[發(fā)明專利]基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202310451024.8
• 申請(qǐng)日: 2023-04-25
• 公開（公告）號(hào): CN116189099B
• 公開（公告）日: 2023-10-10
• 發(fā)明（設(shè)計(jì)）人: 李鵬博;陳曉芳;孟維
• 申請(qǐng)（專利權(quán)）人: 南京華蘇科技有限公司
• 主分類號(hào): G06V20/52
• 分類號(hào): G06V20/52;G06V20/40;G06V10/82;G06N3/08;G06N3/0464
• 代理公司: 南京北辰聯(lián)和知識(shí)產(chǎn)權(quán)代理有限公司 32350
• 代理人: 陸中丹

1.一種基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，具體包括以下步驟：

S1采集數(shù)據(jù)制作數(shù)據(jù)集：采集待檢測(cè)及監(jiān)控區(qū)域的圖像數(shù)據(jù)，再對(duì)獲得的圖像數(shù)據(jù)進(jìn)行暴露垃圾圖像標(biāo)注，制作數(shù)據(jù)集；

S2搭建網(wǎng)絡(luò)并訓(xùn)練模型：搭建網(wǎng)絡(luò)并利用數(shù)據(jù)集訓(xùn)練目標(biāo)檢測(cè)模型，獲得暴露垃圾檢測(cè)模型；

S3模型推理：將獲得的暴露垃圾檢測(cè)模型接入實(shí)時(shí)視頻流進(jìn)行實(shí)時(shí)流推理，判斷監(jiān)控區(qū)域內(nèi)是否存在暴露垃圾，根據(jù)檢測(cè)結(jié)果進(jìn)行處理，獲得推理結(jié)果；

S4結(jié)果分析：對(duì)步驟S3中獲得的推理結(jié)果進(jìn)行邏輯分析，判斷暴露垃圾堆放的堆放量以及記錄暴露垃圾的堆放時(shí)長(zhǎng)；

S5二次告警：根據(jù)暴露垃圾的堆放量和堆放時(shí)長(zhǎng)，響應(yīng)相應(yīng)的二次告警。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，在所述步驟S1中，待檢測(cè)及監(jiān)控的區(qū)域的圖像數(shù)據(jù)包括通過網(wǎng)絡(luò)爬蟲技術(shù)爬取網(wǎng)絡(luò)公開的數(shù)據(jù)集、通過外接攝像頭獲取待檢測(cè)及監(jiān)控區(qū)域內(nèi)的垃圾桶或者垃圾回收站周圍的垃圾圖像數(shù)據(jù)以及通過人力到小區(qū)或者街道拍攝暴露垃圾的圖像數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，所述步驟S1中還包括對(duì)采集的圖像數(shù)據(jù)通過樣本變換的數(shù)據(jù)增強(qiáng)方式對(duì)圖像數(shù)據(jù)進(jìn)行擴(kuò)增，具體包括單樣本數(shù)據(jù)增強(qiáng)、多樣本數(shù)據(jù)增強(qiáng)和基于深度學(xué)習(xí)的數(shù)據(jù)增強(qiáng)。

4.根據(jù)權(quán)利要求2所述的基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，所述步驟S4的具體步驟為：

S41：首先通過步驟S1接入監(jiān)控視頻流，獲得若干幀流圖像數(shù)據(jù)；

S42：將一幀流圖像數(shù)據(jù)輸入步驟S2中訓(xùn)練得到暴露垃圾檢測(cè)模型，進(jìn)行暴露垃圾檢測(cè)，判斷檢測(cè)及監(jiān)控的區(qū)域內(nèi)是否檢測(cè)到目標(biāo)即暴露垃圾；若檢測(cè)到，則轉(zhuǎn)到步驟S43；若未檢測(cè)到，則返回繼續(xù)讀取下一幀流圖像數(shù)據(jù)，直至檢測(cè)完視頻流中所有幀流圖像數(shù)據(jù)；

S43：計(jì)算暴露垃圾的數(shù)量以及垃圾總面積與檢測(cè)及監(jiān)控的區(qū)域的面積比值，若面積比值超過設(shè)定的閾值，則跳轉(zhuǎn)至步驟S5，觸發(fā)暴露垃圾堆放告警，否則觸發(fā)暴露垃圾告警，并進(jìn)行計(jì)時(shí)處理獲得堆放時(shí)間，當(dāng)堆放時(shí)間超過預(yù)設(shè)的時(shí)間閾值時(shí)，則啟動(dòng)二次提醒告警。

5.根據(jù)權(quán)利要求4所述的基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，所述步驟S5的具體步驟為：若在檢測(cè)及監(jiān)控的區(qū)域中檢測(cè)到暴露垃圾且計(jì)算得到的面積比值小于設(shè)定的閾值時(shí)，則對(duì)該暴露垃圾進(jìn)行計(jì)時(shí)處理，獲得堆放時(shí)間，當(dāng)堆放時(shí)間超過預(yù)設(shè)時(shí)間閾值時(shí)，則啟動(dòng)二次提醒告警。

6.根據(jù)權(quán)利要求4所述的基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，在所述步驟S2中選取yolo系列的單階段目標(biāo)檢測(cè)模型yolov8作為目標(biāo)檢測(cè)模型，所述暴露垃圾檢測(cè)模型的訓(xùn)練步驟為：

S21數(shù)據(jù)準(zhǔn)備：將步驟S1的制作的數(shù)據(jù)集切分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并確保標(biāo)注的圖像數(shù)據(jù)中包含目標(biāo)的物體的類別和邊界框坐標(biāo)信息；

S22模型配置：在所述單階段目標(biāo)檢測(cè)模型yolov8的源碼中修改模型配置文件，指定模型的參數(shù)；

S23訓(xùn)練模型：使用訓(xùn)練集和模型配置文件訓(xùn)練模型，在訓(xùn)練過程中調(diào)整學(xué)習(xí)率、優(yōu)化器和損失函數(shù)的參數(shù)設(shè)置，使得訓(xùn)練輸出最優(yōu)的暴露垃圾檢測(cè)模型。

7.根據(jù)權(quán)利要求6所述的基于改進(jìn)yolov8的暴露垃圾檢測(cè)及堆放監(jiān)控的方法，其特征在于，在所述步驟S2中通過暴露垃圾檢測(cè)模型在采用目標(biāo)檢測(cè)任務(wù)中，通過將損失函數(shù)Loss?WIoUv3添加至目標(biāo)檢測(cè)模型yolov8的網(wǎng)絡(luò)中，并對(duì)損失函數(shù)Loss?CIoU、損失函數(shù)Loss?SIoU和損失函數(shù)Loss?WIoUv3進(jìn)行了消融實(shí)驗(yàn)，對(duì)比損失函數(shù)Loss?CIoU、損失函數(shù)Loss?SIoU和損失函數(shù)Loss?WIoUv3對(duì)輸出檢測(cè)暴露垃圾模型準(zhǔn)確性的影響。