[發明專利]一種基于深度學習的道路清潔度量化方法

在審

• 申請號: 201910896277.X
• 申請日: 2019-09-22
• 公開（公告）號: CN110674731A
• 公開（公告）日: 2020-01-10
• 發明（設計）人: 王滌成;楊建華;樊容伯;范孝波;陳浩;梁星陶
• 申請（專利權）人: 江蘇悅達專用車有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于深度學習的道路清潔度量化方法，屬于人工智能技術領域。該量化方法與基于安裝于車輛上的圖像采集設備所采集的道路圖像通過深度網絡模型制定控制策略；量化步驟如下為：圖像數據集的進行分類、定標，生成訓練網絡所需的訓練集；通過深度網絡模型進行訓練和測試；通過深度網絡模型的部分層數進行凍結并采用預訓練模型參數，判斷道路清潔度，以道路垃圾量決定吸塵器的功率。本發明提供的基于深度學習的道路清潔度量化方法，將深度學習運用于道路垃圾清潔度量化檢測中，在服務器（可遠程）加持的情況下，所使用的深度網絡模型具有運算速度快，準確度高的特點，可以滿足真實路況下的道路清潔度量化檢測任務。

技術領域

本發明涉及一種基于深度學習的道路清潔度量化方法，屬于人工智能技術領域。

背景技術

人工智能不斷發展促進著智慧城市日益完善，道路清潔作為每一個城市日常工作之一也應該讓其更加智能與高效。然而，道路清掃專用車輛的智能化程度較低，尤其在控制吸塵器功率與道路清潔度關聯關系方面鮮有研究。如何能夠在保證路面清潔效果的基礎上，讓道路清潔車消耗更少的燃料，以及產生更小的噪聲是評價道路清掃專用車輛智能程度的評定標準之一。

道路垃圾指的是道路清掃專用車能夠清理的垃圾，包括樹葉、紙屑、泥土等。在經過大量理論論證和實驗發現，基于傳統圖像處理方法去提取道路垃圾具有一定局限性，即：一是目前圖像處理的方法對于區分性較好的固體垃圾能做到較高的提取準確度，但對于沙土等易混入道路背景的垃圾區分性較差；二是傳統圖像處理算法的魯棒性較差，例如路面裂痕、破損等噪聲都會較大程度的影響識別效果；三是傳統圖像處理算法通用性較差，例如干路面和濕路面，水泥路面和柏油路面的區別會影響算法的可靠性，甚至會使得算法失效。

發明內容

本發明針對上述不足提供了一種基于深度學習的道路清潔度量化方法。

本發明采用如下技術方案：

本發明所述的一種基于深度學習的道路清潔度量化方法，該量化方法與基于安裝于車輛上的圖像采集設備所采集的道路圖像，依據訓練完成的深度網絡模型輸出值制定控制策略；所述量化步驟如下：

1）將圖像采集設備所采集的道路圖像形成圖像數據集，并對圖像數據集的進行分類、定標，生成訓練網絡所需的訓練集；

2）通過搭建在服務器上的深度網絡模型，對步驟1）中訓練集進行訓練和測試；

3）通過深度網絡模型的部分層數進行凍結并采用在大規模數據集上訓練完成的深度網絡預訓練模型參數，然后對其余層數進行訓練；訓練完成后得到深度網絡模型K；

4）將得到深度網絡模型K用于道路垃圾量化檢測判斷道路清潔度，將實時采集的道路影像輸入深度網絡模型K輸出結果反饋至道路清潔車的吸塵器控制裝置，以道路垃圾量決定吸塵器的功率。

本發明所述的基于深度學習的道路清潔度量化方法，所述的步驟1）道路圖像數據集設定為: 收集不同道路上的不同數量垃圾圖像樣本，依據道路垃圾覆蓋面積占比等級，將圖像樣本等級劃分為無垃圾、少量垃圾、中量垃圾、大量垃圾；

所述的深度學習網絡針對將無垃圾圖像樣本、少量垃圾圖像樣本、中量垃圾圖像樣本、大量垃圾圖像樣本制作成為訓練集以用于深度網絡模型的訓練。

本發明所述的基于深度學習的道路清潔度量化方法，所述的步驟4）中道路垃圾量化檢測判斷道路清潔度采用采用“投票”機制降低誤報率與漏報率。其采用的投票機制：此算法可以實現每秒處理多幀圖像，所以可以在一定數量范圍的圖像幀中選擇輸出重復最高的結果，作為本周期的識別結果。

本發明所述的基于深度學習的道路清潔度量化方法，所述的步驟4）中以道路垃圾量決定吸塵器的功率的策略為：道路垃圾量越大吸塵器功率越大。