CN118196756A - 道路垃圾识别方法、装置及电子设备 - Google Patents
道路垃圾识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN118196756A CN118196756A CN202410341561.1A CN202410341561A CN118196756A CN 118196756 A CN118196756 A CN 118196756A CN 202410341561 A CN202410341561 A CN 202410341561A CN 118196756 A CN118196756 A CN 118196756A
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- grid
- garbage
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000000875 corresponding effect Effects 0.000 claims description 55
- 238000013507 mapping Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000002699 waste material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001417527 Pempheridae Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种道路垃圾识别方法、装置及电子设备,其中,所述道路垃圾识别方法包括:获取自车对应的3D道路空间以及获取自车采集的道路图像;根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。本申请实施例的道路垃圾识别方法利用自车前方的3D道路空间将自车采集的道路图像划分为多个道路网格区域图像,再利用训练好的道路垃圾识别模型分别对每个道路网格区域图像中的垃圾进行识别,一方面降低了训练道路垃圾识别模型的数据标注成本,另一方面也保证了道路垃圾识别的精度。
Description
技术领域
本申请涉及垃圾识别技术领域,尤其涉及一种道路垃圾识别方法、装置及电子设备。
背景技术
智能清扫是指智能清扫车根据路线上前方路面垃圾存在的情况,决定“是否开启清扫”、“清扫的模式(如扫盘、冲水)”、“清扫的强度(高、中、低)”等。实现智能清扫的前提条件是清扫车能知道前方道路的垃圾分布情况以及垃圾种类等信息。上述信息可以通过使用前向摄像头获取道路图像,用视觉深度学习模型对道路图像进行垃圾识别来获得。
对道路图像的垃圾识别,通常可以通过图像目标检测或图像分割算法来实现。图像目标检测可以检测出图像中垃圾的2D矩形框及垃圾的其它属性,但在实际应用中,垃圾的形状往往是不规则的,尤其一些长条形或弯曲的垃圾堆(或垃圾带)等难以用2D矩形框进行准确的位置标记,导致检测出的矩形框中会有大量的非垃圾区域。图像分割算法可以对图像中的每一个像素进行识别,可以准确的标记任意形状的垃圾的位置,但分割算法所需的训练数据标注成本高、标注周期长。
发明内容
本申请实施例提供了一种道路垃圾识别方法、装置及电子设备,以降低道路垃圾识别成本,提高识别精度。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种道路垃圾识别方法,其中,所述道路垃圾识别方法包括:
获取自车对应的3D道路空间以及获取自车采集的道路图像;
根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
可选地,所述获取自车对应的3D道路空间包括:
获取自车的当前定位信息;
根据所述自车的当前定位信息和高精地图获取自车对应的3D道路空间。
可选地,所述根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像包括:
将所述自车对应的3D道路空间划分为多个3D道路网格空间;
获取自车的相机参数,并根据所述自车的相机参数将多个3D道路网格空间映射至所述道路图像中,得到道路网格图像;
根据所述道路网格图像中包含的多个道路网格区域,从所述道路网格图像中截取出多个所述道路网格区域图像。
可选地,所述自车对应的3D道路空间包括自车前方的多段不同预设距离内的3D道路空间,所述将所述自车对应的3D道路空间划分为多个3D道路网格空间包括:
将自车前方的多段所述不同预设距离内的3D道路空间分别划分为不同预设网格大小的3D道路网格空间;
其中,所述预设网格大小与所述预设距离呈正相关。
可选地,在将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果之后,所述方法还包括:
根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果。
可选地,所述根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果包括:
根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的有无垃圾、垃圾类别以及垃圾量;
在3D道路网格空间中有垃圾的情况下,根据所述3D道路网格空间的位置确定垃圾位置。
可选地,所述预设道路垃圾识别模型通过如下方式训练得到:
获取自车对应的3D道路空间以及自车采集的道路图像;
根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
根据多个道路网格区域图像构建道路垃圾识别模型的训练样本数据,所述训练样本数据包括多个道路网格区域图像及各个道路网格区域图像的标注信息,所述标注信息包括各个道路网格区域的有无垃圾、垃圾类别以及垃圾量中的至少一种;
利用所述训练样本数据训练所述预设道路垃圾识别模型。
第二方面,本申请实施例还提供一种道路垃圾识别装置,其中,所述道路垃圾识别装置包括:
获取单元,用于获取自车对应的3D道路空间以及获取自车采集的道路图像;
网格划分单元,用于根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
识别单元,用于将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
第三方面,本申请实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行前述之任一所述道路垃圾识别方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行前述之任一所述道路垃圾识别方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例的道路垃圾识别方法先获取自车对应的3D道路空间以及获取自车采集的道路图像;然后根据自车对应的3D道路空间,利用预设网格划分策略对道路图像进行网格划分,得到多个道路网格区域图像;最后将多个道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。本申请实施例的道路垃圾识别方法利用自车前方的3D道路空间将自车采集的道路图像划分为多个道路网格区域图像,再利用训练好的道路垃圾识别模型分别对每个道路网格区域图像中的垃圾进行识别,一方面降低了训练道路垃圾识别模型的数据标注成本,另一方面也保证了道路垃圾识别的精度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种道路垃圾识别方法的流程示意图;
图2为本申请实施例中一种道路垃圾识别装置的结构示意图;
图3为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种道路垃圾识别方法,如图1所示,提供了本申请实施例中一种道路垃圾识别方法的流程示意图,所述道路垃圾识别方法至少包括如下的步骤S110至步骤S130:
步骤S110,获取自车对应的3D道路空间以及获取自车采集的道路图像。
本申请实施例在进行道路垃圾的识别时,需要先获取自车行驶前方对应的3D道路空间以及自车相机实时采集的道路图像,这里的“自车”可以理解为具有智能清扫功能的自动驾驶车辆,3D道路空间是自车所处的真实世界环境中的道路信息,可以结合自车的绝对定位和高精地图等数据获取到。
步骤S120,根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像。
为了降低道路垃圾识别模型的数据标注难度和标注成本,本申请实施例利用自车所处的3D道路空间,采取一定的网格划分策略将道路图像划分为多个道路网格区域图像。
步骤S130,将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
利用事先训练好的道路垃圾识别模型分别对前述步骤得到的多个道路网格区域图像中的道路垃圾进行识别,从而得到每个道路网格区域中的垃圾识别结果。也即,本申请实施例对于道路垃圾的识别并不是将自车采集的整张道路图像输入模型进行识别,而是借助3D道路空间对道路图像进行网格划分,利用3D道路空间的已知信息降低对整张道路图像进行标注的成本,且能够得到满足清扫要求的垃圾识别结果。
另外,需要说明的是,虽然网格划分后的图像数量变多,但输入模型的图像分辨率较小,因此模型的识别效率并不受影响。
本申请实施例的道路垃圾识别方法利用实时获取的自车前方的3D道路空间将自车采集的道路图像划分为多个道路网格区域图像,再利用训练好的道路垃圾识别模型分别对每个道路网格区域图像中的垃圾进行识别,一方面降低了训练道路垃圾识别模型的数据标注成本,另一方面也保证了道路垃圾识别的精度。
在本申请的一些实施例中,所述获取自车对应的3D道路空间包括:获取自车的当前定位信息;根据所述自车的当前定位信息和高精地图获取自车对应的3D道路空间。
本申请实施例在获取自车对应的3D道路空间时,可以先获取自车当前的绝对位置,自车当前的绝对位置可以从自车定位模块获取到,在确定出自车当前的绝对位置后,可以将自车的绝对位置与高精地图进行匹配,从而确定自车当前所处的地图位置,将自车当前所处地图位置附近的3D道路信息提取出来,作为自车对应的3D道路空间,这里的3D道路信息主要包括自车前方一段距离内的道路路面的空间位置等信息。
在本申请的一些实施例中,所述根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像包括:将所述自车对应的3D道路空间划分为多个3D道路网格空间;获取自车的相机参数,并根据所述自车的相机参数将多个3D道路网格空间映射至所述道路图像中,得到道路网格图像;根据所述道路网格图像中包含的多个道路网格区域,从所述道路网格图像中截取出多个所述道路网格区域图像。
在利用自车对应的3D道路空间,采取预设网格划分策略对道路图像进行网格划分时,可以先将自车前方的3D道路空间划分为多个3D道路网格空间,多个3D道路网格空间均是真实世界坐标系下的道路网格。具体需要划分的路面区域可以根据实际场景灵活设置,例如可以将自车前方路面前向40m、左右各10m范围的区域进行网格划分。
进一步地,获取事先标定好的世界坐标系到图像像素坐标系的坐标变换关系,将划分得到的多个3D道路网格空间映射到自车当前采集的道路图像中,这样道路图像中的路面区域即被划分为多个道路网格区域,将多个道路网格区域分别从道路图像中裁剪出来,从而得到多个道路网格区域图像,即每个网格区域对应一个道路网格区域图像。
在本申请的一些实施例中,所述自车对应的3D道路空间包括自车前方的多段不同预设距离内的3D道路空间,所述将所述自车对应的3D道路空间划分为多个3D道路网格空间包括:将自车前方的多段所述不同预设距离内的3D道路空间分别划分为不同预设网格大小的3D道路网格空间;其中,所述预设网格大小与所述预设距离呈正相关。
本申请实施例划分多个3D道路网格空间是后续得到道路图像中多个道路网格区域的基础,而道路图像是由自车的前视相机采集的,在自车相机视角下道路图像中的目标存在近大远小的情况,那么对于距离自车最近的一段道路空间,其在投影至道路图像中后,仍然是距离自车最近的一段道路区域,但如果将3D道路空间直接等分为多个3D道路网格空间,3D道路网格空间距离自车越近,其投影到图像中的位置距离自车也越近,那么基于近大远小的原则,投影到图像中的该道路网格的大小也越大。反之,对于距离自车较远处的3D道路网格空间,投影到图像中的位置距离自车也越远,对应的道路网格也越小。
基于此,本申请实施例在对3D道路空间进行划分时进一步考虑了道路图像中目标近大远小的情况对于网格划分效果的影响,具体采取的网格划分策略可以是将自车前方的3D道路空间按照距离自车由近至远依次划分为多段,分别将每段3D道路空间划分为不同网格大小的3D道路网格空间,且3D道路空间距离自车越远,对应的网格大小越大,从而可以避免3D道路网格空间在投影到道路图像后因网格区域过小而影响垃圾识别精度的情况。
举例说明,可以将自车前方划分为0-20m,20-40m两个路段,将前向20m内的网格长度和宽度分别设置为1m,前向20-40m内的网格长度设置为2m,宽度设置为1m,当然,具体划分的路段范围和网格大小可以根据实际需求灵活调整,在此不作具体限定。
在本申请的一些实施例中,在将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果之后,所述方法还包括:根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果。
本申请实施例在将多个道路网格区域图像分别输入预设道路垃圾识别模型后,得到的是预设道路垃圾识别模型输出的各个道路网格区域图像中的垃圾识别结果,而最终得到垃圾识别结果要能够提供给自车进行清扫决策。因此本申请实施例还可以基于自车相机的内外参,将识别出的各个道路网格区域的垃圾识别结果再映射回3D道路空间中,从而得到3D道路网格空间下的垃圾识别结果,具体可以包括每一个3D道路网格空间内是否有垃圾、垃圾的类别以及垃圾量的多少等信息。这样自车便得到了前方道路路面的“垃圾信息网格图”,从而可以选用最优的清扫策略进行清扫。
在本申请的一些实施例中,所述根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果包括:根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的有无垃圾、垃圾类别以及垃圾量;在3D道路网格空间中有垃圾的情况下,根据所述3D道路网格空间的位置确定垃圾位置。
本申请实施例最终输出的垃圾识别结果主要包括各个3D道路网格空间的有无垃圾、垃圾位置、垃圾类别以及垃圾量等识别结果,其中,各个3D道路网格空间是否有垃圾、垃圾的类别以及垃圾量的多少可以直接由道路垃圾识别模型识别得到。
对于垃圾位置的确定,本申请实施例为了降低模型训练阶段对于垃圾位置进行标注所带来的标注成本,并不要求道路垃圾识别模型具备精准的垃圾位置识别的能力,而是借助3D道路网格空间的划分结果来确定垃圾的位置。因为自车前方的3D道路空间的空间位置能够确定,因此按照一定网格划分策略对3D道路空间进行网格划分得到的多个3D道路网格空间的位置也能随之确定,对于模型识别出有垃圾的道路网格空间,就可以直接将该道路网格空间的绝对位置作为垃圾的位置,该位置精度对于清扫车清扫策略的选择是足够的。
在本申请的一些实施例中,所述预设道路垃圾识别模型通过如下方式训练得到:获取自车对应的3D道路空间以及自车采集的道路图像;根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;根据多个道路网格区域图像构建道路垃圾识别模型的训练样本数据,所述训练样本数据包括多个道路网格区域图像及各个道路网格区域图像的标注信息,所述标注信息包括各个道路网格区域的有无垃圾、垃圾类别以及垃圾量中的至少一种;利用所述训练样本数据训练所述预设道路垃圾识别模型。
本申请实施例的道路垃圾识别模型的训练阶段与前述识别阶段的处理基本相同,主要区别在于训练阶段需要针对每一个划分的道路网格区域图像进行垃圾信息的标注,包括有无垃圾、垃圾的类别如塑料袋、塑料瓶、树叶等,垃圾量的多少如少、中、多,垃圾量的多少可以基于垃圾在道路网格区域图像中所占据的区域面积等来确定,在标注阶段,不需要对垃圾的位置进行精准标记,从而大大减轻数据标注的成本和难度。
对于标注后的数据即可作为训练样本数据训练预设道路垃圾识别模型,这里可以以现有的目标检测模型的网络结构为基础进行训练,具体如何训练,本领域技术人员可以结合现有技术灵活确定,在此不作具体限定。
本申请实施例还提供了一种道路垃圾识别装置200,如图2所示,提供了本申请实施例中一种道路垃圾识别装置的结构示意图,所述道路垃圾识别装置200包括:获取单元210、网格划分单元220以及识别单元230,其中:
获取单元210,用于获取自车对应的3D道路空间以及获取自车采集的道路图像;
网格划分单元220,用于根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
识别单元230,用于将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
在本申请的一些实施例中,所述获取单元210具体用于:获取自车的当前定位信息;根据所述自车的当前定位信息和高精地图获取自车对应的3D道路空间。
在本申请的一些实施例中,所述网格划分单元220具体用于:将所述自车对应的3D道路空间划分为多个3D道路网格空间;获取自车的相机参数,并根据所述自车的相机参数将多个3D道路网格空间映射至所述道路图像中,得到道路网格图像;根据所述道路网格图像中包含的多个道路网格区域,从所述道路网格图像中截取出多个所述道路网格区域图像。
在本申请的一些实施例中,所述自车对应的3D道路空间包括自车前方的多段不同预设距离内的3D道路空间,所述网格划分单元220具体用于:将自车前方的多段所述不同预设距离内的3D道路空间分别划分为不同预设网格大小的3D道路网格空间;其中,所述预设网格大小与所述预设距离呈正相关。
在本申请的一些实施例中,所述道路垃圾识别装置还包括:映射单元,用于在将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果之后,根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果。
在本申请的一些实施例中,所述映射单元具体用于:根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的有无垃圾、垃圾类别以及垃圾量;在3D道路网格空间中有垃圾的情况下,根据所述3D道路网格空间的位置确定垃圾位置。
在本申请的一些实施例中,所述预设道路垃圾识别模型通过如下方式训练得到:获取自车对应的3D道路空间以及自车采集的道路图像;根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;根据多个道路网格区域图像构建道路垃圾识别模型的训练样本数据,所述训练样本数据包括多个道路网格区域图像及各个道路网格区域图像的标注信息,所述标注信息包括各个道路网格区域的有无垃圾、垃圾类别以及垃圾量中的至少一种;利用所述训练样本数据训练所述预设道路垃圾识别模型。
能够理解,上述道路垃圾识别装置,能够实现前述实施例中提供的道路垃圾识别方法的各个步骤,关于道路垃圾识别方法的相关阐释均适用于道路垃圾识别装置,此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成道路垃圾识别装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取自车对应的3D道路空间以及获取自车采集的道路图像;
根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
上述如本申请图1所示实施例揭示的道路垃圾识别装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中道路垃圾识别装置执行的方法,并实现道路垃圾识别装置在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中道路垃圾识别装置执行的方法,并具体用于执行:
获取自车对应的3D道路空间以及获取自车采集的道路图像;
根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种道路垃圾识别方法,其中,所述道路垃圾识别方法包括:
获取自车对应的3D道路空间以及获取自车采集的道路图像;
根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
2.如权利要求1所述道路垃圾识别方法,其中,所述获取自车对应的3D道路空间包括:
获取自车的当前定位信息;
根据所述自车的当前定位信息和高精地图获取自车对应的3D道路空间。
3.如权利要求1所述道路垃圾识别方法,其中,所述根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像包括:
将所述自车对应的3D道路空间划分为多个3D道路网格空间;
获取自车的相机参数,并根据所述自车的相机参数将多个3D道路网格空间映射至所述道路图像中,得到道路网格图像;
根据所述道路网格图像中包含的多个道路网格区域,从所述道路网格图像中截取出多个所述道路网格区域图像。
4.如权利要求3所述道路垃圾识别方法,其中,所述自车对应的3D道路空间包括自车前方的多段不同预设距离内的3D道路空间,所述将所述自车对应的3D道路空间划分为多个3D道路网格空间包括:
将自车前方的多段所述不同预设距离内的3D道路空间分别划分为不同预设网格大小的3D道路网格空间;
其中,所述预设网格大小与所述预设距离呈正相关。
5.如权利要求1所述道路垃圾识别方法,其中,在将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果之后,所述方法还包括:
根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果。
6.如权利要求5所述道路垃圾识别方法,其中,所述根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的垃圾识别结果包括:
根据自车的相机参数,将各个道路网格区域的垃圾识别结果映射至3D道路空间中,得到各个3D道路网格空间的有无垃圾、垃圾类别以及垃圾量;
在3D道路网格空间中有垃圾的情况下,根据所述3D道路网格空间的位置确定垃圾位置。
7.如权利要求1~6任一项所述道路垃圾识别方法,其中,所述预设道路垃圾识别模型通过如下方式训练得到:
获取自车对应的3D道路空间以及自车采集的道路图像;
根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
根据多个道路网格区域图像构建道路垃圾识别模型的训练样本数据,所述训练样本数据包括多个道路网格区域图像及各个道路网格区域图像的标注信息,所述标注信息包括各个道路网格区域的有无垃圾、垃圾类别以及垃圾量中的至少一种;
利用所述训练样本数据训练所述预设道路垃圾识别模型。
8.一种道路垃圾识别装置,其中,所述道路垃圾识别装置包括:
获取单元,用于获取自车对应的3D道路空间以及获取自车采集的道路图像;
网格划分单元,用于根据所述自车对应的3D道路空间,利用预设网格划分策略对所述道路图像进行网格划分,得到多个道路网格区域图像;
识别单元,用于将多个所述道路网格区域图像分别输入预设道路垃圾识别模型,得到各个道路网格区域的垃圾识别结果。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~7之任一所述道路垃圾识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~7之任一所述道路垃圾识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410341561.1A CN118196756A (zh) | 2024-03-25 | 2024-03-25 | 道路垃圾识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410341561.1A CN118196756A (zh) | 2024-03-25 | 2024-03-25 | 道路垃圾识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118196756A true CN118196756A (zh) | 2024-06-14 |
Family
ID=91411638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410341561.1A Pending CN118196756A (zh) | 2024-03-25 | 2024-03-25 | 道路垃圾识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118196756A (zh) |
-
2024
- 2024-03-25 CN CN202410341561.1A patent/CN118196756A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298050B (zh) | 车道线识别模型训练方法、装置及车道线识别方法、装置 | |
CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
CN112036462A (zh) | 一种模型训练以及目标检测的方法及装置 | |
CN116740680A (zh) | 一种车辆定位方法、装置及电子设备 | |
CN115797893A (zh) | 有效行驶区域的确定方法、装置及电子设备、存储介质 | |
CN118196756A (zh) | 道路垃圾识别方法、装置及电子设备 | |
CN114066958A (zh) | 目标的深度信息预测方法和装置、电子设备和存储介质 | |
CN114997264A (zh) | 训练数据生成、模型训练及检测方法、装置及电子设备 | |
CN112598314A (zh) | 智能驾驶汽车的感知置信度确定方法、装置、设备及介质 | |
CN112489466A (zh) | 交通信号灯识别方法和装置 | |
CN116381698B (zh) | 道路遗撒物的检测方法、装置及电子设备 | |
CN116449347B (zh) | 路侧激光雷达的标定方法、装置及电子设备 | |
CN114782924B (zh) | 用于自动驾驶的交通灯检测方法、装置及电子设备 | |
CN116610766A (zh) | 地图更新方法、装置及电子设备、计算机可读存储介质 | |
CN115937454B (zh) | 一种在大规模城市场景中自动摆放树木模型的方法和装置 | |
CN116597376A (zh) | 路侧设备感知范围确定方法、装置及路侧设备 | |
CN115546752A (zh) | 高精地图的车道线标注方法和装置、电子设备和存储介质 | |
CN115187782A (zh) | 自动驾驶车辆融合定位方法、装置及电子设备、存储介质 | |
CN118149839A (zh) | 高精地图渲染方法、装置及电子设备 | |
CN114842452A (zh) | 用于自动驾驶的交通信号灯识别方法、装置及设备 | |
CN117037094A (zh) | 车道划分方法、装置、电子设备 | |
CN116894834A (zh) | 用于景区的路侧检测方法、装置及电子设备、存储介质 | |
CN116740712A (zh) | 红外图像的目标标注方法、装置及电子设备、存储介质 | |
CN116597131A (zh) | 目标定位方法、装置及电子设备、计算机可读存储介质 | |
CN116597416A (zh) | 车辆定位方法、装置及电子设备、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |