CN117421692B - 垃圾投放站的垃圾违规投放识别方法、装置、设备 - Google Patents
垃圾投放站的垃圾违规投放识别方法、装置、设备 Download PDFInfo
- Publication number
- CN117421692B CN117421692B CN202311740244.9A CN202311740244A CN117421692B CN 117421692 B CN117421692 B CN 117421692B CN 202311740244 A CN202311740244 A CN 202311740244A CN 117421692 B CN117421692 B CN 117421692B
- Authority
- CN
- China
- Prior art keywords
- garbage
- throwing
- target
- data
- equipment
- 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
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 591
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 39
- 230000007613 environmental effect Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 230000001364 causal effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004442 gravimetric analysis Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G17/00—Apparatus for or methods of weighing material of special form or property
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/52—Weighing apparatus combined with other objects, e.g. furniture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理的技术领域，公开了一种垃圾投放站的垃圾违规投放识别方法、装置、设备。所述垃圾投放站的垃圾违规投放识别方法包括：获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果。本发明通过自动获取和处理多个垃圾投放站点的垃圾处理数据，提高了数据处理的效率，同时也使得垃圾投放站的管理更加规范和透明。本发明通过违规垃圾识别结果，可以优化垃圾投放站的管理，提高了整体垃圾处理效率。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种垃圾投放站的垃圾违规投放识别方法、装置、设备。
背景技术
当前，随着城市化和工业化的发展，垃圾处理成为了一个重要的环境和社会问题。垃圾投放站的有效管理是垃圾处理的关键环节之一。对垃圾投放站进行有效的监控和管理，能够及时、有效地发现和处理垃圾处理过程中的问题和难题，进而提高垃圾处理效率，减少对环境的污染。
当前的垃圾投放站管理主要依赖于人工监察和纠正违规行为，但这种方法存在效率低下，判断主观等问题。另一方面，尽管存在一些自动化设备进行垃圾处理，但其主要针对垃圾分类或者违规垃圾的监测方面，不足以处理垃圾堆积或超标的问题，也难以定位和识别具体的违规垃圾种类。
对于垃圾投放设备的负载异常和垃圾的超标问题，以及因此导致的设备故障，当前的技术无法进行有效的监测和处理。常规的压力检测设备和技术无法有效识别超重的垃圾的具体位置和种类，而仅能识别到压力异常。但原因可能包括了诸多因素，如压力传感器故障，设备结构问题，或者是垃圾投放不当导致的压力偏高等，无法进行精确判断和处理。
综上所述，当前的技术存在无法有效监测和处理垃圾投放站的违规投放以及垃圾超重问题，无法及时和准确进行故障定位和处理，影响了垃圾处理效率以及设备的正常工作。
发明内容
本发明提供了一种垃圾投放站的垃圾违规投放识别方法、装置、设备，用于解决如何处理垃圾投放站的违规投放以及垃圾超重的技术问题。
本发明第一方面提供了一种垃圾投放站的垃圾违规投放识别方法，所述垃圾投放站的垃圾违规投放识别方法包括：
获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；
对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；
如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；其中，所述特性检测结果包括：垃圾载荷存在超标和垃圾载荷未超标；
如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；
基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；
将重量超标垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；其中，所述违规垃圾识别结果用于表示目标垃圾投放设备的垃圾超标程度和违规垃圾种类。
可选的，在本发明第一方面的第一种实现方式中，还包括：
对目标垃圾投放站点进行实时图像采集，通过预设的图像分析算法分析行人的人体信息；
当检测到人体信息，则检测出人体距离目标垃圾投放站点的距离信息；当所述距离信息小于预设的距离，则表示有行人出现在目标垃圾投放站点附件；
通过预设的图像识别算法捕捉行人的手部和移动状态，判断行人是否携带垃圾或者行人的走路姿势是否符合垃圾投放的特征，得到判断结果；
如果判断结果为行人符合垃圾投放的特征，则启动语音提醒系统播放预设的垃圾投放规则；
如果判断结果为行人不符合垃圾投放的特征，则不进行语音提醒。
可选的，在本发明第一方面的第二种实现方式中，所述如果判断结果为行人符合垃圾投放的特征，则启动语音提醒系统播放预设的垃圾投放规则，包括：
如果判断结果为行人符合垃圾投放的特征，则判断行人投放垃圾的时间是否符合预设的投放时间段，如果不符合预设的投放时间段，则通过语音提醒系统发出投放时间提醒。
可选的，在本发明第一方面的第三种实现方式中，所述基于所述垃圾处理数据确定待检测的目标垃圾投放设备，包括：
向垃圾投放设备发送特定的初始化请求信号，并处理垃圾投放设备返回的请求响应信号；其中，所述请求响应信号包含多个垃圾处理数据；
将获取的垃圾处理数据拆解为投放信息、加密信息以及目标设备特征信息，从投放信息中解析出垃圾投放状态信息；
对加密信息进行分析识别，解密出垃圾投放设备的设备加密数据，对设备加密数据进行编码，生成对应的编码字符集合；
获取当前的时间信息，基于所述时间信息在数据库中匹配对应的字符选取规则；其中，所述数据库中存储有时间信息与字符选取规则的对应关系；
基于所述字符选取规则，从所述编码字符集合中选择出多个目标字符，将多个所述目标字符进行组合，得到目标字符组合；
采用预设的编码表对所述目标字符组合进行编码，得到的编码值作为加密密钥；
利用垃圾投放状态者信息在数据库中匹配相应的数据集，将生成的加密密钥与数据集匹配，找出匹配的数据实体；其中，所述数据实体包含多个具有监测权限的垃圾投放设备，并为每个垃圾投放设备赋予唯一加密密钥；
将所述目标设备特征信息与每个垃圾投放设备的唯一加密密钥进行比对，选择匹配度最高且超过预设阈值的垃圾投放设备作为目标垃圾投放设备。
可选的，在本发明第一方面的第四种实现方式中，所述违规垃圾识别模型的训练过程，包括：
对第一垃圾样本的垃圾组成特性进行采集，得到第一数据，对第二垃圾样本的垃圾组成特性进行采集，得到第二数据；
基于预设的分析算法对第一数据和第二数据分别进行特征提取，得到相应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据进行聚合处理，得到垃圾样本数据集；
对第一垃圾样本的投放环境因子进行采集，得到第一环境因子，对第二垃圾样本的投放环境因子进行采集，得到第二环境因子，对第一环境因子和第二环境因子进行加权处理，得到环境因子数据集；
通过预设的测序算法分别分析所述第一垃圾样本和所述第二垃圾样本中的垃圾来源信息、垃圾种类信息，并将垃圾来源信息和垃圾种类信息进行数据整合，得到垃圾特性数据集；
基于预设的融合算法，将垃圾样本数据集、环境因子数据集以及垃圾特性数据集进行融合处理，得到融合数据集，并将融合数据集划分为训练样本集和检验样本集；
将训练样本集输入至预设的深度学习模型，预测得到垃圾组成特性、环境因子、垃圾特性之间的因果关系，基于所述因果关系，生成垃圾违规投放的预测值，并根据预测值绘制对应的初始预测分布图；
通过实际测定的垃圾特性和预测值计算损失值，得到第一损失值，通过预设的插值法对第一损失值进行空间插值处理，得到第二损失值；
根据深度学习模型预测的垃圾特性和第二损失值对垃圾违规投放的预测值进行修正运算，得到修正后的预测值，并基于修正后的预测值以及初始预测分布图，形成修正后的预测分布图；
通过修正后的预测分布图对训练样本集进行特征分析，得到垃圾预测特性数据；
将垃圾预测特性数据输入至预设的深度学习模型进行训练；
对预设的深度学习模型的模型参数进行迭代调整，基于预设的损失优化算法，将所述第一损失值、第二损失值降至最小，训练得到所述违规垃圾识别模型。
本发明第二方面提供了一种垃圾投放站的垃圾违规投放识别装置，所述垃圾投放站的垃圾违规投放识别装置包括：
获取模块，用于获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；
第一检测模块，用于对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；
第二检测模块，用于如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；其中，所述特性检测结果包括：垃圾载荷存在超标和垃圾载荷未超标；
分析模块，用于如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；
切割模块，用于基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；
识别模块，用于将重量超标的垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；其中，所述违规垃圾识别结果用于表示目标垃圾投放设备的垃圾超标程度和违规垃圾种类。
本发明第三方面提供了一种垃圾投放站的垃圾违规投放识别设备，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，以使得所述垃圾投放站的垃圾违规投放识别设备执行上述的垃圾投放站的垃圾违规投放识别方法。
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垃圾投放站的垃圾违规投放识别方法。
本发明提供的技术方案中，有益效果：本发明提供一种垃圾投放站的垃圾违规投放识别方法、装置、设备，通过获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；将重量超标垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；本发明通过对目标垃圾投放设备进行投放状态检测和异常分析，能够较早地发现可能存在的载荷异常，及时进行处理，避免了对设备可能造成的损害。基于标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，使得垃圾载荷是否超标的判断更加准确，便于后续的故障处理和垃圾处理。将重量超标的垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型，可以自动识别违规垃圾的种类，提高了垃圾处理的准确度和效率。
附图说明
图1为本发明实施例中垃圾投放站的垃圾违规投放识别方法的一个实施例示意图；
图2为本发明实施例中垃圾投放站的垃圾违规投放识别装置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垃圾投放站的垃圾违规投放识别方法、装置、设备。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上述过程、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，本发明实施例中垃圾投放站的垃圾违规投放识别方法的一个实施例包括：
步骤101、获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；
可以理解的是，本发明的执行主体可以为垃圾投放站的垃圾违规投放识别装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，步骤101的具体实现如下所示：
获取多个垃圾投放站点的垃圾处理数据： a. 收集不同垃圾投放站点的垃圾处理数据，包括每个站点的垃圾投放量、垃圾处理时间等信息。 b. 确保收集到的垃圾处理数据包含足够的样本数量和多样化的数据，以提高数据的代表性和准确性。
基于垃圾处理数据确定待检测的目标垃圾投放设备和目标垃圾投放设备对应的标准垃圾重量：a.对获取的垃圾处理数据进行分析，识别出与目标垃圾投放设备相关的特征。b.使用特征识别算法或数据挖掘技术，提取目标垃圾投放设备的特征向量，例如投放垃圾量、投放频率等。c.根据特征向量的差异性，将目标垃圾投放设备分为不同的类别或群组，以实现目标设备的分类与识别。 d.针对每个目标垃圾投放设备类别，确定对应的标准垃圾重量。例如，可以基于历史数据和统计方法，计算出每个目标设备类别的平均垃圾重量作为标准值。
步骤102、对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；
具体的，以下是实现步骤102的详细说明：
目标垃圾投放设备是指用于垃圾投放的容器、箱体或其他设备。投放状态检测是指对上述设备进行监测，以确定它们是否已被垃圾成功投放。
投放状态检测可以利用各种传感器技术，如压力传感器、光电传感器、称重传感器等。上述传感器可以安装在垃圾投放设备的底部或其他合适的位置。
在对目标垃圾投放设备进行投放状态检测时，传感器将收集有关设备是否被垃圾填满或垃圾投放量的数据。
根据收集到的数据，可以计算出投放状态结果。例如，对于压力传感器，根据检测到的压力值判断是否已填满；对于称重传感器，根据检测到的重量判断垃圾投放量是否达到设定阈值。
投放状态结果将被送入异常分析模块进行进一步处理。异常分析是指对投放状态结果进行分析和比对，以确定是否存在异常情况。
异常分析模块可以采用各种算法和模型，如机器学习算法、统计分析等。它可以根据历史数据和预设的规则，对投放状态结果进行异常检测和分析。
异常分析结果可以用于指示目标垃圾投放设备是否正常工作，是否存在故障或其他异常情况。例如，异常分析结果可能表明设备缺乏填满或严重超过投放量的情况。
步骤103、如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；其中，所述特性检测结果包括：垃圾载荷存在超标和垃圾载荷未超标；
具体的，特性检测的步骤如下：
获取目标垃圾投放设备的垃圾载荷数据。上述数据可以通过传感器、称重装置等设备收集得到。
将获取到的垃圾载荷数据与预先设定的标准垃圾重量进行比对。标准垃圾重量可以是根据相关法规、规范或者行业标准确定的数值，用于衡量垃圾载荷是否符合规定。
根据比对结果，判断垃圾载荷是否存在超标情况。如果垃圾载荷超过了标准垃圾重量，那么特性检测结果将显示“垃圾载荷存在超标”；如果垃圾载荷未超过标准垃圾重量，特性检测结果将显示“垃圾载荷未超标”。
将特性检测结果记录并存储，以便后续分析和处理。
步骤104、如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；
具体的，实现步骤如下：
针对目标垃圾投放设备的投放区域，使用合适的压力传感器或者压力测量系统，获取多个压力图像。上述压力图像可通过传感器阵列、电容传感器等设备采集到。
将采集到的压力图像进行预处理，包括噪声去除、图像增强等操作，以提升重量分析的准确性和可靠性。
基于处理后的压力图像，利用计算机视觉技术和图像处理算法进行重量分析。这包括使用图像分割算法提取出垃圾物体的轮廓或区域，然后根据压力的分布情况，计算得出该区域所对应的重量。重量计算可以基于压力传感器的灵敏度和标定参数，将压力转化为相应的重量数值。
根据重量分析结果，判断压力图像所对应的垃圾物体的重量是否超出标准垃圾重量。如果超出，说明压力图像中的垃圾物体对应的垃圾载荷超出了标准限制；如果未超出，说明垃圾载荷仍在规定范围内。
将重量分析结果记录并存储，供后续分析和处理使用。
示例如下：首先，通过安装阵列压力传感器的方式对目标垃圾投放设备的投放区域进行压力图像采集。然后，对采集到的压力图像进行噪声去除、增强等预处理操作，以提高图像质量。接下来，利用图像分割算法和边缘检测算法提取出垃圾物体的轮廓或区域。然后，借助压力传感器的灵敏度和标定参数，将图像中每个区域的压力转化为对应的重量数值。通过对重量数值进行比对，判断垃圾载荷是否超出标准垃圾重量。如果超出，将说明压力图像中的垃圾物体对应的垃圾载荷超出了标准限制；如果未超出，则表示垃圾载荷仍在规定范围内。最后，将重量分析结果记录并存储，供后续分析和处理使用。
步骤105、基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；
具体的，实现步骤如下：
根据重量分析结果，确定目标垃圾投放设备中导致重量超标的故障部件或故障情况。故障定位可以基于故障诊断算法，根据重量分析结果与预设的故障模型进行对比，找出导致重量超标的可能原因。
根据故障定位结果，确定导致重量超标的垃圾投放区域。上述区域可能与特定的故障部件或故障情况相关联。
利用计算机视觉技术和图像处理算法，从目标垃圾投放设备的投放区域图像中切割出重量超标的垃圾投放区域。具体可以通过图像分割算法和阈值化处理等方法实现，以确保准确分割出重量超标的区域。
针对切割出的重量超标垃圾投放区域，采集该区域的压力分布图像。压力分布图像通常是基于压力传感器的测量结果绘制出来的，可用于进一步分析重量超标区域的真实状态和特征。
步骤106、将重量超标垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；其中，所述违规垃圾识别结果用于表示目标垃圾投放设备的垃圾超标程度和违规垃圾种类。
具体的，设备安装和数据采集：a. 在重量超标垃圾投放区域安装压力传感器，并确保其正确连接和校准。b. 配置数据采集系统以定期获取压力传感器的数据，并保存为压力分布图像。c. 确保数据采集系统的稳定性和准确性，以获得可靠的压力分布图像数据。
数据预处理：a. 对采集到的压力分布图像数据进行去噪处理，以消除背景噪声和异常点。b. 应用滤波算法，如中值滤波或高斯滤波，平滑数据并减少图像中的噪声。c. 对图像进行裁剪和缩放，以便违规垃圾识别模型能够处理标准尺寸的图像输入。
违规垃圾识别模型训练：a. 收集并标记一组准确的违规垃圾图像样本和正常垃圾图像样本。b. 将标记好的样本图像划分为训练集和验证集。c. 使用深度学习算法，如卷积神经网络（CNN）或递归神经网络（RNN），构建违规垃圾识别模型。d. 在训练集上进行模型训练，并在验证集上进行模型调优，以提高模型的准确性和泛化能力。e. 重复训练和调优步骤，直到模型达到预期的性能水平。
违规垃圾识别：a. 将经过预处理的压力分布图像输入训练好的违规垃圾识别模型。b. 模型会自动提取图像特征，并对压力分布图像进行分类判断。c. 判断结果包括目标垃圾投放设备的垃圾超标程度和违规垃圾的种类。d. 根据判断结果，生成违规垃圾识别结果，并将相关信息进行记录和展示。
本发明实施例中垃圾投放站的垃圾违规投放识别方法的另一个实施例包括：
对目标垃圾投放站点进行实时图像采集，通过预设的图像分析算法分析行人的人体信息；
当检测到人体信息，则检测出人体距离目标垃圾投放站点的距离信息；当所述距离信息小于预设的距离，则表示有行人出现在目标垃圾投放站点附件；
通过预设的图像识别算法捕捉行人的手部和移动状态，判断行人是否携带垃圾或者行人的走路姿势是否符合垃圾投放的特征，得到判断结果；
如果判断结果为行人符合垃圾投放的特征，则启动语音提醒系统播放预设的垃圾投放规则；
如果判断结果为行人不符合垃圾投放的特征，则不进行语音提醒。
具体的，本发明的一个具体实施例涉及一种垃圾违规投放识别方法，适用于目标垃圾投放站点的管理和监控。该方法将通过使用图像采集与分析技术，实时检测目标垃圾投放站点附近的行人，并判断其是否违规投放垃圾。下面将详细介绍该方法的实施步骤：
目标垃圾投放站点的实时图像采集；在目标垃圾投放站点安装专业摄像设备（例如高分辨率摄像头），用于实时采集图像信息。上述摄像设备应包括适当的光学元件、感应器和图像处理单元，以确保高质量的图像采集和传输。
行人的人体信息分析；采用预设的图像分析算法，对所采集的图像进行人体信息分析。该算法应包括先进的计算机视觉技术，以提取图像中的行人信息。在此过程中，识别出行人的人体部位，并生成相关的人体关键点（例如头部、手部、躯干等）。上述人体关键点将用于后续的违规投放垃圾判断。
人体距离目标垃圾投放站点距离信息的检测；在行人人体信息分析的基础上，计算行人与目标垃圾投放站点之间的距离信息。这需要使用专业的几何计算和空间定位技术，将人体关键点的位置映射到实际场景中，并计算与目标垃圾投放站点之间的距离。若所得距离信息小于预设的阈值，则判断有行人出现在目标垃圾投放站点附近。
行人手部和移动状态的识别；使用专业的图像识别算法，对行人的手部和移动状态进行识别。通过训练和优化的机器学习模型，识别行人手部是否携带垃圾，并分析行人的走路姿势是否符合垃圾投放的特征。上述技术可能涉及从图像中提取特征、进行图像分类和检测、使用深度学习网络等。
违规投放垃圾的判断结果生成；根据行人手部和移动状态的识别结果，进行违规投放垃圾的判断。若识别结果表明行人符合垃圾投放的特征，则生成违规投放垃圾的判断结果。这个结果可以采用专业化的标志、代码或布尔值来表示，以便后续的处理和决策。
语音提醒系统的启动；如果违规投放垃圾的判断结果为行人符合垃圾投放的特征，启动专业的语音提醒系统，例如通过扬声器或无线通信设备将语音信息传递给行人。语音提醒系统将播放预设的垃圾投放规则，提醒行人遵守规则进行垃圾投放。
如果判断结果为行人不符合垃圾投放的特征，则不进行语音提醒。
本发明实施例中垃圾投放站的垃圾违规投放识别方法的另一个实施例包括：
所述如果判断结果为行人符合垃圾投放的特征，则启动语音提醒系统播放预设的垃圾投放规则，包括：
如果判断结果为行人符合垃圾投放的特征，则判断行人投放垃圾的时间是否符合预设的投放时间段，如果不符合预设的投放时间段，则通过语音提醒系统发出投放时间提醒。
本发明实施例中垃圾投放站的垃圾违规投放识别方法的另一个实施例包括：
所述基于所述垃圾处理数据确定待检测的目标垃圾投放设备，包括：
向垃圾投放设备发送特定的初始化请求信号，并处理垃圾投放设备返回的请求响应信号；其中，所述请求响应信号包含多个垃圾处理数据；
将获取的垃圾处理数据拆解为投放信息、加密信息以及目标设备特征信息，从投放信息中解析出垃圾投放状态信息；
对加密信息进行分析识别，解密出垃圾投放设备的设备加密数据，对设备加密数据进行编码，生成对应的编码字符集合；
获取当前的时间信息，基于所述时间信息在数据库中匹配对应的字符选取规则；其中，所述数据库中存储有时间信息与字符选取规则的对应关系；
基于所述字符选取规则，从所述编码字符集合中选择出多个目标字符，将多个所述目标字符进行组合，得到目标字符组合；
采用预设的编码表对所述目标字符组合进行编码，得到的编码值作为加密密钥；
利用垃圾投放状态者信息在数据库中匹配相应的数据集，将生成的加密密钥与数据集匹配，找出匹配的数据实体；其中，所述数据实体包含多个具有监测权限的垃圾投放设备，并为每个垃圾投放设备赋予唯一加密密钥；
将所述目标设备特征信息与每个垃圾投放设备的唯一加密密钥进行比对，选择匹配度最高且超过预设阈值的垃圾投放设备作为目标垃圾投放设备。
具体的，所述获取当前的时间信息，基于所述时间信息在数据库中匹配对应的字符选取规则；其中，所述数据库中存储有时间信息与字符选取规则的对应关系；基于所述字符选取规则，从所述编码字符集合中选择出多个目标字符，将多个所述目标字符进行组合，得到目标字符组合，具体包括以下步骤：
时间信息获取：使用编程语言中的时间函数或库获取当前的时间信息，包括年、月、日、时、分、秒等。
数据库匹配：将获取到的时间信息与数据库中存储的时间信息进行匹配，查找对应的字符选取规则。
字符选取规则：数据库中存储有时间信息与字符选取规则的对应关系。字符选取规则可以是一系列的条件语句、规则表达式或正则表达式。
目标字符选择：根据匹配到的字符选取规则，从编码字符集合中选择出满足条件的多个目标字符。例如，可以根据时间信息的奇偶性、大小关系、某个特定日期等条件来选择目标字符。
目标字符组合：将选择出的多个目标字符按照一定的组合规则进行组合，得到目标字符组合。组合规则可以是将目标字符按顺序拼接、随机组合、根据一定的算法进行组合等。
本发明实施例中垃圾投放站的垃圾违规投放识别方法的另一个实施例包括：
所述违规垃圾识别模型的训练过程，包括：
对第一垃圾样本的垃圾组成特性进行采集，得到第一数据，对第二垃圾样本的垃圾组成特性进行采集，得到第二数据；
基于预设的分析算法对第一数据和第二数据分别进行特征提取，得到相应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据进行聚合处理，得到垃圾样本数据集；
对第一垃圾样本的投放环境因子进行采集，得到第一环境因子，对第二垃圾样本的投放环境因子进行采集，得到第二环境因子，对第一环境因子和第二环境因子进行加权处理，得到环境因子数据集；
通过预设的测序算法分别分析所述第一垃圾样本和所述第二垃圾样本中的垃圾来源信息、垃圾种类信息，并将垃圾来源信息和垃圾种类信息进行数据整合，得到垃圾特性数据集；
基于预设的融合算法，将垃圾样本数据集、环境因子数据集以及垃圾特性数据集进行融合处理，得到融合数据集，并将融合数据集划分为训练样本集和检验样本集；
将训练样本集输入至预设的深度学习模型，预测得到垃圾组成特性、环境因子、垃圾特性之间的因果关系，基于所述因果关系，生成垃圾违规投放的预测值，并根据预测值绘制对应的初始预测分布图；
通过实际测定的垃圾特性和预测值计算损失值，得到第一损失值，通过预设的插值法对第一损失值进行空间插值处理，得到第二损失值；
根据深度学习模型预测的垃圾特性和第二损失值对垃圾违规投放的预测值进行修正运算，得到修正后的预测值，并基于修正后的预测值以及初始预测分布图，形成修正后的预测分布图；
通过修正后的预测分布图对训练样本集进行特征分析，得到垃圾预测特性数据；
将垃圾预测特性数据输入至预设的深度学习模型进行训练；
对预设的深度学习模型的模型参数进行迭代调整，基于预设的损失优化算法，将所述第一损失值、第二损失值降至最小，训练得到所述违规垃圾识别模型。
具体的，本实施例的具体细化步骤如下：
垃圾样本数据采集：对垃圾样本的垃圾组成特性进行采集，得到第一数据和第二数据。上述数据可以包括垃圾的组成成分、重量、体积、形状等特征。
特征提取和聚合处理：基于预设的分析算法，对第一数据和第二数据分别进行特征提取，得到对应的第一特征数据和第二特征数据。然后将上述特征数据进行聚合处理，得到垃圾样本数据集。特征提取可以采用常用的机器学习或深度学习算法，如卷积神经网络或特征工程方法。
投放环境因子采集和加权处理：对第一垃圾样本的投放环境因子进行采集，得到第一环境因子，对第二垃圾样本的投放环境因子进行采集，得到第二环境因子。然后对上述环境因子进行加权处理，得到环境因子数据集。环境因子可以包括垃圾投放的地点、时间、温度、湿度等因素。
垃圾来源信息和垃圾种类信息分析：通过预设的测序算法，对所述第一垃圾样本和所述第二垃圾样本中的垃圾来源信息、垃圾种类信息进行分析。然后将垃圾来源信息和垃圾种类信息进行数据整合，得到垃圾特性数据集。
融合处理和训练集划分：基于预设的融合算法，将垃圾样本数据集、环境因子数据集以及垃圾特性数据集进行融合处理，得到融合数据集。然后将融合数据集划分为训练样本集和检验样本集，用于后续模型的训练和验证。
深度学习模型的训练和优化：将训练样本集输入至预设的深度学习模型进行训练。预测得到垃圾组成特性、环境因子和垃圾特性之间的因果关系，并生成垃圾违规投放的预测值。基于因果关系，计算损失值，并进行损失优化算法的迭代调整，以降低损失值，训练得到违规垃圾识别模型。
修正预测分布图：根据实际测定的垃圾特性和预测值计算损失值，进行插值算法处理得到第二损失值。然后利用修正公式对预测分布图进行修正运算，得到修正后的预测分布图，提高模型预测的准确性。
垃圾预测特性数据分析：通过修正后的预测分布图对训练样本集进行特征分析，得到垃圾预测特性数据。
深度学习模型参数迭代调整：将垃圾预测特性数据输入至预设的深度学习模型进行训练，并迭代调整模型参数，降低损失值，以优化模型的精度和准确性。
违规垃圾识别模型生成：通过训练和参数调整，得到经过优化的违规垃圾识别模型。这个模型能够根据输入的垃圾样本特征、环境因子和垃圾特性，预测是否存在垃圾违规投放的情况。
上面对本发明实施例中垃圾投放站的垃圾违规投放识别方法进行了描述，下面对本发明实施例中垃圾投放站的垃圾违规投放识别装置进行描述，请参阅图2，本发明实施例中垃圾投放站的垃圾违规投放识别装置一个实施例包括：
所述垃圾投放站的垃圾违规投放识别装置包括：
获取模块，用于获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；
第一检测模块，用于对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；
第二检测模块，用于如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；其中，所述特性检测结果包括：垃圾载荷存在超标和垃圾载荷未超标；
分析模块，用于如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；
切割模块，用于基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；
识别模块，用于将重量超标的垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；其中，所述违规垃圾识别结果用于表示目标垃圾投放设备的垃圾超标程度和违规垃圾种类。
本发明还提供一种垃圾投放站的垃圾违规投放识别设备，所述垃圾投放站的垃圾违规投放识别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垃圾投放站的垃圾违规投放识别方法的步骤。
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垃圾投放站的垃圾违规投放识别方法的步骤。
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（random access 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 (7)
1.一种垃圾投放站的垃圾违规投放识别方法，其特征在于，包括以下步骤：
获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；
对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；
如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；其中，所述特性检测结果包括：垃圾载荷存在超标和垃圾载荷未超标；
如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；
基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；
将重量超标垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；其中，所述违规垃圾识别结果用于表示目标垃圾投放设备的垃圾超标程度和违规垃圾种类；
所述基于所述垃圾处理数据确定待检测的目标垃圾投放设备，包括：
向垃圾投放设备发送特定的初始化请求信号，并处理垃圾投放设备返回的请求响应信号；其中，所述请求响应信号包含多个垃圾处理数据；
将获取的垃圾处理数据拆解为投放信息、加密信息以及目标设备特征信息，从投放信息中解析出垃圾投放状态信息；
对加密信息进行分析识别，解密出垃圾投放设备的设备加密数据，对设备加密数据进行编码，生成对应的编码字符集合；
获取当前的时间信息，基于所述时间信息在数据库中匹配对应的字符选取规则；其中，所述数据库中存储有时间信息与字符选取规则的对应关系；
基于所述字符选取规则，从所述编码字符集合中选择出多个目标字符，将多个所述目标字符进行组合，得到目标字符组合；
采用预设的编码表对所述目标字符组合进行编码，得到的编码值作为加密密钥；
利用垃圾投放状态者信息在数据库中匹配相应的数据集，将生成的加密密钥与数据集匹配，找出匹配的数据实体；其中，所述数据实体包含多个具有监测权限的垃圾投放设备，并为每个垃圾投放设备赋予唯一加密密钥；
将所述目标设备特征信息与每个垃圾投放设备的唯一加密密钥进行比对，选择匹配度最高且超过预设阈值的垃圾投放设备作为目标垃圾投放设备。
2.根据权利要求1所述的垃圾违规投放识别方法，其特征在于，还包括：
对目标垃圾投放站点进行实时图像采集，通过预设的图像分析算法分析行人的人体信息；
当检测到人体信息，则检测出人体距离目标垃圾投放站点的距离信息；当所述距离信息小于预设的距离，则表示有行人出现在目标垃圾投放站点附件；
通过预设的图像识别算法捕捉行人的手部和移动状态，判断行人是否携带垃圾或者行人的走路姿势是否符合垃圾投放的特征，得到判断结果；
如果判断结果为行人符合垃圾投放的特征，则启动语音提醒系统播放预设的垃圾投放规则；
如果判断结果为行人不符合垃圾投放的特征，则不进行语音提醒。
3.根据权利要求2所述的垃圾违规投放识别方法，其特征在于，所述如果判断结果为行人符合垃圾投放的特征，则启动语音提醒系统播放预设的垃圾投放规则，包括：
如果判断结果为行人符合垃圾投放的特征，则判断行人投放垃圾的时间是否符合预设的投放时间段，如果不符合预设的投放时间段，则通过语音提醒系统发出投放时间提醒。
4.根据权利要求1所述的垃圾违规投放识别方法，其特征在于，所述违规垃圾识别模型的训练过程，包括：
对第一垃圾样本的垃圾组成特性进行采集，得到第一数据，对第二垃圾样本的垃圾组成特性进行采集，得到第二数据；
基于预设的分析算法对第一数据和第二数据分别进行特征提取，得到相应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据进行聚合处理，得到垃圾样本数据集；
对第一垃圾样本的投放环境因子进行采集，得到第一环境因子，对第二垃圾样本的投放环境因子进行采集，得到第二环境因子，对第一环境因子和第二环境因子进行加权处理，得到环境因子数据集；
通过预设的测序算法分别分析所述第一垃圾样本和所述第二垃圾样本中的垃圾来源信息、垃圾种类信息，并将垃圾来源信息和垃圾种类信息进行数据整合，得到垃圾特性数据集；
基于预设的融合算法，将垃圾样本数据集、环境因子数据集以及垃圾特性数据集进行融合处理，得到融合数据集，并将融合数据集划分为训练样本集和检验样本集；
将训练样本集输入至预设的深度学习模型，预测得到垃圾组成特性、环境因子、垃圾特性之间的因果关系，基于所述因果关系，生成垃圾违规投放的预测值，并根据预测值绘制对应的初始预测分布图；
通过实际测定的垃圾特性和预测值计算损失值，得到第一损失值，通过预设的插值法对第一损失值进行空间插值处理，得到第二损失值；
根据深度学习模型预测的垃圾特性和第二损失值对垃圾违规投放的预测值进行修正运算，得到修正后的预测值，并基于修正后的预测值以及初始预测分布图，形成修正后的预测分布图；
通过修正后的预测分布图对训练样本集进行特征分析，得到垃圾预测特性数据；
将垃圾预测特性数据输入至预设的深度学习模型进行训练；
对预设的深度学习模型的模型参数进行迭代调整，基于预设的损失优化算法，将所述第一损失值、第二损失值降至最小，训练得到所述违规垃圾识别模型。
5.一种垃圾投放站的垃圾违规投放识别装置，其特征在于，所述垃圾投放站的垃圾违规投放识别装置包括：
获取模块，用于获取多个垃圾投放站点的垃圾处理数据，并基于所述垃圾处理数据确定待检测的目标垃圾投放设备和待检测的目标垃圾投放设备对应的标准垃圾重量；
第一检测模块，用于对所述目标垃圾投放设备进行投放状态检测，得到投放状态结果，对投放状态结果进行异常分析，得到异常分析结果；
第二检测模块，用于如果异常分析结果为目标垃圾投放设备的载荷异常，则基于所述标准垃圾重量，对目标垃圾投放设备进行垃圾载荷的特性检测，生成特性检测结果；其中，所述特性检测结果包括：垃圾载荷存在超标和垃圾载荷未超标；
分析模块，用于如果垃圾载荷存在超标，则采集目标垃圾投放设备对应的投放区域的多个压力图像，并根据压力图像进行重量分析，得到重量分析结果；
切割模块，用于基于所述重量分析结果针对目标垃圾投放设备进行故障定位，产生故障定位结果，根据故障定位结果从目标垃圾投放设备的投放区域中切割出重量超标的垃圾投放区域，并采集重量超标的垃圾投放区域的压力分布图像；
识别模块，用于将重量超标的垃圾投放区域的压力分布图像输入训练后的违规垃圾识别模型进行违规垃圾识别，得到违规垃圾识别结果；其中，所述违规垃圾识别结果用于表示目标垃圾投放设备的垃圾超标程度和违规垃圾种类；
所述基于所述垃圾处理数据确定待检测的目标垃圾投放设备，包括：
向垃圾投放设备发送特定的初始化请求信号，并处理垃圾投放设备返回的请求响应信号；其中，所述请求响应信号包含多个垃圾处理数据；
将获取的垃圾处理数据拆解为投放信息、加密信息以及目标设备特征信息，从投放信息中解析出垃圾投放状态信息；
对加密信息进行分析识别，解密出垃圾投放设备的设备加密数据，对设备加密数据进行编码，生成对应的编码字符集合；
获取当前的时间信息，基于所述时间信息在数据库中匹配对应的字符选取规则；其中，所述数据库中存储有时间信息与字符选取规则的对应关系；
基于所述字符选取规则，从所述编码字符集合中选择出多个目标字符，将多个所述目标字符进行组合，得到目标字符组合；
采用预设的编码表对所述目标字符组合进行编码，得到的编码值作为加密密钥；
利用垃圾投放状态者信息在数据库中匹配相应的数据集，将生成的加密密钥与数据集匹配，找出匹配的数据实体；其中，所述数据实体包含多个具有监测权限的垃圾投放设备，并为每个垃圾投放设备赋予唯一加密密钥；
将所述目标设备特征信息与每个垃圾投放设备的唯一加密密钥进行比对，选择匹配度最高且超过预设阈值的垃圾投放设备作为目标垃圾投放设备。
6.一种垃圾投放站的垃圾违规投放识别设备，其特征在于，所述垃圾投放站的垃圾违规投放识别设备包括：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，以使得所述垃圾投放站的垃圾违规投放识别设备执行如权利要求1-4中任一项所述的垃圾投放站的垃圾违规投放识别方法。
7.一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1-4中任一项所述的垃圾投放站的垃圾违规投放识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311740244.9A CN117421692B (zh) | 2023-12-18 | 2023-12-18 | 垃圾投放站的垃圾违规投放识别方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311740244.9A CN117421692B (zh) | 2023-12-18 | 2023-12-18 | 垃圾投放站的垃圾违规投放识别方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117421692A CN117421692A (zh) | 2024-01-19 |
| CN117421692B true CN117421692B (zh) | 2024-04-09 |
Family
ID=89525136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311740244.9A Active CN117421692B (zh) | 2023-12-18 | 2023-12-18 | 垃圾投放站的垃圾违规投放识别方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117421692B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611109B (zh) * | 2024-01-24 | 2024-04-26 | 福建亿安智能技术股份有限公司 | 一种违规物品投放信息监测管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005029294A (ja) * | 2003-07-08 | 2005-02-03 | Hitachi Plant Eng & Constr Co Ltd | 固形物投入装置 |
| CN110313916A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种糖尿病足患者足底压力特征识别方法 |
| CN111914815A (zh) * | 2020-09-05 | 2020-11-10 | 广东鲲鹏智能机器设备有限公司 | 一种垃圾目标的机器视觉智能识别系统及方法 |
| CN112758567A (zh) * | 2021-01-11 | 2021-05-07 | 江苏地风环卫有限公司 | 一种垃圾投放行为分析与控制方法及系统 |
| CN216036580U (zh) * | 2021-09-15 | 2022-03-15 | 深圳火眼智能有限公司 | 一种基于机器人的人工智能视觉垃圾投放分类系统 |
| CN114241352A (zh) * | 2021-11-10 | 2022-03-25 | 杭州智科通智能科技有限公司 | 垃圾投放监控方法、装置、设备及可读存储介质 |
| CN115564376A (zh) * | 2022-09-27 | 2023-01-03 | 北京声智科技有限公司 | 垃圾投放管理系统和垃圾存放系统 |
| CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI726229B (zh) * | 2018-08-13 | 2021-05-01 | 國立陽明交通大學 | 基於深度學習及電腦視覺技術之垃圾分類系統及方法 |
-
2023
- 2023-12-18 CN CN202311740244.9A patent/CN117421692B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005029294A (ja) * | 2003-07-08 | 2005-02-03 | Hitachi Plant Eng & Constr Co Ltd | 固形物投入装置 |
| CN110313916A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种糖尿病足患者足底压力特征识别方法 |
| CN111914815A (zh) * | 2020-09-05 | 2020-11-10 | 广东鲲鹏智能机器设备有限公司 | 一种垃圾目标的机器视觉智能识别系统及方法 |
| CN112758567A (zh) * | 2021-01-11 | 2021-05-07 | 江苏地风环卫有限公司 | 一种垃圾投放行为分析与控制方法及系统 |
| CN216036580U (zh) * | 2021-09-15 | 2022-03-15 | 深圳火眼智能有限公司 | 一种基于机器人的人工智能视觉垃圾投放分类系统 |
| CN114241352A (zh) * | 2021-11-10 | 2022-03-25 | 杭州智科通智能科技有限公司 | 垃圾投放监控方法、装置、设备及可读存储介质 |
| CN115564376A (zh) * | 2022-09-27 | 2023-01-03 | 北京声智科技有限公司 | 垃圾投放管理系统和垃圾存放系统 |
| CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络识别重力异常体;王逸宸;《物探与化探》;20200331;第44卷(第02期);第172-178页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117421692A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115908424B (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
| CN109858244B (zh) | 一种容器内进程异常行为检测方法与系统 | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| CN102473660B (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
| CN106548343B (zh) | 一种非法交易检测方法及装置 | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| CN109374631B (zh) | 一种隧道状态评测方法 | |
| CN116342895B (zh) | 基于ai处理的提升再生资源分拣效率的方法及系统 | |
| CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及系统 | |
| CN116953395B (zh) | 充电桩偷电检测方法、装置、设备及存储介质 | |
| CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
| CN115865483A (zh) | 一种基于机器学习的异常行为分析方法和装置 | |
| CN117235655A (zh) | 基于联邦学习的智慧供热异常工况识别方法及系统 | |
| CN113449703A (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
| CN110458144A (zh) | 物体区域入侵检测方法、系统、装置及可读存储介质 | |
| CN113269042A (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
| CN118244110A (zh) | 一种工业机器人电机故障预警方法及系统 | |
| CN107085544A (zh) | 一种系统错误定位方法及装置 | |
| KR102521000B1 (ko) | 플랜트 설비 관리 시스템 및 방법 | |
| CN118279804B (zh) | 一种基于深度学习的安全帽佩戴检测方法及可读存储介质 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN117407666B (zh) | 基于人工智能的智能垃圾桶参数分析和控制方法及装置 | |
| CN117806233A (zh) | 一种数控机床智能监控系统及方法 | |
| CN118014552A (zh) | 电厂输煤系统巡检方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |