【技术实现步骤摘要】
本专利技术涉及固体废弃物识别预测，具体为一种固体废弃物识别预测模型的识别预测方法及系统。
技术介绍
1、固体废弃物是指人类在各种日常活动中产生的固体废弃物质，例如固体垃圾、食物、废弃的工业制品和残破器具等；而随着人口增多这些固体废弃物的数量也在逐年剧增，这些固体废弃物除了会造成自然环境的破坏外，还会造成大量的资源浪费，因此固体废弃物的回收利用工作也是目前较为主要的工作之一。
2、在所有固体废弃物中，建筑活动产生的固体废弃物占了我国固体废弃物产出的主要组成部分，据统计我国每年约有18亿吨的建筑固体废弃物产出，包含了新建筑施工中的固体废弃物、旧建筑拆除时的固体废弃物和建筑装修时的固体废弃物；而这些固体废弃物的转化率极低，而在实际施工中这些建筑固体废弃物垃圾有着极高的资源回收价值，可以通过收集、分离和再加工的方式进行资源可循环利用；例如石料可以转换成再生骨料，用于生产再生砖、砂浆和路基的铺垫等。
3、而目前对于这些建筑活动产生的固体废弃物的难点在于，需要对这些固体废弃物识别进行回收，以达到对环境的整理和资源的分类回收目的，因此采用了多种对于建筑固体废弃物的识别问题进行改善，例如cn202211251505.6提出的一种固体废弃物识别方法，通过rgb三通道得到的颜色聚合向量的颜色分布混淆度进行计算识别；cn202110345854.3提出的基于多策略增强的遥感影像固体废弃物识别方法及系统，通过多策略增强关键点目标识别网络对遥感图像的深度学习识别的遥感图像结果进行筛选；cn202110695615.0提出固体废弃物
4、然而目前的方法仅解决识别精度差的问题，但是由于都是基于静态的现有图像，缺少对建筑固体废弃物数量的动态分析结果，无法衡量各地区建筑固体废弃物产出的具体数量；而且建筑固体废弃物的种类过多，在回收的过程分离的过程中无法衡量可回收材料的具体数量，难以对后续这些可回收材料进行详细的规划处理工作。
5、为了能够实现动态的建筑固体废弃物数量的分析，以便于对建筑固体废弃物的回收管理和规划，本专利技术提出一种固体废弃物识别预测模型的识别预测方法及系统。
技术实现思路
1、本专利技术的目的在于提供一种固体废弃物识别预测模型的识别预测方法及系统，通过第一施工目标的项目类型和历史固体废弃物总量进行预测，获取固体废弃物的第一预估量；依据遥感图像和废弃物识别模型的特征识别结果对模型中未识别的固体废弃物进行添加，调整第一预估量；依据废弃物的集中清理时间t，每隔t时间的预测建筑废弃物量获取第二预估量，依据图像特征获取第三预估量，依据第二预估量和第三预估量建立对应的回归函数并依据相似度计算结果对废弃物预测模型进行优化；当第一施工目标完成时，依据第一预估量、第二预估量和第三预估量的偏差值对废弃物预测模型进行进一步优化；以实现建筑固体废弃物数量的动态分析，并提升准确率。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种固体废弃物识别预测模型的识别预测方法，包括：
4、获取选定区域的第一施工目标，依据所述第一施工目标获取项目类型，依据所述项目类型和历史固体废弃物总量输入建筑废弃物预测模型，获取固体废弃物的第一预估量；
5、所述项目类型包括室内装修、新建筑物建设或旧建筑物拆除；所述项目类型还包括项目对应的施工面积、施工材料和施工预计时间；
6、所述历史固体废弃物总量为对应所述项目类型的历史固体废弃物总量参考数据；
7、进一步地，所述建筑废弃物预测模型包括废弃物数据处理单元、废弃物数据特征获取单元、废弃物数据预测输出单元和废弃物数据特征存储单元；
8、所述废弃物数据处理单元依据所述项目类型提取的所述历史固体废弃物总量数据，并按照时间顺序进行排序、数据标签生成和数据预处理，生成废弃物预输入数据；所述废弃物预输入数据为多维时序数据，大小为n*m，包括n个标签数据，即每个1*m的时序数据对应1个所述标签数据；
9、所述废弃物数据特征获取单元提取所述废弃物预输入数据的时序特征和所述历史固体废弃物总量间的数据关系，生成废弃物关联特征数据；
10、其中，所述废弃物数据特征获取单元包含长特征提取单元和短特征提取单元；所述长序列特征数据和所述短序列特征数据的输出结果均为所述废弃物关联特征数据；
11、所述长特征提取单元由一维卷积神经网络、lstm模型和attention机制组成，包括两部分；第一部分为8层所述一维卷积神经网络和4层所述attention机制，每层所述一维卷积神经网络为1*5的卷积核，每2层一维卷积神经网络后添加1层所述attention机制；所述第一部分特征计算后，生成第一特征，所述第一部分的特征提取如下：
12、
13、其中，wfei为第i层所述attention机制计算后的特征数值，exp[]为归一化计算，h()为权值计算，为2层所述一维卷积的计算结果，an为attention机制的权值生成数量；
14、第二部分为8个lstm单元；所述第一特征经过所述第二部分的记忆门、遗忘门和输出门，生成第二特征；所述第二特征为长序列特征数据；所述长序列特征数据用于提取第一预估量特征；
15、所述短特征提取单元所述长特征提取单元由一维卷积神经网络和lstm模型组成，包括两部分；第三部分为4层所述一维卷积神经网络，每层所述一维卷积神经网络为1*3的卷积核，所述第三部分特征计算后，生成第三特征；第四部分为4个lstm单元；所述第三部分特征计算后输入到第四部分的记忆门、遗忘门和输出门，进行时序特征计算，生成第四特征；所述第四特征为短序列特征数据；所述短序列特征数据用于提取第二预估量特征；
16、所述废弃物数据预测单元依据所述废弃物关联特征数据和项目类型数据进行预测，获取废弃物排放预测数据；所述废弃物数据预测单元则是通过gru模型进行预测；
17、所述废弃物数据特征存储单元将所述废弃物数据特征获取单元计算的所述数据关系的参数和权重进行存储，生成废弃物特征参数；
18、获取所述选定区域无人机的遥感图像，依据所述遥感图像获取所述第一施工目标的固体废弃物类型数据，依据所述固体废弃物类型数据和历史固体废弃物总量对所述第一预估量进行调整；
19、进一步地，所述第一预估量进行调整为依据遥感图像对无法识别的新固体废弃物进行特征添加，所述特征添加包括新固体废弃物的纹理特征值、rgb色彩梯度特征值、像素比例特征值和边缘梯度离散特征值；
20、所述特征添加为所述建筑废弃物识别模型的特征训练和模型参数生成；
21、所述建筑废弃物预测模型依据所述项目类型、所述历史固体废弃物总量和新固体废弃物量进行所述第一预估量的预测，对未添加所述新固体废弃物量的所述第一预估量进行调整；
22、其中，所述建筑废弃物识别模型包括本文档来自技高网...
【技术保护点】
1.一种固体废弃物识别预测模型的识别预测方法，其特征在于，包括：
2.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于，所述项目类型和所述历史固体废弃物总量的数据包括：
3.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于，所述建筑废弃物预测模型包括：
4.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于依据所述固体废弃物类型数据和所述历史固体废弃物总量对所述第一预估量进行调整包括：
5.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于所述建筑废弃物识别模型包括：
6.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于所述第一回归函数和所述第二回归函数的对比结果对所述建筑废弃物预测模型进行优化包括：
7.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于对所述建筑废弃物预测模型的一次优化和二次优化包括：
8.一种固体废弃物识别预测模型的识别预测系统，其特征在于
9.根据权利要求8所述的一种固体废弃物识别预测模型的识别预测系统，其特征在于相似度计算对所述建筑废弃物预测模型优化包括：
10.根据权利要求8所述的一种固体废弃物识别预测模型的识别预测系统，其特征在于，偏差值的优化过程为获取所述第二预估量或所述第三预估量与所述第一预估量的所述偏差值，若所述偏差值大于偏差阈值，则将所述第二预估量或所述第三预估量作为新的训练数据带入所述建筑废弃物预测模型训练优化模型的权重参数。
...【技术特征摘要】
1.一种固体废弃物识别预测模型的识别预测方法，其特征在于，包括：
2.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于，所述项目类型和所述历史固体废弃物总量的数据包括：
3.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于，所述建筑废弃物预测模型包括：
4.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于依据所述固体废弃物类型数据和所述历史固体废弃物总量对所述第一预估量进行调整包括：
5.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于所述建筑废弃物识别模型包括：
6.根据权利要求1所述的一种固体废弃物识别预测模型的识别预测方法，其特征在于所述第一回归函数和...
【专利技术属性】
技术研发人员：牟天蔚，马媛，李欣玥，董波，张增胜，刘伟，李一纯，董知芮，
申请(专利权)人：沈阳工业大学，
类型：发明
国别省市：
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。