CN110781896A - 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 - Google Patents
一种轨道垃圾识别方法、清洁方法、***、资源配置方法 Download PDFInfo
- Publication number
- CN110781896A CN110781896A CN201910989410.6A CN201910989410A CN110781896A CN 110781896 A CN110781896 A CN 110781896A CN 201910989410 A CN201910989410 A CN 201910989410A CN 110781896 A CN110781896 A CN 110781896A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- image
- garbage
- track
- rail
- 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.)
- Granted
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 126
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013468 resource allocation Methods 0.000 title claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000001629 suppression Effects 0.000 claims abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 239000000428 dust Substances 0.000 claims description 10
- 239000002699 waste material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 239000010865 sewage Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 24
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 239000010705 motor oil Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 239000003921 oil Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000005561 Musa balbisiana Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000001094 effect on targets Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
- E01H8/00—Removing undesirable matter from the permanent way of railways; Removing undesirable matter from tramway rails
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轨道垃圾识别方法、清洁方法、***、资源配置方法，所述轨道垃圾识别方法，包括步骤：获取轨道视频流；逐帧分解视频流，并对每帧图像进行预处理以过滤图像噪声，所述预处理包括Cohen‑Sutherland裁剪，将预处理后的图像输入已训练的垃圾识别模型，图像样本特征提取、多尺度预测、边界框预测以识别垃圾；通过多标签分类将识别的垃圾分类；通过非极大值抑制去掉多次检测到的同一垃圾的边界框。本发明通过Cohen‑Sutherland裁剪对图像进行简化，只保留两侧轨道之间的图像信息，移除环境因素对图像的影响，并进一步图像检测度，提高图像检测性能。
Description
技术领域
本发明涉及垃圾识别处理领域，特别涉及一种轨道垃圾识别方法、清洁方法、***、资源配置方法。
背景技术
目前国内有关现代有轨电车轨道清洁技术和设备研究都处在起步阶段，对于现代有轨电车的轨道清洁主要以人工清洁方式为主，但该方式耗时耗力，效率低，扬尘污染较为严重。时瑞达公司申请的实用新型专利(CN204875654U)与德高洁公司申请的实用新型专利(CN204875656U)所述方案基本相似，国内有轨电车轨道清洁车仍处于人工通过显示屏来控制清洁工具完成动作、并全程开机对轨道进行清扫的阶段，清洁车价格昂贵且无法达到自动化程度。同时由于人工判断时无法准确判断垃圾位置，清洁范围、误差率加大，即耗费清洁资源且无法达到更高效率的清洁。
现在市面上所研制的有轨电车槽型轨道垃圾清洁车，并没有自动检测垃圾的功能，而是需要人工观看屏幕来获取垃圾情况，相较于机器检测，人工处理非常容易因为长时间观看视频造成视觉疲劳进而遗漏掉视频图像中所携带的信息，导致垃圾未清理或是误清理。而如今国内的槽型轨垃圾检测***多处于起步阶段，目前相对成熟一些的是由中国发明专利CN 104047248A提出的复合式轨道路面自动清洁车，其采用的视觉检测技术是根据垃圾与轨道的色差来检测垃圾位置，然而此方法限制条件是垃圾与轨道的色差梯度必须过大，且因计算量大导致检测速度较慢。
垃圾检测相较于普通物体检测的一大难点在于垃圾的定义范围非常广，如在城市路面场景中，塑料袋、水瓶、纸屑、甚至沙石都是垃圾。虽然他们都属于垃圾，但在颜色、纹理、几何形态上的差别非常大，跨越不同的物体类别。
而传统的图像识别方法提取的特征在代表性和鲁棒性方面都有欠缺，在光照、遮挡、尺度等变化因素的影响下检测精度会大大降低；二是由于视频图像往往受到各种自然环境或人为噪声的干扰，导致程序无法显著清晰地从视频图像中获取运动目标。
因此，需要提供一种基于深度学习的有轨电车槽型轨道垃圾精准清洁方法，通过对槽型轨垃圾的定位和识别，调用搭载在清洁车上的不同的清洁工具，提高现代有轨电车槽型轨道清洁效率，同时节约清洁资源和人力资源，有效降低现代有轨电车安全事故隐患，保障有轨电车运行安全，令槽型轨清洁车向自动化程度更高的方向发展，促进有轨电车在我国广大城市的推广与发展。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种轨道垃圾识别方法、清洁方法、***、资源配置方法，此方法及***通过对轨道垃圾精准识别后驱动清洁***完成清洁工作，提高清洁效率。
本发明的目的通过以下的技术方案实现：
一种轨道垃圾识别方法，包括步骤：
获取轨道视频流；
逐帧分解视频流，并对每帧图像进行预处理以过滤图像噪声，所述预处理包括Cohen-Sutherland裁剪，将预处理后的图像输入已训练的垃圾识别模型，图像样本特征提取、多尺度预测、边界框预测以识别垃圾；
通过多标签分类将识别的垃圾分类；
通过非极大值抑制去掉多次检测到的同一垃圾的边界框。
一种轨道垃圾清洁方法，在通过上述轨道垃圾识别方法识别到垃圾后，驱动清洁***完成清洁工作。
一种轨道垃圾清洁***，包括：
清洁模块，为清洁车，用于获取控制指令完成清洁工作；
清洁控制模块，与轨道垃圾清洁***其它模块数据连接并控制其他模块运行，包括MFC程序指令输入单元与物理指令输入单元。
一种轨道垃圾清洁资源配置方法，包括如下步骤：
将一段轨道等分为若干段，每段等分为若干个采点
xij(i＝1，2，...，n，j＝1，2，...，m)；
当清洁车以固定速度由轨道起点出发时，重置计数系数count＝1，计时器开始工作；
定义识别系数flag：
清洁车行进期间，若识别到垃圾，则flag＝1，记录此时位置坐标ycount1；
继续行进，若无识别到垃圾，则flag＝0，记录此时位置坐标ycount0，count加1；
统计一天中各段轨道的垃圾出现位置；
持续记录每天数据，以若干天的数据来统计各段轨道的各个采样点出现的概率均值，根据季节以及概率均值分配清洁资源。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明轨道垃圾识别方法通过Cohen-Sutherland裁剪对图像进行简化，只保留两侧轨道之间的图像信息，移除环境因素对图像的影响，并进一步图像检测速度，提高图像检测性能。
2、本发明轨道垃圾清洁方法通过对轨道垃圾精准识别后驱动清洁***完成清洁工作，提高清洁效率。
3、本发明轨道垃圾清洁***将物理控制面板与MFC程序指令输入单元分开，避免控制程序之间的冲突。
4、本发明通过对清洁资源的合理配置，节约优先的清洁资源。
附图说明
图1是Cohen-Sutherland裁剪算法原理示意图；
图2是本发明实施例1利用Cohen-Sutherland裁剪算法预处理示意图；
图3是本发明实施例1多尺度预测模块结构示意图；
图4是本发明实施例1YOLOv3改进的网络结构图；
图5是本发明实施例1边界框预测示意图；
图6是本发明实施例2主体图；
图7是本发明实施例3轨道垃圾清洁***工作流程图；
图8是本发明实施例4轨道垃圾清洁资源配置方法流程图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例，但本发明的实施方式不限于此。
首先，本发明实施例基于下述原理：
(1)Cohen-Sutherland裁剪算法
把所采集的图像近似为线段的集合，对单根线段而言，如果完全在边界内，保留线段；如果完全在边界外，舍弃线段；如果一部分线段在边界内，一部分线段在边界外，则保留边界内的部分线段。
通常来说，为使计算机能够快速判断一条直线段与窗口属何种关系，采用如下编码方法：
延长窗口的边，将二维平面分成九个区域。如图1所示，以单根线段P1P2为例，中间区域的线段部分保留，即保留P3P4。
(2)YOLOv3特征提取
YOLO是一个全新的方法，把一整张图片一下子应用到一个神经网络中去。网络把图片分成不同的区域，然后给出每个区域的边框预测和概率，并依据概率大小对所有边框分配权重。最后，设置阈值，只输出得分(概率值)超过阈值的检测结果，YOLOv3是YOLO最新版本。
(3)多标签分类
多标签分类意味着候选集是一个多分类，而不仅仅是二分类——是与否的问题，而是属于多类中哪一类的问题。一个样本属于且只属于多个分类中的一个，一个样本只能属于一个类，不同类之间是互斥的。而对于多标签分类而言，一个样本的标签不仅仅局限于一个类别，可以具有多个类别，不同类之间是有关联的。比如一件衣服，其具有的特征类别有长袖、蕾丝等属性等，这两个属性标签不是互斥的，而是有关联的。
(4)非极sigmoid激活函数
sigmoid激活函数一般用来做二分类，假设总共有10个分类，它首先将一个真值转换到[0,1]之间，分别为[0.01,0.05,0.4,0.6,0.3,0.1,0.5,0.4,0.06,0.8]，然后设置一个概率阈值，如果大于一个概率阈值(一般是0.5)，则认为属于某个类别，否则不属于某个类别。这一属性使得其适合应用于多标签分类之中，本质上其实就是针对logits中每个分类计算的结果分别作用一个sigmoid分类器，分别判定样本是否属于某个类别同样假设，神经网络模型最后的输出是这样一个向量logits＝[1,2,3,4,5,6,7,8,9,10],就是神经网络最终的全连接的输出。
(4)非极大值抑制(NMS)
由于探测器会多次检测到同一物体(中心和大小略有不同)，而多数情况下只需要少量像素不同的检测，所以需要通过非极大值抑制(NMS)作为后处理算法解决对同一个图像的多次检测的问题。
(5)softmax激活函数
其中，z表示类别神经元；j表示类别中的元素序号；zj表示z类别的第j个元素输出；σ(z)j表示z种神经元的多元输出；zk为z类别的第k个元素输出，k∈[1，K],K表示类别中总共的符号数。
softmax函数用于多分类神经网络输出，即某个zj大于其它z，则此映射的分量逼近于1，其余逼近于0，主要应用于多分类。取指数的原因一是模拟max的行为，二是需要一个可导的函数。
实施例1
一种轨道垃圾识别方法，包括步骤：
S1、获取轨道视频流：通过安装在清洁车上的摄像头获取轨道视频流；
S2、逐帧分解视频流，并对每帧图像进行预处理以过滤图像噪声：所述预处理包括Cohen-Sutherland裁剪，如图2所示，以图像中的轨道为边界将图像分为三个区域，保留中间区域，以单根线段P1P2为例，中间区域的线段部分保留，即保留P3P4。
S3、将预处理后的图像输入已训练的垃圾识别模型，图像样本特征提取、多尺度预测、边界框预测以识别垃圾；
S4、通过多标签分类将识别的垃圾分类；
S5、通过非极大值抑制去掉多次检测到的同一垃圾的边界框。
进一步的，所述摄像头包括分别获取左轨和右轨的两组高速摄像头，两组摄像头获取轨道视频后合成为总线轨道视频流。
进一步的，所述对图像进行预处理还包括对图像灰度化、高斯滤波：
(1)灰度化：
Pgray＝0.11B+0.3R+0.59G
其中，B代表的是原彩色图像中的蓝色分量的像素值，R代表的是红色分量的像素值，G代表彩色图像中绿色分量的像素值。Pgray为转换后的灰度图像。
摄像头获取的图片为RGB彩色图像，综合对图像的RGB三个分量进行加权平均得到最终的灰度值；权重的设置参考生理学中人体视觉的特点，人眼对绿色的敏感最高，对蓝色敏感最低。因此对蓝色设定的权重最低，这种比例的组合能更突显出有轨电车轨道，标志线、垃圾等有用的图像信息。
这样的图像保留了本质特征，减少了总信息量，降低了计算量。
(2)高斯滤波：
原输入图像尺寸为416×416，为获取更多的横向特征，将图像尺寸改为576×320分辨率图像作为网络输入；
其中，x表示坐标点的横坐标；y表示坐标点的纵坐标；σ2表示随机变量的方差；G(x,y)表示坐标点(x,y)出现的概率。
受到光线、雾霾、机器本身等外界条件的影响，图像往往会出现很多噪声干扰，通过使用去噪技术可以较好的去除干扰信息，还原图像基本信息。
高斯滤波是一种线性平滑滤波器，能够有效的抑制噪声。高斯滤波是对整幅图像进行加权平均的一个过程。每一个像素点的值，都由其本身和邻域内的其他像素点值经过加权平均后得到。也就是说，使用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值，高斯滤波器的模板系数，是随着距离模板中心的增大而系数减小，因此图像整体滤波后清晰程度变化不大。
由于一段视频中分解出的图像中的垃圾的尺寸为不变值，垃圾的横向特征表达比纵向特征少，增加横向特征表达有助于垃圾识别。本发明实施例中采用改变网络模型输入的长宽比例，利用矩形输入网络提取更多的横向特征，考虑到尽量降低图像分辨率的改变对网络的影响，将原网络输入图像尺寸416×416改为576×320分辨率图像作为网络输入。一方面能够更精确地提取横向特征；另一方面二者具有相近的像素数，对检测实时性没有太大影响。
进一步的，所述垃圾识别模型由以下步骤训练而得：
S3.1、收集轨道垃圾图像样本；
S3.2、重复输入垃圾图像样本至YOLOv3网络结构，通过图像样本特征提取、多尺度预测、边界框预测和训练过程，得到垃圾识别模型；
所述YOLOv3网络结构采用全卷积结构，包括用于特征提取的特征提取模块、用于多尺度预测的多尺度预测模块、用于边界框预测的边界框预测模块，YOLOv3网络结构图如图4所示，该结构使用一系列的3*3和1*1卷积核的卷积层；
所述特征提取模块的具有相同特征图大小和相同个数的卷积核的残差网络层之间设置快捷链路(shortcut connections)；这种Res(残差网络residual network)结构可以很好的控制梯度的传播，避免出现梯度消失或者***等不利于训练的情形。所学习的特征会被传递到分类器/回归器用于进行边界框的坐标、类别标签等预测。
所述多尺度预测模块包括依次排列三层卷积层，如图3所示，三层卷积层可从上至下依次排列，将中间卷积层再分为第一部分和第二部分，压缩第一部分的网络压缩成较浅的(低层次的)网络(如图3所示的排列方式时，第一部分和第二部分为上下排列，第一部分为卷积层上半部分，第二部分为卷积层下半部分)，将第二部分网络间权重小于设定值的连接截断，获得稀疏连接的网络并重新训练，使用权重共享量化连接的权重，再对量化后的权重和码本采用预测编码和游程编码结合的编码方式进行压缩；所述权重共享量化本质在于先通过聚类方法得到该层权重的聚类中心，然后通过聚类中心值来表示原权重值；所述预测编码是根据数据的统计特性得到预测值，然后传输图像像素与其预测值的差值信号，使传输的码率降低，达到压缩的目的；所述游程编码是一种存储一个像素值及其具有相同颜色的像素数目的编码方式。将上述两种编码方式结合可进一步提高压缩率；
在卷积神经网络中，更多的卷积层与更深的网络结构往往对目标特征有更好的提取效果。但另一方面，在网络加深的同时，额外的卷积层会造成网络模型参数过多，从而增加网络的运算量。与此同时，在物体检测领域，深层网络虽然能响应语义特征，但是含有的几何信息并不多，不利于物体检测；浅层网络虽然包含比较多的几何信息，但是图像的语义特征并不多，不利于图像的分类，因此，采用三个尺度(13*13、26*26、52*52)融合的方式做预测，加强了改进的YOLO算法对小目标检测的精确度。
进一步的，如图5所示，所述边界框预测模块的anchor boxes通过聚类的方法得到，对每个bounding box预测四个坐标值(tx,ty,tw,th)，将每幅图像划分为S×S个网格cell，对于预测的cell，结合bounding box的宽pw和高ph可以对bounding box进行预测；
bx＝σ(tx)+cx
by＝σ(ty)+cy
在训练bounding box几个坐标值的时候采用了sum of squared error loss(平方和距离误差损失)，这种方式的误差可以很快的计算出来，增大检测效率。YOLOv3对每个bounding box通过逻辑回归预测一个物体的得分，若所预测bounding box与真实的边框值的重合部分大于其他所有预测的bounding box，设定其值为1。如果重合部分没有达到预设的阈值(这里设定的阈值是0.5)，那么这个预测的bounding box将会被忽略，也即显示成没有损失值。
进一步的，所述通过多标签分类将识别的垃圾分类的具体步骤为：
通过softmax激活函数把一个k维的真值矢量(a1,a2,a3,…)映射成一个(b1,b2,b3,…)，其中bi是一个0～1的常数，输出神经元之和为1.0，相当于概率值，根据bi的概率大小来进行多分类的任务；softmax激活函数主要用于计算交叉熵，将logits转换成一个概率分布后再来计算，然后取概率分布中最大的作为最终的分类结果；softmax的输入为图像特征值，输出为垃圾属于每个类别的概率。
激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。
进一步的，由于探测器会多次检测到同一物体(中心和大小略有不同)，而多数情况下只需要少量像素不同的检测，所述去掉多次检测到的同一垃圾的边界框的步骤为：
初始化，设定检测阈值；
根据目标垃圾的objectness分数过滤边界框；分数低于设定阈值的边界框会被忽略；
根据候选框的类别分类概率做排序，然后根据以下步骤保留所需边界框：
标记需要保留的最大概率边界框；
从最大概率矩形框开始，分别判断其他概率矩形框与最大概率边界框的重叠度IOU是否大于设定的阈值，扔掉重叠度超过阈值的矩形框；
从未扔掉的边界框中，选择最大概率边界框，标记为要保留下来的边界框，然后判断此时最大概率边界框与其他边界框的重叠度，扔掉重叠度超过设定阈值的边界框；
重复上述操作，直到去除所有剩下的边界框，标记完所有要保留下来的边界框。
据轨道周边的实际情况将垃圾图像大致分为了六大类：第一类是树叶，第二类是饮料，第三类是塑料袋，第四类是食物残渣(香蕉皮)，第五类是食物残渣(苹果核)，第六类是烟头。采集的图像经过旋转，裁剪，颜色转化来扩充样本集，数据样本集总共有4068张图片，涉及六个类别。
当迭代次数小于1000时，每100次保存一次，大于1000时，每5000次保存一次。
通过改进的YOLOv3算法训练出来的模型能极大地提高垃圾检测和分类的速度，使得调用所需清洁工具时更加迅速，通讯更加高效。
实施例2
一种轨道垃圾清洁方法，在通过所述权利要求1-5任一项所述的轨道垃圾识别方法识别到垃圾后，驱动清洁***完成清洁工作。
进一步的，所述驱动指令通过操作员物理指令或指令库调用获取。
实施例3
一种轨道垃圾清洁***，包括：
清洁模块，为清洁车，用于获取控制指令完成清洁工作；
清洁控制模块，与轨道垃圾清洁***其它模块数据连接并控制其他模块运行，包括MFC程序指令输入单元与物理指令输入单元；
具体而言，所述清洁控制模块包括：
(1)PLC程序设计模块
本发明实施例中清洁车的下位机PLC梯形图程序主要被分为三大部分来编写的，分别为通讯程序、主程序(物理按键程序)、触摸屏虚拟按键程序。
1.通讯程序设计模块
本发明实施例中工业触屏工控机作为上位机，PLC作为下位机，因此PLC是从站，PLC作为从站时，通讯程序的编程方法及步骤如下：
1)在首次扫描中，对相关的通信参数进行严格的设置；
2)在首次扫描中，连接“接收完成中断”与“发送消息中断”；
3)开启接收指令RCV，等待主站的发送请求；
4)在接收完成中断程序中，判断接收数据是否正确，如果正确判断请求指令，则组织相应的数据到缓冲区里，调用发送指令XMT；如果不正确，重新调用接收指令RCV；
5)发送完成中断程序中，调用RCV接收指令。
通讯参数设置程序中采用无奇偶校验，每个字符8个数据位，通讯波特率为9600bps，自由口通讯协议，通过端口port0传输。
2.物理按键主程序设计模块
主程序的设计中通过输入信号I0.0与I0.1来选择手动模式或自动模式，同时这两个网络采用起保停电路并实现了相互间的自锁，即松开输入信号，输出信号仍保持。同时利用停止开关I2.0的上升沿开关在激活复位指令时，将所有输出信号(除高压水回水信号)、中间继电器和输入寄存器复位。另外，自动模式与手动模式下通过物理按键来触发上升沿与下降沿来实现各个部件的开关动作。
3.触摸屏虚拟键程序设计模块
触摸屏程序是在物理按键主程序的基础上改变输入区而来。为了防止物理控制面板与触摸屏之间出现控制冲突，需要将两者严格区分开来，本发明实施例中的触摸屏按键程序只需将主程序的外部输入I区的输入点另外设定即可。
(2)工控机触摸屏程序设计模块
触摸屏程序采用Visual Studio平台进行开发，通过建立一个MFC工程来完成编程工作。MFC(Microsoft Foundation Classes)是微软基础类库的简称，是微软公司实现的一个C++类库，主要封装了大部分的windows API函数，能大量的减少程序的开发周期。
触摸屏程序的工作原理大致如下，当使用工控机上的MFC程序进行输入时，用户可根据需要在工控机的触摸屏上按下控制按钮，控制清洁工具启动或者关闭，当按下按钮，MFC程序将利用支持以字节为单位动态建立数组的CByteArray类串联控制信号后，再使用MSCOMM控件下的信息发送函数，将组合好的控制信息发送给PLC并执行操作。
由于上位机与下位机之间的编程语言不同，无法直接被通信识别，为了保证数据传输的正确性与完整性，程序中还设置了循环冗余校验算法(CRC)，上位机应按通讯协议的格式发送数据指令。循环冗余校验是一种根据网络数据包或计算机文件等数据产生简短固定位数校验码的一种散列函数，主要用来校验数据传输或保存后可能会出现的差错。任何一个由二进制位串构成的数据代码都能与一个系数为‘0’或‘1’的多项式进行逐一对应，利用这个性质，MFC发送的二进制位串控制信息可以计算出CRC校验码，并随控制信息一同发往PLC，PLC接收到控制信息后，再次计算CRC校验码，仅当PLC利用梯形图计算出的CRC校验码和上位机发送来的校验码一致时，才认为该控制信息有效，随后将数据存储到数据缓存区中，并开始执行相应的操作。
用户在界面上向PLC发送的信号使用由I10.0开始的一段连续的内置输入触点，这些触点不占用外置输入触点，也不可以由外部物理输入，以保证MFC程序与物理按键的独立性。物理输入面板控制子***仅在紧急情况下使用。
在工控机上打开MFC程序后，按照预先设定的程序逻辑，先打开串口通过RS485与PLC进行串口通讯，根据Modbus协议，自拟定通讯协议，同时RS485将接在PLC的0端口，可对PLC采用自由口编程，以适应定义的通讯协议。
通讯通道搭建完成后，首先发送模式选择信息，用户可以选择自动或手动模式，选择模式后，MFC程序将向PLC发送一系列控制信息，该控制信息表示启动自动模式。
利用CRC校验码的性质，MFC发送的二进制位串控制信息可以计算出CRC校验码，并随控制信息一同发往PLC，PLC接收到控制信息后，再次计算CRC校验码，仅当PLC利用梯形图计算出的CRC校验码和工控机发送来的校验码相同时，才认为该控制信息有效，随后将数据存储到数据缓存区中，并开始执行相应的操作。
当PLC接收控制信息并进行了CRC校验确定该信息有效后，将该数据串存放至数据寄存区，PLC在读取数据时采用开关量，直接读取已存在数据寄存区的数据位，并根据数据位为置位或复位决定对应的内置输入触点为置位或复位，随后交由梯形图逻辑判断，再刷新输出触点，此外，模式选择信息将打开中间继电器，如果没有发送模式选择信息，即未选择模式的情况下，所有对清洁装置的操作将视为无效。
当MFC程序发送完与手动、自动模式所相关的信息后，若清洁车工作在自动模式，MFC程序将自动打开摄像头，并将摄像头采集到的图像交予槽型轨垃圾精准检测与定位算法进行图像处理，在槽型轨垃圾精准检测与定位算法处理后，会标识出垃圾所在位置与大小，并在识别到垃圾后立即向PLC发送控制信号，自动启动高压水枪等清洁装置进行清洁，直至在监控界面检测不到垃圾后，才会再次向PLC发送控制信号，关闭高压水枪等清洁装置。若清洁车工作在手动模式，用户可以自行打开摄像头，同样的，槽型轨垃圾精准检测与定位算法也会标识出垃圾所在位置与大小，用户按下对应的控制按钮，操控清洁装置进行清洁，若需要清洁第三轨，用户也可以打开前扫盘旋转、前扫盘降尘、第三轨吸口降尘对第三轨进行清洁。
当PLC接收到MFC程序发送的模式信息等控制信息时，将通过内部载入的梯形图进行逻辑判断，使对应的外置输出触点接通或者断开，PLC具有很强的带负载能力，可以直接驱动一般的电磁阀和交流接触器，当外置输出触点接通时，电隔膜泵、电磁阀、电磁离合器等控制器得电，当继电器吸合时电磁阀得电,当继电器不吸合时电磁阀失电，进而驱动液动执行器和电动执行器使相应的清洁装置进行工作。
进一步的，所述清洁模块的清洁车的车头底部设有吸尘口，清洁车的车厢中装有清水箱与污水箱；
所述轨道垃圾清洁***还包括：
风压监测模块，本实施例选用风压传感器，设于吸尘口处，用于测量吸尘口处压力，只有当压力值足够大才能将槽型轨上的尘埃、落叶和泥沙等污垢清理干净，风压过大将造成不必要的电能损耗；水路监测模块，用于分别检测清水箱与污水箱的水位。
进一步的，所述水路监测模块为液位变送器，安装在清水箱或污水箱侧面底部以便于维修更换，开孔位置与水管出水口处于同一平面。
进一步的，所述轨道垃圾清洁***还包括温度监测模块，具体为温度传感器，可选用DS18B20数字温度传感器，安装于空气流通的清洁车车头进风栅格处；所述清洁车装有喷雾器，安装于清洁车发动机水箱附近，当温度传感器所检测温度高于设定阈值,说明清洁车工作环境温度过高，则通过清洁控制模块开启喷雾器喷雾。
进一步的，所述轨道垃圾清洁***通过发动机驱动，所述发动机由清洁控制模块控制
所述轨道垃圾清洁***还包括液压模块，具体为机油压力传感器，用于测量机油压力，安装于发动机侧面的发动机主油道上，当低于某一规定值时，点亮机油压力警告灯。
具体包括液压泵、油缸、液压摆线马达，整个液压模块为这类开式单泵多执行元件的液压***，通过所述清洁控制模块对机构进行控制与换向，包括完成扫盘的提升降落、扫盘的旋转、前导向清扫机构升降、后导向清扫机构升降、垃圾箱的倾翻、垃圾箱门的开闭、槽型轨清扫装置翻转这7部分动作。在本***中可采用机油压力传感器测量机油压力，将机油压力传感器安装在发动机侧面的发动机主油道上，用于监测发动机润滑***的供油压力，判断润滑***工作是否正常，防止缺油导致发动机损坏。
进一步的，所述轨道垃圾清洁***包括副发动机，用于驱动液压泵和风机，能收放工作装置、举升垃圾箱，以满足风机和液压泵的功率需求而副发动机的水温如果过高将可能导致副发动机停止工作；
所述轨道垃圾清洁***还包括副发动机监测模块，具体为温度传感器，可选用DS18B20数字温度传感器，放置于副发动机的水箱中以测量副发动机水箱水温，所述温度传感器的每个引脚均用热缩管隔开以防止短路，内部封胶以防水防潮。
进一步的，所述轨道垃圾清洁***包括车外环境监测模块，具体包括用于检测清洁车与障碍物之间的距离的距离监测模块、用于定位的定位模块；
所述定位模块可选超声波传感器，清洁车在实地工作过程中，通过超声波传感器通过晶振向外发射25～40kHz的高频超声波，然后通过控制模块检测反射波的频率，如果区域内有物体运动，反射波频率就会有轻微的波动，即多普勒效应，以此来测量清洁车与障碍物的距离并实时传输给工控机***。当检测到与障碍物的距离小于预定安全距离时，自动启动相应报警装置提示工作人员注意行驶安全或使清洁车采取紧急制动。
在清洁车上安装定位模块(如GPS)，有利于了解清洁车实时位置，具体记录清洁车每次工作的路线，便于远程控制中心了解清洁车的状态。若发生意外事故，可在第一时间确定清洁车精准位置。
基于包括上述模块的轨道垃圾清洁***，工控机接收数据及处理方式如下：
根据实际情况和对多种数据传输方式的比较，可选取GPRS(General PacketRadio Service通用分组无线服务技术)作为传输数据的方法，负责将数据信息发送至工控机模块。
当使用连续式的实时数据传输时需要设计好传输的数据格式。在数据传输过程中，采用TCP/IP协议(Internet Protocol Suite互联网协议)以达到数据传输频率要求高且完整可靠传输至工控机的目的。
工控机需要快速、准确识别从下位机传输过来的不同类型的数据。分别将风压传感器、液位变送器、机油压力传感器、温度传感器、超声波传感器实时数据进行识别，并转存到数据库中，对数据进行检查判断，如果参数异常就在界面上显示报警信息提醒工作人员及时处理。
利用上述清洁控制模块可将***所获取到的参数存入其中。当数据进入到数据库之后，根据正常数据的标准进行判断，并存储至相应的数据表Table中，以便后续的处理与应用。
工控机上的状态监测界面设计可基于上述槽型轨垃圾精准清洁控制***的MFC工程进行进一步设计。状态监测界面设计将包含传感器所测的风压、液压、油压、温度、GPS位置在内的各项数据进行显示。在上述MFC工程已设计出的主对话框内，创建一个新的子线程窗口，并在此子窗口建立基本的状态监测界面框架，添加所需要的控件，再通过添加相应的控件响应函数，调用与数据库操作有关的API接口函数，引入数据库中已储存的数据，从而通过此界面显示各个参数曲线的动态变化图，并采用***评估方法中的专家评估***对这些参数及其变化曲线和知识库中的规则进行比较分析。***根据清洁车正常工作状态下每个参数预先设置的警告线给出有关清洁车运行安全提示、警告等信息以保障清洁车安全运行。
将综合了多个功能的两大应用集成到一个控制面板，减少应用控制过程中的操作步骤，节省清洁装置控制过程中用户的操作时间，使得控制过程更加便捷；同时，清洁装置的各个模块分工明确，协同操作，使得清洁过程更加高效、智能化。
实施例4
一种轨道垃圾清洁资源配置方法，包括如下步骤：
将一段轨道等分为若干段，每段等分为若干个采点
xij(i＝1，2，...，n，j＝1，2，...，m)；
当清洁车以固定速度由轨道起点出发时，重置计数系数count＝1，计时器开始工作；
定义识别系数flag：
清洁车行进期间，若识别到垃圾，则flag＝1，记录此时位置坐标ycount1；
继续行进，若无识别到垃圾，则flag＝0，记录此时位置坐标ycount0，count加1。
统计一天中各段轨道的垃圾出现位置；
持续记录每天数据，以若干天的数据来统计各段轨道的各个采样点出现的概率均值，根据季节以及概率均值分配清洁资源。
进一步的,在配置前输入过去一周采集点数据、季节量S(S＝1,2,3,4分别表示春季、夏季、秋季、冬季)，所统计的一天中各段轨道的垃圾出现位置时，计算垃圾概率均值统计用水量Q＝Pij*Zs，ZS表示季节S时的用水量。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种轨道垃圾识别方法，其特征在于，包括步骤：
获取轨道视频流；
逐帧分解视频流，并对每帧图像进行预处理以过滤图像噪声，所述预处理包括Cohen-Sutherland裁剪，将预处理后的图像输入已训练的垃圾识别模型，图像样本特征提取、多尺度预测、边界框预测以识别垃圾；
通过多标签分类将识别的垃圾分类；
通过非极大值抑制去掉多次检测到的同一垃圾的边界框。
2.根据权利要求1所述的轨道垃圾识别方法，其特征在于，所述Cohen-Sutherland裁剪以图像中的轨道为边界将图像分为三个区域，保留中间区域。
3.根据权利要求1所述的轨道垃圾识别方法，其特征在于，所述对图像进行预处理还包括对图像灰度化、高斯滤波；高斯滤波时，增大图像尺寸横向尺寸。
4.根据权利要求1所述的轨道垃识别方法，其特征在于，所述垃圾识别模型由以下步骤训练而得：
收集轨道垃圾图像样本；
重复输入垃圾图像样本至YOLOv3网络结构，通过图像样本特征提取、多尺度预测、边界框预测和训练过程，得到垃圾识别模型；
所述YOLOv3网络结构采用全卷积结构，包括用于特征提取的特征提取模块、用于多尺度预测的多尺度预测模块、用于边界框预测的边界框预测模块；
所述特征提取模块的具有相同特征图大小和相同个数的卷积核的残差网络层之间设置快捷链路；
所述多尺度预测模块包括依次排列三层卷积层，将中间卷积层再分为第一部分和第二部分，压缩第一部分的网络，将第二部分网络间权重小于设定值的连接截断，获得稀疏连接的网络并重新训练，使用权重共享量化连接的权重，再对量化后的权重和码本采用预测编码和游程编码结合的编码方式进行压缩。
5.一种轨道垃圾清洁方法，其特征在于，在通过所述权利要求1-4任一项所述的轨道垃圾识别方法识别到垃圾后，驱动清洁***完成清洁工作。
6.根据权利要求5所述的轨道垃圾清洁方法，其特征在于，所述驱动指令通过操作员物理指令或指令库调用获取。
7.一种轨道垃圾清洁***，其特征在于，包括：
清洁模块，为清洁车，用于获取控制指令完成清洁工作；
清洁控制模块，与轨道垃圾清洁***其它模块数据连接并控制其他模块运行，包括MFC程序指令输入单元与物理指令输入单元。
8.根据权利要求7所述的轨道垃圾清洁***，其特征在于：
所述清洁模块的清洁车的车头底部设有吸尘口，清洁车的车厢中装有清水箱与污水箱；
所述轨道垃圾清洁***还包括：
风压监测模块，设于吸尘口处，用于测量吸尘口处压力；
水路监测模块，用于分别检测清水箱与污水箱的水位。
9.根据权利要求8所述的轨道垃圾清洁***，其特征在于，所述水路监测模块为液位变送器，安装在清水箱或污水箱侧面底部，开孔位置与水管出水口处于同一平面。
10.一种轨道垃圾清洁资源配置方法，其特征在于，包括如下步骤：
将一段轨道等分为若干段，每段等分为若干个采点
xij(i＝1，2，...，n，j＝1，2，...，m)；
当清洁车以固定速度由轨道起点出发时，重置计数系数count＝1，计时器开始工作；
定义识别系数flag：
清洁车行进期间，若识别到垃圾，则flag＝1，记录此时位置坐标ycount1；
继续行进，若无识别到垃圾，则flag＝0，记录此时位置坐标ycount0，count加1；
统计一天中各段轨道的垃圾出现位置；
持续记录每天数据，以若干天的数据来统计各段轨道的各个采样点出现的概率均值，根据季节以及概率均值分配清洁资源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910989410.6A CN110781896B (zh) | 2019-10-17 | 2019-10-17 | 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910989410.6A CN110781896B (zh) | 2019-10-17 | 2019-10-17 | 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110781896A true CN110781896A (zh) | 2020-02-11 |
| CN110781896B CN110781896B (zh) | 2022-07-19 |
Family
ID=69385854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910989410.6A Active CN110781896B (zh) | 2019-10-17 | 2019-10-17 | 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781896B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462103A (zh) * | 2020-04-08 | 2020-07-28 | 中铁第一勘察设计院集团有限公司 | 铁路线路参数测量方法 |
| CN111665755A (zh) * | 2020-06-03 | 2020-09-15 | 暨南大学 | 一种轨道清洁车远程多端监测***及方法 |
| CN111797758A (zh) * | 2020-07-03 | 2020-10-20 | 成都理工大学 | 一种用于塑料瓶的识别定位技术 |
| CN112227279A (zh) * | 2020-09-16 | 2021-01-15 | 梁禄灵 | 一种建筑垃圾清理车 |
| CN112257623A (zh) * | 2020-10-28 | 2021-01-22 | 长沙立中汽车设计开发股份有限公司 | 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置 |
| CN112560576A (zh) * | 2020-11-09 | 2021-03-26 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
| CN113011315A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 一种基于超快速结构感知深度网络的地铁轨道识别方法 |
| CN114355907A (zh) * | 2021-12-22 | 2022-04-15 | 东风汽车集团股份有限公司 | 一种基于云端的智能化垃圾识别和清扫方法、*** |
| CN115331129A (zh) * | 2022-10-14 | 2022-11-11 | 彼图科技(青岛)有限公司 | 一种基于无人机和人工智能的垃圾数据识别方法 |
| CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
| CN117368513A (zh) * | 2023-12-08 | 2024-01-09 | 广州泛美实验室***科技股份有限公司 | 实验室自动化流水线变轨方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100091846A1 (en) * | 2007-04-09 | 2010-04-15 | Ntt Docomo, Inc | Image prediction/encoding device, image prediction/encoding method, image prediction/encoding program, image prediction/decoding device, image prediction/decoding method, and image prediction decoding program |
| CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
| CN109063666A (zh) * | 2018-08-14 | 2018-12-21 | 电子科技大学 | 基于深度可分离卷积的轻量化人脸识别方法及*** |
| CN109241984A (zh) * | 2018-09-17 | 2019-01-18 | 暨南大学 | 电车轨道垃圾位置检测方法、计算机装置和计算机可读存储介质 |
| CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、***及介质 |
| CN109615071A (zh) * | 2018-12-25 | 2019-04-12 | 济南浪潮高新科技投资发展有限公司 | 一种高能效的神经网络处理器、加速***及方法 |
-
2019
- 2019-10-17 CN CN201910989410.6A patent/CN110781896B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100091846A1 (en) * | 2007-04-09 | 2010-04-15 | Ntt Docomo, Inc | Image prediction/encoding device, image prediction/encoding method, image prediction/encoding program, image prediction/decoding device, image prediction/decoding method, and image prediction decoding program |
| CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
| CN109063666A (zh) * | 2018-08-14 | 2018-12-21 | 电子科技大学 | 基于深度可分离卷积的轻量化人脸识别方法及*** |
| CN109241984A (zh) * | 2018-09-17 | 2019-01-18 | 暨南大学 | 电车轨道垃圾位置检测方法、计算机装置和计算机可读存储介质 |
| CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、***及介质 |
| CN109615071A (zh) * | 2018-12-25 | 2019-04-12 | 济南浪潮高新科技投资发展有限公司 | 一种高能效的神经网络处理器、加速***及方法 |
Non-Patent Citations (2)
| Title |
|---|
| JOSEPH REDMON ET AL.: ""YOLOv3: An Incremental Improvement"", 《ARXIV》 * |
| 王艳娟 等: ""改进的Cohen-Sutherland 线段裁剪算法"", 《现代计算机》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111462103A (zh) * | 2020-04-08 | 2020-07-28 | 中铁第一勘察设计院集团有限公司 | 铁路线路参数测量方法 |
| CN111665755A (zh) * | 2020-06-03 | 2020-09-15 | 暨南大学 | 一种轨道清洁车远程多端监测***及方法 |
| CN111797758A (zh) * | 2020-07-03 | 2020-10-20 | 成都理工大学 | 一种用于塑料瓶的识别定位技术 |
| CN112227279A (zh) * | 2020-09-16 | 2021-01-15 | 梁禄灵 | 一种建筑垃圾清理车 |
| CN112257623A (zh) * | 2020-10-28 | 2021-01-22 | 长沙立中汽车设计开发股份有限公司 | 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置 |
| CN112560576B (zh) * | 2020-11-09 | 2022-09-16 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
| CN112560576A (zh) * | 2020-11-09 | 2021-03-26 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
| CN113011315A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 一种基于超快速结构感知深度网络的地铁轨道识别方法 |
| CN113011315B (zh) * | 2021-03-16 | 2022-12-16 | 华南理工大学 | 一种基于超快速结构感知深度网络的地铁轨道识别方法 |
| CN114355907A (zh) * | 2021-12-22 | 2022-04-15 | 东风汽车集团股份有限公司 | 一种基于云端的智能化垃圾识别和清扫方法、*** |
| CN114355907B (zh) * | 2021-12-22 | 2024-01-19 | 东风汽车集团股份有限公司 | 一种基于云端的智能化垃圾识别和清扫方法、*** |
| CN115331129A (zh) * | 2022-10-14 | 2022-11-11 | 彼图科技(青岛)有限公司 | 一种基于无人机和人工智能的垃圾数据识别方法 |
| CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
| CN117173703B (zh) * | 2023-11-02 | 2024-01-16 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
| CN117368513A (zh) * | 2023-12-08 | 2024-01-09 | 广州泛美实验室***科技股份有限公司 | 实验室自动化流水线变轨方法 |
| CN117368513B (zh) * | 2023-12-08 | 2024-02-13 | 广州泛美实验室***科技股份有限公司 | 实验室自动化流水线变轨方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110781896B (zh) | 2022-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781896B (zh) | 一种轨道垃圾识别方法、清洁方法、***、资源配置方法 | |
| CN110210475B (zh) | 一种非二值化和边缘检测的车牌字符图像分割方法 | |
| CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
| CN104732235A (zh) | 一种消除夜间道路反光干扰的车辆检测方法 | |
| CN110781964A (zh) | 一种基于视频图像的人体目标检测方法及*** | |
| CN113673298B (zh) | 一种基于时序门控循环单元模型的溢出监测方法 | |
| CN112446246B (zh) | 一种图像遮挡检测方法及车载终端 | |
| CN113324864A (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 | |
| CN111652214A (zh) | 一种基于深度学习的垃圾瓶分选方法 | |
| CN112289022B (zh) | 基于时空背景比对的黑烟车检测判定方法及*** | |
| CN113788051A (zh) | 列车在站运行状态监测分析*** | |
| CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
| CN115205796A (zh) | 轨道线路异物侵限监测与风险预警方法及*** | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
| CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
| CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
| CN111540203A (zh) | 基于Faster-RCNN调节绿灯通行时间的方法 | |
| CN113344874B (zh) | 一种基于高斯混合建模的行人越界检测方法 | |
| CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
| CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及*** | |
| CN110956156A (zh) | 一种基于深度学习的闯红灯检测*** | |
| CN113362330B (zh) | 受电弓羊角实时检测方法、装置、计算机设备及存储介质 | |
| CN112801072B (zh) | 一种基于计算机视觉的电梯非平层开门故障识别装置及方法 | |
| CN111767904B (zh) | 一种交通事件检测方法、装置、终端及存储介质 | |
| CN112801963A (zh) | 一种视频图像遮挡检测方法及*** |
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 |