CN114202708A - 一种垃圾类型识别方法、***、电子设备及介质 - Google Patents
一种垃圾类型识别方法、***、电子设备及介质 Download PDFInfo
- Publication number
- CN114202708A CN114202708A CN202111506581.2A CN202111506581A CN114202708A CN 114202708 A CN114202708 A CN 114202708A CN 202111506581 A CN202111506581 A CN 202111506581A CN 114202708 A CN114202708 A CN 114202708A
- Authority
- CN
- China
- Prior art keywords
- garbage
- image data
- current
- level
- feature map
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,其目的在于提供一种垃圾类型识别方法、***、电子设备及介质。其中的垃圾类型识别方法包括:获取多个垃圾图像数据;将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的第二特征图;将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。本发明基于图像识别技术判断垃圾类型,可减轻用户手动对垃圾分类的工作量。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种垃圾类型识别方法、***、电子设备及介质。
背景技术
垃圾分类,一般是指按一定规定或标准将垃圾分类储存、投放和搬运,从而转变成公共资源的一系列活动的总称。垃圾分类可提高垃圾的资源价值和经济价值,减少垃圾处理量和处理设备的使用,降低处理成本,减少土地资源的消耗。现有技术中,通常通过人工手动对垃圾进行分类,即用户在产生生活垃圾后,自行对垃圾分类,以将垃圾分为可回收垃圾、有害垃圾、湿垃圾以及干垃圾等类型。但是,在使用现有技术过程中,发明人发现现有技术中至少存在如下问题:人工手动对垃圾进行分类的方式,存在费时费力的问题。
发明内容
本发明旨在至少在一定程度上解决上述技术问题,本发明提供了一种垃圾类型识别方法、***、电子设备及介质。
本发明采用的技术方案是:
第一方面,本发明提供了一种垃圾类型识别方法,包括:
获取多个携带有类型标注信息的垃圾图像数据;
将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;
对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;
基于FPN网络和PANet网络,将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的第二特征图;
将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。
本实施例基于图像识别技术判断垃圾类型,可减轻用户手动对垃圾分类的工作量。具体地,本实施例在执行过程中,可基于神经网络提取垃圾图像数据的多层级特征图,然后得到第二特征图,最终得到当前垃圾图像的预测结果,从而得知当前图像对应垃圾的类型信息,避免了现有技术中手动进行垃圾分类造成用户工作量大的问题。
本实施例中的神经网络模型既能学习到很深的语义特征,又能学习到细粒度及空间特征,使得模型具有比较好的泛化能力。
在一个可能的设计中,获取多个携带有类型标注信息的垃圾图像数据,包括:
获取多个原始垃圾图像数据;
对多个原始垃圾图像数据进行垃圾类型标注,得到多个携带有类型标注信息的垃圾图像数据。
在一个可能的设计中,对多个原始垃圾图像数据进行垃圾类型标注,得到多个携带有类型标注信息的垃圾图像数据后,还包括:
对多个携带有类型标注信息的垃圾图像数据进行图像增强处理,以便将增强处理后垃圾图像数据输入至骨干网络中。
在一个可能的设计中,所述骨干网络包括特征提取器、目标检测器和CSPNet网络;将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图,包括:
将当前垃圾图像数据依次输入至特征提取器和目标检测器,得到当前垃圾图像数据的初始特征信息;
将当前垃圾图像数据的初始特征信息输入CSPNet网络中,得到当前垃圾图像数据的多层级特征图。
在一个可能的设计中,所述特征提取器和目标检测器均采用Darknet53网络。
在一个可能的设计中,当前垃圾图像的类型预测结果为:S*S*(K*(5+C)),其中,K表示网格边界框的个数,5表示当前网格预测框的坐标和置信度分数(x1,y1,x2,y2,score),C表示类别数。
第二方面,本发明提供了一种垃圾类型识别***,用于实现如上述任一项所述的垃圾类型识别方法;所述垃圾类型识别***包括依次通信连接的垃圾图像数据获取模块、第一特征图提取模块、池化处理模块、第二特征图提取模块和垃圾类型信息获取模块;其中,
所述垃圾图像数据获取模块,用于获取多个携带有类型标注信息的垃圾图像数据;
所述第一特征图提取模块,用于将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;
所述池化处理模块,用于对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;
所述第二特征图提取模块,用于基于FPN网络和PANet网络,将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的第二特征图;
所述垃圾类型信息获取模块,用于将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。
第三方面,本发明提供了一种电子设备,包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如上述任一项所述的垃圾类型识别方法的操作。
第四方面,本发明提供了一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,所述计算机程序指令被配置为运行时执行如上述任一项所述的垃圾类型识别方法的操作。
附图说明
图1是本发明中一种垃圾类型识别方法的流程图;
图2是本发明中一种垃圾类型识别***的模块框图;
图3是本发明中一种电子设备的模块框图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况。
应当理解,还应当注意到在一些备选实施例中,所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
实施例1:
本实施例第一方面提供了一种垃圾类型识别方法、***、电子设备及介质,可以但不限于由具有一定计算资源的计算机设备或虚拟机执行,例如由个人计算机(PersonalComputer,PC,指一种大小、价格和性能适用于个人使用的多用途计算机;台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal digital assistant,PAD)或可穿戴设备等电子设备执行,或者由虚拟机Hypervisor执行,以便利于提高对垃圾类型的自动识别。
如图1所示,一种垃圾类型识别方法、***、电子设备及介质,可以但不限于包括有如下步骤:
S1.获取多个携带有类型标注信息的垃圾图像数据;
本实施例中,获取多个携带有类型标注信息的垃圾图像数据,包括:
S101.获取多个原始垃圾图像数据;需要说明的是,原始垃圾图像中的各废弃物应当尽量不互相重合;
S102.对多个原始垃圾图像数据进行垃圾类型标注,得到多个携带有类型标注信息的垃圾图像数据。
具体地,标注的垃圾类型可以但不仅限于包括可回收垃圾、有害垃圾和干垃圾等类型,其中,可回收垃圾指废纸张、废塑料、废玻璃制品、废金属及废织物等废弃物。有害垃圾指废电池、废灯管、废药品、废油漆及其容器等废弃物。干垃圾指除可回收物、有害垃圾和湿垃圾以外的其它生活废弃物。需要说明的是,由于湿垃圾包括剩菜剩饭,食材废料,瓜皮果核,花卉绿植,中药药渣等,是比较容易附着在其它物品上的,不仅无法很好的识别,还会影响其它垃圾的检测,因此本实施例中标注的垃圾类型不包括湿垃圾。
S103.对多个携带有类型标注信息的垃圾图像数据进行图像增强处理,以便将增强处理后垃圾图像数据输入至骨干网络中。
需要说明的是,图像增强处理用于有目的地强调标注后垃圾图像数据的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善标注后垃圾图像数据的质量、丰富信息量,以便于加强后续对标注后垃圾图像数据的判读和识别效果,满足后续类型识别分析的需要。
本实施例中,图像增强处理包括但不仅限于图像旋转处理、图像翻转处理、图像裁剪处理及图像色彩增强处理,其中,图像色彩增强处理包括曝光度调节,对比度调节等。
S2.将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;
本实施例中,所述骨干网络包括特征提取器、目标检测器和CSPNet网络(CrossStage Partial Network,跨阶段局部网络);
将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图,包括:
S201.将当前垃圾图像数据依次输入至特征提取器和目标检测器,得到当前垃圾图像数据的初始特征信息;
本实施例中,所述特征提取器和目标检测器均采用Darknet53网络。具体地,特征提取器和目标检测器混合构成特征提取器,Darknet53网络由Darknet-53网络和ResidualNetwork(残差网络)混合构成,即可在每个残差块内使用瓶颈结构,Residual Network可以将特征传入更深的层,避免层数太深时,梯度消失的问题;其中,Darknet是经典的深度学习框架,其结合Resnet深度学习框架的特点,在保证对特征进行超强表达的同时,又可避免网络过深带来的梯度问题,而Darknet53是Darknet深度学习框架中的主要网络,表现为其网络中有53个convolutional layers。
S202.将当前垃圾图像数据的初始特征信息输入CSPNet网络中,得到当前垃圾图像数据的多层级特征图。
本实施例中,采用CSPNet网络进一步对初始特征信息进行特征提取,具体地,CSPNet网络包括多个数据处理阶段,其每个阶段都包含一个dense块(稠密块)和一个transition层(过渡层),每个dense块由k个dense层(稠密连接层)构成,第i个dense层的输出与第i个dense层的输入concat起来,作为第i+1个dense层的输入,由此,在CSPNet网络对当前垃圾图像数据的初始特征信息进行处理时,可将接受的初始特征信息分为两部分,其中一部分向前传入dense块、另一部分传入transition层,并经过多阶段处理,最终得到当前垃圾图像数据的多层级特征图。本实施例中,采用CSPNet网络进行语义特征信息的提取,使得梯度路径的数量增加了一倍,同时可以有效解决接近一半的算力瓶颈,能够节省最多一半的内存占用空间。
S3.对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;
S4.基于FPN网络(Feature Pyramid Networks,特征金字塔网络)和PANet网络(Path Aggregation Network,路径聚合网络),将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的的第二特征图;需要说明的是,FPN网络的工作流为自顶向下设置,可保留当前垃圾图像数据的多层级特征图中的细颗粒度特征。
S5.将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,其中,S为网格的格数,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。需要说明的是,不同层级层级的第二特征图负责预测不同大小物体的类型。
本实施例中,当前垃圾图像的类型预测结果为:S*S*(K*(5+C)),其中,S为16,K表示网格边界框的个数,其中边界框为包含物体的矩形框,此处K为3,5表示当前网格预测框的坐标和置信度分数(x1,y1,x2,y2,score),其中,(x1,y1,x2,y2)为当前网格预测框的坐标,score为当前网格预测框的置信度分数,C表示类别数,此处为3,表示三类垃圾类别,分别为可回收垃圾、有害垃圾和干垃圾。
本实施例基于图像识别技术判断垃圾类型,可减轻用户手动对垃圾分类的工作量。具体地,本实施例在执行过程中,可基于神经网络提取垃圾图像数据的多层级特征图,然后得到第二特征图,最终得到当前垃圾图像的预测结果,从而得知当前图像对应垃圾的类型信息,避免了现有技术中手动进行垃圾分类造成用户工作量大的问题。
本实施例中的神经网络模型既能学习到很深的语义特征,又能学习到细粒度及空间特征,使得模型具有比较好的泛化能力。
实施例2:
本实施例提供一种垃圾类型识别***,用于实现实施例1中垃圾类型识别方法;如图2所示,所述垃圾类型识别***包括依次通信连接的垃圾图像数据获取模块、第一特征图提取模块、池化处理模块、第二特征图提取模块和垃圾类型信息获取模块;其中,
所述垃圾图像数据获取模块,用于获取多个携带有类型标注信息的垃圾图像数据;
所述第一特征图提取模块,用于将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;
所述池化处理模块,用于对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;
所述第二特征图提取模块,用于基于FPN网络和PANet网络,将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的第二特征图;
所述垃圾类型信息获取模块,用于将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。
实施例3:
在实施例1或2的基础上,本实施例公开了一种电子设备,该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等,如图3所示,电子设备包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如实施例1中任一所述的垃圾类型识别方法的操作。
具体地,处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable LogicArray,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的垃圾类型识别方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个***设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与通信接口303相连。具体地,***设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。
电源306用于为电子设备中的各个组件进行供电。
实施例4:
在实施例1至3任一项实施例的基础上,本实施例公开了一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,所述计算机程序指令被配置为运行时执行如实施例1所述的垃圾类型识别方法的操作。
需要说明的是,所述功能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,可以存储在一个处理器可执行的非易失的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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
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。
最后应说明的是,本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (9)
1.一种垃圾类型识别方法,其特征在于:包括:
获取多个携带有类型标注信息的垃圾图像数据;
将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;
对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;
基于FPN网络和PANet网络,将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的第二特征图;
将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。
2.根据权利要求1所述的一种垃圾类型识别方法,其特征在于:获取多个携带有类型标注信息的垃圾图像数据,包括:
获取多个原始垃圾图像数据;
对多个原始垃圾图像数据进行垃圾类型标注,得到多个携带有类型标注信息的垃圾图像数据。
3.根据权利要求2所述的一种垃圾类型识别方法,其特征在于:对多个原始垃圾图像数据进行垃圾类型标注,得到多个携带有类型标注信息的垃圾图像数据后,还包括:
对多个携带有类型标注信息的垃圾图像数据进行图像增强处理,以便将增强处理后垃圾图像数据输入至骨干网络中。
4.根据权利要求1所述的一种垃圾类型识别方法,其特征在于:所述骨干网络包括特征提取器、目标检测器和CSPNet网络;将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图,包括:
将当前垃圾图像数据依次输入至特征提取器和目标检测器,得到当前垃圾图像数据的初始特征信息;
将当前垃圾图像数据的初始特征信息输入CSPNet网络中,得到当前垃圾图像数据的多层级特征图。
5.根据权利要求4所述的一种垃圾类型识别方法,其特征在于:所述特征提取器和目标检测器均采用Darknet53网络。
6.根据权利要求1所述的一种垃圾类型识别方法,其特征在于:当前垃圾图像的类型预测结果为:S*S*(K*(5+C)),其中,K表示网格边界框的个数,5表示当前网格预测框的坐标和置信度分数(x1,y1,x2,y2,score),C表示类别数。
7.一种垃圾类型识别***,其特征在于:用于实现如权利要求1至6中任一项所述的垃圾类型识别方法;所述垃圾类型识别***包括依次通信连接的垃圾图像数据获取模块、第一特征图提取模块、池化处理模块、第二特征图提取模块和垃圾类型信息获取模块;其中,
所述垃圾图像数据获取模块,用于获取多个携带有类型标注信息的垃圾图像数据;
所述第一特征图提取模块,用于将当前垃圾图像数据输入至骨干网络中,得到当前垃圾图像数据的多层级特征图;
所述池化处理模块,用于对多层级特征图分别进行池化处理,得到池化后多层级的第一特征图;
所述第二特征图提取模块,用于基于FPN网络和PANet网络,将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并,得到当前垃圾图像数据的多层级的第二特征图;
所述垃圾类型信息获取模块,用于将当前垃圾图像数据的多层级的第二特征图分为S*S的网格,然后对当前第二特征图的每个网格区域进行分类,得到当前垃圾图像中指定目标的类型预测结果。
8.一种电子设备,其特征在于:包括:
存储器,用于存储计算机程序指令;以及,
处理器,用于执行所述计算机程序指令从而完成如权利要求1至6中任一项所述的垃圾类型识别方法的操作。
9.一种计算机可读存储介质,用于存储计算机可读取的计算机程序指令,其特征在于:所述计算机程序指令被配置为运行时执行如权利要求1至6中任一项所述的垃圾类型识别方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506581.2A CN114202708A (zh) | 2021-12-10 | 2021-12-10 | 一种垃圾类型识别方法、***、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506581.2A CN114202708A (zh) | 2021-12-10 | 2021-12-10 | 一种垃圾类型识别方法、***、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202708A true CN114202708A (zh) | 2022-03-18 |
Family
ID=80652101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111506581.2A Pending CN114202708A (zh) | 2021-12-10 | 2021-12-10 | 一种垃圾类型识别方法、***、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202708A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-12-10 CN CN202111506581.2A patent/CN114202708A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210387B (zh) | 基于知识图谱的绝缘子目标检测方法、***、装置 | |
CN109711448A (zh) | 基于判别关键域和深度学习的植物图像细粒度分类方法 | |
CN113435529B (zh) | 模型预训练方法、模型训练方法及图像处理方法 | |
CN110610201B (zh) | 厨余回收分类方法、***、移动终端及存储介质 | |
WO2020077940A1 (en) | Method and device for automatic identification of labels of image | |
JP7013489B2 (ja) | 学習装置、実写画像分類装置の生成システム、実写画像分類装置の生成装置、学習方法及びプログラム | |
CN108596944A (zh) | 一种提取运动目标的方法、装置及终端设备 | |
CN111243061B (zh) | 一种商品图片的生成方法、装置、*** | |
CN109685065A (zh) | 试卷内容自动分类的版面分析方法、*** | |
CN108898587A (zh) | 图片处理方法、图片处理装置及终端设备 | |
Madan et al. | Synthetically trained icon proposals for parsing and summarizing infographics | |
CN108961267A (zh) | 图片处理方法、图片处理装置及终端设备 | |
US20240221400A1 (en) | Microscopic image processing method and apparatus, computer device, and storage medium | |
JP2022090633A (ja) | 高解像度画像内の物体検出を改善するための方法、コンピュータ・プログラム製品、およびコンピュータ・システム | |
CN114202708A (zh) | 一种垃圾类型识别方法、***、电子设备及介质 | |
CN111368865B (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN112528610A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
CN108776959A (zh) | 图像处理方法、装置及终端设备 | |
CN110414497A (zh) | 对象电子化的方法、装置、服务器及存储介质 | |
CN110263741A (zh) | 视频帧提取方法、装置及终端设备 | |
CN116912872A (zh) | 图纸识别方法、装置、设备及可读存储介质 | |
CN108932704A (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN111787389B (zh) | 转置视频识别方法、装置、设备及存储介质 | |
CN113807407A (zh) | 目标检测模型训练方法、模型性能检测方法及装置 |
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 |