[发明专利]一种城市街道垃圾检测和清洁度评估方法

权利要求书

1.一种基于移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法，其特征在于，包括如下步骤：

步骤1：垃圾收集车和城市居民持移动设备进行街景图象数据收集；包括：

步骤11：使用安装有摄像机的清洁车按照设定路线在街道上定点拍照，照片包含街道道路的垃圾状况；同时相邻拍摄点之间的距离由管理员设定，每个拍摄点按前、后、左、右四个方向进行全方位拍摄，拍摄范围设定在150-300m²；对于清洁车，设定以下规定：1)固定的图像分辨率；2)固定的车速；3)固定距离的拍摄点；4)每个拍摄点拍摄4张图片；

步骤12：如果城市居民手持拍照设备自主收集街道图像信息，拍照规则参见清洁车；

步骤2：边缘服务器对街景图象进行预处理；

步骤3云服务器进行垃圾检测模型训练；

步骤4：云服务器对街景图象进行垃圾检测并进行垃圾计数；

步骤5：基于垃圾识别结果进行街道清洁度计算；包括：

步骤51：首先确定街道抽样最小数量n，

其中n是最小样本数量，k是采样间隔，p代表采样发生的可能性，q代表采样不发生的可能性，记为q＝1-p，N是城市街道的总数量，e是估计误差；

步骤52：计算街道清洁度指数值SV，

其中S是观察区域；λ和a是影响城市街道清洁度的修正因子，C是街道垃圾加权数量；

步骤53：根据街道清洁度指数值，对街道进行清洁度分类；

步骤6：基于层次评估模型展示城市各层次清洁度图；包括：

步骤61：建立层次清洁度模型，分为城市-区域-块-街道四层；

步骤62：基于层次清洁度模型，首先进行街道层次评估，街道层次评估也就是街道清洁度计算值，具体计算过程参见步骤52；

步骤63：计算块层次模型清洁度BV，

其中，BV是区域里一个块的评估值，SV代表每条街道的评估值，m₁代表块内街道的总数量；

步骤64：计算区域层次模型清洁度AV，

其中AV代表一个区域的评估值，BV代表这个区域里每个块的评估值，m₂代表区域里块的总数量；

步骤65：计算城市层次模型清洁度CV，

其中CV代表一个城市的评估值，AV是这个城市里每个区域的评估值，m₃代表城市里区域的总数量；

步骤66：基于各层清洁度计算结果展示城市各层次清洁度图。

2.如权利要求1所述的基于移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法，其特征在于，街景图象数据预处理过程通过边缘服务器进行图片筛选，剔除一些不必要的信息来减少整个系统处理的时延，所述步骤2包括如下步骤：

步骤21：边缘服务器将收集到的街景图像数据进行剪裁处理，图片尺寸为420×400像素；

步骤22：然后进行人工道路检测并进行筛选，如果检测出图片含有道路可行区域，即为有效数据，传进云中心进行道路垃圾检测，如果检测出图片无道路可行区域，则予以删除。

3.如权利要求1所述的基于移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法，其特征在于，所述步骤3云服务器进行垃圾检测模型训练过程中，通过RPN和FastR-CNN两大模块实现提取候选框并识别候选框目标，Faster-RCNN算法是计算机视觉领域目标检测的一种方法，所述步骤3包括如下步骤：

步骤31：基于ZF-Net网络的设计，为得到特征图做准备；

步骤32：输入含有垃圾的街道图片数据集，并传输进ZF卷积神经网络进行特征提取；

步骤33：进行RPN网络预训练，生成区域建议框，给出区域建议和区域得分；

步骤34：用步骤33得到的区域建议框进行Fast R-CNN网络端到端微调训练；

步骤35：使用步骤34微调后的Fast R-CNN网络重新初始化RPN网络，固定共享卷积层，通过边界框回归微调RPN网络独有的层，同时生成建议区域；

步骤36：固定步骤35共享卷积层，同时利用步骤35得到的区域建议，微调Fast R-CNN的全连接层。

4.如权利要求1所述的基于移动边缘计算和深度学习的城市街道垃圾检测和清洁度评估方法，其特征在于，为了利用训练的模型进行垃圾检测，所述步骤4进一步为：

步骤41：输入街道测试图像；

步骤42：基于ZF卷积神经网络通过计算把图像特征反映到特征图；

步骤43：每个RPN候选卷积神经网络对应计算出一个候选区域，生成候选建议框；步骤44：候选建议框通过全连接层即分类层和回归层显示垃圾候选区域框和该区域的分类得分；

步骤45：利用计数函数对生成的候选区域框进行计数即检测的垃圾数量，设计数函数为

其中C为生成候选框的计数函数，也就是被检测的某个类别垃圾的数量，f为垃圾模型检测到的结果函数，D为测试样本集，x为测试样本，y为真实垃圾标记，i为输入测试样本的数量。