[发明专利]基于深度学习的垃圾检测分类方法和装置

说明书

本发明提供了一种基于深度学习的垃圾检测分类方法和装置，其中，该方法包括以下步骤：采用目标检测模型对目标检测图像进行目标检测，以判断目标检测图像中是否存在待分类垃圾；如果目标检测图像中存在待分类垃圾，则获取待分类垃圾在当前像素坐标系下的坐标；根据待分类垃圾在当前像素坐标系下的坐标从目标检测图像中抠出待分类垃圾检测图像；采用目标分类模型对待分类垃圾检测图像进行分类检测，以判断待分类垃圾检测图像中的待分类垃圾是否为目标垃圾。根据本发明的基于深度学习的垃圾检测分类方法，能够准确地识别出路面待清扫的垃圾，从而确保能够准确有效地对路面待清扫垃圾进行清扫。

技术领域

本发明涉及目标检测技术领域，具体涉及一种基于深度学习的垃圾检测分类方法和一种基于深度学习的垃圾检测分类装置。

背景技术

随着城市化的现象日趋加剧，城市面积日益加强，相应的城市环卫工作量随城市的发展而日益强大，因此，如果通过人工清扫的方式对路面垃圾进行清扫，那么将耗费大量的人力物力。

相关技术中，一般先对路面垃圾进行识别检测，再控制清扫车进行自动清扫。然而，相关技术中对路面垃圾进行识别检测的准确性较低，因此，无法准确有效地对路面垃圾进行清扫。

发明内容

本发明为解决上述技术问题，提供了一种基于深度学习的垃圾检测分类方法，能够准确地识别出路面待清扫的垃圾，从而确保能够准确有效地对路面待清扫垃圾进行清扫。

本发明采用的技术方案如下：

一种基于深度学习的垃圾检测分类方法，包括以下步骤：采用目标检测模型对目标检测图像进行目标检测，以判断目标检测图像中是否存在待分类垃圾；如果目标检测图像中存在待分类垃圾，则获取待分类垃圾在当前像素坐标系下的坐标；根据待分类垃圾在当前像素坐标系下的坐标从目标检测图像中抠出待分类垃圾检测图像；采用目标分类模型对待分类垃圾检测图像进行分类检测，以判断待分类垃圾检测图像中的待分类垃圾是否为目标垃圾。

在采用所述目标检测模型对所述目标检测图像进行目标检测之前，包括：采集路面垃圾图像数据，并对所述路面垃圾图像数据进行手工标注，以生成训练样本集；根据所述训练样本集对目标检测网络进行训练，以生成所述目标检测模型。

所述采用目标检测模型对目标检测图像进行目标检测包括：采用中值滤波、图像锐化、旋转、镜像、亮度调整、变换RGB颜色通道中的至少一种方式对所述目标检测图像进行数据增强处理；采用所述目标检测模型对数据增强处理后的目标检测图像进行目标检测。

所述采用目标分类模型对所述待分类垃圾检测图像进行分类检测，包括：采用中值滤波、图像锐化、旋转、镜像、亮度调整中的至少一种方式对所述待分类垃圾检测图像进行数据增强处理；采用所述目标分类模型对数据增强处理后的待分类垃圾检测图像进行分类检测。

深度学习的垃圾检测分类方法还包括：如果判断所述待分类垃圾检测图像中的待分类垃圾为目标垃圾，则获取所述目标垃圾在当前像素坐标系下的坐标；将所述目标垃圾在当前像素坐标系下的坐标与相机的内参矩阵进行乘法运算，以获取所述目标垃圾在当前像素坐标系下的坐标；将所述目标垃圾在当前像素坐标系下的坐标与相机坐标系和车体坐标系的变换矩阵进行乘法运算，以获取目标垃圾在所述车体坐标系下的坐标。

一种基于深度学习的垃圾检测分类装置，包括：目标检测模块，所述目标检测模块用于采用目标检测模型对目标检测图像进行目标检测，以判断目标检测图像中是否存在待分类垃圾；第一获取模块，所述第一获取模块用于在所述目标检测图像中存在所述待分类垃圾时，获取所述待分类垃圾在当前像素坐标系下的坐标；第二获取模块，所述第二获取模块用于根据所述待分类垃圾在当前像素坐标系下的坐标从目标检测图像中抠出待分类垃圾检测图像；分类检测模块，所述分类检测模块用于采用目标分类模型对所述待分类垃圾检测图像进行分类检测，以判断所述待分类垃圾检测图像中的待分类垃圾是否为目标垃圾。