CN115331129B - 一种基于无人机和人工智能的垃圾数据识别方法 - Google Patents

一种基于无人机和人工智能的垃圾数据识别方法 Download PDF

Info

Publication number
CN115331129B
CN115331129B CN202211256439.1A CN202211256439A CN115331129B CN 115331129 B CN115331129 B CN 115331129B CN 202211256439 A CN202211256439 A CN 202211256439A CN 115331129 B CN115331129 B CN 115331129B
Authority
CN
China
Prior art keywords
image
garbage
aerial vehicle
unmanned aerial
grid
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
Application number
CN202211256439.1A
Other languages
English (en)
Other versions
CN115331129A (zh
Inventor
陈钢
刘攀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Byte Technology Qingdao Co Ltd
Original Assignee
Byte Technology Qingdao Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Byte Technology Qingdao Co Ltd filed Critical Byte Technology Qingdao Co Ltd
Priority to CN202211256439.1A priority Critical patent/CN115331129B/zh
Publication of CN115331129A publication Critical patent/CN115331129A/zh
Application granted granted Critical
Publication of CN115331129B publication Critical patent/CN115331129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/20—Image preprocessing
    • 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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术，尤其为一种基于无人机和人工智能的垃圾数据识别方法，包括如下步骤：通过无人机作业，收集大数据量的高清视频影像数据，对视频进行帧间差处理，获取有效的高清图片；对抽帧图像进行预处理，得到数据集；通过对图像的特征提取进行网格划分，分类器确认网格内是否有垃圾存在；对存在垃圾的单元格进行垃圾识别分类。本发明通过无人机智能采集垃圾图像，节省了人力，减轻了劳动人员工作量；通过改进帧间差算法，获取高清有效的垃圾图片，并通过改进滤波算法进一步提高了图像的清晰度；通过划分网格并分类的方法将图像中的垃圾图像提取处理，便于对垃圾的智能识别；结合分类器对垃圾进行分类，便于垃圾的回收。

Description

一种基于无人机和人工智能的垃圾数据识别方法
技术领域
本发明涉及图像处理技术，尤其是一种基于无人机和人工智能的垃圾数据识别方法。
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各处进行监测，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，还需要精确地分类以及多样性的采集方式，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，简单的智能识别也无法完成所有任务，同时识别效率也相对较低。并且目前对于垃圾数据的识别多数仅停留在识别阶段，随着国家对垃圾分类的严格管控，已渐渐不能再适应人们的需求。
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垃圾数据识别方法，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垃圾数据识别方法，包括如下步骤：
S1.1：通过无人机作业，收集大数据量的高清视频影像数据，对视频进行帧间差处理，获取有效的高清图片；
S1.2：对抽帧图像进行预处理，得到数据集；
S1.3：通过对图像的特征提取进行网格划分，分类器确认网格内是否有垃圾存在；
S1.4：对存在垃圾的单元格进行垃圾识别分类。
作为本发明的一种优选技术方案：所述S1.1中的帧间差处理图像算法如下：
取连续两帧图像：
Figure 64190DEST_PATH_IMAGE001
；
其中：
Figure 417549DEST_PATH_IMAGE002
；
其中，
Figure 400548DEST_PATH_IMAGE003
为连续两帧图像之间的差分图像，/>
Figure 999020DEST_PATH_IMAGE004
和/>
Figure 16654DEST_PATH_IMAGE005
分别为前后相邻两帧像素的灰度值，/>
Figure 42379DEST_PATH_IMAGE006
为差分图像二值化时选取的阈值，/>
Figure 276789DEST_PATH_IMAGE007
表示前景，
Figure 678952DEST_PATH_IMAGE008
表示背景，β为抑制系数。
作为本发明的一种优选技术方案：所述S1.2中，获取经过帧间差处理的差分图像后，对图像进行预处理，所述预处理步骤包括对图像进行颜色反转、滤波处理和增强处理。
作为本发明的一种优选技术方案：所述滤波处理以差分图像左下角的图像起始点为原点建立直角坐标系，点
Figure 551093DEST_PATH_IMAGE009
为使图像围成矩形最大的点，得到：
Figure 747719DEST_PATH_IMAGE010
；
Figure 705311DEST_PATH_IMAGE011
；
其中，
Figure 144120DEST_PATH_IMAGE012
为点/>
Figure 870768DEST_PATH_IMAGE009
在整张图像中的像素均值；/>
Figure 503874DEST_PATH_IMAGE013
为点/>
Figure 948762DEST_PATH_IMAGE009
在整张图像中的像素方差。
作为本发明的一种优选技术方案：令
Figure 427148DEST_PATH_IMAGE014
围成差分图像的坐标系中矩形区域；得到矩形区域中任一点坐标/>
Figure 273881DEST_PATH_IMAGE015
；计算当前矩形区域内点
Figure 310845DEST_PATH_IMAGE015
的均值和方差：
Figure 508608DEST_PATH_IMAGE016
；
Figure 525106DEST_PATH_IMAGE017
；
得到：
Figure 491925DEST_PATH_IMAGE018
；
其中，
Figure 201255DEST_PATH_IMAGE019
为滤波后点/>
Figure 853691DEST_PATH_IMAGE015
的灰度值。
作为本发明的一种优选技术方案：通过canny边缘提取算法，增加多方位模板算子，对图像进行边缘检测处理。
作为本发明的一种优选技术方案：所述S1.3中，对预处理后的图像基于图像尺度进行网格划分：
设原数据集设为M，宽度为r，高度为s，对于∀子图m∈M；
原数据集M的划分格数W根据下式确定：
Figure 205038DEST_PATH_IMAGE020
；
其中，
Figure 760784DEST_PATH_IMAGE021
为网格划分因子；/>
Figure 906594DEST_PATH_IMAGE022
为图中特征点数量。
作为本发明的一种优选技术方案：所述通过级联分类器对所述网格内的目标进行识别，设P为有垃圾存在的网格集合，N为无垃圾存在的网格集合，误检率为f，检测率为d，标准误检率为
Figure 547791DEST_PATH_IMAGE023
；初始值设/>
Figure 171671DEST_PATH_IMAGE024
，/>
Figure 346038DEST_PATH_IMAGE025
；；
令q=1；当
Figure 662750DEST_PATH_IMAGE026
时，q=q+1；/>
Figure 791243DEST_PATH_IMAGE027
，/>
Figure 218813DEST_PATH_IMAGE028
；
当
Figure 483572DEST_PATH_IMAGE029
时，/>
Figure 469720DEST_PATH_IMAGE030
；
训练一个有n个特征的级联分类器，训练得到集合
Figure 351089DEST_PATH_IMAGE031
和集合/>
Figure 582350DEST_PATH_IMAGE032
，直至达到目标分类器的检测准确率和误检率；/>
对有垃圾存在的网络集合
Figure 967195DEST_PATH_IMAGE031
，继续进行拆分和分类识别，直至每个网格内至多含有一个垃圾目标。
作为本发明的一种优选技术方案：所述S1.4中，针对有垃圾存在的网络集合，定义可回收垃圾输出为a，厨余垃圾输出为b，有害垃圾输出为c，其他垃圾输出为d；设分类误差为
Figure 360130DEST_PATH_IMAGE033
；
定义各单元格内的权重系数满足：
Figure 463215DEST_PATH_IMAGE034
；
其中，
Figure 731123DEST_PATH_IMAGE035
为权重系数；
Figure 236054DEST_PATH_IMAGE036
；
Figure 799891DEST_PATH_IMAGE037
；
Figure 390272DEST_PATH_IMAGE038
为/>
Figure 963336DEST_PATH_IMAGE039
个弱分类器得到的分类样本的分类值。
本发明提供的基于无人机和人工智能的垃圾数据识别方法，与现有技术相比，其有益效果有：
本发明通过无人机智能采集垃圾图像，节省了人力，减轻了劳动人员工作量；通过改进帧间差算法，获取高清有效的垃圾图片，并通过改进滤波算法进一步提高了图像的清晰度；通过划分网格并分类的方法将图像中的垃圾图像提取处理，便于对垃圾的智能识别；结合分类器对垃圾进行分类，便于垃圾的回收。
附图说明
图1为本发明优选实施例的方法流程图。
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垃圾数据识别方法，包括如下步骤：
S1.1：通过无人机作业，收集大数据量的高清视频影像数据，对视频进行帧间差处理，获取有效的高清图片；
S1.2：对抽帧图像进行预处理，得到数据集；
S1.3：通过对图像的特征提取进行网格划分，分类器确认网格内是否有垃圾存在；
S1.4：对存在垃圾的单元格进行垃圾识别分类。
所述S1.1中的帧间差处理图像算法如下：
取连续两帧图像：
Figure 555729DEST_PATH_IMAGE040
；
其中：
Figure 556046DEST_PATH_IMAGE041
；
其中，
Figure 633723DEST_PATH_IMAGE003
为连续两帧图像之间的差分图像，/>
Figure 10478DEST_PATH_IMAGE004
和/>
Figure 224422DEST_PATH_IMAGE005
分别为前后相邻两帧像素的灰度值，/>
Figure 395640DEST_PATH_IMAGE006
为差分图像二值化时选取的阈值，/>
Figure 193569DEST_PATH_IMAGE007
表示前景，
Figure 108436DEST_PATH_IMAGE008
表示背景，β为抑制系数。
所述S1.2中，获取经过帧间差处理的差分图像后，对图像进行预处理，所述预处理步骤包括对图像进行颜色反转、滤波处理和增强处理。
所述滤波处理以差分图像左下角的图像起始点为原点建立直角坐标系，点
Figure 911307DEST_PATH_IMAGE009
为使图像围成矩形最大的点，得到：
Figure 253426DEST_PATH_IMAGE010
；
Figure 40117DEST_PATH_IMAGE011
；
其中，
Figure 460472DEST_PATH_IMAGE012
为点/>
Figure 649007DEST_PATH_IMAGE009
在整张图像中的像素均值；/>
Figure 896449DEST_PATH_IMAGE013
为点/>
Figure 904857DEST_PATH_IMAGE009
在整张图像中的像素方差。
令
Figure 660061DEST_PATH_IMAGE042
围成差分图像的坐标系中矩形区域；得到矩形区域中任一点坐标/>
Figure 437524DEST_PATH_IMAGE043
；计算当前矩形区域内点/>
Figure 855867DEST_PATH_IMAGE043
的均值和方差：
Figure 351570DEST_PATH_IMAGE016
；
Figure 910465DEST_PATH_IMAGE017
；
得到：
Figure 808014DEST_PATH_IMAGE018
；
其中，
Figure 662838DEST_PATH_IMAGE044
为滤波后点/>
Figure 911416DEST_PATH_IMAGE043
的灰度值。
通过canny边缘提取算法，增加多方位模板算子，对图像进行边缘检测处理。
所述S1.3中，对预处理后的图像基于图像尺度进行网格划分：
设原数据集设为M，宽度为r，高度为s，对于∀子图m∈M；
原数据集M的划分格数W根据下式确定：
Figure 509888DEST_PATH_IMAGE020
；/>
其中，
Figure 261943DEST_PATH_IMAGE045
为网格划分因子；/>
Figure 51782DEST_PATH_IMAGE046
为图中特征点数量。
通过级联分类器对所述网格内的目标进行识别，设P为有垃圾存在的网格集合，N为无垃圾存在的网格集合，误检率为f，检测率为d，标准误检率为
Figure 522078DEST_PATH_IMAGE047
；初始值设/>
Figure 924241DEST_PATH_IMAGE024
，
Figure 530802DEST_PATH_IMAGE025
；
令q=1；当
Figure 993008DEST_PATH_IMAGE026
时，q=q+1；/>
Figure 472572DEST_PATH_IMAGE027
，/>
Figure 412846DEST_PATH_IMAGE028
；
当
Figure 139494DEST_PATH_IMAGE029
时，/>
Figure 772601DEST_PATH_IMAGE030
；
训练一个有n个特征的级联分类器，训练得到集合
Figure 951909DEST_PATH_IMAGE031
和集合/>
Figure 194409DEST_PATH_IMAGE032
，直至达到目标分类器的检测准确率和误检率；
对有垃圾存在的网络集合
Figure 41143DEST_PATH_IMAGE031
，继续进行拆分和分类识别，直至每个网格内至多含有一个垃圾目标。
所述S1.4中，针对有垃圾存在的网络集合，定义可回收垃圾输出为a，厨余垃圾输出为b，有害垃圾输出为c，其他垃圾输出为d；设分类误差为
Figure 579571DEST_PATH_IMAGE033
；
定义各单元格内的权重系数满足：
Figure 511755DEST_PATH_IMAGE034
；
其中，
Figure 793832DEST_PATH_IMAGE035
为权重系数；
Figure 495072DEST_PATH_IMAGE036
；
Figure 437358DEST_PATH_IMAGE037
；
Figure 122417DEST_PATH_IMAGE038
为/>
Figure 208185DEST_PATH_IMAGE039
个弱分类器得到的分类样本的分类值。
本实施例中，假设一帧图像中含有一张废纸和一块果皮。
无人机采集各处垃圾视频数据，根据改进的帧间差处理算法提取视频数据中的垃圾图像数据：取含有这一张废纸和一块果皮的连续两帧图像：
Figure 763931DEST_PATH_IMAGE040
；
其中：
Figure 909742DEST_PATH_IMAGE041
；
其中，
Figure 49474DEST_PATH_IMAGE003
为连续两帧图像之间的差分图像，/>
Figure 673353DEST_PATH_IMAGE004
和/>
Figure 349185DEST_PATH_IMAGE005
分别为前后相邻两帧像素的灰度值，/>
Figure 400318DEST_PATH_IMAGE006
为差分图像二值化时选取的阈值，/>
Figure 528811DEST_PATH_IMAGE007
表示前景，/>
Figure 189337DEST_PATH_IMAGE008
表示背景，β为抑制系数。/>
对差分得到的垃圾图像进行预处理，包括图像的颜色反转、图像滤波和图像增强。其中颜色反转数学表示公式如下：
Figure 922938DEST_PATH_IMAGE048
；
反转像素值等于255减去当前像素值。
滤波处理步骤如下：
以差分图像左下角的图像起始点为原点建立直角坐标系，点
Figure 410551DEST_PATH_IMAGE049
为使图像围成矩形最大的点，得到：
Figure 495181DEST_PATH_IMAGE050
；
Figure 693819DEST_PATH_IMAGE051
；
其中，
Figure 16347DEST_PATH_IMAGE052
为点/>
Figure 674862DEST_PATH_IMAGE049
在整张图像中的像素均值；/>
Figure 479744DEST_PATH_IMAGE053
为点/>
Figure 249117DEST_PATH_IMAGE049
在整张图像中的像素方差。
令
Figure 160573DEST_PATH_IMAGE054
围成差分图像的坐标系中矩形区域；得到矩形区域中任一点坐标/>
Figure 222944DEST_PATH_IMAGE055
；计算当前矩形区域内点/>
Figure 282167DEST_PATH_IMAGE055
的均值和方差：
Figure 589652DEST_PATH_IMAGE056
；
Figure 417931DEST_PATH_IMAGE057
；
得到：
Figure 651204DEST_PATH_IMAGE058
；
其中，
Figure 666564DEST_PATH_IMAGE059
为滤波后点/>
Figure 43319DEST_PATH_IMAGE055
的灰度值。
通过canny边缘提取算法，增加多方位模板算子，对图像进行边缘检测处理。
对于预处理完成后的图像进行特征提取，根据提取的特征进行网格划分，将完整的图像按照如下步骤划分：
设原数据集设为M，宽度为r，高度为s，对于∀子图m∈M；
原数据集M的划分格数W根据下式确定：
Figure 257262DEST_PATH_IMAGE060
；
其中，
Figure 130278DEST_PATH_IMAGE061
为网格划分因子；/>
Figure 367356DEST_PATH_IMAGE062
为图中特征点数量。
将图像划分为四个同样大小的网格，分别为左上角的网格
Figure 16643DEST_PATH_IMAGE063
、右上角的网格
Figure 849207DEST_PATH_IMAGE064
、左下角的网格/>
Figure 597852DEST_PATH_IMAGE065
、右下角的网格/>
Figure 86340DEST_PATH_IMAGE066
。
废纸和果皮均在右下角的网格
Figure 742580DEST_PATH_IMAGE066
中，废纸在网格/>
Figure 665537DEST_PATH_IMAGE066
左上角，果皮在网格/>
Figure 614776DEST_PATH_IMAGE066
右上角。
通过级联分类器确认划分的网格里是否存在垃圾目标：
通过级联分类器对所述网格内的目标进行识别，设P为有垃圾存在的网格集合，N为无垃圾存在的网格集合，误检率为f，检测率为d，标准误检率为
Figure 154342DEST_PATH_IMAGE067
；初始值设/>
Figure 145431DEST_PATH_IMAGE024
，
Figure 296796DEST_PATH_IMAGE025
；
令q=1；当
Figure 980718DEST_PATH_IMAGE026
时，q=q+1；/>
Figure 476421DEST_PATH_IMAGE027
，/>
Figure 271202DEST_PATH_IMAGE028
；
当
Figure 667286DEST_PATH_IMAGE029
时，/>
Figure 990951DEST_PATH_IMAGE030
；
训练一个有n个特征的级联分类器，训练得到集合
Figure 239530DEST_PATH_IMAGE031
和集合/>
Figure 838001DEST_PATH_IMAGE032
，直至达到目标分类器的检测准确率和误检率；
检测结果
Figure 590057DEST_PATH_IMAGE068
，/>
Figure 379896DEST_PATH_IMAGE069
。
对有垃圾存在的网络集合
Figure 53454DEST_PATH_IMAGE031
，继续进行拆分和分类识别，直至每个网格内至多含有一个垃圾目标。
对
Figure 190037DEST_PATH_IMAGE070
继续进行划分得到四个同样大小的网格左上角/>
Figure 599913DEST_PATH_IMAGE071
、右上角/>
Figure 62119DEST_PATH_IMAGE072
、左下角
Figure 222973DEST_PATH_IMAGE073
、右下角/>
Figure 163247DEST_PATH_IMAGE074
。
检测得到
Figure 122850DEST_PATH_IMAGE075
，/>
Figure 959219DEST_PATH_IMAGE076
。
针对有垃圾存在的网络集合，定义可回收垃圾输出为a，厨余垃圾输出为b，有害垃圾输出为c，其他垃圾输出为d；设分类误差为
Figure 872949DEST_PATH_IMAGE077
；
定义各单元格内的权重系数满足：
Figure 351335DEST_PATH_IMAGE034
；
其中，
Figure 165445DEST_PATH_IMAGE035
为权重系数；
Figure 969453DEST_PATH_IMAGE036
；
Figure 636057DEST_PATH_IMAGE037
；
Figure 183713DEST_PATH_IMAGE038
为/>
Figure 884953DEST_PATH_IMAGE039
个弱分类器得到的分类样本的分类值。
针对网格
Figure 92818DEST_PATH_IMAGE071
、/>
Figure 246719DEST_PATH_IMAGE072
，分类器分别输出a和b，完成对垃圾的识别。
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 (6)

1.一种基于无人机和人工智能的垃圾数据识别方法，其特征在于：包括如下步骤：
S1.1：通过无人机作业，收集大数据量的高清视频影像数据，对视频进行帧间差处理，获取有效的高清图片；
S1.2：对抽帧图像进行预处理，得到数据集；
S1.3：通过对图像的特征提取进行网格划分，分类器确认网格内是否有垃圾存在；
S1.4：对存在垃圾的网格进行垃圾识别分类；
所述S1.3中，对预处理后的图像基于图像尺度进行网格划分：
设原数据集设为M，宽度为r，高度为s，对于∀子图m∈M；
原数据集M的划分格数W根据下式确定：
Figure 133709DEST_PATH_IMAGE001
；
其中，
Figure 660637DEST_PATH_IMAGE002
为网格划分因子；
Figure 502691DEST_PATH_IMAGE003
为图中特征点数量；
通过级联分类器对所述网格内的目标进行识别，设P为有垃圾存在的网格集合，N为无垃圾存在的网格集合，误检率为f，检测率为d，标准误检率为
Figure 708019DEST_PATH_IMAGE004
；初始值设
Figure 319129DEST_PATH_IMAGE005
；
Figure 954641DEST_PATH_IMAGE006
；
令q=1；当
Figure 283991DEST_PATH_IMAGE007
时，q=q+1；
Figure 217312DEST_PATH_IMAGE008
，
Figure 699240DEST_PATH_IMAGE009
；
当
Figure 754921DEST_PATH_IMAGE010
时，
Figure 56721DEST_PATH_IMAGE011
；
训练一个有n个特征的级联分类器，训练得到集合
Figure 856049DEST_PATH_IMAGE013
和集合
Figure 992151DEST_PATH_IMAGE014
，直至达到目标分类器的检测准确率和误检率；
对有垃圾存在的网络集合
Figure 484312DEST_PATH_IMAGE013
，继续进行拆分和分类识别，直至每个网格内至多含有一个垃圾目标；
所述S1.4中，针对有垃圾存在的网络集合；设分类误差为
Figure 273408DEST_PATH_IMAGE015
；
定义各网格内的权重系数满足：
Figure 610848DEST_PATH_IMAGE016
；
其中，
Figure 67369DEST_PATH_IMAGE017
为权重系数；
Figure 464852DEST_PATH_IMAGE018
；
Figure 928194DEST_PATH_IMAGE019
为
Figure 820058DEST_PATH_IMAGE020
个弱分类器得到的分类样本的分类值。
2.根据权利要求1所述的基于无人机和人工智能的垃圾数据识别方法，其特征在于：所述S1.1中的帧间差处理图像算法如下：
取连续两帧图像：
Figure 114773DEST_PATH_IMAGE021
；
其中：
Figure 696540DEST_PATH_IMAGE022
；
其中，
Figure 709495DEST_PATH_IMAGE023
为连续两帧图像之间的差分图像，
Figure 201787DEST_PATH_IMAGE024
和
Figure 616588DEST_PATH_IMAGE025
分别为前后相邻两帧像素的灰度值，T为差分图像二值化时选取的阈值，
Figure 372186DEST_PATH_IMAGE026
表示前景，
Figure 606858DEST_PATH_IMAGE027
表示背景，β为抑制系数。
3.根据权利要求1所述的基于无人机和人工智能的垃圾数据识别方法，其特征在于：所述S1.2中，获取经过帧间差处理的差分图像后，对图像进行预处理，所述预处理步骤包括对图像进行颜色反转、滤波处理和增强处理。
4.根据权利要求3所述的基于无人机和人工智能的垃圾数据识别方法，其特征在于：所述滤波处理以差分图像左下角的图像起始点为原点建立直角坐标系，点
Figure 840524DEST_PATH_IMAGE028
为使图像围成矩形最大的点，得到：
Figure 47515DEST_PATH_IMAGE029
；
Figure 223281DEST_PATH_IMAGE030
；
其中，
Figure 976210DEST_PATH_IMAGE031
为点
Figure 997255DEST_PATH_IMAGE032
在整张图像中的像素均值；
Figure 871802DEST_PATH_IMAGE033
为点
Figure 15207DEST_PATH_IMAGE034
在整张图像中的像素方差。
5.根据权利要求4所述的基于无人机和人工智能的垃圾数据识别方法，其特征在于：令
Figure 240783DEST_PATH_IMAGE035
围成差分图像的坐标系中矩形区域；得到矩形区域中任一点坐标；计算当前矩形区域内点
Figure 65520DEST_PATH_IMAGE036
的均值和方差：
Figure 60152DEST_PATH_IMAGE037
；
Figure 312141DEST_PATH_IMAGE038
；
得到：
Figure 946385DEST_PATH_IMAGE039
；
其中，
Figure 322615DEST_PATH_IMAGE040
为滤波后点
Figure 686600DEST_PATH_IMAGE036
的灰度值。
6.根据权利要求1所述的基于无人机和人工智能的垃圾数据识别方法，其特征在于：通过canny边缘提取算法，增加多方位模板算子，对图像进行边缘检测处理。
CN202211256439.1A 2022-10-14 2022-10-14 一种基于无人机和人工智能的垃圾数据识别方法 Active CN115331129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256439.1A CN115331129B (zh) 2022-10-14 2022-10-14 一种基于无人机和人工智能的垃圾数据识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256439.1A CN115331129B (zh) 2022-10-14 2022-10-14 一种基于无人机和人工智能的垃圾数据识别方法

Publications (2)

Publication Number Publication Date
CN115331129A CN115331129A (zh) 2022-11-11
CN115331129B true CN115331129B (zh) 2023-03-24

Family

ID=83915049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256439.1A Active CN115331129B (zh) 2022-10-14 2022-10-14 一种基于无人机和人工智能的垃圾数据识别方法

Country Status (1)

Country Link
CN (1) CN115331129B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886795A (zh) * 2017-02-17 2017-06-23 北京维弦科技有限责任公司 基于图像中的显著物体的物体识别方法
WO2022001961A1 (zh) * 2020-06-28 2022-01-06 深圳天感智能有限公司 一种高空抛物动目标检测方法、检测设备和检测***

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208165794U (zh) * 2017-11-14 2018-11-30 中国矿业大学 一种智能分类垃圾桶
CN108960343A (zh) * 2018-08-02 2018-12-07 霍金阁 一种固废识别方法、***、装置及可读存储介质
CN109050811A (zh) * 2018-08-30 2018-12-21 深圳市研本品牌设计有限公司 一种用于清理垃圾的无人机及存储介质
CN110254993A (zh) * 2018-12-27 2019-09-20 广东拜登网络技术有限公司 基于网格管理的垃圾分类及收集***
CN109928107B (zh) * 2019-04-08 2022-11-29 江西理工大学 一种自动分类***
CN110781896B (zh) * 2019-10-17 2022-07-19 暨南大学 一种轨道垃圾识别方法、清洁方法、***、资源配置方法
CN111559588A (zh) * 2020-05-18 2020-08-21 广东邮电职业技术学院 一种垃圾分类投放的智能垃圾桶及垃圾分类投放方法
CN113569954A (zh) * 2021-07-29 2021-10-29 皖江工学院 一种野生动物智能分类识别方法
CN113671975A (zh) * 2021-08-11 2021-11-19 上海电机学院 基于机器视觉技术的海岸垃圾清理装置及方法
CN114202708A (zh) * 2021-12-10 2022-03-18 深圳市旗扬特种装备技术工程有限公司 一种垃圾类型识别方法、***、电子设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886795A (zh) * 2017-02-17 2017-06-23 北京维弦科技有限责任公司 基于图像中的显著物体的物体识别方法
WO2022001961A1 (zh) * 2020-06-28 2022-01-06 深圳天感智能有限公司 一种高空抛物动目标检测方法、检测设备和检测***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
目标检测算法研究综述;方路平等;《计算机工程与应用》;20180701(第13期);全文 *

Also Published As

Publication number Publication date
CN115331129A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
US11263434B2 (en) Fast side-face interference resistant face detection method
CN107204006B (zh) 一种基于双背景差分的静止目标检测方法
CN108615226B (zh) 一种基于生成式对抗网络的图像去雾方法
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN107480643B (zh) 一种智能垃圾分类处理的机器人
CN109345547B (zh) 基于深度学习多任务网络的交通车道线检测方法及装置
CN110909690A (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN109685045B (zh) 一种运动目标视频跟踪方法及***
CN101216943B (zh) 一种视频运动目标分割的方法
CN105678213B (zh) 基于视频特征统计的双模式蒙面人事件自动检测方法
CN111222478A (zh) 一种工地安全防护检测方法和***
CN111126184B (zh) 一种基于无人机视频的震后建筑物损毁检测方法
CN110334660A (zh) 一种雾天条件下基于机器视觉的森林火灾监测方法
CN110309765B (zh) 一种视频运动目标高效检测方法
CN114943936B (zh) 目标行为识别方法、装置、电子设备及存储介质
CN113255605A (zh) 一种路面病害检测方法、装置、终端设备及存储介质
CN105869174A (zh) 一种天空场景图像分割方法
CN104243916A (zh) 一种基于压缩传感的运动目标检测和跟踪方法
CN111723656B (zh) 一种基于YOLO v3与自优化的烟雾检测方法及装置
CN114842262A (zh) 融合线路通道正射影像的激光点云地物自动识别方法
CN114881869A (zh) 一种巡检视频图像预处理方法
CN116665092A (zh) 基于ia-yolov7的污水悬浮物识别方法及***
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测***
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN115331129B (zh) 一种基于无人机和人工智能的垃圾数据识别方法

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