路面洁净度的检测方法及装置制造方法及图纸

本发明专利技术提供了一种路面洁净度的检测方法及装置，涉及环境监测领域。该方法包括：获取环卫车所处路面的第一图像，将第一图像输入到预设深度学习模型，获取对应第一图像的路面洁净度。本发明专利技术提供的路面洁净度的检测方法及装置能够缓解通过人工巡查、测量耗时费力，不便管理且误差较大的问题。

【技术实现步骤摘要】
路面洁净度的检测方法及装置
本专利技术涉及环境监测领域，具体而言，涉及一种路面洁净度的检测方法及装置。
技术介绍
目前环卫行业，针对道路的洁净度或环卫专用作业车作业效率(如扫净率)的检查或考核，通常是人工对考核路段进行巡查、测量和现场拍照来完成；如果考核的道路数量大，自然需要的考核人员就多，所以监管部门通常采用抽样的方式，这样不可避免就会产生管理上的“死角”。同时，采用这种人工巡查、测量的方式，需要大量的人力、物力资源，耗时费力；及时性较差，不能获得道路洁净度的实时反馈；人工巡查的结果不便于数字化和可视化管理；因为“人”的因素，不同路段评判数据的一致性误差较大。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种路面洁净度的检测方法及装置，以缓解通过人工巡查、测量耗时费力，不便管理且误差较大的问题。第一方面，本专利技术实施例提供了一种路面洁净度的检测方法，应用于环卫车，所述方法包括：获取所述环卫车所处路面的第一图像；将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度。在本专利技术较佳的实施例中，上述获取所述环卫车所处路面的第一图像，包括：获取第一原始图像，所述第一原始图像为设置于所述环卫车上的图像采集装置拍摄获取；对所述第一原始图像进行灰度化处理，获得所述第一原始图像的灰度图；基于Canny算法对所述灰度图进行边缘检测，获取所述灰度图的边缘图；获取所述第一原始图像中满足预设干扰条件的各个像素点，查找所述边缘图中对应所述各个像素点的位置，将所述位置处的邻接预设点的像素赋值为零；基于Hough变换检测所述边缘图中的直线图；根据所述环卫车在运行时与车道线的倾斜关系，对所述直线图进行筛选，以确定所述直线图中的车道路面图，将所述车道路面图作为所述第一图像。在本专利技术较佳的实施例中，上述根据所述环卫车在运行时与车道线的倾斜关系，对所述直线图进行筛选，以确定所述直线图中的车道路面图，将所述车道路面图作为所述第一图像之后，还包括：对所述车道路面图进行预处理，获取所述车道路面图中位于所述车道线夹角外的像素点；将位于所述车道线夹角外的像素点赋值为零，以简化所述车道路面图，将所述车道路面图作为所述第一图像。在本专利技术较佳的实施例中，上述将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度之后，还包括：判断所述路面洁净度是否低于预设路面洁净度；在为是时，发送预警提示并上传所述路面洁净度低于所述预设路面洁净度的所述第一图像给服务器。在本专利技术较佳的实施例中，上述将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度之前，所述方法还包括：获取所述环卫车所处路面的多个第二图像；基于卷积神经网络算法对预先创建的深度学习模型进行训练，获得对应所述路面洁净度的深度学习模型；将所述深度学习模型优化并存储作为所述预设深度学习模型。第二方面，本专利技术实施例提供了一种路面洁净度的检测装置，应用于环卫车，所述装置包括：第一图像获取模块，用于获取所述环卫车所处路面的第一图像；洁净度获取模块，用于将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度。在本专利技术较佳的实施例中，上述第一图像获取模块，包括：第一原始图像获取子模块，用于获取第一原始图像，所述第一原始图像为设置于所述环卫车上的图像采集装置拍摄获取；灰度处理子模块，用于对所述第一原始图像进行灰度化处理，获得所述第一原始图像的灰度图；边缘检测子模块，用于基于Canny算法对所述灰度图进行边缘检测，获取所述灰度图的边缘图；邻接像素点赋值子模块，用于获取所述第一原始图像中满足预设干扰条件的各个像素点，查找所述边缘图中对应所述各个像素点的位置，将所述位置处的邻接预设点的像素赋值为零；直线图检测子模块，用于基于Hough变换检测所述边缘图中的直线图；车道线筛选子模块，用于根据所述环卫车在运行时与车道线的倾斜关系，对所述直线图进行筛选，以确定所述直线图中的车道路面图，将所述车道路面图作为所述第一图像。在本专利技术较佳的实施例中，上述第一图像获取模块，还包括：像素点获取子模块，用于对所述车道路面图进行预处理，获取所述车道路面图中位于所述车道线夹角外的像素点；第一图像获取子模块，用于将位于所述车道线夹角外的像素点赋值为零，以简化所述车道路面图，将所述车道路面图作为所述第一图像。在本专利技术较佳的实施例中，上述装置，还包括：洁净度判断模块，用于判断所述路面洁净度是否低于预设路面洁净度；预警提示模块，用于在为是时，发送预警提示并上传所述路面洁净度低于所述预设路面洁净度的所述第一图像给服务器。在本专利技术较佳的实施例中，上述装置，还包括：第二图像获取模块，用于获取所述环卫车所处路面的多个第二图像；训练模块，用于基于卷积神经网络算法对预先创建的深度学习模型进行训练，获得对应所述路面洁净度的深度学习模型；模型优化模块，用于将所述深度学习模型优化并存储作为所述预设深度学习模型。与现有技术相比，本专利技术实施例提供的路面洁净度的检测方法及装置首先获取环卫车所处路面的第一图像，然后将第一图像输入到预设深度学习模型，获取对应第一图像的路面洁净度，从而能够缓解通过人工巡查、测量耗时费力，不便管理且误差较大的问题。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本专利技术实施例提供的电子设备的结构框图；图2为本专利技术第一实施了提供的路面洁净度的检测方法的流程示意图；图3为本专利技术第一实施例提供的路面洁净度的检测方法的步骤S110的流程示意图；图4为本专利技术第二实施例提供的路面洁净度的检测方法的流程示意图；图5为本专利技术第二实施例提供的卷积神经网络的示意图；图6为本专利技术第三实施例提供的路面洁净度的检测装置的结构框图；图7为本专利技术第三实施例提供的路面洁净度的检测装置的第一图像获取模块的结构框图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。如图1所示，是电子设备100的方框示意图。所述电子设备100包括：路面洁净度的检测装置、存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160、显示单元170。所述存储本文档来自技高网...

【技术保护点】
一种路面洁净度的检测方法，应用于环卫车，其特征在于，所述方法包括：获取所述环卫车所处路面的第一图像；将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度。

【技术特征摘要】
1.一种路面洁净度的检测方法，应用于环卫车，其特征在于，所述方法包括：获取所述环卫车所处路面的第一图像；将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度。2.根据权利要求1所述的方法，其特征在于，所述获取所述环卫车所处路面的第一图像，包括：获取第一原始图像，所述第一原始图像为设置于所述环卫车上的图像采集装置拍摄获取；对所述第一原始图像进行灰度化处理，获得所述第一原始图像的灰度图；基于Canny算法对所述灰度图进行边缘检测，获取所述灰度图的边缘图；获取所述第一原始图像中满足预设干扰条件的各个像素点，查找所述边缘图中对应所述各个像素点的位置，将所述位置处的邻接预设点的像素赋值为零；基于Hough变换检测所述边缘图中的直线图；根据所述环卫车在运行时与车道线的倾斜关系，对所述直线图进行筛选，以确定所述直线图中的车道路面图，将所述车道路面图作为所述第一图像。3.根据权利要求2所述的方法，其特征在于，所述根据所述环卫车在运行时与车道线的倾斜关系，对所述直线图进行筛选，以确定所述直线图中的车道路面图，将所述车道路面图作为所述第一图像之后，还包括：对所述车道路面图进行预处理，获取所述车道路面图中位于所述车道线夹角外的像素点；将位于所述车道线夹角外的像素点赋值为零，以简化所述车道路面图，将所述车道路面图作为所述第一图像。4.根据权利要求1所述的方法，其特征在于，所述将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度之后，还包括：判断所述路面洁净度是否低于预设路面洁净度；在为是时，发送预警提示并上传所述路面洁净度低于所述预设路面洁净度的所述第一图像给服务器。5.根据权利要求1所述的方法，其特征在于，所述将所述第一图像输入到预设深度学习模型，获取对应所述第一图像的路面洁净度之前，所述方法还包括：获取所述环卫车所处路面的多个第二图像；基于卷积神经网络算法对预先创建的深度学习模型进行训练，获得对应所述路面洁净度的深度学习模型；将所述深度学习模型优化并存储作为所述预设深度学习模型。6.一种路面洁净度的...

【专利技术属性】
技术研发人员：梁昆，
申请(专利权)人：湖南酷陆网络科技有限公司，
类型：发明
国别省市：湖南,43