【技术实现步骤摘要】
用于道路智能清扫的路面清洁度评估方法
本专利技术涉及人工智能领域，尤其涉及一种用于道路智能清扫的路面清洁度评估方法。
技术介绍
计算机视觉技术是使计算机模拟人类的视觉过程，具有感受环境的能力和人类视觉功能的技术。图像处理、人工智能和模式识别等技术的综合。计算机视觉是在20世纪50年代从统计模式识别开始的，当时的工作主要集中在二维图像分析和识别上，如光学字符识别.工件表面、显微图片和航空图片的分析和解释等.60年代，Roberts(1965)通过计算机程序从数字图像中提取出诸如立方体、楔形体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述[Roberts1965]。到了70年代，已经出现了一些视觉应用系统『Guzman1969，Maekworth1973，』。70年代中期，麻省理工学院(MIT)人工智能(AI)实验室正式开设“机器视觉”(MachineVision)课程，由国际著名学者B.K.P.Hom教授讲授。80年代以来，计算机视觉的研究已经历r从实验室走向实际应用的发展阶段。而计算机工业水平的飞速...
【技术保护点】
1.一种用于道路智能清扫的路面清洁度评估方法，其特征在于：/n通过Yolact路面分割网络提取路面区域，然后经过Yolov3目标检测网络获得大垃圾的定位和类别，同时利用MCNN密度估计网络获得小垃圾的密度分布；最后对所有垃圾加权求和，获得路面的清洁度指数。/n
【技术特征摘要】
1.一种用于道路智能清扫的路面清洁度评估方法，其特征在于：
通过Yolact路面分割网络提取路面区域，然后经过Yolov3目标检测网络获得大垃圾的定位和类别，同时利用MCNN密度估计网络获得小垃圾的密度分布；最后对所有垃圾加权求和，获得路面的清洁度指数。
2.根据权利要求1所述的用于道路智能清扫的路面清洁度评估方法，其特征在于：采用实例分割算法对路面进行检测和分割，包括MaskR-CNN，FCIS，Yolact。
3.根据权利要求1所述的用于道路智能清扫的路面清洁度评估方法，其特征在于：对数字图像或者视频中的多个感兴趣目标进行识别和定位，采用onestage目标检测算法yolov3，通过在图上铺设先验框并对物体的中心点，长宽，和类别进行回归实现目标的定位和识别。
4.根据权利要求1所述的用于道路智能清扫的路面清洁度评估方法，其特征在于密度估计：密度图为图像中的密集小目标提供了分布信息；考虑到常规目标检测算法无法对密集小目标有效的定位，采用密度估计算法计算小目标的分布信息。
5.根据权利要求4所述的用于道路智能清扫的路面清洁度评估方法，其特征在于：采集路面垃圾图像数据，对每张图像中的目标做标注，有两种标注格式，一种是用于垃圾目标检测的矩形框标注格式(class，x，y，w，h)，其中第一个参数class代表标注内容的类别，第二个参数x代表归一化后目标中心点的x坐标，第三个参数y代表归一化后目标中心点的y坐标，第四个参数w代表归一化后的目标框宽度，第五个参数h代表归一化后的目标框高度；另一种是用于垃圾密度估计的点标注格式(x1，y1)，其中第一个参数x1表示目标中心点的x1坐标，第二个参数y1表示目标中心店的y1坐标；点标注格式通过卷积运算生成密度图数据格式。
6.根据权利要求1所述的用于道路智能清扫的路面清洁度评估方法，其特征在于：路面分割神经网络采用的是yolact框架结构；首先使用ResNet101作为backbone，包括五个卷积模块,分别是conv1,...,conv5，FPN网络为P3层-P7层，C5层经过一个卷积层得到P5层；接着对P5层进行一次双线性插值将其放大，与经过卷积的C4层相加得到P4层；同样的方法得到P3层；此外，还对P5层进行了卷积得到P6层，对P6层进行卷积得到P7层；接下来是并行的操作，P3层被送入Protonet，同时P3层-P7层被送入PredictionHead；Protonet结构由多个3x3卷积层、上采样层和一个1x1的卷积层组成，使用了Relu作为激活函数；与Protonet并行的PredictionHead，首先是三个分支共享的3x3卷积层，然后是每一个分...
【专利技术属性】
技术研发人员：赵健成，顾昕程，杨致饶，徐江，高传宝，
申请(专利权)人：上海富洁科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。