[發明專利]一種基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法

在審

• 申請號: 202010026367.6
• 申請日: 2020-01-10
• 公開（公告）號: CN111242010A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 余齊齊
• 申請（專利權）人: 廈門博海中天信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廈門加減專利代理事務所(普通合伙) 35234
• 代理人: 王春霞

1.一種基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法,其特征在于，包括以下步驟：

S100、云端算例中心用基于Region Proposal的深度學習目標檢測算法的fasterrcnn框架進行原始數據算例模型學習；

S200、云端算例中心通過云計算的云卸載方式將fasterrcnn框架學習獲得的原始數據算例模型分發到各個邊緣計算節點；

S300、現場攝像頭將采集到的扔垃圾的人員視頻和圖片傳到邊緣計算節點，邊緣計算節點結合已有的算例模型進行計算并根據計算結果判斷扔垃圾的人員是否存在亂扔垃圾的違法行為，如果存在則下發指令到現場終端設備，現場終端設備根據指令做出提醒；

S400、所述邊緣計算節點將判斷結果以及采集到的扔垃圾的人員視頻和圖片傳輸至云端算例中心進行保存或查看。

2.根據權利要求1所述的基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法，其特征在于，所述原始數據算例模型通過以下步驟得到：

S110、構建人和扔垃圾行為識別的圖像數據庫并對圖像進行模型深度模型訓練標注形成源數據；

S120、基于源數據和fasterrcnn算法網絡進行AI建模，生成原始數據算例模型。

3.根據權利要求2所述的基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法，其特征在于，所述步驟S110包括以下步驟：

S111、獲取包含人和扔垃圾行為的圖片，作為數據源；

S112、將數據源進行模型深度模型訓練標注并形成源數據，所述標注包括圖像所在位置、圖像名稱、圖像寬高、圖像維度以及標注的物體的名稱與Bbox的xy坐標值。

4.根據權利要求2所述的基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法，其特征在于，所述步驟S120包括以下步驟：

S121、原始圖片經過多層卷積神經網絡，提取出候選圖像的feature maps，所述feature maps還可以被共享用于后續RPN網絡和全連接層使用；

S122、所述feature maps經過RPN層生成region proposals，先生成一堆anchor box，然后進行裁剪過濾，再通過softmax判斷anchors屬于前景還是后景，同時利用boundingbox regression修正anchor box形成更為精確的proposal；

S123、所述proposal在Roi Pooling層獲得固定大小的proposal feature map；

S124、所述proposal feature map進行全連接操作，通過全連接層與softmax進行具體類別分類，并利用L1 Loss完成bounding box regression回歸操作獲得物體的精確位置，從而生成原始數據算例模型。

5.根據權利要求4所述的基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法，其特征在于，所述S122包括以下步驟：

所述fasterrcnn采用了SPP-net中的SPP層，引入了多任務損失函數，用于計算bbox回歸和分類的損失。

6.根據權利要求5所述的基于邊緣AI的判斷并識別亂扔垃圾人員身份的方法，其特征在于，所述多任務損失函數為：

其中，所述p_i為anchor預測為目標的概率，N_cls為總的anchor數量，t_i＝(t_x,t_y,t_w,t_h)是一個向量，表示anchor，RPN訓練階段預測的偏移量，是與t_i維度相同的向量，表示anchor，RPN訓練階段相對于gt實際的偏移量，gt為標注的正確目標，λ為標注數，L_reg為標注正確目標數,L_cls為分類個數，N_reg為positive anchor的數量。