一种垃圾类型识别方法、系统、电子设备及介质技术方案

本发明专利技术涉及图像处理技术领域，其目的在于提供一种垃圾类型识别方法、系统、电子设备及介质。其中的垃圾类型识别方法包括：获取多个垃圾图像数据；将当前垃圾图像数据输入至骨干网络中，得到当前垃圾图像数据的多层级特征图；对多层级特征图分别进行池化处理，得到池化后多层级的第一特征图；将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并，得到当前垃圾图像数据的多层级的第二特征图；将当前垃圾图像数据的多层级的第二特征图分为S*S的网格，然后对当前第二特征图的每个网格区域进行分类，得到当前垃圾图像中指定目标的类型预测结果。本发明专利技术基于图像识别技术判断垃圾类型，可减轻用户手动对垃圾分类的工作量。工作量。工作量。

【技术实现步骤摘要】
一种垃圾类型识别方法、系统、电子设备及介质


[0001]本专利技术涉及图像处理
，特别是涉及一种垃圾类型识别方法、系统、电子设备及介质。

技术介绍

[0002]垃圾分类，一般是指按一定规定或标准将垃圾分类储存、投放和搬运，从而转变成公共资源的一系列活动的总称。垃圾分类可提高垃圾的资源价值和经济价值，减少垃圾处理量和处理设备的使用，降低处理成本，减少土地资源的消耗。现有技术中，通常通过人工手动对垃圾进行分类，即用户在产生生活垃圾后，自行对垃圾分类，以将垃圾分为可回收垃圾、有害垃圾、湿垃圾以及干垃圾等类型。但是，在使用现有技术过程中，专利技术人发现现有技术中至少存在如下问题：人工手动对垃圾进行分类的方式，存在费时费力的问题。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决上述技术问题，本专利技术提供了一种垃圾类型识别方法、系统、电子设备及介质。
[0004]本专利技术采用的技术方案是：
[0005]第一方面，本专利技术提供了一种垃圾类型识别方法，包括：
[0006]获取多个携带有类型标注信息的垃圾图像数据；
[0007]将当前垃圾图像数据输入至骨干网络中，得到当前垃圾图像数据的多层级特征图；
[0008]对多层级特征图分别进行池化处理，得到池化后多层级的第一特征图；
[0009]基于FPN网络和PANet网络，将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并，得到当前垃圾图像数据的多层级的第二特征图；
[0010]将当前垃圾图像数据的多层级的第二特征图分为S*S的网格，然后对当前第二特征图的每个网格区域进行分类，得到当前垃圾图像中指定目标的类型预测结果。
[0011]本实施例基于图像识别技术判断垃圾类型，可减轻用户手动对垃圾分类的工作量。具体地，本实施例在执行过程中，可基于神经网络提取垃圾图像数据的多层级特征图，然后得到第二特征图，最终得到当前垃圾图像的预测结果，从而得知当前图像对应垃圾的类型信息，避免了现有技术中手动进行垃圾分类造成用户工作量大的问题。
[0012]本实施例中的神经网络模型既能学习到很深的语义特征，又能学习到细粒度及空间特征，使得模型具有比较好的泛化能力。
[0013]在一个可能的设计中，获取多个携带有类型标注信息的垃圾图像数据，包括：
[0014]获取多个原始垃圾图像数据；
[0015]对多个原始垃圾图像数据进行垃圾类型标注，得到多个携带有类型标注信息的垃圾图像数据。
[0016]在一个可能的设计中，对多个原始垃圾图像数据进行垃圾类型标注，得到多个携
带有类型标注信息的垃圾图像数据后，还包括：
[0017]对多个携带有类型标注信息的垃圾图像数据进行图像增强处理，以便将增强处理后垃圾图像数据输入至骨干网络中。
[0018]在一个可能的设计中，所述骨干网络包括特征提取器、目标检测器和CSPNet网络；将当前垃圾图像数据输入至骨干网络中，得到当前垃圾图像数据的多层级特征图，包括：
[0019]将当前垃圾图像数据依次输入至特征提取器和目标检测器，得到当前垃圾图像数据的初始特征信息；
[0020]将当前垃圾图像数据的初始特征信息输入CSPNet网络中，得到当前垃圾图像数据的多层级特征图。
[0021]在一个可能的设计中，所述特征提取器和目标检测器均采用Darknet53网络。
[0022]在一个可能的设计中，当前垃圾图像的类型预测结果为：S*S*(K*(5+C))，其中，K表示网格边界框的个数，5表示当前网格预测框的坐标和置信度分数(x1,y1,x2,y2,score)，C表示类别数。
[0023]第二方面，本专利技术提供了一种垃圾类型识别系统，用于实现如上述任一项所述的垃圾类型识别方法；所述垃圾类型识别系统包括依次通信连接的垃圾图像数据获取模块、第一特征图提取模块、池化处理模块、第二特征图提取模块和垃圾类型信息获取模块；其中，
[0024]所述垃圾图像数据获取模块，用于获取多个携带有类型标注信息的垃圾图像数据；
[0025]所述第一特征图提取模块，用于将当前垃圾图像数据输入至骨干网络中，得到当前垃圾图像数据的多层级特征图；
[0026]所述池化处理模块，用于对多层级特征图分别进行池化处理，得到池化后多层级的第一特征图；
[0027]所述第二特征图提取模块，用于基于FPN网络和PANet网络，将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并，得到当前垃圾图像数据的多层级的第二特征图；
[0028]所述垃圾类型信息获取模块，用于将当前垃圾图像数据的多层级的第二特征图分为S*S的网格，然后对当前第二特征图的每个网格区域进行分类，得到当前垃圾图像中指定目标的类型预测结果。
[0029]第三方面，本专利技术提供了一种电子设备，包括：
[0030]存储器，用于存储计算机程序指令；以及，
[0031]处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的垃圾类型识别方法的操作。
[0032]第四方面，本专利技术提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的垃圾类型识别方法的操作。
附图说明
[0033]图1是本专利技术中一种垃圾类型识别方法的流程图；
[0034]图2是本专利技术中一种垃圾类型识别系统的模块框图；
[0035]图3是本专利技术中一种电子设备的模块框图。
具体实施方式
[0036]下面结合附图及具体实施例来对本专利技术作进一步阐述。
[0037]应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。
[0038]应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况。
[0039]应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
[0040]实施例1：
[0041]本实施例第一方面提供了一种垃圾类型识别方法、系统、电子设备及介质，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机(Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal digital assistant，PAD)或可穿戴设备等电子设备执行，或者由虚拟机Hypervisor执行，以便利于提高对垃圾类型的自动识别。
[0042]如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾类型识别方法，其特征在于：包括：获取多个携带有类型标注信息的垃圾图像数据；将当前垃圾图像数据输入至骨干网络中，得到当前垃圾图像数据的多层级特征图；对多层级特征图分别进行池化处理，得到池化后多层级的第一特征图；基于FPN网络和PANet网络，将池化后多层级的第一特征图与低层级的空间信息及细粒度特征进行合并，得到当前垃圾图像数据的多层级的第二特征图；将当前垃圾图像数据的多层级的第二特征图分为S*S的网格，然后对当前第二特征图的每个网格区域进行分类，得到当前垃圾图像中指定目标的类型预测结果。2.根据权利要求1所述的一种垃圾类型识别方法，其特征在于：获取多个携带有类型标注信息的垃圾图像数据，包括：获取多个原始垃圾图像数据；对多个原始垃圾图像数据进行垃圾类型标注，得到多个携带有类型标注信息的垃圾图像数据。3.根据权利要求2所述的一种垃圾类型识别方法，其特征在于：对多个原始垃圾图像数据进行垃圾类型标注，得到多个携带有类型标注信息的垃圾图像数据后，还包括：对多个携带有类型标注信息的垃圾图像数据进行图像增强处理，以便将增强处理后垃圾图像数据输入至骨干网络中。4.根据权利要求1所述的一种垃圾类型识别方法，其特征在于：所述骨干网络包括特征提取器、目标检测器和CSPNet网络；将当前垃圾图像数据输入至骨干网络中，得到当前垃圾图像数据的多层级特征图，包括：将当前垃圾图像数据依次输入至特征提取器和目标检测器，得到当前垃圾图像数据的初始特征信息；将当前垃圾图像数据的初始特征信息输入CSPNet网络中，得到当前垃圾图像数据的多层级特征图。5.根据权利要求4所述的一种垃圾类型识别方法，其特征在于：所述特征提取器和目标检测器均采用Darknet...

【专利技术属性】
技术研发人员：李令文，刘俊杰，
申请(专利权)人：深圳市旗扬特种装备技术工程有限公司，
类型：发明
国别省市：