一种基于人工智能的智慧城市用识别装置及其识别方法制造方法及图纸

本发明专利技术公开了一种基于人工智能的智慧城市用识别装置及其识别方法，包括机身，所述机身的内部一端设置有转动电机，转动电机的一端传动连接有转动轴，所述转动轴的表面固定连接有螺旋桨，所述机身的两侧表面均设置有机翼，所述机身的尾端上表面设置有尾椎，本发明专利技术通过设置的航拍设备，通过无人机将航拍设备带到空中对智慧城市进行航拍，随后通过将航拍的照片视频等上传至地面识别系统内部进行识别，大大方便了智慧城市的识别过程，打造了关于智慧城市特定场景的设备算法一体化解决方案，集拍摄、传输、模型训练、AI算法识别于一体的设备系统，内置了垃圾、排污、山火等算法，提供了此类智慧城市场景的解决方案。智慧城市场景的解决方案。智慧城市场景的解决方案。

【技术实现步骤摘要】
一种基于人工智能的智慧城市用识别装置及其识别方法


[0001]本专利技术属于智慧城市
，具体涉及一种基于人工智能的智慧城市用识别装置及其识别方法。

技术介绍

[0002]智慧城市起源于传媒领域，是指利用各种信息技术或创新概念，将城市的系统和服务打通、集成，以提升资源运用的效率，优化城市管理和服务，以及改善市民生活质量。智慧城市是把新一代信息技术充分运用在城市中各行各业基于知识社会下一代创新(创新2.0)的城市信息化高级形态，实现信息化、工业化与城镇化深度融合，有助于缓解“大城市病”，提高城镇化质量，实现精细化和动态管理，并提升城市管理成效和改善市民生活质量。
[0003]目前没有一种针对智慧城市的城市垃圾、山火、渔船等进行识别的装置和方法，导致智慧城市的识别方法较为困难，通常是通过对城市拍摄的图像进行人工识别以判定是否为智慧城市，这种判断方式误差较大，使用时并不具有实用性。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，提供一种基于人工智能的智慧城市用识别装置及其识别方法，以解决上述
技术介绍
中提出的目前没有一种针对智慧城市的城市垃圾、山火、渔船等进行识别的装置和方法，导致智慧城市的识别方法较为困难，通常是通过对城市拍摄的图像进行人工识别以判定是否为智慧城市，这种判断方式误差较大，使用时并不具有实用性的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于人工智能的智慧城市用识别装置，包括机身，所述机身的内部一端设置有转动电机，转动电机的一端传动连接有转动轴，所述转动轴的表面固定连接有螺旋桨，所述机身的两侧表面均设置有机翼，所述机身的尾端上表面设置有尾椎，所述机身的尾端两侧表面均设置有尾翼，所述机身的下表面中间部分固定连接有连接箱，所述连接箱的下表面固定连接有连接块，所述连接块的内部通过转轴转动连接有转动杆，所述转动杆远离连接块的一端固定连接有航拍设备，所述机身的两侧表面均设置有散热网，所述散热网的内侧表面设置有散热板，所述机身的内部设置有5G通信模块。
[0006]优选的，所述机身的下表面两端均固定连接有支撑杆，所述支撑杆的下端均通过减震杆设置有减震轮。
[0007]优选的，所述支撑杆的内部底端开设有减震槽，所述减震槽的内部两侧表面固定连接有滑动杆，所述滑动杆的表面滑动连接有滑块，所述滑块设置有两个，两个所述滑块之间设置有减震弹簧。
[0008]优选的，所述滑块的下端设置有连接件，所述连接件固定连接在减震杆的上表面，且所述连接件和滑块之间设置有连接杆，所述连接杆的上端转动连接在滑块的一侧表面，所述连接杆的下端转动连接在连接件的一侧表面。
[0009]一种基于人工智能的智慧城市用识别装置的识别方法，包括以下步骤：
[0010]步骤一：地面控制系统通过5G接收模块将航拍设备拍摄的智慧城市的画面进行接收，并将画面导入至地面控制系统内部的识别系统进行识别；
[0011]步骤二：在识别系统内部建立航拍画面的数据集，对建立的数据集进行预处理，建立训练集和测试集，构建Yolo V5模型，Yolo V5模型包括输入端、特征提取部分、Neck部分和Head部分；输入端对图像进行数据增强处理、自适应锚框计算及自适应图片缩放处理；特征提取部分用于对输入图像进行切片操作，再经过卷积操作，获得特征图；Neck部分对特征图进行分类和分割；Head部分用于得到不同尺度的预测结果；
[0012]步骤三：使用训练集训练Yolo V5模型，在训练和检测时，对切分后的图像再次进行切分，用以增大目标大小在图像中的占比，将输入网络的图像大小修改为最后切割的图像大小，对某种排污口较少的数据随机翻转进行数据增强；
[0013]步骤四：使用测试集测试训练好的Yolo V5模型的性能，然后将模型用于无人机航拍排污口图像的识别；
[0014]步骤五：确定城市垃圾种类和样式，并提取图像特征；
[0015]步骤六：确定垃圾乱投乱放场景，并提取图像特征；
[0016]步骤七：确定垃圾定点投放场景，并提取图像特征；
[0017]步骤八：搭建图像识别网络模型；
[0018]步骤九：合格及不合格的图像素材收集；
[0019]步骤十：形成数据集；
[0020]步骤十一：进行训练并学习；
[0021]步骤十二：对训练结果进行验证，并形成测试指标；
[0022]步骤十三：形成成熟的垃圾图像识别方法。
[0023]优选的，所述步骤二中，对建立的数据集进行预处理的内容包括对高分辨率图像的分块，对分块后的图像进行排污口标注，对标注后的图像再次进行裁剪，设高分辨图像大小为W
×
H，划分数量使用如下公式计算：
[0024]Num
x
＝W/7
[0025]Num
y
＝H/7
[0026]上述公式中，Num
x
和Num
y
分别代表分块时宽和高的分块数量。
[0027]优选的，所述步骤三中，Neck部分采用特征金字塔网络FPN和PAN网络，特征金字塔网络由自上而下和自下而上两个部分组成，其中，自上而下的网络用于提取航拍图像的特征，自下而上的部分用于融合不同尺度的特征信息，PAN网络和FPN网络共同使用，创建自下而上的增强路径，用于缩短信息路径，利用存储的精确定位信号，底层基础信息向高层传播以进行分类和分割。
[0028]优选的，所述步骤三中，Head部分中，使用加权非极大抑制，在剔除锚框的过程中，将锚框的置信度作为权值，得到新的矩形框，把该矩形作为最终预测的矩形框，再将较低分数的锚框剔除，Head得到三种不同尺度的预测结果，以输入图像大小为608
×
608为例，预测结果大小分别为19
×
19
×
255，38
×
38
×
255，76
×
76
×
255，不同大小的结果用于预测不同大小的目标，在目标检测的后处理过程中，针对很多目标锚框筛选，通常需要进行非极大抑制操作，非极大抑制就是筛选不同置信度下的锚框，抑制分数比较低的锚框。在Yolo V5中，
使用加权NMS，在剔除锚框的过程中，将锚框的置信度作为权值，得到新的矩形框，把该矩形作为最终预测的矩形框，再将较低分数的锚框剔除，损失函数使用CIOU
‑
LOSS损失函数，其公式为：
[0029][0030]其中，IOU为交并比，C表示封闭A和B的最小区域，|C/(A∪B)|表示C中没有覆盖A和B的面积占C总面积的面积，总损失函数为：
[0031]L＝GIOU_Loss+L
conf
+L
cls
[0032]Yolo V5的模型大小分为四种，分别为s、m、l、x，分别适用于不同的需求，使用训练集训练Yolo V5模型，将输入网络的图像大小修改为最后切割的图像大小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的智慧城市用识别装置，包括机身(1)，其特征在于：所述机身(1)的内部一端设置有转动电机，转动电机的一端传动连接有转动轴(3)，所述转动轴(3)的表面固定连接有螺旋桨(4)，所述机身(1)的两侧表面均设置有机翼(2)，所述机身(1)的尾端上表面设置有尾椎(6)，所述机身(1)的尾端两侧表面均设置有尾翼(5)，所述机身(1)的下表面中间部分固定连接有连接箱(8)，所述连接箱(8)的下表面固定连接有连接块(9)，所述连接块(9)的内部通过转轴(10)转动连接有转动杆(11)，所述转动杆(11)远离连接块(9)的一端固定连接有航拍设备(12)，所述机身(1)的两侧表面均设置有散热网(7)，所述散热网(7)的内侧表面设置有散热板，所述机身(1)的内部设置有5G通信模块。2.根据权利要求1所述的一种基于人工智能的智慧城市用识别装置，其特征在于：所述机身(1)的下表面两端均固定连接有支撑杆(13)，所述支撑杆(13)的下端均通过减震杆(14)设置有减震轮(15)。3.根据权利要求2所述的一种基于人工智能的智慧城市用识别装置，其特征在于：所述支撑杆(13)的内部底端开设有减震槽(16)，所述减震槽(16)的内部两侧表面固定连接有滑动杆(17)，所述滑动杆(17)的表面滑动连接有滑块(18)，所述滑块(18)设置有两个，两个所述滑块(18)之间设置有减震弹簧(19)。4.根据权利要求3所述的一种基于人工智能的智慧城市用识别装置，其特征在于：所述滑块(18)的下端设置有连接件(21)，所述连接件(21)固定连接在减震杆(14)的上表面，且所述连接件(21)和滑块(18)之间设置有连接杆(20)，所述连接杆(20)的上端转动连接在滑块(18)的一侧表面，所述连接杆(20)的下端转动连接在连接件(21)的一侧表面。5.一种基于人工智能的智慧城市用识别装置的识别方法，其特征在于：包括以下步骤：步骤一：地面控制系统通过5G接收模块将航拍设备(12)拍摄的智慧城市的画面进行接收，并将画面导入至地面控制系统内部的识别系统进行识别；步骤二：在识别系统内部建立航拍画面的数据集，对建立的数据集进行预处理，建立训练集和测试集，构建Yolo V5模型，Yolo V5模型包括输入端、特征提取部分、Neck部分和Head部分；输入端对图像进行数据增强处理、自适应锚框计算及自适应图片缩放处理；特征提取部分用于对输入图像进行切片操作，再经过卷积操作，获得特征图；Neck部分对特征图进行分类和分割；Head部分用于得到不同尺度的预测结果；步骤三：使用训练集训练Yolo V5模型，在训练和检测时，对切分后的图像再次进行切分，用以增大目标大小在图像中的占比，将输入网络的图像大小修改为最后切割的图像大小，对某种排污口较少的数据随机翻转进行数据增强；步骤四：使用测试集测试训练好的Yolo V5模型的性能，然后将模型用于无人机航拍排污口图像的识别；步骤五：确定城市垃圾种类和样式，并提取图像特征；步骤六：确定垃圾乱投乱放场景，并提取图像特征；步骤七：确定垃圾定点投放场景，并提取图像特征；步骤八：搭建图像识别网络模型；步骤九：合格及不合格的图像素材收集；步骤十：形成数据集；步骤十一：进行训练并学习；
步骤十二：对训练结果进行验证，并形成测试指标；步骤十三：形成成熟的垃圾图像识别方法。6.根据权利要求5所述的一种基于人工智能的智慧城市用识别装置的识别方法，其特征在于：所述步骤二中，对建立的数据集进行预处理的内容包括对高分辨率图像的分块，对分块后的图像进行排污口标注，对标...

【专利技术属性】
技术研发人员：童亚斋，
申请(专利权)人：迈动互联北京信息科技有限公司，
类型：发明
国别省市：