Figure SMS_17
表示元素相加；
Figure SMS_18
表示离散小波变换；
Figure SMS_19
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，
Figure SMS_20
；
其中，
Figure SMS_21
表示融合分支；
Figure SMS_22
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；
Figure SMS_23
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；
Figure SMS_24
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；
Figure SMS_25
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，
Figure SMS_26
；
Figure SMS_27
；
其中，
Figure SMS_28
表示通过第一个编码器后的输出特征；
Figure SMS_29
表示第一分组得到的初步特征；
Figure SMS_30
表示元素相加；
Figure SMS_31
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，
Figure SMS_32
；
Figure SMS_33
；
其中，
Figure SMS_34
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，
Figure SMS_35
；
Figure SMS_36
；
其中，
Figure SMS_37
表示逆离散小波变换；
Figure SMS_38
表示校准权重；
Figure SMS_39
表示第二分支中上采样后得到的特征；
Figure SMS_40
表示3×3的卷积；
Figure SMS_41
表示分组二中得到的初步特征；
Figure SMS_42
表示激活函数；
Figure SMS_43
表示离散小波变换；
Figure SMS_44
表示元素相乘；
Figure SMS_45
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，
Figure SMS_46
；
Figure SMS_47
；
其中，
Figure SMS_48
表示元素相加；
Figure SMS_49
表示合并融合操作中跳转连接得到的特征；
Figure SMS_50
表示3×3的卷积；
Figure SMS_51
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，
Figure SMS_52
；
其中，
Figure SMS_53
表示第
Figure SMS_54
个解码器；
Figure SMS_55
表示元素相加；
Figure SMS_56
表示第
Figure SMS_57
个解码器的输出特征；
Figure SMS_58
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，
Figure SMS_59
；
Figure SMS_60
；
Figure SMS_61
；
Figure SMS_62
；
其中，
Figure SMS_63
表示通过第五个编码器后的输出特征；
Figure SMS_64
表示上采样后得到的特征；
Figure SMS_65
表示解码器中提取到的初步特征；
Figure SMS_66
表示解码器中跳转连接得到的输出特征；
Figure SMS_67
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，
Figure SMS_68
；
其中，
Figure SMS_69
表示损失函数；
Figure SMS_70
表示交叉熵计算操作；
Figure SMS_71
表示第
Figure SMS_72
个无人机遥感施工区图像；
Figure SMS_73
表示与之对应的第
Figure SMS_74
个人工标记的建筑垃圾标签图像；
Figure SMS_75
表示人工标记的无人机遥感图像数据集的数量；
Figure SMS_76
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，
Figure SMS_77
；
其中，
Figure SMS_78
表示第
Figure SMS_79
个编码器；
Figure SMS_80
表示无人机遥感图像；
Figure SMS_81
表示通过第一个编码器后的输出特征；
Figure SMS_82
表示通过第二个编码器后的输出特征；
Figure SMS_83
表示通过第三个编码器后的输出特征；
Figure SMS_84
表示通过第四个编码器后的输出特征；
Figure SMS_85
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，
Figure SMS_86
；
Figure SMS_87
；
Figure SMS_88
；
其中，
Figure SMS_89
表示3×3的卷积；
Figure SMS_90
表示修正线性单元；
Figure SMS_91
表示通过编码器获得的初步特征；
Figure SMS_92
表示编码器中跳转连接得到的输出特征；
Figure SMS_93
表示元素相加；
Figure SMS_94
表示离散小波变换；
Figure SMS_95
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，
Figure SMS_96
；
其中，
Figure SMS_97
表示融合分支；
Figure SMS_98
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；
Figure SMS_99
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；
Figure SMS_100
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；
Figure SMS_101
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，
Figure SMS_102
；
Figure SMS_103
；
其中，
Figure SMS_104
表示通过第一个编码器后的输出特征；
Figure SMS_105
表示第一分组得到的初步特征；
Figure SMS_106
表示元素相加；
Figure SMS_107
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，
Figure SMS_108
；
Figure SMS_109
；
其中，
Figure SMS_110
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，
Figure SMS_111
；
Figure SMS_112
；
其中，
Figure SMS_113
表示逆离散小波变换；
Figure SMS_114
表示校准权重；
Figure SMS_115
表示第二分支中上采样后得到的特征；
Figure SMS_116
表示3×3的卷积；
Figure SMS_117
表示分组二中得到的初步特征；
Figure SMS_118
表示激活函数；
Figure SMS_119
表示离散小波变换；
Figure SMS_120
表示元素相乘；
Figure SMS_121
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，
Figure SMS_122
；
Figure SMS_123
；
其中，
Figure SMS_124
表示元素相加；
Figure SMS_125
表示合并融合操作中跳转连接得到的特征；
Figure SMS_126
表示3×3的卷积；
Figure SMS_127
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，
Figure SMS_128
；
Figure SMS_129
；
Figure SMS_130
；
Figure SMS_131
；
其中，
Figure SMS_132
表示通过第五个编码器后的输出特征；
Figure SMS_133
表示上采样后得到的特征；
Figure SMS_134
表示解码器中提取到的初步特征；
Figure SMS_135
表示解码器中跳转连接得到的输出特征；
Figure SMS_136
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，
Figure SMS_137
；
其中，
Figure SMS_138
表示损失函数；
Figure SMS_139
表示交叉熵计算操作；
Figure SMS_140
表示第
Figure SMS_141
个无人机遥感施工区图像；
Figure SMS_142
表示与之对应的第
Figure SMS_143
个人工标记的建筑垃圾标签图像；
Figure SMS_144
表示人工标记的无人机遥感图像数据集的数量；
Figure SMS_145
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，
Figure SMS_146
；
其中，
Figure SMS_147
表示第
Figure SMS_148
个编码器；
Figure SMS_149
表示无人机遥感图像；
Figure SMS_150
表示通过第一个编码器后的输出特征；
Figure SMS_151
表示通过第二个编码器后的输出特征；
Figure SMS_152
表示通过第三个编码器后的输出特征；
Figure SMS_153
表示通过第四个编码器后的输出特征；
Figure SMS_154
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，
Figure SMS_155
；
Figure SMS_156
；
Figure SMS_157
；
其中，
Figure SMS_158
表示3×3的卷积；
Figure SMS_159
表示修正线性单元；
Figure SMS_160
表示通过编码器获得的初步特征；
Figure SMS_161
表示编码器中跳转连接得到的输出特征；
Figure SMS_162
表示元素相加；
Figure SMS_163
表示离散小波变换；
Figure SMS_164
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，
Figure SMS_165
；
其中，
Figure SMS_166
表示融合分支；
Figure SMS_167
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；
Figure SMS_168
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；
Figure SMS_169
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；
Figure SMS_170
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，
Figure SMS_171
；
Figure SMS_172
；
其中，
Figure SMS_173
表示通过第一个编码器后的输出特征；
Figure SMS_174
表示第一分组得到的初步特征；
Figure SMS_175
表示元素相加；
Figure SMS_176
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，
Figure SMS_177
；
Figure SMS_178
；
其中，
Figure SMS_179
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，
Figure SMS_180
；
Figure SMS_181
；
其中，
Figure SMS_182
表示逆离散小波变换；
Figure SMS_183
表示校准权重；
Figure SMS_184
表示第二分支中上采样后得到的特征；
Figure SMS_185
表示3×3的卷积；
Figure SMS_186
表示分组二中得到的初步特征；
Figure SMS_187
表示激活函数；
Figure SMS_188
表示离散小波变换；
Figure SMS_189
表示元素相乘；
Figure SMS_190
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，
Figure SMS_191
；
Figure SMS_192
；
其中，
Figure SMS_193
表示元素相加；
Figure SMS_194
表示合并融合操作中跳转连接得到的特征；
Figure SMS_195
表示3×3的卷积；
Figure SMS_196
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，
Figure SMS_197
；
Figure SMS_198
；
Figure SMS_199
；
Figure SMS_200
；
其中，
Figure SMS_201
表示通过第五个编码器后的输出特征；
Figure SMS_202
表示上采样后得到的特征；
Figure SMS_203
表示解码器中提取到的初步特征；
Figure SMS_204
表示解码器中跳转连接得到的输出特征；
Figure SMS_205
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，
Figure SMS_206
；
其中，
Figure SMS_207
表示损失函数；
Figure SMS_208
表示交叉熵计算操作；
Figure SMS_209
表示第
Figure SMS_210
个无人机遥感施工区图像；
Figure SMS_211
表示与之对应的第
Figure SMS_212
个人工标记的建筑垃圾标签图像；
Figure SMS_213
表示人工标记的无人机遥感图像数据集的数量；
Figure SMS_214
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 (2)

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；
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，
Figure QLYQS_1
；
其中，
Figure QLYQS_2
表示第
Figure QLYQS_3
个编码器；
Figure QLYQS_4
表示无人机遥感图像；
Figure QLYQS_5
表示通过第一个编码器后的输出特征；
Figure QLYQS_6
表示通过第二个编码器后的输出特征；
Figure QLYQS_7
表示通过第三个编码器后的输出特征；
Figure QLYQS_8
表示通过第四个编码器后的输出特征；
Figure QLYQS_9
表示通过第五个编码器后的输出特征；
对所述无人机遥感图像进行预处理，公式为，
Figure QLYQS_10
；
Figure QLYQS_11
；
Figure QLYQS_12
；
其中，
Figure QLYQS_13
表示3×3的卷积；
Figure QLYQS_14
表示修正线性单元；
Figure QLYQS_15
表示通过编码器获得的初步特征；
Figure QLYQS_16
表示编码器中跳转连接得到的输出特征；
Figure QLYQS_17
表示元素相加；
Figure QLYQS_18
表示离散小波变换；
Figure QLYQS_19
表示通过第一个编码器后的输出特征；
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，
Figure QLYQS_20
；
其中，
Figure QLYQS_21
表示融合分支；
Figure QLYQS_22
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；
Figure QLYQS_23
表示通过第二个编码器后的输出特征和通过第三个编码器后的输出特征的融合结果；
Figure QLYQS_24
表示通过第三个编码器后的输出特征和通过第四个编码器后的输出特征的融合结果；
Figure QLYQS_25
表示通过第四个编码器后的输出特征和通过第五个编码器后的输出特征的融合结果；
对通过第一个编码器后的输出特征进行预处理，公式为，
Figure QLYQS_26
；
Figure QLYQS_27
；
其中，
Figure QLYQS_28
表示通过第一个编码器后的输出特征；
Figure QLYQS_29
表示第一分组得到的初步特征；
Figure QLYQS_30
表示元素相加；
Figure QLYQS_31
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，
Figure QLYQS_32
；
Figure QLYQS_33
；
其中，
Figure QLYQS_34
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，
Figure QLYQS_35
；
Figure QLYQS_36
；
其中，
Figure QLYQS_37
表示逆离散小波变换；
Figure QLYQS_38
表示校准权重；
Figure QLYQS_39
表示第二分支中上采样后得到的特征；
Figure QLYQS_40
表示3×3的卷积；
Figure QLYQS_41
表示分组二中得到的初步特征；
Figure QLYQS_42
表示激活函数；
Figure QLYQS_43
表示离散小波变换；
Figure QLYQS_44
表示元素相乘；
Figure QLYQS_45
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，
Figure QLYQS_46
；
Figure QLYQS_47
；
其中，
Figure QLYQS_48
表示元素相加；
Figure QLYQS_49
表示合并融合操作中跳转连接得到的特征；
Figure QLYQS_50
表示3×3的卷积；
Figure QLYQS_51
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；
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，
Figure QLYQS_52
；
其中，
Figure QLYQS_53
表示第
Figure QLYQS_54
个解码器；
Figure QLYQS_55
表示元素相加；
Figure QLYQS_56
表示第
Figure QLYQS_57
个解码器的输出特征；
Figure QLYQS_58
表示特征图像；
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，
Figure QLYQS_59
；
Figure QLYQS_60
；
Figure QLYQS_61
；
Figure QLYQS_62
；
其中，
Figure QLYQS_63
表示通过第五个编码器后的输出特征；
Figure QLYQS_64
表示上采样后得到的特征；
Figure QLYQS_65
表示解码器中提取到的初步特征；
Figure QLYQS_66
表示解码器中跳转连接得到的输出特征；
Figure QLYQS_67
表示通过第一个解码器后的输出特征；
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，
Figure QLYQS_68
；
其中，
Figure QLYQS_69
表示损失函数；
Figure QLYQS_70
表示交叉熵计算操作；
Figure QLYQS_71
表示第
Figure QLYQS_72
个无人机遥感施工区图像；
Figure QLYQS_73
表示与之对应的第
Figure QLYQS_74
个人工标记的建筑垃圾标签图像；
Figure QLYQS_75
表示人工标记的无人机遥感图像数据集的数量；
Figure QLYQS_76
表示分组小波校准融合分割网络；
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。
2.一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；
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，
Figure QLYQS_77
；
其中，
Figure QLYQS_78
表示第
Figure QLYQS_79
个编码器；
Figure QLYQS_80
表示无人机遥感图像；
Figure QLYQS_81
表示通过第一个编码器后的输出特征；
Figure QLYQS_82
表示通过第二个编码器后的输出特征；
Figure QLYQS_83
表示通过第三个编码器后的输出特征；
Figure QLYQS_84
表示通过第四个编码器后的输出特征；
Figure QLYQS_85
表示通过第五个编码器后的输出特征；
对所述无人机遥感图像进行预处理，公式为，
Figure QLYQS_86
；
Figure QLYQS_87
；
Figure QLYQS_88
；
其中，
Figure QLYQS_89
表示3×3的卷积；
Figure QLYQS_90
表示修正线性单元；
Figure QLYQS_91
表示通过编码器获得的初步特征；
Figure QLYQS_92
表示编码器中跳转连接得到的输出特征；
Figure QLYQS_93
表示元素相加；
Figure QLYQS_94
表示离散小波变换；
Figure QLYQS_95
表示通过第一个编码器后的输出特征；
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，
Figure QLYQS_96
；
其中，
Figure QLYQS_97
表示融合分支；
Figure QLYQS_98
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；
Figure QLYQS_99
表示通过第二个编码器后的输出特征和通过第三个编码器后的输出特征的融合结果；
Figure QLYQS_100
表示通过第三个编码器后的输出特征和通过第四个编码器后的输出特征的融合结果；
Figure QLYQS_101
表示通过第四个编码器后的输出特征和通过第五个编码器后的输出特征的融合结果；
对通过第一个编码器后的输出特征进行预处理，公式为，
Figure QLYQS_102
；
Figure QLYQS_103
；
其中，
Figure QLYQS_104
表示通过第一个编码器后的输出特征；
Figure QLYQS_105
表示第一分组得到的初步特征；
Figure QLYQS_106
表示元素相加；
Figure QLYQS_107
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，
Figure QLYQS_108
；
Figure QLYQS_109
；
其中，
Figure QLYQS_110
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，
Figure QLYQS_111
；
Figure QLYQS_112
；
其中，
Figure QLYQS_113
表示逆离散小波变换；
Figure QLYQS_114
表示校准权重；
Figure QLYQS_115
表示第二分支中上采样后得到的特征；
Figure QLYQS_116
表示3×3的卷积；
Figure QLYQS_117
表示分组二中得到的初步特征；
Figure QLYQS_118
表示激活函数；
Figure QLYQS_119
表示离散小波变换；
Figure QLYQS_120
表示元素相乘；
Figure QLYQS_121
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，
Figure QLYQS_122
；
Figure QLYQS_123
；
其中，
Figure QLYQS_124
表示元素相加；
Figure QLYQS_125
表示合并融合操作中跳转连接得到的特征；
Figure QLYQS_126
表示3×3的卷积；
Figure QLYQS_127
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；
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，
Figure QLYQS_128
；
其中，
Figure QLYQS_129
表示第
Figure QLYQS_130
个解码器；
Figure QLYQS_131
表示元素相加；
Figure QLYQS_132
表示第
Figure QLYQS_133
个解码器的输出特征；
Figure QLYQS_134
表示特征图像；
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，
Figure QLYQS_135
；
Figure QLYQS_136
；
Figure QLYQS_137
；
Figure QLYQS_138
；
其中，
Figure QLYQS_139
表示通过第五个编码器后的输出特征；
Figure QLYQS_140
表示上采样后得到的特征；
Figure QLYQS_141
表示解码器中提取到的初步特征；
Figure QLYQS_142
表示解码器中跳转连接得到的输出特征；
Figure QLYQS_143
表示通过第一个解码器后的输出特征；
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，
Figure QLYQS_144
；
其中，
Figure QLYQS_145
表示损失函数；
Figure QLYQS_146
表示交叉熵计算操作；
Figure QLYQS_147
表示第
Figure QLYQS_148
个无人机遥感施工区图像；
Figure QLYQS_149
表示与之对应的第
Figure QLYQS_150
个人工标记的建筑垃圾标签图像；
Figure QLYQS_151
表示人工标记的无人机遥感图像数据集的数量；
Figure QLYQS_152
表示分组小波校准融合分割网络；
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 CN116091953A (zh) 2023-05-09
CN116091953B true 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 (2)

* 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
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

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886608A (zh) * 2019-03-28 2019-06-14 交通运输部水运科学研究所 一种基于机理分析的航道工程生态环境影响及对策评价方法
US11303795B2 (en) * 2019-09-14 2022-04-12 Constru Ltd Determining image capturing parameters in construction sites from electronic records
CN111742329B (zh) * 2020-05-15 2023-09-12 安徽中科智能感知科技股份有限公司 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
CN112132193A (zh) * 2020-09-10 2020-12-25 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
CN112597936B (zh) * 2020-12-29 2021-10-01 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
CN113627292B (zh) * 2021-07-28 2024-04-30 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
CN113688808B (zh) * 2021-10-26 2022-02-11 南京信息工程大学 一种基于拉普拉斯金字塔遥感图像融合的滑坡体识别方法
CN114863098B (zh) * 2022-04-15 2024-07-19 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
CN115331119B (zh) * 2022-10-13 2023-01-31 山东爱福地生物股份有限公司 一种固体废弃物识别方法

Patent Citations (2)

* 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
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

Also Published As

Publication number Publication date
CN116091953A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN112085952A (zh) 监控车辆数据方法、装置、计算机设备及存储介质
CN1806501B (zh) 海洋浮游植物自动识别方法及装置
CN113515655B (zh) 一种基于图像分类的故障识别方法及装置
CN110929690B (zh) 一种基于深度神经网络的遥感影像路网提取方法
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
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
CN115249331B (zh) 基于卷积神经网络模型的矿山生态安全识别方法
CN112686261A (zh) 一种基于改进U-Net的葡萄根系图像分割方法
CN115273123B (zh) 一种票据识别方法、装置、设备及计算机存储介质
CN116046692A (zh) 一种基于高光谱的土壤重金属污染监测方法和装置
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
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
CN116091953B (zh) 一种基于分组小波校准网络的建筑垃圾识别方法
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN103340600A (zh) 监护仪上波形失真处理方法及处理系统
Xu et al. Identification of corroded cracks in reinforced concrete based on deep learning SCNet model
CN117291901A (zh) 一种异常加工数据的识别方法、装置、设备和介质
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN116152162A (zh) 烤后烟烟叶外观质量残伤指标的数字化方法及装置
CN114140879A (zh) 基于多头级联注意网络与时间卷积网络的行为识别方法及装置
CN113392770A (zh) 变电站作业人员典型违章行为检测方法及系统
CN113139617A (zh) 一种输电线路自主定位方法、装置及终端设备
CN113177936B (zh) 一种快速精确测量叉指换能器指条数量的方法及系统
CN115240000B (zh) 一种用于法医鉴定的糖尿病检测装置及方法

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