[发明专利]基于卷积神经网络和遗传算法的智能路面清洁方法

说明书

本发明公开了基于卷积神经网络和遗传算法的智能路面清洁方法，属于人工智能技术领域，本发明要解决的技术问题为如何利用人工智能进行街道路面的清洁，达到无人工路面清洁的目的，采用的技术方案为：S1、通过卷积神经网络构建路面垃圾分布模型；S2、利用卷积神经网络中的二分类方法识别路面上的垃圾分布情况，并对路面垃圾分布模型进行训练；S3、根据路面垃圾分布情况，通过遗传算法进行路径规划；S4、将路面垃圾模型和路径规划嵌入到树莓派中，并将树莓派与无人照相机嵌入到移动清扫路面机器中，移动清扫路面机器进行道路清扫。

技术领域

本发明涉及人工智能技术领域，具体地说是一种基于卷积神经网络和遗传算法的智能路面清洁方法。

背景技术

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks,CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。CNNs目前在很多很多研究领域取得了巨大的成功，例如:语音识别，图像识别，图像分割，自然语言处理等。虽然这些领域中解决的问题并不相同，但是这些应用方法都可以被归纳为:CNNs可以自动从(通常是大规模)数据中学习特征，并把结果向同类型未知数据泛化。利用CNN实现图像识别的任务的一般步骤为：输入层读入经过规则化(统一大小)的图像，每一层的每个神经元将前一层的一组小的局部近邻的单元作为输入，也就是局部感受野和权值共享，神经元抽取一些基本的视觉特征，比如边缘、角点等，这些特征之后会被更高层的神经元所使用。卷积神经网络通过卷积操作获得特征图，每个位置，来自不同特征图的单元得到各自不同类型的特征。一个卷积层中通常包含多个具有不同权值向量的特征图，使得能够保留图像更丰富的特征。卷积层后边会连接池化层进行降采样操作，一方面可以降低图像的分辨率，减少参数量，另一方面可以获得平移和形变的鲁棒性。卷积层和池化层的交替分布，使得特征图的数目逐步增多，而且分辨率逐渐降低，是一个双金字塔结构。

遗传算法(Genetic Algorithm，GA)是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。传统上，解用二进制表示(即0和1的串)，但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体(基于它们的适应度)，通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

现有的很多生活方式还是以人工为主，但是人工智能技术在近几年却得到了飞快地发展。人工智能应更多的服务生活，让人们省下干活的时间去享受更高的生活品质，例如清洁街道路面的卫生这种费时费力的工作更应该利用人工只能去智能化的解决。

故如何利用人工智能进行街道路面的清洁，达到无人工路面清洁的目的是目前亟待解决的技术问题。

发明内容

本发明的技术任务是提供一种基于卷积神经网络和遗传算法的智能路面清洁方法，来解决如何利用人工智能进行街道路面的清洁，实现自助路面清洁的问题。

本发明的技术任务是按以下方式实现的，一种基于卷积神经网络和遗传算法的智能路面清洁方法，该方法是通过卷积神经网络识别路面上的垃圾分布情况，通过遗传算法进行路径规划，并利用移动清扫路面机器进行路面清扫；具体如下：

S1、通过卷积神经网络构建路面垃圾分布模型；

S2、利用卷积神经网络中的二分类方法识别路面上的垃圾分布情况，并对路面垃圾分布模型进行训练；

S3、根据路面垃圾分布情况，通过遗传算法进行路径规划；