CN115294486B - 一种基于无人机和人工智能的违章垃圾识别和判定方法 - Google Patents
一种基于无人机和人工智能的违章垃圾识别和判定方法 Download PDFInfo
- Publication number
- CN115294486B CN115294486B CN202211219087.2A CN202211219087A CN115294486B CN 115294486 B CN115294486 B CN 115294486B CN 202211219087 A CN202211219087 A CN 202211219087A CN 115294486 B CN115294486 B CN 115294486B
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- unmanned aerial
- aerial vehicle
- image
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,尤其为一种基于无人机和人工智能的违章垃圾识别和判定方法,包括如下步骤:无人机采集高清视频;对无人机采集的高清视频进行帧间差处理,获取有效高清图片;通过5G技术将获得的高清图片传给地面工作站,对图片进行进一步预处理;对预处理后的图片通过人工智能算法进行运算,进而实现对垃圾的识别和判定。本发明通过无人机采集图像数据,并通过改进帧间差算法,通过扩大帧差检测变化较慢的目标,可以获取有效高清图片抛弃无用的或重复的图片,进一步提升5G传输的速度和人工智能算法的检测效率;将垃圾数据图像与人工智能算法相结合,实现对垃圾的自动识别和判定。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于无人机和人工智能的违章垃圾识别和判定方法。
背景技术
在过去信息化技术尚未普及时,违章建筑管理部门通常采用人工巡视的手段来人工发现垃圾。近些年,也出现了利用摄像头进行远程监控的方法在违章建筑附近进行监测,但是该种方法存在一些缺点,例如存在监测死角和资金投入较大等。这些方法虽然可以对垃圾影像进行采集,但是对垃圾识别判断主要还是通过人工识别方式,在获取的影像数量较多或影像范围较大时,通过人工识别方式会产生巨大的工作量,同时识别效率也相对较低。并且目前智能识别和自动特征提取等技术还处于研究阶段,并不能广泛应用,导致无人机巡查效果大打折扣。。
发明内容
本发明的目的是通过提出一种基于无人机和人工智能的违章垃圾识别和判定方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种基于无人机和人工智能的违章垃圾识别和判定方法,包括如下步骤:
S1.1:无人机采集高清视频;
S1.2:对无人机采集的高清视频进行帧间差处理,获取有效高清图片;
S1.3:通过5G技术将获得的高清图片传给地面工作站,对图片进行进一步预处理;
S1.4:对预处理后的图片通过人工智能算法进行运算,进而实现对垃圾的识别和判定。
作为本发明的一种优选技术方案:所述S1.2中,帧间差处理采用改进帧间差分法,所述改进帧间差分法利用三帧图像信息,通过对当前帧、前后帧的图像进行差分运算。
作为本发明的一种优选技术方案:所述改进帧间差分法公式如下:
再通过阈值T处理得到的帧差图像,并进行二值化处理:
作为本发明的一种优选技术方案:所述S1.3中,预处理的方法包含图片灰度处理、颜色反转以及canny边缘检测算法;
所述图片灰度处理公式如下:
所述颜色反转公式如下:
所述canny边缘检测算法如下:
用一个高斯矩阵乘以每一个像素点及其邻域,取其带权重的平均值作为最后的灰度值:
并设置阈值:
根据图像清晰度评价值对噪声进行过滤:
作为本发明的一种优选技术方案:所述S1.4中,所述人工智能算法步骤为:图像输入、基础特征提取、多层复杂特征提取、特征学习和分类检测结果;包括对图像进行卷积计算,经过池化层、激活函数和全连接层,由Softmax分类器输出分类结果,实现对垃圾的识别和判定。
作为本发明的一种优选技术方案:所述卷积计算为小矩阵在图像或输入特征图上滑动,所述输出分类结果为做矩阵的乘法和加法得到的结果,计算方法如下:
通过不同位置的特征进行聚合统计,选择代表性的值来表示原来的特征;采用maxpooling的方法,计算公式如下:
在神经网络中引入激活函数relu函数,计算公式如下:
其中,x为特征值,用于提高人工智能算法的表征能力。
作为本发明的一种优选技术方案:卷积层和所述池化层、激活函数结构将原始数据映射到特征向量空间,全连接层通过计算公式:
作为本发明的一种优选技术方案:Softmax将输入的神经网络的特征向量映射到(0,1)空间,这些值的相加和为1,选择最大概率值作为分类结果:
作为本发明的一种优选技术方案:所述人工智能算法处理后,进行垃圾检测,并将检测结果汇总到终端设备进行可视化展示与信息存储。
本发明提供的基于无人机和人工智能的违章垃圾识别和判定方法,与现有技术相比,其有益效果有:
本发明通过无人机采集图像数据,并通过改进帧间差算法,通过扩大帧差检测变化较慢的目标,可以获取有效高清图片抛弃无用的或重复的图片,进一步提升5G传输的速度和人工智能算法的检测效率;将垃圾数据图像与人工智能算法相结合,实现对垃圾的自动识别和判定。通过无人驾驶航拍技术进行摄影,为航拍摄影提供了操作方便,易于转场的遥感平台。起飞降落受场地限制较小,在操场、公路或其它较开阔的地面均可起降,其稳定性、安全性好,转场等非常容易。
附图说明
图1为本发明优选实施例的方法流程图;
图2为本发明优选实施例的技术结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,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。
参照图1,本发明优选实施例提供了一种基于无人机和人工智能的违章垃圾识别和判定方法,包括如下步骤:
S1.1:无人机采集高清视频;
S1.2:对无人机采集的高清视频进行帧间差处理,获取有效高清图片;
S1.3:通过5G技术将获得的高清图片传给地面工作站,对图片进行进一步预处理;
S1.4:对预处理后的图片通过人工智能算法进行运算,进而实现对垃圾的识别和判定。
所述S1.2中,帧间差处理采用改进帧间差分法,所述改进帧间差分法利用三帧图像信息,通过对当前帧、前后帧的图像进行差分运算。
所述改进帧间差分法公式如下:
再通过阈值T处理得到的帧差图像,并进行二值化处理:
所述S1.3中,预处理的方法包含图片灰度处理、颜色反转以及canny边缘检测算法;
所述图片灰度处理公式如下:
所述颜色反转公式如下:
所述canny边缘检测算法如下:
用一个高斯矩阵乘以每一个像素点及其邻域,取其带权重的平均值作为最后的灰度值:
并设置阈值:
根据图像清晰度评价值对噪声进行过滤:
所述S1.4中,所述人工智能算法步骤为:图像输入、基础特征提取、多层复杂特征提取、特征学习和分类检测结果;包括对图像进行卷积计算,经过池化层、激活函数和全连接层,由Softmax分类器输出分类结果,实现对垃圾的识别和判定。
所述卷积计算为小矩阵在图像或输入特征图上滑动,所述输出分类结果为做矩阵的乘法和加法得到的结果,计算方法如下:
通过不同位置的特征进行聚合统计,选择代表性的值来表示原来的特征;采用maxpooling的方法,计算公式如下:
在神经网络中引入激活函数relu函数,计算公式如下:
其中,x为特征值,用于提高人工智能算法的表征能力。
卷积层和所述池化层、激活函数结构将原始数据映射到特征向量空间,全连接层通过计算公式:
Softmax将输入的神经网络的特征向量映射到(0,1)空间,而这些值的相加和为1,选择最大概率值作为分类结果:
所述人工智能算法处理后,进行垃圾检测,并将检测结果汇总到终端设备进行可视化展示与信息存储。
本实施例中,参照图2,基于无人机和人工智能的垃圾数据识别算法主要由三部分组成:无人机、5G技术、人工智能算法。其中,人工智能算法包括图像输入、基础特征提取、多层复杂特征提取、特征学习和分类检测结果。
无人机担当的采集高清视频的作用,并对视频进行帧间差处理,获取有效的高清图片,抛弃无用的或重复的图片,进一步提升5G传输的速度和人工智能算法的检测效率。其中,帧间差分法的实现原理数学公式表示如下:
对帧间差分法进行改进,通过扩大帧差检测变化较慢的目标,所述改进帧间差分法利用三帧图像信息,通过对当前帧、前后帧的图像进行差分运算。
所述改进帧间差分法公式如下:
再通过阈值T处理得到的帧差图像,并进行二值化处理:
运用5G技术将经过帧间差分法处理的图像传给地面的工作站,进一步对图像进行预处理,预处理的方法包含图片灰度处理、颜色反转以及canny边缘检测。
图片灰度处理的数学表示公式如下:
颜色反转数学表示公式如下:
canny边缘检测的数学表示公式如下:
并设置阈值:
根据图像清晰度评价值对噪声进行过滤:
将经过预处理之后的图像,送给人工智能算法,对图像进行卷积计算,经过池化层、激活函数和全连接层,由Softmax分类器输出分类结果。进而实现对垃圾的识别和判定。
卷积计算是一些小矩阵在图像或输入特征图上滑动,做矩阵的乘法和加法得到的结果就是输出分类结果,计算方法:
经过卷积层后提取的特征尺寸还是过大,直接用来训练十分不方便同时容易过拟合。对不同位置的特征进行聚合统计,选择代表性的值来表示原来的特征。本模型选择是maxpooling的方法,计算公式如下:
为了让人工智能算法具有很好的表征能力,必须引入非线性元素。因此,在神经网络中引入激活函数。本模型引入的激活函数是relu函数,计算公式如下:
其中,x为特征值。
卷积层、池化层和激活函数等结构是将原始数据映射到特征向量空间,全连接层的作用是将学到的分布式特征整合总结,然后映射到样本标记空间,计算公式如下:
Softmax将输入的神经网络的特征向量映射到(0,1)空间,而这些值的相加和为1,输出值可以理解为概率值。所以在输出结果的时候,选择概率值最大的作为分类结果。
经过人工智能算法的处理之后,就可以将垃圾准确的检测出来,将检测结果汇总到终端设备进行可视化展示与信息的存储。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于无人机和人工智能的违章垃圾识别和判定方法,其特征在于:包括如下步骤:
S1.1:无人机采集高清视频;
S1.2:对无人机采集的高清视频进行帧间差处理,获取有效高清图片;
S1.3:通过5G技术将获得的高清图片传给地面工作站,对图片进行进一步预处理;
S1.4:对预处理后的图片通过人工智能算法进行运算,进而实现对垃圾的识别和判定;
所述S1.2中,帧间差处理采用改进帧间差分法,所述改进帧间差分法利用三帧图像信息,通过对当前帧、前后帧的图像进行差分运算;
所述改进帧间差分法公式如下:
再通过阈值T处理得到的帧差图像,并进行二值化处理:
4.根据权利要求1所述的基于无人机和人工智能的违章垃圾识别和判定方法,其特征在于:所述S1.4中,所述人工智能算法步骤为:图像输入、基础特征提取、多层复杂特征提取、特征学习和分类检测结果;包括对图像进行卷积计算,经过池化层、激活函数和全连接层,由Softmax分类器输出分类结果,实现对垃圾的识别和判定。
8.根据权利要求4所述的基于无人机和人工智能的违章垃圾识别和判定方法,其特征在于:所述人工智能算法处理后,进行垃圾检测,并将检测结果汇总到终端设备进行可视化展示与信息存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219087.2A CN115294486B (zh) | 2022-10-08 | 2022-10-08 | 一种基于无人机和人工智能的违章垃圾识别和判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219087.2A CN115294486B (zh) | 2022-10-08 | 2022-10-08 | 一种基于无人机和人工智能的违章垃圾识别和判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294486A CN115294486A (zh) | 2022-11-04 |
CN115294486B true CN115294486B (zh) | 2023-01-13 |
Family
ID=83834617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219087.2A Active CN115294486B (zh) | 2022-10-08 | 2022-10-08 | 一种基于无人机和人工智能的违章垃圾识别和判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115588145B (zh) * | 2022-12-12 | 2023-03-21 | 深圳联和智慧科技有限公司 | 基于无人机的河道垃圾漂浮识别方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472200A (zh) * | 2018-09-29 | 2019-03-15 | 深圳市锦润防务科技有限公司 | 一种智能的海面垃圾检测方法、***和存储介质 |
CN112581492A (zh) * | 2019-09-27 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 一种运动目标检测方法和装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9111444B2 (en) * | 2012-10-31 | 2015-08-18 | Raytheon Company | Video and lidar target detection and tracking system and method for segmenting moving targets |
CN108230368A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种快速运动目标检测方法 |
CN109460764B (zh) * | 2018-11-08 | 2022-02-18 | 中南大学 | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 |
CN110298323B (zh) * | 2019-07-02 | 2021-10-15 | 中国科学院自动化研究所 | 基于视频分析的打架检测方法、***、装置 |
CN110599523A (zh) * | 2019-09-10 | 2019-12-20 | 江南大学 | 一种融合帧间差分法的ViBe鬼影抑制方法 |
CN110910318A (zh) * | 2019-10-21 | 2020-03-24 | 中国科学院西安光学精密机械研究所 | 综合诊断光路快速自动准直***弱对比度纹影小球中心计算方法 |
CN111539296B (zh) * | 2020-04-17 | 2022-09-23 | 河海大学常州校区 | 一种基于遥感影像变化检测的违章建筑识别方法及*** |
CN114120120A (zh) * | 2021-11-25 | 2022-03-01 | 广东电网有限责任公司 | 基于遥感影像的违章建筑检测方法、装置、设备及介质 |
CN114241364A (zh) * | 2021-11-30 | 2022-03-25 | 南京理工大学 | 一种架空输电线路异物目标快速标定方法 |
-
2022
- 2022-10-08 CN CN202211219087.2A patent/CN115294486B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472200A (zh) * | 2018-09-29 | 2019-03-15 | 深圳市锦润防务科技有限公司 | 一种智能的海面垃圾检测方法、***和存储介质 |
CN112581492A (zh) * | 2019-09-27 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 一种运动目标检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115294486A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
CN103605977B (zh) | 一种车道线的提取方法及装置 | |
CN103400150B (zh) | 一种基于移动平台进行道路边缘识别的方法及装置 | |
US9418402B2 (en) | System for improving foggy luminance image using fog reduction estimation model | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN103544484A (zh) | 一种基于surf的交通标志识别方法及*** | |
CN104766071B (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
US20150287170A1 (en) | Apparatus for improving fogged image using user-controllable root operator | |
CN103034983B (zh) | 一种基于各向异性滤波的去雾方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
CN105976338A (zh) | 一种基于天空识别与分割的暗通道先验去雾方法 | |
CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
CN115294486B (zh) | 一种基于无人机和人工智能的违章垃圾识别和判定方法 | |
CN106657948A (zh) | 低照度Bayer图像的增强方法及增强装置 | |
CN105138987A (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
CN115063785B (zh) | 高速公路场景使用目标识别模型定位车牌的方法及装置 | |
Sahu et al. | Image dehazing based on luminance stretching | |
CN114708532A (zh) | 一种监控视频质量评估方法、***及存储介质 | |
Alami et al. | Local fog detection based on saturation and RGB-correlation | |
Wang et al. | Haze removal algorithm based on single-images with chromatic properties | |
Khan et al. | Recent advancement in haze removal approaches | |
Zhao et al. | Image dehazing based on haze degree classification |
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 |