CN117523502B - 基于机器视觉的城市道路垃圾智能监测系统 - Google Patents
基于机器视觉的城市道路垃圾智能监测系统 Download PDFInfo
- Publication number
- CN117523502B CN117523502B CN202410020436.0A CN202410020436A CN117523502B CN 117523502 B CN117523502 B CN 117523502B CN 202410020436 A CN202410020436 A CN 202410020436A CN 117523502 B CN117523502 B CN 117523502B
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixel point
- point
- correction
- garbage
- 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 121
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 129
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 46
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/40—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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,提出了基于机器视觉的城市道路垃圾智能监测系统,包括:数据采集模块,采集垃圾桶图像;平面拟合优度获取模块,建立像素点的特征窗口,获取像素点的噪声表现程度,获取像素点的平面拟合优度;修正像素点获取模块,确定像素点的中值点,获取像素点的中值点的边缘影响度,获取像素点的修正可能性,标记修正像素点;校正中值灰度获取模块,确定修正像素点的非中心点,确定非中心点的权重,获取修正像素点的校正中值灰度;垃圾监测模块,根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像,根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测。本发明解决城市道路垃圾监测情况不准确的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的城市道路垃圾智能监测系统。
背景技术
采用机器视觉技术实现垃圾监测可以提高监测的效率,减轻人力负担,并降低相关的运营成本。智能监测系统可以帮助城市管理者更好地了解垃圾积聚情况,从而采取有针对性的管理和清理措施。在对道路垃圾监测的过程中,常对道路垃圾桶的图像进行采集和去噪,再采用神经网络对去噪后的道路垃圾桶图像中的垃圾桶进行识别。
目前,通常使用中值滤波对道路垃圾桶的图像进行去噪,减少噪声对图像的影响,提高图像质量,但是,当图像边缘附近存在噪声时,采用中值滤波去噪的同时会模糊图像细节,影响到后续道路垃圾桶的识别,不利于检测垃圾桶内冗余情况。
发明内容
本发明提供基于机器视觉的城市道路垃圾智能监测系统,以解决去噪时图像细节被模糊导致的城市道路垃圾监测情况不准确的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于机器视觉的城市道路垃圾智能监测系统,该系统包括以下模块:
数据采集模块,采集垃圾桶图像,获取边缘像素点;
平面拟合优度获取模块,建立像素点的特征窗口,建立立体灰度柱状图,根据立体灰度柱状图,获取像素点的噪声表现程度,确定像素点的最近边缘距离,确定像素点的最近边缘梯度,根据像素点的最近边缘距离、最近边缘梯度和噪声表现程度,获取像素点的平面拟合优度;
修正像素点获取模块,根据像素点的特征窗口内包含的像素点的灰度值,确定像素点的中值点,根据像素点的最近边缘梯度、像素点的中值点的梯度、像素点的中值点与像素点的特征窗口内边缘像素点的距离,获取像素点的中值点的边缘影响度,根据像素点的平面拟合优度、像素点的中值点的边缘影响度和噪声表现程度,获取像素点的修正可能性,根据修正可能性,标记修正像素点;
校正中值灰度获取模块,确定修正像素点的非中心点,获取非中心点的梯度差异夹角,获取非中心点的灰度差异和,根据修正像素点的非中心点的梯度差异夹角、灰度差异和以及噪声表现程度,确定非中心点的权重,根据修正像素点的特征窗口内非中心点的权重,对修正像素点的中值灰度进行加权,获取修正像素点的校正中值灰度;
垃圾监测模块,根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像,根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测。
进一步,所述建立像素点的特征窗口的方法为:
将以像素点为中心像素点,以边长为第一预设阈值的窗口记为像素点的特征窗口。
进一步,所述获取像素点的噪声表现程度的方法为:
对像素点的特征窗口对应的立体灰度柱状图进行二维平面拟合,将像素点的灰度值与拟合二维平面的拟合值的差值的绝对值记为像素点的噪声表现程度。
进一步,所述确定像素点的最近边缘距离的方法为:
将像素点与最近的边缘像素点之间的欧氏距离记为像素点的最近边缘距离。
进一步,所述根据像素点的特征窗口内包含的像素点的灰度值,确定像素点的中值点的方法为:
将像素点的特征窗口内包含的所有像素点的灰度值的中值记为像素点的中值灰度,将中值灰度对应的像素点记为特征窗口的中心像素点的中值点。
进一步,所述根据修正可能性,标记修正像素点的方法为:
将修正可能性大于修正阈值的像素点标记为修正像素点。
进一步,所述确定修正像素点的非中心点的方法为:
将修正像素点的特征窗口内,除中心像素点外所有像素点,记为修正像素点的非中心点。
进一步,所述获取非中心点的梯度差异夹角的方法为:
将分别以修正像素点和修正像素点的非中心点为起点和终点的向量的方向记为修正像素点的非中心点的方向,将修正像素点的非中心点的方向与修正像素点的梯度方向之间的夹角记为修正像素点的非中心点的梯度差异夹角。
进一步,所述根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像的方法为:
对垃圾桶图像中的不是修正像素点的像素点进行中值滤波去噪,将修正像素点的校正中值灰度作为灰度值,获取去噪后的垃圾桶图像。
进一步,所述根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测的方法为:
对去噪后的垃圾桶图像采用YOLO5模型处理,获得垃圾桶图像中的垃圾桶区域;
当同一个相机获取的相邻的两个采集时间的垃圾桶图像中的垃圾桶区域,包含的灰度级个数的差值的绝对值大于限定阈值时,认为垃圾桶溢满,提醒工作人员对垃圾桶清理。
本发明的有益效果是:
本发明从中值滤波去噪时,位于图像边缘附近的像素点易受到边缘的影响,导致去噪效果不佳,模糊图像细节的问题出发,首先,分析像素点受到噪声的偏差影响的程度,判断像素点的灰度值的可信程度,即获取像素点的平面拟合优度;然后,结合像素点受到边缘像素点的影响程度,判断像素点直接进行中值滤波受到的影响程度,确定像素点的修正可能性,根据修正可能性确定修正像素点,修正像素点即为直接进行中值滤波去噪会导致图像细节模糊,需要进行调整的像素点;根据修正像素点的特征窗口内像素点的灰度分布,确定进行中值滤波时,对修正像素点的灰度值的校正值,获取修正像素点的校正中值灰度,根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像,根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测,解决去噪时图像细节被模糊导致的城市道路垃圾监测情况不准确的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于机器视觉的城市道路垃圾智能监测系统的流程示意图;
图2为立体灰度柱状图示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉的城市道路垃圾智能监测系统流程图,该系统包括:数据采集模块、平面拟合优度获取模块、修正像素点获取模块、校正中值灰度获取模块、垃圾监测模块。
数据采集模块,采集垃圾桶图像,获取边缘像素点。
为了对道路、小区、景区等户外垃圾桶进行智能监测,识别垃圾是否溢满,在垃圾桶附近安装相机,使用相机采集垃圾桶图像,以经验值为0.5小时的拍摄间隔采集垃圾桶图像,其中,拍摄间隔可依据实际情况进行调整,垃圾桶图像为RGB图像。
将垃圾桶图像转换为灰度图像,获取垃圾桶灰度图像,对垃圾桶灰度图像使用canny边缘检测算子,获取垃圾桶边缘图像。根据垃圾桶边缘图像,获取垃圾桶图像中的所有边缘像素点。
至此,获取垃圾桶图像及垃圾桶图像中的所有边缘像素点。
平面拟合优度获取模块,建立像素点的特征窗口,建立立体灰度柱状图,根据立体灰度柱状图,获取像素点的噪声表现程度,确定像素点的最近边缘距离,确定像素点的最近边缘梯度,根据像素点的最近边缘距离、最近边缘梯度和噪声表现程度,获取像素点的平面拟合优度。
采集的垃圾桶图像存在噪声,噪声的存在容易影响垃圾桶图像中垃圾桶的识别,所以需要进行去噪,提高垃圾桶识别结果的准确性,便于对垃圾桶是否溢满进行监测。
分别以垃圾桶图像中每个像素点作为中心像素点,建立边长为第一预设阈值的窗口。其中,第一预设阈值的取值应为奇数,经验值为5。
将像素点对应的边长为第一预设阈值的窗口记为像素点的特征窗口。
在对像素点使用像素点的特征窗口的灰度中值进行修正之前,首先需要判断像素点对应的灰度值的噪声表现程度,当像素点对应的灰度值表现为噪声的程度越大时,像素点对应的灰度值越可能为噪声,越需要进行修正。并且,当像素点位于垃圾桶图像边缘附近时,像素点的特征窗口内像素点被分为在边缘内和在边缘外两部分,此时,直接依据像素点的特征窗口内灰度中值,对像素点进行滤波得到的结果并不准确,因此,当像素点属于边缘像素点的可能性越大,对像素点的特征窗口的灰度中值进行修正的必要性越大。
首先,对像素点属于边缘像素点的可能性进行评价。
根据垃圾桶图像内像素点的位置排列其中每个像素点的特征窗口内包含的像素点,以像素点的像素值作为像素点对应的数值,建立像素点的特征窗口对应的立体灰度柱状图。立体灰度柱状图示意图如图2所示。
对像素点的特征窗口对应的立体灰度柱状图使用最小二乘算法进行二维平面拟合,将像素点的灰度值与拟合二维平面的拟合值的差值的绝对值记为像素点的噪声表现程度。
当像素点的噪声表现程度越大时,像素点对应的灰度值表现为噪声的程度越大,像素点对应的灰度值越可能为噪声,越需要进行修正。
像素点的噪声表现程度是根据拟合二维平面确定的,所以,像素点的噪声表现程度也与其余像素点的灰度值有关,像素点也可能是受到其对应的特征窗口内其他像素点的灰度值的影响才导致的噪声表现程度过大,所以,在拟合二维平面时,应充分考虑其他像素点的影响。
获取垃圾桶图像中每个像素点与欧氏距离最近的边缘像素点之间的欧氏距离,将欧氏距离记为像素点的最近边缘距离。获取像素点在欧氏距离最近的边缘像素点方向的梯度值,将梯度值记为像素点的最近边缘梯度。
根据像素点的最近边缘距离、最近边缘梯度和噪声表现程度确定像素点的平面拟合优度。
式中,表示像素点/>的平面拟合优度;/>表示像素点/>的最近边缘距离;/>表示像素点/>的最近边缘梯度;/>表示像素点/>的特征窗口内第/>个像素点的噪声表现程度;表示像素点的特征窗口的边长,即第一预设阈值,经验值为5。
当素点的最近边缘距离越大、最近边缘梯度越小时,像素点距离垃圾桶头像中的边缘像素点越远,受到边缘的影响导致滤波结果不准确的可能性越小,此时,像素点的平面拟合优度越大,像素点受到噪声的偏差影响越小,像素点的灰度值越可信。
所以,当素点的最近边缘距离越大、最近边缘梯度和噪声表现程度越小时,像素点的平面拟合优度越大,此时,像素点受到噪声的偏差影响越小,像素点的灰度值越可信。
至此,获取像素点的平面拟合优度。
修正像素点获取模块,根据像素点的特征窗口内包含的像素点的灰度值,确定像素点的中值点,根据像素点的最近边缘梯度、像素点的中值点的梯度、像素点的中值点与像素点的特征窗口内边缘像素点的距离,获取像素点的中值点的边缘影响度,根据像素点的平面拟合优度、像素点的中值点的边缘影响度和噪声表现程度,获取像素点的修正可能性,根据修正可能性,标记修正像素点。
将所分析的像素点的特征窗口内包含的所有像素点的灰度值的中值记为所分析的像素点的中值灰度,将中值灰度对应的像素点记为所分析的像素点的中值点。
根据像素点的最近边缘梯度、像素点的中值点的梯度、像素点的中值点与像素点的特征窗口内边缘像素点的距离,获取像素点的中值点的边缘影响度。
式中,表示像素点/>的中值点的边缘影响度;/>表示像素点/>的中值点的最近边缘梯度;/>表示像素点/>的特征窗口内包含的所有像素点的最近边缘梯度的和;/>表示像素点/>的中值点,在像素点/>的特征窗口内包含的第/>个边缘像素点方向的梯度;/>表示像素点/>的中值点,与像素点/>的特征窗口内包含的第/>个边缘像素点之间的欧氏距离;/>表示像素点/>的特征窗口内包含的边缘像素点的数量;/>表示第一调节阈值,经验值为0.01。
当像素点的中值点与像素点的特征窗口内边缘像素点的距离越小、像素点的中值点在像素点的特征窗口内包含的边缘像素点方向的梯度越大时,像素点的中值点受到边缘像素点的影响越大,像素点的中值点的边缘影响度越大,此时,像素点直接进行中值滤波受到的影响越大,越应该对中值滤波过程进行调整。
当像素点的中值点的最近边缘梯度占像素点的特征窗口内包含的所有像素点的最近边缘梯度的和的比例越大时,像素点的中值点的边缘影响度越大,此时,像素点直接进行中值滤波受到的影响越大,越应该对中值滤波过程进行调整。
根据像素点的平面拟合优度、像素点的中值点的边缘影响度和噪声表现程度,确定像素点的修正可能性。
式中,表示像素点/>的修正可能性;/>表示像素点/>的平面拟合优度;/>表示像素点/>的中值点的边缘影响度;/>表示像素点/>的中值点的噪声表现程度;表示线性归一化函数。
当像素点的中值点的噪声表现程度和边缘影响度越大,像素点的平面拟合优度越小时,像素点的修正可能性越大,即像素点的中值点为噪声点的可能性越大,需要对像素点的中值点进行修正的必要性越大。
当像素点的修正可能性大于修正阈值时,认为像素点的中值需要在进行中值滤波去噪的过程中进行修正,将像素点标记为修正像素点。其中,修正阈值的经验值为0.1。
至此,获取像素点的修正可能性和修正像素点。
校正中值灰度获取模块,确定修正像素点的非中心点,获取非中心点的梯度差异夹角,获取非中心点的灰度差异和,根据修正像素点的非中心点的梯度差异夹角、灰度差异和以及噪声表现程度,确定非中心点的权重,根据修正像素点的特征窗口内非中心点的权重,对修正像素点的中值灰度进行加权,获取修正像素点的校正中值灰度。
为了避免对垃圾桶图像进行去噪的过程中,垃圾桶图像的细节信息被模糊,需要在去噪过程中,对修正像素点的中值灰度进行加权。
将修正像素点的特征窗口内,除中心像素点外其他像素点均记为修正像素点的非中心点。
首先,确定修正像素点的非中心点的权重。
将分别以修正像素点和修正像素点的非中心点为起点和终点的向量的方向,记为修正像素点的非中心点的方向,将修正像素点的非中心点的方向与修正像素点的梯度方向之间的夹角记为修正像素点的非中心点的梯度差异夹角。
当修正像素点的非中心点的梯度差异夹角越小时,修正像素点的非中心点受到修正像素点的特征窗口内边缘的影响越小,在根据修正像素点的非中心点对修正像素点的中值灰度进行加权的过程中,修正像素点的非中心点的权重影响应越大。
筛选出修正像素点的特征窗口内,过修正像素点的非中心点且在非中心点的方向上的所有像素点,将筛选出的这些像素点中每两个相邻像素点的灰度值的差值的绝对值之和记为非中心点的灰度差异和。
当非中心点的灰度差异和越小时,非中心点受到修正像素点的特征窗口内边缘的影响越小,在根据修正像素点的非中心点对修正像素点的中值灰度进行加权的过程中,修正像素点的非中心点的权重影响应越大。
根据修正像素点的非中心点的梯度差异夹角、灰度差异和以及噪声表现程度,确定非中心点的权重。
式中,表示修正像素点/>的非中心点/>的权重;/>表示修正像素点/>的非中心点/>的梯度差异夹角;/>表示修正像素点/>的非中心点/>的灰度差异;/>表示修正像素点/>的非中心点/>的噪声表现程度;/>表示线性归一化函数;/>表示第二调节阈值,经验值为1。
当非中心点的噪声表现程度越大时,非中心点呈现出的受到噪声影响的可能性越大,在根据修正像素点的非中心点对修正像素点的中值灰度进行加权的过程中,修正像素点的非中心点的权重影响应越小。
当修正像素点的非中心点的梯度差异夹角、灰度差异和以及噪声表现程度越大时,非中心点的权重越小,在根据修正像素点的非中心点对修正像素点的中值灰度进行加权的过程中,修正像素点的非中心点的权重影响应越小。
根据修正像素点的特征窗口内非中心点的权重,对修正像素点的中值灰度进行加权,获取修正像素点的校正中值灰度。
式中,表示修正像素点/>的校正中值灰度;/>表示像素点的特征窗口的边长,即第一预设阈值,经验值为5;/>表示修正像素点/>的特征窗口内非中心点的数量;/>表示修正像素点/>的非中心点/>的中值灰度;/>表示修正像素点/>的非中心点/>的权重;/>表示修正像素点/>的特征窗口内所有非中心点的权重和;/>表示取整函数,作用为保证修正像素点的校正中值灰度为整数。
当修正像素点的非中心点的中值灰度和权重越大时,该非中心点对修正像素点的校正中值灰度影响越大。
至此,获取修正像素点的校正中值灰度。
垃圾监测模块,根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像,根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测。
对垃圾桶图像中的不是修正像素点的像素点进行中值滤波去噪,将修正像素点的校正中值灰度作为灰度值,获取去噪后的垃圾桶图像。其中,中值滤波去噪为公知技术,不再赘述。
对去噪后的垃圾桶图像采用YOLO5模型进行检测,获得垃圾桶图像中的垃圾桶区域。
当相邻的两个采集时间获取的同一个位置的垃圾桶图像中的垃圾桶区域,包含的灰度级个数的差值的绝对值大于限定阈值时,则认为垃圾桶溢满,需要提醒相关工作人员对垃圾桶清理,提高垃圾清洁效率。其中,限定阈值的经验值为5。
本实施例在识别垃圾桶是否溢满之前先对垃圾桶图像进行去噪,提高垃圾桶图像的质量,并在垃圾桶图像去噪过程中,对像素点对应窗口的灰度中值进行修正,提升去噪效果,便于对垃圾桶图像中的垃圾桶进行识别。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于机器视觉的城市道路垃圾智能监测系统,其特征在于,该系统包括以下模块:
数据采集模块,采集垃圾桶图像,获取边缘像素点;
平面拟合优度获取模块,建立像素点的特征窗口,建立立体灰度柱状图,根据立体灰度柱状图,获取像素点的噪声表现程度,确定像素点的最近边缘距离,确定像素点的最近边缘梯度,根据像素点的最近边缘距离、最近边缘梯度和噪声表现程度,获取像素点的平面拟合优度;
修正像素点获取模块,根据像素点的特征窗口内包含的像素点的灰度值,确定像素点的中值点,根据像素点的最近边缘梯度、像素点的中值点的梯度、像素点的中值点与像素点的特征窗口内边缘像素点的距离,获取像素点的中值点的边缘影响度,根据像素点的平面拟合优度、像素点的中值点的边缘影响度和噪声表现程度,获取像素点的修正可能性,根据修正可能性,标记修正像素点;
校正中值灰度获取模块,确定修正像素点的非中心点,获取非中心点的梯度差异夹角,获取非中心点的灰度差异和,根据修正像素点的非中心点的梯度差异夹角、灰度差异和以及噪声表现程度,确定非中心点的权重,根据修正像素点的特征窗口内非中心点的权重,对修正像素点的中值灰度进行加权,获取修正像素点的校正中值灰度;
垃圾监测模块,根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像,根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测;
所述平面拟合优度的表达式为:
式中,表示像素点/>的平面拟合优度;/>表示像素点/>的最近边缘距离;/>表示像素点/>的最近边缘梯度;/>表示像素点/>的特征窗口内第/>个像素点的噪声表现程度;/>表示像素点的特征窗口的边长;
所述边缘影响度的表达式为:
式中,表示像素点/>的中值点的边缘影响度;/>表示像素点/>的中值点的最近边缘梯度;/>表示像素点/>的特征窗口内包含的所有像素点的最近边缘梯度的和;/>表示像素点/>的中值点,在像素点/>的特征窗口内包含的第/>个边缘像素点方向的梯度;/>表示像素点/>的中值点,与像素点/>的特征窗口内包含的第/>个边缘像素点之间的欧氏距离;/>表示像素点/>的特征窗口内包含的边缘像素点的数量;/>表示第一调节阈值;
所述修正可能性的表达式为:
式中,表示像素点/>的修正可能性;/>表示像素点/>的平面拟合优度;/>表示像素点/>的中值点的边缘影响度;/>表示像素点/>的中值点的噪声表现程度;/>表示线性归一化函数。
2.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述建立像素点的特征窗口的方法为:
将以像素点为中心像素点,以边长为第一预设阈值的窗口记为像素点的特征窗口。
3.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述获取像素点的噪声表现程度的方法为:
对像素点的特征窗口对应的立体灰度柱状图进行二维平面拟合,将像素点的灰度值与拟合二维平面的拟合值的差值的绝对值记为像素点的噪声表现程度。
4.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述确定像素点的最近边缘距离的方法为:
将像素点与最近的边缘像素点之间的欧氏距离记为像素点的最近边缘距离。
5.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述根据像素点的特征窗口内包含的像素点的灰度值,确定像素点的中值点的方法为:
将像素点的特征窗口内包含的所有像素点的灰度值的中值记为像素点的中值灰度,将中值灰度对应的像素点记为特征窗口的中心像素点的中值点。
6.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述根据修正可能性,标记修正像素点的方法为:
将修正可能性大于修正阈值的像素点标记为修正像素点。
7.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述确定修正像素点的非中心点的方法为:
将修正像素点的特征窗口内,除中心像素点外所有像素点,记为修正像素点的非中心点。
8.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述获取非中心点的梯度差异夹角的方法为:
将分别以修正像素点和修正像素点的非中心点为起点和终点的向量的方向记为修正像素点的非中心点的方向,将修正像素点的非中心点的方向与修正像素点的梯度方向之间的夹角记为修正像素点的非中心点的梯度差异夹角。
9.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述根据修正像素点的校正中值灰度对垃圾桶图像去噪,获取去噪后的垃圾桶图像的方法为:
对垃圾桶图像中的不是修正像素点的像素点进行中值滤波去噪,将修正像素点的校正中值灰度作为灰度值,获取去噪后的垃圾桶图像。
10.根据权利要求1所述的基于机器视觉的城市道路垃圾智能监测系统,其特征在于,所述根据去噪后的垃圾桶图像实现城市道路垃圾的智能监测的方法为:
对去噪后的垃圾桶图像采用YOLO5模型处理,获得垃圾桶图像中的垃圾桶区域;
当同一个相机获取的相邻的两个采集时间的垃圾桶图像中的垃圾桶区域,包含的灰度级个数的差值的绝对值大于限定阈值时,认为垃圾桶溢满,提醒工作人员对垃圾桶清理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410020436.0A CN117523502B (zh) | 2024-01-08 | 2024-01-08 | 基于机器视觉的城市道路垃圾智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410020436.0A CN117523502B (zh) | 2024-01-08 | 2024-01-08 | 基于机器视觉的城市道路垃圾智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523502A CN117523502A (zh) | 2024-02-06 |
CN117523502B true CN117523502B (zh) | 2024-03-19 |
Family
ID=89746091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410020436.0A Active CN117523502B (zh) | 2024-01-08 | 2024-01-08 | 基于机器视觉的城市道路垃圾智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523502B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327576A (zh) * | 2016-08-10 | 2017-01-11 | 周口师范学院 | 一种城市场景重建方法及系统 |
CN106767564A (zh) * | 2016-11-03 | 2017-05-31 | 广东工业大学 | 一种应用于手机外壳表面粗糙度的检测方法 |
CN109753890A (zh) * | 2018-12-18 | 2019-05-14 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN114511520A (zh) * | 2022-01-20 | 2022-05-17 | 广州极飞科技股份有限公司 | 作物形态检测方法、装置、设备及存储介质 |
CN115294430A (zh) * | 2022-06-24 | 2022-11-04 | 上海交通大学 | 一种基于传感器耦合的机器视觉垃圾识别定位技术 |
-
2024
- 2024-01-08 CN CN202410020436.0A patent/CN117523502B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327576A (zh) * | 2016-08-10 | 2017-01-11 | 周口师范学院 | 一种城市场景重建方法及系统 |
CN106767564A (zh) * | 2016-11-03 | 2017-05-31 | 广东工业大学 | 一种应用于手机外壳表面粗糙度的检测方法 |
CN109753890A (zh) * | 2018-12-18 | 2019-05-14 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN114511520A (zh) * | 2022-01-20 | 2022-05-17 | 广州极飞科技股份有限公司 | 作物形态检测方法、装置、设备及存储介质 |
CN115294430A (zh) * | 2022-06-24 | 2022-11-04 | 上海交通大学 | 一种基于传感器耦合的机器视觉垃圾识别定位技术 |
Non-Patent Citations (3)
Title |
---|
Machine Vision-based Recognition and Positioning System for Domestic Garbage;Zhao Zhang等;《2021 IEEE International Conference on Robotics and Biomimetics (ROBIO)》;20220328;第1559-1563页 * |
基于机器视觉的建筑垃圾再生料快速检测技术研究;李贺华;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20220315(第03期);第B027-1382页 * |
基于深度卷积神经网络的垃圾分类模型的研究;张文馨;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20221115(第11期);第B027-596页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117523502A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN115661669B (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN114324078B (zh) | 一种颗粒粒径识别方法、装置、设备和介质 | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
CN112749654A (zh) | 一种用于视频大雾监测的深度神经网络模型构建方法、系统及装置 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN115330818A (zh) | 一种图片分割方法及其计算机可读存储介质 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN118072168A (zh) | 一种稻麦联合收获机喂入量实时精准预测方法及系统 | |
CN117690120A (zh) | 一种移动设备抓拍车牌的车辆监控方法及系统 | |
CN117974655A (zh) | 基于计算机视觉的沥青道路质量检测方法 | |
CN117523502B (zh) | 基于机器视觉的城市道路垃圾智能监测系统 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN114782561B (zh) | 基于大数据的智慧农业云平台监控系统 | |
CN116188990A (zh) | 一种基于无人机遥感的地表植被识别方法及系统 | |
CN108288267B (zh) | 一种基于暗通道的扫描电镜图像清晰度无参考评价方法 | |
CN114440835B (zh) | 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质 | |
CN103366161B (zh) | 一种白粉虱数量的统计方法及系统 | |
CN115830341A (zh) | 一种基于特征点匹配的摄像头偏移检测方法 | |
CN114820376A (zh) | 条带噪声的融合校正方法、装置、电子设备及存储介质 | |
CN114757963A (zh) | 一种夜间复杂光照变化下的运动目标提取方法 | |
CN114926360A (zh) | 基于噪声估计的图像降噪处理工作方法 | |
CN114782809A (zh) | 一种接触网关键部位动态偏移量检测方法 |
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 |