【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于機(jī)器視覺領(lǐng)域，具體涉及一種基于mrs-yolo模型的環(huán)衛(wèi)工作評(píng)價(jià)方法。
技術(shù)介紹
1、在全球經(jīng)濟(jì)迅速發(fā)展和科技水平持續(xù)進(jìn)步的背景下，環(huán)境問題變得更加緊迫，環(huán)衛(wèi)工作評(píng)價(jià)已是形勢(shì)所趨。垃圾分類、檢測(cè)回收和和清潔度評(píng)價(jià)是進(jìn)行環(huán)衛(wèi)工作評(píng)價(jià)的前提。然而，垃圾分類仍然是一個(gè)巨大的挑戰(zhàn)，存在任務(wù)繁重、種類繁多、資源浪費(fèi)等問題。目前，主流的垃圾分類模型方法存在效率低下、成本高昂、回收利用率低的問題，嚴(yán)重阻礙了垃圾回收的進(jìn)程。在這一背景下，迫切需要一種智能化、自動(dòng)化的技術(shù)，能夠在保持高精度的同時(shí)提高分揀速度，以更好地實(shí)現(xiàn)垃圾回收利用，保護(hù)環(huán)境。
2、目前，垃圾檢測(cè)回收方法主要依賴于目標(biāo)檢測(cè)算法對(duì)垃圾進(jìn)行識(shí)別。目前的目標(biāo)檢測(cè)算法主要分為two-stage和one-stage兩種，其中two-stage算法如r-cnn、mask?r-cnn、faster-rcnn等，雖然在目標(biāo)檢測(cè)領(lǐng)域取得了一定效果，但在垃圾檢測(cè)分類應(yīng)用中存在諸多不足。與傳統(tǒng)的two-stage算法相比，以yolo、ssd、cornernet等為代表的one-stage算法具有一次性檢測(cè)圖像中多個(gè)目標(biāo)的能力，這對(duì)于需要快速處理大量垃圾的分類系統(tǒng)至關(guān)重要。然而，當(dāng)前的one-stage算法在小目標(biāo)檢測(cè)和模型泛化能力方面仍有待提升。
3、此外，傳統(tǒng)的垃圾分類和清潔度評(píng)價(jià)方法存在多種問題。例如，近紅外光譜(nirs)技術(shù)雖然在某些情況下有效，但在區(qū)分化學(xué)成分相似的樣本(如pet和pet-g)時(shí)存在困難。近年來，利用深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)，諸如effi
4、綜上所述，現(xiàn)有技術(shù)中在垃圾識(shí)別和清潔度評(píng)價(jià)方面存在諸多不足，亟需開發(fā)更加先進(jìn)和高效的技術(shù)，以滿足城市治理和環(huán)境保護(hù)的需求。
技術(shù)實(shí)現(xiàn)思路
1、為了解決上述問題，本專利技術(shù)提出了一種基于mrs-yolo模型的環(huán)衛(wèi)工作評(píng)價(jià)方法；首先，本專利技術(shù)提出了一種全新的垃圾檢測(cè)模型mrs-yolo，基于現(xiàn)有的目標(biāo)檢測(cè)訓(xùn)練方法slideloss，本專利技術(shù)對(duì)其進(jìn)行了改進(jìn)，提出了一種能夠提升對(duì)小目標(biāo)識(shí)別能力的方法slideloss_iou方法；其次，針對(duì)yolo模型魯棒性差的問題，采用了一種多維度卷積機(jī)制和動(dòng)態(tài)卷積機(jī)制改進(jìn)了原有的特征提方法，最后引入了一種transformer機(jī)制，以進(jìn)一步加強(qiáng)模型對(duì)各種垃圾的檢測(cè)能力，并在降低計(jì)算成本的同時(shí)提高特征的利用率以提升檢測(cè)精度。另外，相比傳統(tǒng)的檢測(cè)方法只能單純的檢測(cè)垃圾，本專利技術(shù)還通過對(duì)垃圾識(shí)別結(jié)果進(jìn)行計(jì)算分析，進(jìn)而對(duì)環(huán)衛(wèi)工作進(jìn)行評(píng)價(jià)。本專利技術(shù)提出的垃圾檢測(cè)模型mrs-yolo具有更好的魯棒性、更快的推理速度和更高的檢測(cè)精度，能夠?qū)崿F(xiàn)高效率、低成本的智能垃圾分類，同時(shí)評(píng)價(jià)方法的提出也能為環(huán)衛(wèi)工作的管理提供更為可靠的數(shù)據(jù)支持。本專利技術(shù)的提出旨在提升垃圾檢測(cè)的精度和效率，提供科學(xué)、客觀的環(huán)衛(wèi)工作評(píng)價(jià)方法。
2、本專利技術(shù)的技術(shù)方案如下：
3、一種基于mrs-yolo模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，通過mrs-yolo模型進(jìn)行小目標(biāo)檢測(cè)與多尺度垃圾識(shí)別，具體包括如下步驟：
4、步驟1、通過攝像頭拍攝目標(biāo)區(qū)域內(nèi)的視頻流數(shù)據(jù)并進(jìn)行預(yù)處理；
5、步驟2、構(gòu)建并訓(xùn)練垃圾檢測(cè)模型mrs-yolo，得到最終的垃圾檢測(cè)模型；
6、步驟3、從目標(biāo)區(qū)域的攝像頭視頻流中提取圖像幀，采用訓(xùn)練完成的垃圾檢測(cè)模型mrs-yolo對(duì)視頻流的每個(gè)圖像進(jìn)行垃圾檢測(cè)，識(shí)別每個(gè)圖像中的垃圾數(shù)量和種類，并對(duì)識(shí)別到的垃圾進(jìn)行分類；
7、步驟4、基于垃圾數(shù)量和覆蓋面積計(jì)算清潔指數(shù)，通過設(shè)定的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)環(huán)衛(wèi)工作的表現(xiàn)進(jìn)行評(píng)估。
8、進(jìn)一步地，所述步驟1的具體過程為：在目標(biāo)區(qū)域內(nèi)安裝攝像頭，確保攝像頭的視角覆蓋整個(gè)區(qū)域的每個(gè)角落，避免出現(xiàn)盲區(qū)；攝像頭定期獲取視頻流數(shù)據(jù)，并將視頻流數(shù)據(jù)實(shí)時(shí)或批量存儲(chǔ)到本地服務(wù)器或云端服務(wù)器；隨后，使用自動(dòng)化腳本從視頻流中提取圖像幀，并對(duì)圖像進(jìn)行分割預(yù)處理，確定每個(gè)圖像中每種垃圾的具體位置和面積；分割預(yù)處理過程包括圖像的去噪、增強(qiáng)和分割；接著，將預(yù)處理后的圖像數(shù)據(jù)構(gòu)建為原始數(shù)據(jù)集，并根據(jù)3:7的比例劃分為訓(xùn)練集和測(cè)試集；訓(xùn)練集用于模型的訓(xùn)練，測(cè)試集用于模型的驗(yàn)證。
9、進(jìn)一步地，所述步驟2的具體過程為：
10、步驟2.1、進(jìn)行模型框架選擇；
11、選擇yolov8模型作為基礎(chǔ)框架，yolov8模型由骨干網(wǎng)絡(luò)和頭頸部網(wǎng)絡(luò)兩部分組成；將尺寸為b×h×w×c的照片圖像輸入骨干網(wǎng)絡(luò)，b為批量大小；h為圖像高度；w為圖像寬度；c為通道數(shù)；骨干網(wǎng)絡(luò)部分用于特征提取，包括卷積層和瓶頸塊，以及空間金字塔池化層；頭頸部網(wǎng)絡(luò)部分用于處理特征圖以及進(jìn)行結(jié)果預(yù)測(cè)，包括上采樣層、連接層和卷積層，以及用于預(yù)測(cè)回歸框偏移量和類別概率的卷積層；
12、步驟2.2、建立小目標(biāo)檢測(cè)策略；
13、改進(jìn)原有目標(biāo)檢測(cè)訓(xùn)練方法slideloss的懲罰權(quán)重閾值選擇方式，相比于原有的固定閾值，提出了一種slideloss_iou方法，slideloss_iou方法通過動(dòng)態(tài)調(diào)整懲罰權(quán)重閾值來優(yōu)化損失函數(shù)對(duì)于權(quán)重的選擇，提高對(duì)小目標(biāo)的檢測(cè)能力，原理如下所示：
14、
15、
16、μ＝ioumean；
17、其中，ioumean代表計(jì)算出的交集超并集均值；指上一代未更新的值；d為衰減因子；表示自動(dòng)計(jì)算的交集超并集值，用于動(dòng)態(tài)調(diào)整損失函數(shù)；decay為人為設(shè)置控制衰減速率的參數(shù)；x為訓(xùn)練迭代次數(shù)；τ是時(shí)間常數(shù)；μ為懲罰權(quán)重閾值；根據(jù)訓(xùn)練集中不同種類樣本的分布情況，通過計(jì)算得到的ioumean對(duì)懲罰權(quán)重閾值μ進(jìn)行更新；
18、步驟2.3、改進(jìn)特征提取方法；
19、對(duì)yolo原有的特征提取方法進(jìn)行改進(jìn)，提出一種新的特征提取模塊cp；保留yolo原有c2f核心功能的前提下，使用一種多維度的池化卷積機(jī)制替換原有的單一卷積模塊，隨后提出一種動(dòng)態(tài)卷積機(jī)制以對(duì)卷積得到的不同特征圖采用不同的卷積策略；具體來說，在卷積部分，新的特征提取模塊cp加入多維度的池化卷積機(jī)制進(jìn)行特征提取，對(duì)輸入特征圖x進(jìn)行選擇池化操作；選擇池化操作的過程為：首先進(jìn)行維度變換得到三種不同視角的特征圖，然后分別對(duì)不同視角的特征圖進(jìn)行不同池化操作得到不同的池化結(jié)果，隨后將池化結(jié)果進(jìn)行線性組合，同時(shí)加入偏置防止過擬合，公式如下：
20、poolingout＝avgpooling(x)+maxpooling(x)+stdpooling(x)；
21、
22、out＝avgpooling(x)×ω1+maxpooling(本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于MRS-YOLO模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，其特征在于，通過MRS-YOLO模型進(jìn)行小目標(biāo)檢測(cè)與多尺度垃圾識(shí)別，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述基于MRS-YOLO模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，其特征在于，所述步驟1的具體過程為：在目標(biāo)區(qū)域內(nèi)安裝攝像頭，確保攝像頭的視角覆蓋整個(gè)區(qū)域的每個(gè)角落，避免出現(xiàn)盲區(qū)；攝像頭定期獲取視頻流數(shù)據(jù)，并將視頻流數(shù)據(jù)實(shí)時(shí)或批量存儲(chǔ)到本地服務(wù)器或云端服務(wù)器；隨后，使用自動(dòng)化腳本從視頻流中提取圖像幀，并對(duì)圖像進(jìn)行分割預(yù)處理，確定每個(gè)圖像中每種垃圾的具體位置和面積；分割預(yù)處理過程包括圖像的去噪、增強(qiáng)和分割；接著，將預(yù)處理后的圖像數(shù)據(jù)構(gòu)建為原始數(shù)據(jù)集，并根據(jù)3：7的比例劃分為訓(xùn)練集和測(cè)試集；訓(xùn)練集用于模型的訓(xùn)練，測(cè)試集用于模型的驗(yàn)證。
3.根據(jù)權(quán)利要求1所述基于MRS-YOLO模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，其特征在于，所述步驟2的具體過程為：
4.根據(jù)權(quán)利要求1所述基于MRS-YOLO模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，其特征在于，所述步驟4的具體過程為：
【技術(shù)特征摘要】
1.一種基于mrs-yolo模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，其特征在于，通過mrs-yolo模型進(jìn)行小目標(biāo)檢測(cè)與多尺度垃圾識(shí)別，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述基于mrs-yolo模型的環(huán)衛(wèi)工作評(píng)價(jià)方法，其特征在于，所述步驟1的具體過程為：在目標(biāo)區(qū)域內(nèi)安裝攝像頭，確保攝像頭的視角覆蓋整個(gè)區(qū)域的每個(gè)角落，避免出現(xiàn)盲區(qū)；攝像頭定期獲取視頻流數(shù)據(jù)，并將視頻流數(shù)據(jù)實(shí)時(shí)或批量存儲(chǔ)到本地服務(wù)器或云端服務(wù)器；隨后，使用自動(dòng)化腳本從視頻流中提取圖像幀，并對(duì)圖...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：栗宜哲，任垣銘，高新亞，彭福魯，
申請(qǐng)(專利權(quán))人：青島理工大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。