CN116692297A - 基于物联网的垃圾桶检测方法、装置、设备及存储介质 - Google Patents
基于物联网的垃圾桶检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116692297A CN116692297A CN202310724091.2A CN202310724091A CN116692297A CN 116692297 A CN116692297 A CN 116692297A CN 202310724091 A CN202310724091 A CN 202310724091A CN 116692297 A CN116692297 A CN 116692297A
- Authority
- CN
- China
- Prior art keywords
- garbage
- target
- data
- image
- generate
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 175
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 722
- 238000004458 analytical method Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000000556 factor analysis Methods 0.000 claims description 7
- 230000006855 networking Effects 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 26
- 238000007726 management method Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 239000002699 waste material Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000010806 kitchen waste Substances 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/14—Other constructional features; Accessories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/14—Other constructional features; Accessories
- B65F1/1484—Other constructional features; Accessories relating to the adaptation of receptacles to carry identification means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
- B65F2001/008—Means for automatically selecting the receptacle in which refuse should be placed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/138—Identification means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/165—Remote controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/176—Sorting means
-
- 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
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及图像识别技术领域,公开了一种基于物联网的垃圾桶检测方法、装置、设备及存储介质,用于提高对垃圾桶进行检测时的准确率。方法包括:对目标垃圾桶进行红外扫描生成红外扫描图像;对红外扫描图像进行垃圾填充分析获取垃圾最高位置线;对红外扫描图像进行像素值分析,并对垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;对垃圾桶温度数据及垃圾桶湿度数据进行融合向量生成,得到环境融合向量;进行超参数分析,生成目标超参数,对垃圾桶环境检测模型进行参数设置生成目标环境检测模型;将环境融合向量输入目标环境检测模型进行垃圾桶环境检测生成环境检测结果,将环境检测结果传输至物联网平台。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种基于物联网的垃圾桶检测方法、装置、设备及存储介质。
背景技术
在垃圾分类和管理方面,智能化和信息化有着越来越重要的作用。通过采用先进的传感器技术和深度学习等人工智能技术,可以实现精确、多维度、实时的垃圾桶环境检测。这将为垃圾分类、垃圾清理、计量管理等方面的工作提供更多有用的数据和依据。通过红外、温度、湿度等传感器进行环境数据采集,可以反映出垃圾桶内部的实时状态和环境情况。通过对这些数据进行分析和处理,可以建立合适的垃圾桶环境模型,提高垃圾桶环境检测的精度和可靠性。
但是目前,可采用更多的传感器和数据模型来扩展垃圾桶环境检测的应用范围和功能。此外,需要有效的数据管理和分析工具,来满足垃圾桶管理者对数据的实时掌握、查询和分析需求。另外,垃圾桶环境检测模型的准确度和普适性因设备性能和数据不同而异,需要进行不断的优化和升级。、
发明内容
本发明提供了一种基于物联网的垃圾桶检测方法、装置、设备及存储介质,用于提高基于物联网对垃圾桶进行检测时的准确率。
本发明第一方面提供了一种基于物联网的垃圾桶检测方法,所述基于物联网的垃圾桶检测方法包括:
通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;
对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;
对所述红外扫描图像进行像素值分析,确定目标像素值密度;
通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;
基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;
通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;
对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;
基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;
将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台。
结合第一方面,在本发明第一方面的第一实施方式中,所述对所述红外扫描图像进行垃圾填充分析,生成所述目标垃圾桶内的垃圾最高位置线,包括:
对所述红外扫描图像进行图像去噪处理,得到去噪扫描图像;
基于预置的垃圾物品类型,对所述去噪扫描图像进行图像分割处理,生成多个分割图像;
基于预置的垃圾图像数据集,分别对每个分割图像进行垃圾相似度计算,生成每个分割图像对应的相似度计算结果;
基于每个分割图像对应的相似度计算结果对所述去噪扫描图像进行垃圾特征提取,生成垃圾特征数据;
通过所述垃圾特征数据进行垃圾桶内垃圾最高位置线分析,生成所述目标垃圾桶内的垃圾最高位置线。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述红外扫描图像进行像素值分析,确定目标像素值密度,包括:
对所述红外扫描图像进行灰度化处理,生成对应的灰度图像;
通过预置的像素密度分布算法对所述灰度图像进行逐像素点分析,生成所述灰度图像中每个像素点对应的像素值密度;
基于每个所述像素点对应的像素值密度对所述红外扫描图像进行像素值计算,生成所述目标像素值密度。
结合第一方面,在本发明第一方面的第三实施方式中,所述通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据,包括:
对所述目标垃圾桶进行尺寸信息采集,得到所述目标垃圾桶的尺寸信息数据;
通过所述尺寸信息数据对所述目标垃圾桶进行立体体积计算,生成所述目标垃圾桶的体积数据;
基于所述目标像素值密度以及所述体积数据,对所述目标垃圾桶进行垃圾填充度分析,生成所述垃圾填充度数据。
结合第一方面,在本发明第一方面的第四实施方式中,所述基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据,包括:
对所述红外扫描图像进行网格划分处理,生成网格化扫描图像;
通过所述垃圾最高位置线对所述网格化扫描图像进行图像分割处理,生成所述垃圾最高位置线以上的第一分割图像以及所述垃圾最高位置线以下的第二分割图像;
对所述第一分割图像进行空白区域提取,生成对应的空白区域集合;
对所述第二分割图像进行虚拟点云生成,生成虚拟点云数据;
通过所述虚拟点云数据生成对应的单位体积数据;
通过所述单位体积数据对所述空白区域集合进行修正填充度计算,生成修正填充度;
基于所述修正填充度对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据。
结合第一方面,在本发明第一方面的第五实施方式中,所述基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型,包括:
对所述目标填充度数据进行影响因子分析,生成对应的影响因子集合;
通过所述影响因子集合从预置的超参数数据库中进行超参数匹配,得到目标超参数;
通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成所述目标环境检测模型。
结合第一方面,在本发明第一方面的第六实施方式中,所述将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台,包括:
将所述环境融合向量输入所述目标环境检测模型进行特征提取,生成对应的环境数据特征;
对所述环境数据特征进行环境参数匹配,生成目标环境参数;
通过所述目标环境参数对所述目标垃圾桶进行垃圾桶环境分析,生成环境检测结果,并将所述环境检测结果传输至所述物联网平台。
本发明第二方面提供了一种基于物联网的垃圾桶检测装置,所述基于物联网的垃圾桶检测装置包括:
获取模块,用于通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;
填充模块,用于对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;
确定模块,用于对所述红外扫描图像进行像素值分析,确定目标像素值密度;
生成模块,用于通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;
修正模块,用于基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;
采集模块,用于通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;
融合模块,用于对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;
设置模块,用于基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;
检测模块,用于将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台。
本发明第三方面提供了一种基于物联网的垃圾桶检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于物联网的垃圾桶检测设备执行上述的基于物联网的垃圾桶检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于物联网的垃圾桶检测方法。
本发明提供的技术方案中,通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;对所述红外扫描图像进行像素值分析,确定目标像素值密度;通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台,在本发明实施例中,通过采用多种传感器和深度学习技术,可以实现对垃圾桶环境的多维度、实时监测和分析,从而得到更加准确的数据,通过实时的环境检测数据,可以及时发现垃圾桶内的垃圾状态和环境情况,便于管理者进行及时清空、维护等操作,通过自动化和智能化的垃圾桶环境检测和管理,可以减少人工和物力成本,同时提高基于物联网对垃圾桶进行检测时的准确率。
附图说明
图1为本发明实施例中基于物联网的垃圾桶检测方法的一个实施例示意图;
图2为本发明实施例中对红外扫描图像进行像素值分析的流程图;
图3为本发明实施例中通过目标像素值密度对目标垃圾桶进行垃圾填充度分析的流程图;
图4为本发明实施例中对垃圾填充度数据进行修正处理的流程图;
图5为本发明实施例中基于物联网的垃圾桶检测装置的一个实施例示意图;
图6为本发明实施例中基于物联网的垃圾桶检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于物联网的垃圾桶检测方法、装置、设备及存储介质,用于提高基于物联网对垃圾桶进行检测时的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于物联网的垃圾桶检测方法的一个实施例包括:
S101、通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;
具体的,服务器红外传感器是一种能够检测物体热量和位置等信息的传感器。在垃圾分类领域,红外传感器通常被用于监测垃圾桶内的垃圾种类和数量,从而实现智能化垃圾分类和回收。通过预置的红外传感器对目标垃圾桶进行红外扫描,可以生成红外扫描图像。下面将详细介绍这一技术并举例说明。
一、红外传感器技术原理
红外传感器是一种检测物体热辐射能力的传感器。它们可以通过接收被检测物体辐射出的红外线来测量物体的温度和位置等信息。当物体的温度较高时,它会辐射出较多的红外线,而当温度较低时,辐射出的红外线也较少。通过检测被测物体发出的红外线强度和频率等信息,红外传感器可以准确地测量物体的温度和位置等参数。
二、红外扫描技术原理
在垃圾分类领域,预置的红外传感器通常被安装在垃圾桶内部或者周围的墙壁上。当垃圾被投放到垃圾桶内部时,红外传感器会自动启动并检测垃圾的温度和位置等信息。通过采集多个点的红外信息,红外传感器可以生成一幅红外扫描图像。这幅图像可以显示出垃圾桶内不同物体的温度和位置分布情况,从而实现智能化垃圾分类和回收。
三、红外扫描技术应用举例
红外扫描技术可以应用于各个领域,如垃圾分类、安防监控、机器人控制等。下面以垃圾分类为例,介绍红外扫描技术在垃圾分类领域的应用。
假设有一家餐厅使用垃圾桶进行厨余垃圾和其他垃圾的分类回收。为了实现智能化垃圾分类和回收,餐厅可以安装预置的红外传感器在垃圾桶内部或者周围的墙壁上。当餐厅员工投放垃圾时,红外传感器会自动启动并检测垃圾的温度和位置等信息。通过采集多个点的红外信息,红外传感器可以生成一幅红外扫描图像,图像上可以清晰显示出厨余垃圾和其他垃圾的分布情况。
例如,如果餐厅员工投放了一袋温度较高的厨余垃圾,红外传感器会检测到该袋垃圾的温度较高,因此在红外扫描图像上会显示为红色或黄色。相反,如果投放了一袋较低温度的其他垃圾,红外传感器会检测到该袋垃圾的温度较低,在红外扫描图像上会显示为蓝色或绿色。通过分析红外扫描图像,餐厅管理人员可以清楚地了解垃圾桶内不同物品的温度和位置分布情况,从而指导员工进行垃圾分类。
红外扫描技术还可以应用于垃圾桶容量的智能管理。通过安装预置的红外传感器在垃圾桶内部或者周围的墙壁上,可以实现对垃圾桶容量的实时监测。当垃圾桶内的垃圾达到一定容量时,红外传感器会自动发出信号,提醒餐厅管理人员及时清理垃圾桶,避免因垃圾桶满了而引发的污染和异味等问题。
红外扫描技术还可以结合其他技术,如计算机视觉和人工智能等,实现垃圾分类和回收的智能化。通过将红外扫描图像与计算机视觉和人工智能算法相结合,可以实现对垃圾的自动识别和分类。例如,可以将厨余垃圾和其他垃圾的红外扫描图像与预先训练好的神经网络模型相匹配,实现自动分类和回收。
S102、对红外扫描图像进行垃圾填充分析,获取目标垃圾桶内的垃圾最高位置线;
具体的,服务器对红外扫描图像进行垃圾填充分析是一种非常有效的方法,可以确定垃圾桶内垃圾的最高位置线。这种分析可以帮助餐厅管理人员及时清理垃圾桶,避免过多的垃圾堆积和溢出,从而防止垃圾污染和环境问题。
垃圾填充分析的主要原理是利用图像处理技术,对红外扫描图像进行处理和分析,通过算法来检测垃圾的高度和分布情况,然后识别出最高点的位置。一些具体的步骤包括:
1.预处理:对于从红外传感器获取的原始图像进行预处理,如去除噪声、图像增强、裁剪等操作。这些操作能够使图像更加清晰和容易处理。
2.垃圾分割:将原始图像中垃圾与背景进行分离,一般采用图像分割技术,将图像中的垃圾分离出来。垃圾分割技术主要有基于颜色、形状、纹理等特征的分割算法。
3.垃圾高度计算:对分割后的垃圾区域进行高度计算。首先确定垃圾桶的高度,然后用分割后的垃圾区域与垃圾桶高度进行比较,计算出垃圾的高度。
4.最高点识别:识别垃圾区域内的最高点,一般采用分水岭算法或者局部极值检测算法。
5.结果输出:将最高点的位置输出,并作为数据提供给餐厅管理人员进行处理。
例如,当餐厅垃圾桶垃圾堆积过高,可能会对周围环境产生污染。通过安装红外传感器进行扫描并对图像进行处理,可以分析出垃圾桶内的垃圾高度并确定最高点位置。当垃圾高度接近垃圾桶的顶部时,预警系统就会自动触发,提醒餐厅管理人员及时清理垃圾桶。这样,就可以避免过多的垃圾堆积和溢出,保证垃圾桶的及时清理,从而减少环境污染和异味等问题的发生。
S103、对红外扫描图像进行像素值分析,确定目标像素值密度;
具体的,服务器在计算机视觉中,对图像进行像素值分析是非常常见的操作。对于红外扫描图像,也可以通过像素值分析来获取有用的信息。例如,可以通过像素值分析确定目标像素值密度,以帮助判断垃圾桶内垃圾的填充情况,或者检测垃圾桶是否满了。
像素值是指图像中每个像素的亮度或灰度值。在灰度图像中,像素值通常在0到255之间,表示从黑色到白色的灰度级别。对于彩色图像,每个像素通常由红、绿、蓝三个通道的像素值组成。因此,在像素值分析中,需要根据具体情况选择使用灰度图像还是彩色图像,并且对于彩色图像,需要选择要分析的通道。
在红外扫描图像中,不同的垃圾填充情况会导致图像中垃圾像素值的密度不同。例如,垃圾桶快满时,垃圾的堆积会导致图像中垃圾像素值的密度增加。因此,通过像素值分析,可以根据垃圾像素值密度的变化来判断垃圾桶的填充情况。
像素值分析的具体过程包括以下几个步骤:
1.选择图像:从红外扫描仪获取的图像中选择需要分析的图像,通常需要选择目标垃圾桶的图像。
2.转换图像:如果使用彩色图像进行分析,则需要将图像转换为灰度图像或选择要分析的通道。
3.选择分析区域:在图像中选择需要进行像素值分析的区域。通常情况下,可以选择目标垃圾桶的区域。
4.计算像素值密度:计算选定区域内垃圾像素值的密度,通常可以使用直方图等方法进行计算。
S104、通过目标像素值密度对目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;
具体的,服务器目标像素值密度是对垃圾桶内垃圾的分析结果,可以通过该密度来确定垃圾桶内垃圾的填充度。在进行分析之前,需要将红外扫描图像进行像素值分析,以确定目标像素值密度。
在分析像素值密度时,首先需要对图像进行二值化处理,将图像转换为黑白图像,以便更好地进行像素值分析。然后,需要计算图像中黑色像素点的数量和白色像素点的数量,以及它们在图像中所占的比例。通过这些分析,可以确定垃圾桶内垃圾的密度。
接下来,将目标像素值密度与垃圾桶的容量进行比较,以确定垃圾桶的填充度。例如,如果一个垃圾桶的容量为100升,而目标像素值密度为50%,则该垃圾桶中已经填充了50升的垃圾,填充度为50%。根据填充度数据,可以及时清理垃圾桶,避免垃圾溢出或污染环境的问题。
值得注意的是,像素值密度分析只是垃圾桶填充度分析的一种方法。在实际应用中,还需要考虑垃圾的种类、重量、体积等因素,综合分析来确定垃圾桶的填充度。此外,由于垃圾桶内垃圾的分布情况不同,不同位置的像素密度也不同,因此需要进行多个位置的像素值密度分析,以获取更准确的垃圾填充度数据。
S105、基于垃圾最高位置线对垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;
具体的,服务器垃圾桶内的垃圾是不均匀分布的,通常垃圾的高度并不是均匀的。因此,在对目标垃圾桶进行垃圾填充度分析时,只考虑目标垃圾桶内部所有垃圾的像素密度可能会存在偏差。此时,可以通过垃圾最高位置线进行修正,进一步提高目标垃圾填充度数据的准确性。
垃圾最高位置线是指在红外扫描图像中最高的像素点位置。该位置可以反映垃圾桶内垃圾的最高高度,通过对垃圾最高位置线的分析可以更加准确地确定目标垃圾桶的填充度。
在进行垃圾最高位置线的分析时,首先需要将红外扫描图像进行像素值分析,以确定图像中的像素值密度。然后,需要在图像中确定垃圾最高位置线的位置。通常情况下,垃圾最高位置线位于垃圾堆顶部,因此需要找到图像中的最高点。
接下来,可以通过垃圾最高位置线来修正目标垃圾填充度数据。一种简单的方法是将垃圾桶内部分为两个区域:垃圾最高位置线以上和垃圾最高位置线以下。在垃圾最高位置线以下的区域中,垃圾的像素值密度可以直接用于计算填充度;而在垃圾最高位置线以上的区域中,垃圾的像素值密度需要进行修正。由于在这个区域内的垃圾密度可能会随着高度的增加而减少,因此可以通过一定的修正算法来计算出更加准确的垃圾填充度。
例如,可以使用线性插值方法进行垃圾填充度的修正。首先,需要确定垃圾最高位置线以上的区域高度范围,将该区域分成若干个等高度的子区域。然后,对于每个子区域,可以使用线性插值法来计算垃圾的像素值密度。最终,可以根据修正后的像素值密度来计算目标垃圾桶的填充度。
S106、通过预置的湿度传感器对目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;
具体的,服务器垃圾桶的湿度和温度是影响垃圾填充度的两个重要因素。因此,在对垃圾桶进行垃圾填充度分析时,同时采集垃圾桶的湿度和温度数据,可以更全面、准确地了解垃圾桶内的垃圾填充情况,从而更好地管理和处理垃圾。
对目标垃圾桶进行湿度数据采集可以通过预置的湿度传感器来完成。湿度传感器是一种能够测量周围空气中的湿度的电子设备。它可以通过检测空气中的水汽含量,来测量当前环境的湿度。一旦将湿度传感器安装在垃圾桶中,就可以通过该传感器来获取垃圾桶内的湿度数据。这些数据可以在垃圾桶内部的控制面板上或通过无线传输到数据收集器中进行记录。
同样,通过预置的温度传感器对目标垃圾桶进行温度数据采集也是比较容易的。温度传感器是一种可以测量周围环境的温度的电子设备。它可以通过电阻、电容、热敏电阻等不同的物理原理来测量温度。安装在垃圾桶内的温度传感器可以通过检测垃圾桶内部的温度来测量当前环境的温度。这些数据也可以在垃圾桶内部的控制面板上或通过无线传输到数据收集器中进行记录。
获取垃圾桶的湿度和温度数据有许多好处。首先,这些数据可以提供有关垃圾桶内部环境的有用信息,帮助人们更好地管理和处理垃圾。例如,如果垃圾桶内部温度过高,那么可能需要采取一些措施来降低温度,以避免垃圾腐烂加速或者垃圾桶自身产生异味。另外,通过监测垃圾桶内部的湿度,可以判断垃圾桶是否需要及时清洗,以防止细菌和霉菌的滋生。
S107、对垃圾桶温度数据以及垃圾桶湿度数据进行融合向量生成,得到环境融合向量;
具体的,服务器环境融合向量是指将不同类型传感器获得的数据通过融合算法结合起来,构成一个综合的向量表示环境信息。在垃圾桶管理系统中,通过对垃圾桶温度和湿度传感器数据的融合,可以获得更加全面和准确的环境信息,为后续的垃圾桶管理决策提供更加准确的参考。
生成环境融合向量的过程可以分为以下几步:
一、数据采集
垃圾桶管理系统需要在垃圾桶内预置温度传感器和湿度传感器。这些传感器可以实时采集垃圾桶的温度和湿度数据,并将其传输给垃圾桶管理系统。
二、数据预处理
由于温度和湿度的取值范围不同,需要将它们进行归一化处理,使得它们在同一个数值范围内比较。通常可以使用最小-最大归一化方法,将温度和湿度数据归一化到0到1的范围内。这一步的目的是为了确保数据的可比性。
三、融合算法
通过使用一定的融合算法将温度和湿度数据结合起来,构成一个综合的向量表示环境信息。融合算法的选择需要根据实际应用情况进行,常见的融合算法包括加权平均法、PCA(主成分分析)法、神经网络法等。
四、环境融合向量的存储和传输
最后,生成的环境融合向量需要被存储到垃圾桶管理系统的数据库中,以便后续的管理决策使用。此外,如果需要将环境信息传输到其他系统或设备中,也可以将环境融合向量通过网络等方式进行传输。
需要注意的是,生成环境融合向量的过程需要保证数据的准确性和实时性,以确保后续的管理决策能够准确反映当前环境状态。同时,不同的垃圾桶管理系统可能需要针对不同的应用场景选择不同的融合算法,并对算法进行优化和调整。
S108、基于目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过目标超参数对垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;
具体的,服务器基于目标垃圾桶的填充度数据,可以对预置的垃圾桶环境检测模型进行超参数分析,以生成适合目标垃圾桶的超参数。超参数是机器学习模型训练过程中需要手动设置的参数,而不是通过学习算法自动确定的模型参数。
超参数包括学习率、正则化系数、批次大小、迭代次数等。在超参数分析中,我们可以通过交叉验证等技术来评估超参数的性能,并根据评估结果调整超参数的值。在得到最优超参数后,我们可以将其作为输入,对垃圾桶环境检测模型进行参数设置。
对于垃圾桶环境检测模型的参数设置,主要是对模型的结构、权重和偏差进行设置。在结构方面,我们可以选择合适的模型类型,如线性回归、决策树、支持向量机等,也可以使用深度学习模型,如卷积神经网络、循环神经网络等。在权重和偏差方面,我们可以通过随机初始化或预训练模型的方式来设置参数的初始值,并通过目标超参数进行调整和优化。
通过基于目标垃圾填充度数据进行超参数分析,并对垃圾桶环境检测模型进行参数设置,我们可以生成适合目标垃圾桶的环境检测模型。该模型可以对目标垃圾桶的环境进行实时监测,并提供及时的警告和建议,以帮助人们更好地管理和处理垃圾。
S109、将环境融合向量输入目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将环境检测结果传输至预置的物联网平台。
具体的,服务器一旦目标环境检测模型建立完成,就可以将环境融合向量输入模型进行垃圾桶环境检测。具体步骤如下:
数据预处理:对采集到的环境融合向量进行数据预处理,例如数据归一化,均值中心化等操作。这些操作有助于提高模型的训练效率和准确度。
环境检测模型输入:将经过预处理的环境融合向量输入到目标环境检测模型中进行检测。
模型预测:环境检测模型会对输入的环境融合向量进行分析和处理,并输出环境检测结果。检测结果通常包括垃圾桶的填充度、温度、湿度等信息。
结果传输:将环境检测结果传输至预置的物联网平台。这样,人们就可以随时随地通过手机或电脑等设备监测垃圾桶的状态。
值得注意的是,模型的准确度是非常重要的,因为错误的结果可能会导致不必要的浪费或者环境污染。因此,在建立环境检测模型时,需要对其进行充分的训练和测试,以确保其准确度和稳定性。同时,模型的可解释性也非常重要,因为只有能够解释模型预测结果的因素才能帮助人们更好地理解垃圾桶环境状态。
通过预置的传感器采集垃圾桶的环境数据,然后将数据输入到目标环境检测模型中进行分析和处理,最终输出环境检测结果,并将结果传输到物联网平台,可以帮助人们更好地了解垃圾桶的状态,从而更好地管理和维护垃圾桶。
本发明实施例中,通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;对所述红外扫描图像进行像素值分析,确定目标像素值密度;通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台,在本发明实施例中,通过采用多种传感器和深度学习技术,可以实现对垃圾桶环境的多维度、实时监测和分析,从而得到更加准确的数据,通过实时的环境检测数据,可以及时发现垃圾桶内的垃圾状态和环境情况,便于管理者进行及时清空、维护等操作,通过自动化和智能化的垃圾桶环境检测和管理,可以减少人工和物力成本,同时提高基于物联网对垃圾桶进行检测时的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对红外扫描图像进行图像去噪处理,得到去噪扫描图像;
(2)基于预置的垃圾物品类型,对去噪扫描图像进行图像分割处理,生成多个分割图像;
(3)基于预置的垃圾图像数据集,分别对每个分割图像进行垃圾相似度计算,生成每个分割图像对应的相似度计算结果;
(4)基于每个分割图像对应的相似度计算结果对去噪扫描图像进行垃圾特征提取,生成垃圾特征数据;
(5)通过垃圾特征数据进行垃圾桶内垃圾最高位置线分析,生成目标垃圾桶内的垃圾最高位置线。
具体的,服务器(1)对于红外扫描图像进行图像去噪处理,是为了减少图像中由于传感器噪声或其它环境干扰所产生的随机噪声,提高图像质量和准确性。以下是可能用到的几种图像去噪处理方法:
中值滤波:中值滤波是一种非线性滤波方法,通过将像素周围的一定大小的窗口内的像素值进行排序,然后选取中间值作为该像素的值,达到去除椒盐噪声的效果。
高斯滤波:高斯滤波是一种线性平滑滤波器,它是通过用像素周围的高斯核来重新计算像素值,从而去除高斯噪声。
维纳滤波:维纳滤波器是一种逆滤波器的变形,它使用了被测图像和噪声的统计性质,从而根据图像和噪声的功率谱对图像进行去噪。
小波去噪:小波去噪是一种基于小波变换的去噪方法,它可以将信号分解成多个频带,再通过对每个频带的去噪处理来提高图像质量。
二维离散余弦变换(DCT):二维离散余弦变换可以将图像分解为多个不同频率的分量,然后通过对分量的去噪处理来提高图像质量。
这些去噪处理方法可以根据具体情况进行选择和组合,例如中值滤波可以有效去除椒盐噪声,高斯滤波则适用于高斯噪声的去除。对于红外扫描图像的去噪处理,应根据实际情况选择最合适的方法或组合方法,以得到清晰、准确的图像。
(2)垃圾桶内可能存在多种类型的垃圾,如纸张、塑料、金属等。在环境检测中,需要对不同类型的垃圾进行区分和识别,因此需要进行图像分割处理。
图像分割是指将一幅图像划分成多个具有语义信息的子区域的过程,每个子区域对应一个物体或一部分物体。在垃圾桶环境检测中,图像分割可以帮助将扫描图像中的不同类型的垃圾分离出来,以便更好地进行后续的分类识别和分析。
图像分割的方法有很多种,常见的包括阈值分割、区域生长、边缘检测、聚类等。基于预置的垃圾物品类型,可以选择不同的图像分割方法。
例如,对于纸张垃圾,可以采用阈值分割方法,将图像中的像素根据其灰度值进行分割。在阈值分割中,可以通过试错法或者直方图分析法来选择最合适的阈值。对于其他类型的垃圾,可以选择不同的分割方法,如区域生长、边缘检测等。
(3)在对每个分割图像进行垃圾相似度计算之前,需要先准备好一个垃圾图像数据集。垃圾图像数据集通常包括多种不同类型的垃圾,例如食品残渣、塑料袋、纸张等。这些图像数据集应该具有代表性和多样性,以确保垃圾相似度计算的准确性和可靠性。
在进行垃圾相似度计算时,首先需要对每个分割图像进行特征提取,常用的特征提取方法包括颜色直方图、局部二值模式(LBP)和方向梯度直方图(HOG)等。这些特征提取方法可以将图像的复杂性降到一个可处理的程度,并提取出图像的关键特征。
接下来,需要对每个分割图像的特征向量和垃圾图像数据集中每个垃圾图像的特征向量进行相似度计算。相似度计算通常使用欧氏距离、余弦相似度或Jaccard系数等指标进行度量。通过比较分割图像与垃圾图像数据集中每个图像的相似度,可以确定分割图像与哪个垃圾图像最为相似。
最后,将相似度最高的垃圾类型赋予分割图像,即可确定分割图像的垃圾类型。在进行垃圾分类时,可能存在多个分割图像对应同一种垃圾类型,也可能存在分割图像对应的垃圾类型未在垃圾图像数据集中出现的情况。针对这些情况,需要通过人工智能算法和数据挖掘技术进行优化和改进,提高垃圾分类的准确性和可靠性。
(4)垃圾特征提取是将垃圾图像转换为计算机可以理解和处理的数据形式的过程。在垃圾分类领域,垃圾特征提取是非常重要的一个步骤,因为它可以帮助计算机识别和分类不同的垃圾。
基于每个分割图像对应的相似度计算结果,可以对去噪扫描图像进行垃圾特征提取。垃圾特征提取的方法有很多,其中比较常见的方法是使用卷积神经网络(Convolutional Neural Network,CNN)进行特征提取。CNN是一种用于图像处理的深度学习模型,它能够自动地从图像中提取出最为重要的特征,而无需手动设计特征提取器。
具体地,使用CNN进行垃圾特征提取的过程如下:
数据预处理:将垃圾图像缩放到固定大小,以便于神经网络输入。
卷积层:使用多个卷积核对输入图像进行卷积操作,提取出局部特征。卷积核的参数会在模型训练的过程中不断优化,以使得卷积核能够提取出对于分类任务最为重要的特征。
池化层:对卷积后的特征图进行降采样,减少特征图的维度和数量,同时保留最显著的特征。
扁平化层:将降采样后的特征图展平为一个向量,以便于后续的全连接层进行处理。
全连接层:对扁平化后的特征向量进行线性变换和非线性变换,将高维特征映射到一个较低维的空间中,同时得到一个关于垃圾类别的预测结果。
输出层:使用Softmax函数对预测结果进行归一化,得到各个垃圾类别的概率分布。
在得到垃圾特征数据后,可以将其作为输入数据传递给垃圾分类器,用于分类不同的垃圾。
(5)垃圾最高位置线是指在垃圾桶中,所有垃圾的高度中最高的一条线。通过分析目标垃圾桶内的垃圾最高位置线,可以准确地确定垃圾桶内垃圾的填充程度。为了分析垃圾桶内垃圾的最高位置线,需要先通过垃圾特征数据对垃圾进行特征提取,然后进一步对特征数据进行分析。
在进行垃圾特征提取时,首先需要对垃圾进行识别和分割,将每个垃圾物品从图像中分割出来。然后,对每个垃圾物品的图像进行垃圾相似度计算,得到每个垃圾物品与预置垃圾图像数据集中的垃圾图像之间的相似度。接下来,根据相似度计算结果,可以对每个垃圾物品的特征进行提取。
在得到垃圾特征数据后,需要进一步进行分析,以确定垃圾桶内的垃圾最高位置线。一种常用的方法是使用统计学方法,根据垃圾特征数据的分布情况,找出其中高度最高的垃圾,并将其高度作为垃圾桶内垃圾的最高位置线。另一种方法是利用机器学习算法进行分析,根据垃圾特征数据训练出一个垃圾高度预测模型,通过该模型对垃圾进行高度预测,并找出高度最高的垃圾作为垃圾桶内垃圾的最高位置线。
通过上述分析方法,可以准确地确定垃圾桶内的垃圾最高位置线,进而计算出垃圾桶的填充程度。在实际应用中,可以利用物联网技术将填充程度数据传输至后台管理系统,实现对垃圾桶的智能管理和监测。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、对红外扫描图像进行灰度化处理,生成对应的灰度图像;
S202、通过预置的像素密度分布算法对灰度图像进行逐像素点分析,生成灰度图像中每个像素点对应的像素值密度;
S203、基于每个像素点对应的像素值密度对红外扫描图像进行像素值计算,生成目标像素值密度。
具体的,服务器(1)红外扫描图像是利用红外线对目标物体进行扫描,得到的热成像图像。这种图像中不同温度区域会对应不同的颜色,从而显示出目标物体的热分布情况。在进行图像处理分析时,一般需要将彩色图像转换成灰度图像,以便更好地进行后续处理。因为灰度图像只有一个通道,每个像素点只有一个值,可以更好地进行像素值的处理,避免了彩色图像的干扰。
灰度化处理是将彩色图像转换为灰度图像的一种常用方法。灰度图像中的每个像素点只有一个值,代表了该像素点的亮度。通常情况下,使用的是加权平均法进行转换,即将RGB三个通道的像素值按照一定的权重相加,得到该像素点的灰度值。常见的加权平均法有人眼感知法、均值法、最大值法等,具体选择哪一种方法取决于具体应用场景和需求。
(2)像素密度分布算法是一种常用的图像分析方法。它通过对图像中每个像素点的像素值进行统计和分析,得到像素值的密度分布情况。对于灰度图像,像素值的范围一般是0-255,因此可以将像素值分成若干个区间,并计算每个区间内像素点的密度。这样就可以得到整幅图像的像素密度分布情况,即不同像素值的占比情况。
在图像处理领域,像素密度分布算法常用于图像分割、图像增强、图像识别等应用场景中。通过对像素值密度的分析,可以帮助我们更好地理解图像中不同区域的像素值分布情况,从而更好地进行图像处理和分析。
(3)在灰度化处理后,我们得到了一张灰度图像,该图像的每个像素点都有一个灰度值。我们可以将这些灰度值看作是像素点的像素值密度,并利用预置的像素密度分布算法对灰度图像进行逐像素点分析,以获取每个像素点对应的像素值密度。
像素密度分布算法可以通过统计每个像素值在整个图像中的出现次数来实现。假设图像的像素值范围在0到255之间,我们可以将像素值分成256个区间,每个区间表示一个像素值。然后,我们统计图像中每个像素值在这256个区间中的出现次数,从而得到每个像素值的像素值密度。这样,对于图像中的每个像素点,我们都可以获取到它对应的像素值密度。
基于每个像素点对应的像素值密度对红外扫描图像进行像素值计算,生成目标像素值密度。
我们通过像素密度分布算法对灰度图像进行了逐像素点分析,获取了每个像素点对应的像素值密度。接下来,我们可以基于每个像素点对应的像素值密度对红外扫描图像进行像素值计算,从而得到目标像素值密度。
具体来说,我们可以先将灰度图像中每个像素点的像素值密度进行归一化,使它们的和等于1。然后,我们可以将归一化后的像素值密度乘以一个权重系数,得到目标像素值密度。权重系数可以根据实际情况进行调整,以便更好地匹配实际垃圾桶中的垃圾情况。
最后,我们可以将目标像素值密度应用到原始红外扫描图像中,得到一个经过像素值计算处理的新图像。这个新图像可以更好地反映出垃圾桶内部垃圾的分布情况,从而提高我们对垃圾桶状态的了解和判断能力。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、对目标垃圾桶进行尺寸信息采集,得到目标垃圾桶的尺寸信息数据;
S302、通过尺寸信息数据对目标垃圾桶进行立体体积计算,生成目标垃圾桶的体积数据;
S303、基于目标像素值密度以及体积数据,对目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据。
具体的,服务器(1)在进行垃圾桶垃圾填充度分析之前,需要先获取目标垃圾桶的尺寸信息。这可以通过现场测量或者预置信息获取的方式来实现。现场测量需要对垃圾桶进行实际的测量,包括高度、宽度、深度等参数,可以使用测量工具如卷尺、测量仪器等。而预置信息获取则需要事先记录下垃圾桶的尺寸信息,以便后续的垃圾填充度分析。获取到的尺寸信息可以记录在数字化的垃圾桶管理系统中,便于后续的数据处理和分析。
(2)在获得目标垃圾桶的尺寸信息后,需要进行立体体积计算,以获取目标垃圾桶的体积数据。立体体积计算可以采用数学方法或者三维扫描技术来实现。其中数学方法可以根据垃圾桶的形状和尺寸参数,通过公式进行计算,例如圆柱形垃圾桶的体积可以计算公式V=πr^2h。而三维扫描技术则需要使用3D扫描仪等设备对垃圾桶进行扫描,以获取垃圾桶的三维数据,并通过计算得到垃圾桶的体积信息。获取到的垃圾桶体积数据可以存储在数字化的垃圾桶管理系统中,方便后续的垃圾填充度分析。
(3)基于目标像素值密度以及体积数据,对目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据。
在获取到目标垃圾桶的体积数据后,需要将其与前文所提到的像素值密度数据进行结合,进行垃圾填充度的分析。具体来说,需要将垃圾桶的像素值密度数据进行累加,得到整个垃圾桶内的像素值总和,然后根据垃圾桶的体积数据计算出垃圾桶的容积。在获得目标垃圾桶的体积数据和目标像素值密度后,就可以进行垃圾填充度分析了。垃圾桶的填充度是指垃圾占据垃圾桶总体积的比例,是一个非常重要的参数,可以用于监控垃圾桶的使用情况,预测垃圾桶的饱和度,从而提前进行垃圾清理和更换。在进行垃圾填充度分析之前,需要确定一个垃圾桶的填充度计算方法。
对于一个普通的垃圾桶,可以采用简单的填充度计算方法,即将垃圾桶的总体积除以垃圾的体积,得到垃圾桶的填充度。但是对于具有复杂形状的垃圾桶,例如带有内壁的垃圾桶,简单的计算方法就不再适用。在这种情况下,需要采用立体体积计算方法来计算垃圾桶的体积。
立体体积计算方法可以利用垃圾桶的尺寸信息和几何学原理来计算垃圾桶的体积。具体来说,可以将垃圾桶分成若干个小立方体,并通过测量每个小立方体的边长来计算小立方体的体积。然后将所有小立方体的体积相加,就可以得到垃圾桶的体积。
得到了垃圾桶的体积数据和目标像素值密度后,就可以进行垃圾填充度分析了。具体来说,需要根据灰度图像中每个像素点对应的像素值密度和垃圾桶的体积,计算出垃圾桶内的垃圾体积。然后将垃圾体积除以垃圾桶的总体积,就可以得到垃圾桶的填充度。
垃圾桶的填充度是一个重要的参数,可以用于垃圾桶的监测和管理。如果一个垃圾桶的填充度达到一定的阈值,就需要及时清理和更换垃圾桶,以避免垃圾溢出和对环境的污染。同时,垃圾桶的填充度也可以用于预测垃圾桶的使用情况和垃圾产生的趋势,从而更好地规划垃
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、对红外扫描图像进行网格划分处理,生成网格化扫描图像;
S402、通过垃圾最高位置线对网格化扫描图像进行图像分割处理,生成垃圾最高位置线以上的第一分割图像以及垃圾最高位置线以下的第二分割图像;
S403、对第一分割图像进行空白区域提取,生成对应的空白区域集合;
S404、对第二分割图像进行虚拟点云生成,生成虚拟点云数据;
S405、通过虚拟点云数据生成对应的单位体积数据;
S406、通过单位体积数据对空白区域集合进行修正填充度计算,生成修正填充度;
S407、基于修正填充度对垃圾填充度数据进行修正处理,生成目标垃圾填充度数据。
具体的,服务器(1)在红外垃圾识别技术中,对垃圾桶进行红外扫描后,需要对扫描图像进行处理以便进行后续的数据分析和计算。其中一项处理是将红外扫描图像进行网格划分处理,生成网格化扫描图像。这样做可以方便后续的数据分析、图像分割和虚拟点云生成等操作。
具体来说,网格划分处理可以将扫描图像按照一定的大小分割成多个小网格。这样,每个网格内部的像素点就可以被视为一个整体进行处理,从而避免了大范围的像素值变化对计算结果的影响。
(2)在进行垃圾识别的过程中,垃圾最高位置线是一个非常重要的概念。通过对红外扫描图像进行处理,可以得到目标垃圾桶内部的垃圾最高位置线。这个线的位置可以用来将垃圾分为两个部分:垃圾最高位置线以上和垃圾最高位置线以下。
具体来说,在进行了网格化处理后,可以通过对每个网格内部的像素值进行分析,确定垃圾最高位置线的位置。然后,可以将网格化扫描图像按照垃圾最高位置线进行分割,生成垃圾最高位置线以上的第一分割图像和垃圾最高位置线以下的第二分割图像。
(3)空白区域指的是垃圾最高位置线以上的第一分割图像中没有被填充垃圾的部分。这些空白区域可以被视为垃圾桶的可用空间,可以用来计算垃圾的填充度。因此,对第一分割图像进行空白区域提取就是要找出这些空白区域的位置和大小。
具体而言,空白区域提取的过程可以通过阈值分割和形态学操作来实现。首先,可以将第一分割图像转化为灰度图像,并通过阈值分割得到二值图像。然后,可以对二值图像进行形态学操作,如开操作和闭操作,来消除噪声和连接空洞,得到连通的空白区域。最后,可以根据连通区域的像素数或面积来筛选出符合要求的空白区域。
(4)虚拟点云是指在垃圾最高位置线以下的第二分割图像中,通过采样和插值的方式生成的三维点云数据。这些点的坐标位置和像素值密度信息可以用来表示垃圾的空间分布和填充情况。
具体而言,虚拟点云的生成可以通过将第二分割图像转化为深度图像,并进行点云重建来实现。首先,可以利用深度传感器或结构光等技术获取第二分割图像中每个像素点的深度值。然后,可以根据像素点的深度值和相机内参矩阵,将像素点转化为相机坐标系下的三维坐标。最后,可以通过插值和滤波等技术,将这些离散的三维坐标点拟合成连续的点云表面,从而得到虚拟点云数据。
(5)在这一步中,首先需要对第二分割图像进行虚拟点云生成,也就是将第二分割图像中每个像素点映射到一个三维坐标空间中,形成一个点云数据集。具体来说,可以通过激光扫描等技术获取目标物体表面的点云数据,然后对其进行处理得到所需的虚拟点云数据。将虚拟点云数据归一化到单位体积内,就可以得到对应的单位体积数据。
(6)在这一步中,我们需要使用第五步得到的单位体积数据对空白区域进行填充度计算。具体来说,对于每个空白区域,计算其所包含的单位体积数量,再根据目标垃圾桶的体积数据计算出空白区域的实际体积。最后,根据空白区域内的实际垃圾体积和实际空间体积计算修正填充度。
(7)在这一步中,我们需要使用第六步得到的修正填充度对垃圾填充度数据进行修正处理。具体来说,对于每个像素点,根据其在垃圾最高位置线以上或以下进行分类,分别根据修正填充度进行修正计算,得到最终的垃圾填充度数据。最终得到的目标垃圾填充度数据可以作为判断垃圾桶是否已满的依据,也可以用于垃圾桶的实时监测和管理。
在一具体实施例中,执行步骤S108的过程可以具体包括如下步骤:
(1)对目标填充度数据进行影响因子分析,生成对应的影响因子集合;
(2)通过影响因子集合从预置的超参数数据库中进行超参数匹配,得到目标超参数;
(3)通过目标超参数对垃圾桶环境检测模型进行参数设置,生成目标环境检测模型。
具体的,(1)对目标填充度数据进行影响因子分析。填充度是指垃圾桶内已填充垃圾的体积与垃圾桶总体积的比值。通过影响因子分析可以得到影响垃圾桶填充度的各种因素,例如垃圾形状、垃圾密度、垃圾重量、垃圾质量等等。这些因素对填充度的影响程度不同,需要对它们进行量化分析,得到影响因子集合。对于每个因素,可以使用数据统计分析方法来确定其对填充度的影响程度。例如,通过对不同形状的垃圾进行测量和统计分析,可以得到不同形状的垃圾对填充度的影响程度;通过对不同密度的垃圾进行实验和数据分析,可以得到不同密度的垃圾对填充度的影响程度。最终,通过将这些影响因子集合进行综合分析,可以得到对填充度影响最大的几个因子。
(2)通过影响因子集合从预置的超参数数据库中进行超参数匹配,得到目标超参数。超参数是在模型训练过程中需要手动设置的一些参数,例如学习率、优化器类型、批次大小等等。超参数的设置对模型性能有着重要的影响,需要根据不同的场景和数据进行合理的设置。为了避免人为因素对超参数设置的影响,可以通过影响因子集合从预置的超参数数据库中进行超参数匹配,得到目标超参数。具体地,可以根据影响因子集合中的各个因子对应的数值,从超参数数据库中找到与之匹配的超参数。例如,对于某个影响因子集合中的因子,其对应的数值为x,那么可以在超参数数据库中找到一个超参数集合,使得这个集合中的某个参数的值与x最为接近。这样,就可以得到一个目标超参数集合。
(3)在前面的步骤中,我们已经获得了垃圾桶的各种信息,包括红外扫描图像、垃圾桶的尺寸信息和体积数据等。而目标超参数则是从预置的超参数数据库中经过影响因子分析和匹配得到的最优参数组合,用于设置垃圾桶环境检测模型的参数。在这一步骤中,我们将使用目标超参数对垃圾桶环境检测模型进行参数设置,从而生成目标环境检测模型。
具体来说,目标超参数可以包括多个参数,比如图像分割阈值、点云生成参数等。这些参数的设置将直接影响到垃圾桶环境检测模型的性能和效果。因此,通过对目标填充度数据进行影响因子分析和超参数匹配,我们可以得到最佳的参数组合,从而生成最优的垃圾桶环境检测模型。
在实际应用中,目标环境检测模型将用于垃圾桶状态监测、垃圾清理计划制定等方面。通过检测垃圾桶的填充度,可以更加准确地掌握垃圾桶的状态,制定更加科学的垃圾清理计划,有效地提高城市垃圾清理效率,提高城市环境卫生水平。
在一具体实施例中,执行步骤S109的过程可以具体包括如下步骤:
(1)将环境融合向量输入目标环境检测模型进行特征提取,生成对应的环境数据特征;
(2)对环境数据特征进行环境参数匹配,生成目标环境参数;
(3)通过目标环境参数对目标垃圾桶进行垃圾桶环境分析,生成环境检测结果,并将环境检测结果传输至物联网平台。
具体的,(1)首先,需要将环境融合向量输入目标环境检测模型。环境融合向量是前面处理步骤中提取的用于描述目标垃圾桶周围环境的向量。目标环境检测模型是由前面设置的超参数和垃圾桶环境检测模型构成的,可以通过计算机编程实现。
在模型中,需要对环境融合向量进行特征提取。通常采用卷积神经网络(CNN)对输入进行处理,提取特征。CNN 会对输入数据进行卷积、池化等操作,提取出图像中的特征。提取出来的特征会进一步传入全连接层(Fully Connected Layer),用于计算特征之间的权重关系,并最终输出环境数据特征。
(2)经过特征提取,得到了环境数据特征。接下来需要对这些特征进行环境参数匹配,来确定目标环境的具体参数。
环境参数一般包括温度、湿度、气压等物理参数,以及空气质量、噪音等环境特征参数。这些参数可以在设备中进行采集,也可以从公共数据源中获取。在这个步骤中,我们将根据环境数据特征和已知的参数数据集进行匹配,从而确定目标环境的具体参数。
一种常见的方法是利用机器学习算法进行参数匹配,例如支持向量机(SVM)或者随机森林(RandomForest)等算法。这些算法可以从历史数据中学习到参数的关联性,并在新的数据中进行预测和匹配。
(3)通过目标环境参数对目标垃圾桶进行垃圾桶环境分析是指利用前面生成的环境检测模型和目标环境参数,对目标垃圾桶的环境信息进行分析,以获取环境检测结果。在这一步骤中,首先需要将目标垃圾桶的环境信息转化为可处理的数据格式。具体来说,可以使用传感器等设备采集垃圾桶周围的温度、湿度、气体浓度等环境参数,并将这些数据转化为数字信号,再将其输入环境检测模型中进行处理。
在环境检测模型中,通过对环境融合向量的特征提取,生成对应的环境数据特征。这些特征可以被用来描述垃圾桶周围的环境信息,包括噪声、温度、湿度、气体浓度等。通过对这些特征进行环境参数匹配,可以得到目标环境参数,这些参数可以用来衡量目标垃圾桶周围的环境状况,从而进一步分析垃圾桶内的填充度情况。
在垃圾桶环境分析阶段,利用目标环境参数和环境检测结果,对垃圾桶的填充情况进行分析。具体来说,可以将垃圾桶内部分为若干个区域,对每个区域进行填充度计算,从而得到整个垃圾桶的填充度情况。填充度计算的方法可以根据实际情况进行选择,例如可以采用像素值密度法、虚拟点云法等方法进行计算。最终,将计算得到的环境检测结果传输至物联网平台,使得用户可以随时了解垃圾桶的填充情况,并且可以及时安排垃圾桶的清理工作。
上面对本发明实施例中基于物联网的垃圾桶检测方法进行了描述,下面对本发明实施例中基于物联网的垃圾桶检测装置进行描述,请参阅图5,本发明实施例中基于物联网的垃圾桶检测装置一个实施例包括:
获取模块501,用于通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;
填充模块502,用于对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;
确定模块503,用于对所述红外扫描图像进行像素值分析,确定目标像素值密度;
生成模块504,用于通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;
修正模块505,用于基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;
采集模块506,用于通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;
融合模块507,用于对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;
设置模块508,用于基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;
检测模块509,用于将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台。
通过上述各个组成部分的协同合作,通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;对所述红外扫描图像进行像素值分析,确定目标像素值密度;通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台,在本发明实施例中,通过采用多种传感器和深度学习技术,可以实现对垃圾桶环境的多维度、实时监测和分析,从而得到更加准确的数据,通过实时的环境检测数据,可以及时发现垃圾桶内的垃圾状态和环境情况,便于管理者进行及时清空、维护等操作,通过自动化和智能化的垃圾桶环境检测和管理,可以减少人工和物力成本,同时提高基于物联网对垃圾桶进行检测时的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于物联网的垃圾桶检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于物联网的垃圾桶检测设备进行详细描述。
图6是本发明实施例提供的一种基于物联网的垃圾桶检测设备的结构示意图,该基于物联网的垃圾桶检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于物联网的垃圾桶检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于物联网的垃圾桶检测设备600上执行存储介质630中的一系列指令操作。
基于物联网的垃圾桶检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,MacOS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于物联网的垃圾桶检测设备结构并不构成对基于物联网的垃圾桶检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于物联网的垃圾桶检测设备,所述基于物联网的垃圾桶检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于物联网的垃圾桶检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于物联网的垃圾桶检测方法的步骤。
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,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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全部或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所述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、只读存储器(read-only memory,ROM)、随机存取存储器(randomacceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于物联网的垃圾桶检测方法,其特征在于,所述基于物联网的垃圾桶检测方法包括:
通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;
对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;
对所述红外扫描图像进行像素值分析,确定目标像素值密度;
通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;
基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;
通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;
对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;
基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;
将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台。
2.根据权利要求1所述的基于物联网的垃圾桶检测方法,其特征在于,所述对所述红外扫描图像进行垃圾填充分析,生成所述目标垃圾桶内的垃圾最高位置线,包括:
对所述红外扫描图像进行图像去噪处理,得到去噪扫描图像;
基于预置的垃圾物品类型,对所述去噪扫描图像进行图像分割处理,生成多个分割图像;
基于预置的垃圾图像数据集,分别对每个分割图像进行垃圾相似度计算,生成每个分割图像对应的相似度计算结果;
基于每个分割图像对应的相似度计算结果对所述去噪扫描图像进行垃圾特征提取,生成垃圾特征数据;
通过所述垃圾特征数据进行垃圾桶内垃圾最高位置线分析,生成所述目标垃圾桶内的垃圾最高位置线。
3.根据权利要求1所述的基于物联网的垃圾桶检测方法,其特征在于,所述对所述红外扫描图像进行像素值分析,确定目标像素值密度,包括:
对所述红外扫描图像进行灰度化处理,生成对应的灰度图像;
通过预置的像素密度分布算法对所述灰度图像进行逐像素点分析,生成所述灰度图像中每个像素点对应的像素值密度;
基于每个所述像素点对应的像素值密度对所述红外扫描图像进行像素值计算,生成所述目标像素值密度。
4.根据权利要求1所述的基于物联网的垃圾桶检测方法,其特征在于,所述通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据,包括:
对所述目标垃圾桶进行尺寸信息采集,得到所述目标垃圾桶的尺寸信息数据;
通过所述尺寸信息数据对所述目标垃圾桶进行立体体积计算,生成所述目标垃圾桶的体积数据;
基于所述目标像素值密度以及所述体积数据,对所述目标垃圾桶进行垃圾填充度分析,生成所述垃圾填充度数据。
5.根据权利要求1所述的基于物联网的垃圾桶检测方法,其特征在于,所述基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据,包括:
对所述红外扫描图像进行网格划分处理,生成网格化扫描图像;
通过所述垃圾最高位置线对所述网格化扫描图像进行图像分割处理,生成所述垃圾最高位置线以上的第一分割图像以及所述垃圾最高位置线以下的第二分割图像;
对所述第一分割图像进行空白区域提取,生成对应的空白区域集合;
对所述第二分割图像进行虚拟点云生成,生成虚拟点云数据;
通过所述虚拟点云数据生成对应的单位体积数据;
通过所述单位体积数据对所述空白区域集合进行修正填充度计算,生成修正填充度;
基于所述修正填充度对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据。
6.根据权利要求1所述的基于物联网的垃圾桶检测方法,其特征在于,所述基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型,包括:
对所述目标填充度数据进行影响因子分析,生成对应的影响因子集合;
通过所述影响因子集合从预置的超参数数据库中进行超参数匹配,得到目标超参数;
通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成所述目标环境检测模型。
7.根据权利要求1所述的基于物联网的垃圾桶检测方法,其特征在于,所述将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台,包括:
将所述环境融合向量输入所述目标环境检测模型进行特征提取,生成对应的环境数据特征;
对所述环境数据特征进行环境参数匹配,生成目标环境参数;
通过所述目标环境参数对所述目标垃圾桶进行垃圾桶环境分析,生成环境检测结果,并将所述环境检测结果传输至所述物联网平台。
8.一种基于物联网的垃圾桶检测装置,其特征在于,所述基于物联网的垃圾桶检测装置包括:
获取模块,用于通过预置的红外传感器对目标垃圾桶进行红外扫描,生成红外扫描图像;
填充模块,用于对所述红外扫描图像进行垃圾填充分析,获取所述目标垃圾桶内的垃圾最高位置线;
确定模块,用于对所述红外扫描图像进行像素值分析,确定目标像素值密度;
生成模块,用于通过所述目标像素值密度对所述目标垃圾桶进行垃圾填充度分析,生成垃圾填充度数据;
修正模块,用于基于所述垃圾最高位置线对所述垃圾填充度数据进行修正处理,生成目标垃圾填充度数据;
采集模块,用于通过预置的湿度传感器对所述目标垃圾桶进行湿度数据采集,得到垃圾桶湿度数据,并通过预置的温度传感器对所述目标垃圾桶进行温度数据采集,获取垃圾桶温度数据;
融合模块,用于对所述垃圾桶温度数据以及所述垃圾桶湿度数据进行融合向量生成,得到环境融合向量;
设置模块,用于基于所述目标垃圾填充度数据对预置的垃圾桶环境检测模型进行超参数分析,生成目标超参数,并通过所述目标超参数对所述垃圾桶环境检测模型进行参数设置,生成目标环境检测模型;
检测模块,用于将所述环境融合向量输入所述目标环境检测模型进行垃圾桶环境检测,生成环境检测结果,并将所述环境检测结果传输至预置的物联网平台。
9.一种基于物联网的垃圾桶检测设备,其特征在于,所述基于物联网的垃圾桶检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于物联网的垃圾桶检测设备执行如权利要求1-7中任一项所述的基于物联网的垃圾桶检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于物联网的垃圾桶检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724091.2A CN116692297A (zh) | 2023-06-19 | 2023-06-19 | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724091.2A CN116692297A (zh) | 2023-06-19 | 2023-06-19 | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116692297A true CN116692297A (zh) | 2023-09-05 |
Family
ID=87837170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310724091.2A Withdrawn CN116692297A (zh) | 2023-06-19 | 2023-06-19 | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116692297A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171627A (zh) * | 2023-10-24 | 2023-12-05 | 四川恒远信友环境科技有限公司 | 一种基于成像技术的电力设备噪声源点识别方法及系统 |
CN117314774A (zh) * | 2023-09-26 | 2023-12-29 | 广州市星飞达电子科技有限公司 | 一种基于探测器温度的红外图像校正系统 |
CN117407666A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市迈睿迈特环境科技有限公司 | 基于人工智能的智能垃圾桶参数分析和控制方法及装置 |
CN117974387A (zh) * | 2023-12-20 | 2024-05-03 | 南通正能环保科技有限公司 | 基于物联网的智能城市治理系统 |
-
2023
- 2023-06-19 CN CN202310724091.2A patent/CN116692297A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314774A (zh) * | 2023-09-26 | 2023-12-29 | 广州市星飞达电子科技有限公司 | 一种基于探测器温度的红外图像校正系统 |
CN117314774B (zh) * | 2023-09-26 | 2024-04-09 | 广州市星飞达电子科技有限公司 | 一种基于探测器温度的红外图像校正系统 |
CN117171627A (zh) * | 2023-10-24 | 2023-12-05 | 四川恒远信友环境科技有限公司 | 一种基于成像技术的电力设备噪声源点识别方法及系统 |
CN117171627B (zh) * | 2023-10-24 | 2024-01-26 | 四川恒远信友环境科技有限公司 | 一种基于成像技术的电力设备噪声源点识别方法及系统 |
CN117407666A (zh) * | 2023-12-15 | 2024-01-16 | 深圳市迈睿迈特环境科技有限公司 | 基于人工智能的智能垃圾桶参数分析和控制方法及装置 |
CN117407666B (zh) * | 2023-12-15 | 2024-02-13 | 深圳市迈睿迈特环境科技有限公司 | 基于人工智能的智能垃圾桶参数分析和控制方法及装置 |
CN117974387A (zh) * | 2023-12-20 | 2024-05-03 | 南通正能环保科技有限公司 | 基于物联网的智能城市治理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116692297A (zh) | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 | |
US7983486B2 (en) | Method and apparatus for automatic image categorization using image texture | |
Khoshelham et al. | Performance evaluation of automated approaches to building detection in multi-source aerial data | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN107480643B (zh) | 一种智能垃圾分类处理的机器人 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
Mishra et al. | Recent technologies of leaf disease detection using image processing approach—A review | |
EP3848472A2 (en) | Methods and systems for automated counting and classifying microorganisms | |
Jia et al. | Fabric defect inspection based on lattice segmentation and template statistics | |
CN114782761B (zh) | 基于深度学习的智能仓储物料识别方法和系统 | |
CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
Nejad et al. | The hybrid method and its application to smart pavement management | |
Wang et al. | Automated defect and contaminant inspection of HVAC duct | |
Prem Kumar et al. | Quality grading of the fruits and vegetables using image processing techniques and machine learning: a review | |
CN117422936B (zh) | 一种遥感图像分类方法及系统 | |
CN116523352B (zh) | 一种森林资源信息的管理方法及系统 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN116824241A (zh) | 一种基于迭代学习的马铃薯病害多分类和检测方法 | |
CN107992863B (zh) | 多分辨率粮虫种类视觉识别方法 | |
Suresh et al. | Design an efficient disease monitoring system for paddy leaves based on big data mining | |
Kakadiya et al. | Shape Extraction methods for fruits: technical review | |
Sheng et al. | Fuzzy preprocessing and clustering analysis method of underwater multiple targets in forward looking sonar image for AUV tracking | |
Kuo et al. | Complete, fully-automatic extraction, classification and image registration of repeating printed fabric patterns and their derivatives | |
Ariunzaya et al. | Identification of seed coat sculptures using deep learning |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230905 |