基于SIoU的垃圾占道检测的方法技术

本发明专利技术提供一种基于SIoU的垃圾占道检测的方法，属于图像数据处理领域，包括S1:根据摄像头采集的数据进行数据标注并划分数据集；S2:将训练集数据经过数据增强之后输入YOLOV5目标检测网络；S3:采用SIoU作为检测框损失函数，并计算其四种代价函数；S4:通过分类损失以及检测框损失对网络进行调优训练。S5：将训练好的模型放入计算机设备进行测试。本发明专利技术采用SIoU作为检测框损失函数，添加了向量角度，重新定义了距离损失。可以有效提升模型的对于垃圾占道的检测精度以及训练速度。圾占道的检测精度以及训练速度。圾占道的检测精度以及训练速度。

【技术实现步骤摘要】
基于SIoU的垃圾占道检测的方法


[0001]本专利技术涉及计算机视觉中的目标检测领域，尤其涉及一种基于SIoU的垃圾占道检测的方法。

技术介绍

[0002]在垃圾占道方面，对交通安全以及环境的影响非常严重，所以对这种在道路上的垃圾清理需要非常的及时。但是由于垃圾数量多，分布广，传统的人工识别以及不能满足当前的要求，所以基于人工智能的垃圾占道识别，能极大的提高清理的效率以及交通安全。通过每个区域的摄像头可以有效的采集道路的图像数据，并通过人工智能算法进行识别。
[0003]在计算机视觉领域中，目标检测是一项基础的任务，在物体关键点检测，物体分割，物体追踪等任务中都要依赖目标检测。目标检测分为传统目标检测与深度学习目标检测。传统目标检测拥有三个阶段：区域选取，特征提取和分类器分类。首先区域选取是选取图像中可能出现物体的位置，一般通过滑动窗口算法在图像中进行滑动。之后由特征提取器对存在物体的位置进行特征提取，一般通过SIFT,FAST和HOG等算法。最后对提取到的特征信息通过SVM等分类器进行分类。传统目标检测存在速度较慢，精度较低并且计算量大的缺点。但是在卷积网络出现之后，基于深度学习的目标检测算法开始逐渐拉开序幕。
[0004]基于深度学习的目标检测分为两阶段检测器与单阶段检测器。其中RCNN,Fast
‑
RCNN等可以作为两阶段检测器的典型网络，它们首先采用CNN网络进行特征提取，最后输入线性分类器进行目标预测以及种类预测。两阶段检测器的优点在于精度高，但是速度不如单阶段检测器快。单阶段检测器，像YOLO系列算法，是通过一个特征提取网络的输出完成目标预测以及种类预测，整体推理速度很快。
[0005]由于现阶段的目标检测损失函数没有考虑真实框与预测框之间不匹配的可能，所以导致在进行垃圾占道检测训练时收敛效果慢，产生效果不好的模型。

技术实现思路

[0006]为了解决以上技术问题，本专利技术提供了一种基于SIoU的垃圾占道检测的方法。可以对道路中是否存在垃圾进行即时检测，并通过检测结果通知街道的网格员进行即时清理。
[0007]本专利技术的技术方案是：
[0008]基于SIoU的垃圾占道检测的方法，包括
[0009]1)摄像头在固定时间间隔内获取图片；
[0010]2)将获取到的图片输入到拥有监测模型的计算机设备中进行检测；
[0011]3)计算机对检测结果进行判断：
[0012]如果存在垃圾的类别信息，检测框信息并且置信度超过60％，计算机就会发送指令到该区域网格员的移动设备上，通知他们去清理；
[0013]如果不存在垃圾的信息，则会忽略并等待下一个时间间隔的图片传入；
[0014]如果置信度低于60％，则会发送照片到该区域网格员的移动设备上进行人工判定。
[0015]进一步的，
[0016]首先对监控摄像头所采集的图像数据进行整理，使用标注软件进行数据标注,并按照比例对数据集进行训练集与测试集的划分。
[0017]根据摄像头拍到的道路图片进行筛选，并对道路中含有垃圾的图片进行筛选。
[0018]对清洗过后的数据集进行标注，标注图像中的垃圾类别和真实框，真实框信息包含真实框中心点坐标和真实框的长度与宽度；
[0019]标注后的数据按照设定比例进行训练集与测试集的划分。
[0020]再进一步的，
[0021]其次对训练集图像进行数据增强，将其输入YOLOV5目标检测网络中，在保留原有分类损失函数的同时，替换检测框损失函数为SioU。
[0022]再进一步的，
[0023]对训练集图像进行Mosaic数据增强，首先从数据集中随机读取图片；之后分别对图片进行翻转、缩放、色域变化的操作；接着将摆好；按照矩阵的方式对图像进行拼接。
[0024]将增强后的数据经过目标检测网络会得到预测检测框，与预测检测框的类别信息，之后要对预测结果跟真实标签进行损失计算。
[0025]计算SIoU的四种成本函数：角度成本、距离成本、形状成本和IoU成本。
[0026]将这两种损失函数相结合，对检测网络进行监督训练，调超参数并保存最佳的模型文件作为测试模型；最后将模型文件保存到计算机设备中进行检测。
[0027]运算后的输出信息包含三类：物体类别信息、物体检测框信息、物体类别置信度。
[0028]本专利技术的有益效果是
[0029]在此基础上替换原有的目标检测损失函数，采用SIoU作为检测框损失函数，添加了向量角度，重新定义了距离损失。可以有效提升模型的对于垃圾占道的检测精度以及训练速度。
附图说明
[0030]图1是SIoU计算过程的参数示意图；
[0031]图2.垃圾占道检测训练流程示意图；
[0032]图3是垃圾占道检测测试流程图。
具体实施方式
[0033]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，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，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通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。
[0034]本专利技术提供了一种基于SIoU的垃圾占道检测的方法，具体步骤为：
[0035]S1:根据摄像头采集的数据进行数据标注并划分数据集；
[0036]S1
‑
1:根据摄像头拍到的道路图片进行筛选，并对道路中含有垃圾的图片进行筛
选。
[0037]S1
‑
2：对清洗过后的数据集进行标注，标注图像中的垃圾类别和真实框，真实框信息包含真实框中心点坐标和真实框的长度与宽度。
[0038]S1
‑
3:标注后的数据按照7比3的比例进行训练集与测试集的划分。
[0039]S2:将训练集数据经过数据增强之后输入YOLOV5目标检测网络；
[0040]S2
‑
1:对垃圾占道数据集进行Mosaic数据增强，首先从数据集中随机读取4张图片；之后分别对四张图片进行翻转、缩放、色域变化的操作；接着将这四张图片按照左上，左下，右下和右上这四个方位摆好；
[0041]最后按照矩阵的方式对这4张图像进行拼接。这种数据增强方式变相的使得batchsize提高到了4，能有效地降低对高性能GPU的依赖。
[0042]S2
‑
2:将增强后的数据经过目标检测网络会得到预测检测框A，与A的类别信息。之后要对预测结果跟真实标签进行损失计算。
[0043]S3：采用SIou作为检测框损失函数，并计算其四种代价函数；
[0044]S3
‑
1：这里将真实检测框Gt B与S2中得到的预测检测框A进行SIoU损失计算。
[0045]S3
‑
2：SIoU损失函数由四种成本函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SIoU的垃圾占道检测的方法，其特征在于，包括1)摄像头在固定时间间隔内获取图片；2)将获取到的图片输入到拥有监测模型的计算机设备中进行检测；3)计算机对检测结果进行判断：如果存在垃圾的类别信息，检测框信息并且置信度超过60％，计算机就会发送指令到该区域网格员的移动设备上，通知清理；如果不存在垃圾的信息，则会忽略并等待下一个时间间隔的图片传入；如果置信度低于60％，则会发送照片到该区域网格员的移动设备上进行人工判定。2.根据权利要求1所述的方法，其特征在于，首先对监控摄像头所采集的图像数据进行整理，使用标注软件进行数据标注,并按照比例对数据集进行训练集与测试集的划分。3.根据权利要求2所述的方法，其特征在于，根据摄像头拍到的道路图片进行筛选，并对道路中含有垃圾的图片进行筛选；对清洗过后的数据集进行标注，标注图像中的垃圾类别和真实框，真实框信息包含真实框中心点坐标和真实框的长度与宽度；标注后的数据按照设定比例进行训练集与测试集的划分。4.根据权利要求2或3所...

【专利技术属性】
技术研发人员：李旭东，潘心冰，伊文超，何彬彬，朱利霞，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：