[發明專利]一種識別城市暴露垃圾的目標檢測方法

有效

• 申請號: 202011546774.6
• 申請日: 2020-12-24
• 公開（公告）號: CN112560755B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 孫德亮
• 申請（專利權）人: 中再云圖技術有限公司
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/82;G06V10/762;G06V10/764;G06V10/774
• 代理公司: 重慶蘊博君晟知識產權代理事務所(普通合伙) 50223
• 代理人: 王玉芝

1.一種識別城市暴露垃圾的目標檢測方法，其特征在于，包括以下步驟：

S1:采用手機拍攝城市中分布的暴露垃圾照片并整理作為源數據集S；

S2:標注暴露垃圾的位置和類別，使用labelImg數據標注工具，對照片中的暴露垃圾的位置進行標注，對照片中的暴露垃圾的類別進行標注,生成xml數據；

S3：結合所述xml數據，轉換源數據集S為COCO格式的數據集CS；

S4:零-均值規范化CS數據集，記作數據集ZCS；

S5：在數據集ZCS上，選取部分數據集作為數據集tes_ZCS，余下部分數據集中選取部分數據作為數據集val_ZCS，剩余部分作為數據集tra_ZCS；

S6:訓練暴露垃圾識別模型，基于PP-YOLO在數據集tra_ZCS上學習識別暴露垃圾，根據識別模型在數據集tes_ZCS上的測試結果，選取測試mAP值排名第一的訓練模型，并對此模型進行剪裁、優化，轉化成推理模型，得到暴露垃圾的識別模型；

S7:獲取城市墻邊、角落、地面、垃圾桶處的暴露垃圾識別圖片數據，采用暴露垃圾識別模型判斷其是否有堆放、零散分布、爆滿而出的暴露垃圾；

所述步驟S5中，對經過數據轉換，零-均值預處理的ZCS數據集，在切分時，按照比例1：1：3，劃分為數據集tes_ZCS，數據集val_ZCS和數據集tra_ZCS；

所述步驟S6中，PP-YOLO的骨架網絡采用ResNet50；

采用kmeans算法在數據集CS上計算城市暴露垃圾的錨點，作為步驟S6建模過程中錨框的可選尺寸集；

模型訓練好后根據mAP指標選取在測試集中表現超過預設值的模型，使用PaddleSlim對模型剪裁，最后將裁剪后的模型導出為推理模型，完成城市暴露垃圾的目標檢測識別建模；

PaddleSlim是模型壓縮工具庫，包含模型剪裁、定點量化、知識蒸餾、超參搜索和模型結構搜索模型壓縮策略；

PP-YOLO網絡中的損失計算，根據預測結果，分為四部分；其中位置信息損失是簡單的平方差，而置信度和類別概率損失為二分類交叉熵，總的損失函數表示為：

公式中第一項是邊界框中心坐標的誤差項，第二項是邊界框的高和寬的誤差項，第三項是包含目標的邊界框的置信度誤差項，第四項是不包括目標的邊界框的置信度誤差項，第五項是包括目標單元格的分類誤差項；

其中β_coord，β_noobj為權重系數，通常邊界框坐標預測誤差，采用較大的權重值β_coord＝5，而不包含目標的邊界框置信度誤差，或者，采用較小的權重值β_noobj＝0.5，其它權重值均設為1；S×S表示網格的大小，k為單個單元格繪制的錨框個數，表示特征網格的第i個單元格存在目標，表示該單元格的第j個邊界框負責預測該目標，而表示特征網格的第i個單元格不存在目標，且第j個邊界框負責預測該單元格為背景；c屬于類別集合classes，代表其中一個類別，p_i(c)表示第i個單元格為類別c的概率，p'_i(c)為第i個單元格為類別c的預測概率；c_i為第i個單元格是類別c的置信度，單元格屬于類別c為1,否則為0，c'_i為第i個單元格是類別c的預測置信度；t_x，t_y，t_w和t_h為表示真實框位置的四個參數，t'_x，t'_y，t'_w和t'_h為表示預測框位置的四個參數；

按類別繪制PR曲線，曲線的下面積即為對應類別的AP值，針對COCO格式的數據，計算AP值采用101個插值點，即在recall坐標軸上，每隔0.01取一個點，總共取101個，則AP值的計算公式如下：

其中p_i表示第i個點下精確率的值，R_i表示第i個點下召回率的值；

mAP是各類別AP值的平均值，假設檢測的總類別數為C，第i類的AP值為AP(i)，則mAP值為：