[發(fā)明專利]垃圾桶滿溢度確定方法、裝置、設備及垃圾桶

在審

• 申請?zhí)枺?/td>: 202110813020.0
• 申請日: 2021-07-19
• 公開（公告）號: CN113450401A
• 公開（公告）日: 2021-09-28
• 發(fā)明（設計）人: 范時朝;李璐;傅澤華;金一舟;胡征慧;李世偉;周世鎰;竇君宇;劉慶杰;王蘊紅
• 申請（專利權）人: 北京航空航天大學杭州創(chuàng)新研究院
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06K9/62
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 付登云

1.一種垃圾桶滿溢度確定方法，其特征在于，包括：

獲取目標垃圾桶桶內的可見光圖像；

根據所述可見光圖像和預設深度學習網絡模型，得到多維融合可見光圖像；

確定所述多維融合可見光圖像中的垃圾區(qū)域，并計算垃圾區(qū)域面積；

根據垃圾區(qū)域面積與垃圾桶滿時的前景區(qū)域面積，計算所述目標垃圾桶的垃圾滿溢度，以使調度車輛根據所述垃圾滿溢度對所述目標垃圾桶進行垃圾處理。

2.根據權利要求1所述的方法，其特征在于，所述預設深度學習網絡模型，包括預先構建的圖像分類網絡模型；所述根據所述可見光圖像和預設深度學習網絡模型，得到多維融合可見光圖像，包括：

將所述可見光圖像輸入預先構建的圖像分類網絡模型中，通過所述預先構建的圖像分類網絡模型的特征圖層，獲取所述目標垃圾桶桶內可見光圖像的多維特征圖；

根據GRAD-CAM技術和所述多維特征圖，獲取所述多維融合可見光圖像。

3.根據權利要求2所述的方法，其特征在于，所述根據GRAD-CAM技術和所述多維特征圖，獲取所述多維融合可見光圖像，包括：

確定所述多維特征圖中每維特征圖的權重值；

根據所述權重值和對應的每維特征圖，基于GRAD-CAM技術確定所述多維融合可見光圖像。

4.根據權利要求2所述的方法，其特征在于，所述多維融合可見光圖像，包括：多維融合特征熱圖圖像；所述確定所述多維融合可見光圖像中的垃圾區(qū)域，并計算垃圾區(qū)域面積，包括：

提取所述多維融合特征熱圖圖像中的紅色像素點；

根據所述紅色像素點的區(qū)域，計算所述垃圾區(qū)域面積。

5.根據權利要求2所述的方法，其特征在于，所述將所述可見光圖像輸入預先構建的圖像分類網絡模型中，通過所述預先構建的圖像分類網絡模型的特征圖層，獲取所述目標垃圾桶桶內可見光圖像的多維特征圖，包括：

通過所述預先構建的圖像分類網絡模型，獲取所述可見光圖像是否包含垃圾的分類結果；

在所述分類結果為目標垃圾桶內包含垃圾時，通過所述預先構建的圖像分類網絡模型的特征圖層，獲取所述目標垃圾桶桶內可見光圖像的多維特征圖。

6.根據權利要求2所述的方法，其特征在于，所述預先構建的圖像分類網絡模型的構建規(guī)則，包括：

采集前景圖像，構建數據集；所述數據集包括：訓練集和測試集；

對所述前景圖像進行二分類，設定標簽分別為垃圾桶內無垃圾和垃圾桶內有垃圾；

基于訓練集內的數據，對預設分類網絡進行訓練；

在所述預設分類網絡迭代預設次數的訓練后，基于測試集對所述預設分類網絡進行測試，在測試分類結果精度到達精度閾值后，保存預設分類模型；

確定所述預設分類模型為預先構建的圖像分類分類模型。

7.一種垃圾桶滿溢度確定裝置，其特征在于，包括：獲取模塊、確定模塊、第一計算模塊和第二計算模塊；

所述獲取模塊，用于獲取目標垃圾桶桶內的可見光圖像；

所述確定模塊，用于根據所述可見光圖像和預設深度學習網絡模型，得到多維融合可見光圖像；

所述第一計算模塊，用于確定所述多維融合可見光圖像中的垃圾區(qū)域，并計算垃圾區(qū)域面積；

所述第二計算模塊，用于根據垃圾區(qū)域面積與垃圾桶滿時的前景區(qū)域面積，計算所述目標垃圾桶的垃圾滿溢度，以使調度車輛根據所述垃圾滿溢度對所述目標垃圾桶進行垃圾處理。

8.根據權利要求7所述的裝置，其特征在于，所述預設深度學習網絡模型，包括預先構建的圖像分類網絡模型；所述確定模塊，用于將所述可見光圖像輸入預先構建的圖像分類網絡模型中，通過所述預先構建的圖像分類網絡模型的特征圖層，獲取所述目標垃圾桶桶內可見光圖像的多維特征圖；根據GRAD-CAM技術和所述多維特征圖，獲取所述多維融合可見光圖像。