一种城市场景垃圾检测方法及系统技术方案

本发明专利技术涉及一种城市场景垃圾检测方法及系统。城市场景垃圾检测方法包括：选定视觉物体分类VOC数据集作为垃圾检测的基础数据集，获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集，然后基于深度学习技术搭建深度学习平台，在深度学习平台上选择预训练模型，在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测，自动给出检测结果，不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测，能够做到全天候的城市无序丢弃垃圾状况监测和检测，成本低、耗时短，这就大大的便利城市中无序丢弃垃圾的检测和清理，保障城市卫生和形象。

【技术实现步骤摘要】

本专利技术涉及一种检测方法及系统，尤其涉及一种城市场景垃圾检测方法及系统。
技术介绍
城市中无序丢弃的垃圾严重影响市容市貌、污染生活环境，给城市和居民带来极大的影响。为清理城市中无序丢弃的垃圾、维护城市卫生和形象，需要对城市场景中的垃圾进行检测定位，然后根据定位来进行清理。目前的城市场景垃圾检测方法主要是派专人进行巡查并进行拍照登记，巡查的过程中需要人工定位无序丢弃的垃圾，操作手持相机进行拍照，巡查过后进行整理归档来记录垃圾分布情况与对应的相应责任人。这种方法需要专人乘坐交通工具进行拍照登记，受交通、天气、人员休假与工作时间等方面的影响很大，不能做到全天候的城市无序丢弃垃圾状况监测和检测，并且人工拍照、整理还存在成本高、耗时长等问题，这就大大的不利于城市中无序丢弃垃圾的检测和清理，不能保障城市卫生和形象。
技术实现思路
有鉴于此，有必要针对上述城市场景中的垃圾检测和监测不能全天候进行、且成本高耗时长的问题，提供一种城市场景垃圾检测方法及系统。本专利技术提供的一种城市场景垃圾检测方法，包括如下步骤：S10：选定VOC数据集作为垃圾检测的基础数据集，收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注，将标注后的城市影像与VOC数据集中已有数据进行融合；S20：在融合后的VOC数据集基础上，搭建垃圾检测的深度学习平台，在搭建的深度学习平台上，获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置；S30：采用预训练模型对新获取城市影像进行垃圾检测，检测新获取城市影像是否存在垃圾及垃圾存在区域，给出检测结果。在其中的一个实施方式中，所述步骤S10具体为：收集城市影像，挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式，采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注，标注完成后，将标注后的城市影像随机的划分为训练集、验证集和测试集，并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合。在其中的一个实施方式中，所述步骤S20具体为：选择Caffe深度学习框架进行深度学习平台的实现，使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。在其中的一个实施方式中，所述步骤S20具体为：使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。在其中的一个实施方式中，所述步骤S30具体包括：对新获取的城市影像进行预处理，具体包括对新获取城市影像进行裁剪、缩放，和/或进行均值提取处理；将预处理之后的城市影像输入深度学习的神经网络，得到对城市影像中候选区域的分类和位置的回归以得出检测结果。本专利技术提供的一种城市场景垃圾检测系统，包括：数据融合模块，选定VOC数据集作为垃圾检测的基础数据集，收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注，将标注后的城市影像与VOC数据集中已有数据进行融合；深度学习平台搭建模块，在融合后的VOC数据集基础上，搭建垃圾检测的深度学习平台，在搭建的深度学习平台上，获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置；城市影像垃圾检测模块，采用预训练模型对新获取城市影像进行垃圾检测，检测新获取城市影像是否存在垃圾及垃圾存在区域，给出检测结果。在其中的一个实施方式中，所述数据融合模块收集城市影像，挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式，采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注，标注完成后，将标注后的城市影像随机的划分为训练集、验证集和测试集，并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合。在其中的一个实施方式中，所述深度学习平台搭建模块选择Caffe深度学习框架进行深度学习平台的实现，使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。在其中的一个实施方式中，所述深度学习平台搭建模块使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。在其中的一个实施方式中，所述城市影像垃圾检测模块对新获取的城市影像进行预处理，具体包括对新获取城市影像进行裁剪、缩放，和/或进行均值提取处理；将预处理之后的城市影像输入深度学习的神经网络，得到对城市影像中候选区域的分类和位置的回归以得出检测结果。本专利技术城市场景垃圾检测方法及系统，选定视觉物体分类VOC数据集作为垃圾检测的基础数据集，获取城市影像标注出垃圾区域后与VOC数据集进行融合扩充和丰富VOC数据集，然后基于深度学习技术搭建深度学习平台，在深度学习平台上选择预训练模型，在对预训练模型进行先验参数设置后通过深度学习平台和预训练模型来对新获取城市影像进行垃圾检测，自动给出检测结果，不需要专人乘坐交通工具进行拍照登记及人工垃圾区域的检测，能够做到全天候的城市无序丢弃垃圾状况监测和检测，成本低、耗时短，这就大大的便利城市中无序丢弃垃圾的检测和清理，保障城市卫生和形象。附图说明图1是一个实施例中的城市场景垃圾检测方法的流程图；图2是一个实施例中的城市场景垃圾检测系统的结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。图1是一个实施例中城市场景垃圾检测方法的流程图，如图1所示，该方法包括如下步骤：S10：选定VOC(visual object classes，视觉物体分类)数据集作为垃圾检测的基础数据集，收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注，将标注后的城市影像与VOC数据集中已有数据进行融合。VOC(visual object classes，视觉物体分类)数据集是权威的场景检测数据集，包括有大量训练验证图片和测试图片，具有很多类已标注对象，包括行人、自行车、公共汽车、小轿车、摩托车等城市场景内的常见对象，通过VOC数据集中已经标注对象能够对城市影像中的对象进行检测识别。故在该实施例中，选定VOC(visual object classes，视觉物体分类)数据集作为垃圾检测的基础数据集，利用VOC数据集中的数据和标注对象来进行城市场景中无序丢弃垃圾的检测。由于VOC数据集中的数据有限，可能存在训练数据不足的问题，该实施例中获取城市影像来对VOC数据集进行扩充。具体的，收集城市影像，城市影像包括街景车拍摄的城市影像、由互联网爬取的城市影像等。然后从中挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式，采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注(标注过程中尽可能的在少标入背景的条件下将感兴趣对象标入完整)。在标注完之后，将标注后的城市影像随机的划分为训练集、验证集和测试集，并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测本文档来自技高网...

【技术保护点】
一种城市场景垃圾检测方法，其特征在于，包括如下步骤：S10：选定VOC数据集作为垃圾检测的基础数据集，收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注，将标注后的城市影像与VOC数据集中已有数据进行融合；S20：在融合后的VOC数据集基础上，搭建垃圾检测的深度学习平台，在搭建的深度学习平台上，获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置；S30：采用预训练模型对新获取城市影像进行垃圾检测，检测新获取城市影像是否存在垃圾及垃圾存在区域，给出检测结果。

【技术特征摘要】
1.一种城市场景垃圾检测方法，其特征在于，包括如下步骤：S10：选定VOC数据集作为垃圾检测的基础数据集，收集城市影像并挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式对候选集中城市影像含有无序丢弃垃圾的区域进行标注，将标注后的城市影像与VOC数据集中已有数据进行融合；S20：在融合后的VOC数据集基础上，搭建垃圾检测的深度学习平台，在搭建的深度学习平台上，获取深度学习平台提供的进行垃圾检测的预训练模型并对预训练模型进行适应性先验参数设置；S30：采用预训练模型对新获取城市影像进行垃圾检测，检测新获取城市影像是否存在垃圾及垃圾存在区域，给出检测结果。2.根据权利要求1所述的城市场景垃圾检测方法，其特征在于，所述步骤S10具体为：收集城市影像，挑选出含有无序丢弃垃圾的城市影像作为候选集，按照VOC数据集定义的格式，采用矩形选择框对候选集中城市影像含有无序丢弃垃圾的区域进行标注，标注完成后，将标注后的城市影像随机的划分为训练集、验证集和测试集，并分别将新获取的训练集、验证集和测试集同VOC数据集中已有的训练集、验证集和测试集进行融合。3.根据权利要求2所述的城市场景垃圾检测方法，其特征在于，所述步骤S20具体为：选择Caffe深度学习框架进行深度学习平台的实现，使用Model Zoo中的ZF模型作为垃圾检测任务的预训练模型。4.根据权利要求3所述的城市场景垃圾检测方法，其特征在于，所述步骤S20具体为：使用网格搜索的方法在融合后的VOC数据集上验证不同先验参数对城市影像的检测精度。5.根据权利要求4所述的城市场景垃圾检测方法，其特征在于，所述步骤S30具体包括：对新获取的城市影像进行预处理，具体包括对新获取城市影像进行裁剪、缩放，和/或进行均值提取处理；将预处理之后的城市影像输入深度学习的神经网络，得到对城市影像中候选区域的分类和位置的回归以得出检测结果。6.一种城市...

【专利技术属性】
技术研发人员：程章林，魏书法，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44