(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210975591.9 (22)申请日 2022.08.15 (71)申请人 广州云迪科技有限公司 地址 510000 广东省广州市白云区龙归街 南村鹤龙四路1 11号2栋20 09、 2011室 (72)发明人 音松　 (74)专利代理 机构 广州博联知识产权代理有限 公司 44663 专利代理师 王洪江 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/774(2022.01) (54)发明名称 一种渣土车 车厢密闭识别方法 (57)摘要 本发明提供一种渣土车车厢密闭识别方法， 包括渣土 车车厢检测以及车厢细粒度分类； 车厢 检测部分是通过检测模型定位回归监控图片中 的渣土车车厢的位置坐标； 车厢细粒度分类部分 是利用位置信息提取图片中的渣土车车厢区域 图片， 通过基于注意力机制的细粒度分类模型识 别车厢的类别， 判断车厢是否是合规密闭。 本方 法通过对提取的车厢图片进行基于注意力机制 的细粒度分类， 可以更好的利用车厢中局部的关 键特征用于实现车厢类别分类的目的； 并提高提 高分类的准确率； 本发明首先通过检测模型对监 控摄像头中拍摄到的渣土车图片进行车厢的检 测， 再提取车厢图片利用细粒度车厢分类网络进 行车厢类别的分类， 得到该渣土车车厢的密闭类 别。 权利要求书1页 说明书4页 附图1页 CN 115331168 A 2022.11.11 CN 115331168 A 1.一种渣土车车厢密闭识别方法， 其特征在于： 所述的方法分成渣土车车厢检测以及 车厢细粒度分类两个部分； 所述的车厢检测部分是通过检测模型定位回归监控图片中的渣土车 车厢的位置坐标； 所述的车厢细粒度分类部分是利用位置信 息提取图片中的渣土车车厢区域图片， 通过 基于注意力机制的细粒度分类模型识别车厢的类别， 判断车厢是否是合规密闭， 具体包括 以下步骤： S1)、 通过摄 像头获取渣土车图像； S2)、 利用Label Img软件对图中车厢区域进行 标定作为车厢检测模型的数据集； S3)、 提取渣土车 车厢图像作为后续细粒度分类模型的数据集； S4)、 将渣土车 车厢图像的数据集处 理成检测模型训练和 测试对应的格式； S5)、 利用标定的数据集对YOLO  V5检测模型进行训练； S6)、 用训练好的YOLO  V5检测模型回归并裁 剪待测渣土车监控图片中的车厢； S7)、 基于注意力机制的车厢密闭细粒度分类。 2.根据权利要求1所述的一种渣土车车厢密闭识别方法， 其特征在于： 步骤S4)中， 将渣 土车车厢图像的数据集处理成检测模型训练和测试对应的格式是指通过人工对将渣土车 车厢图像进 行分类， 分成四个对应的标签： 全密闭、 未密闭、 半密闭和空车厢， 并且将同一个 类别的渣土车 车厢图像放在同一个文件夹中。 3.根据权利要求1所述的一种渣土车车厢密闭识别方法， 其特征在于： 步骤S6)中， 通过 将待测渣土车监控图片输入训练好的YOLO  V5检测模型， 通过YOLO  V5检测模 型输出图像位 置坐标， 实现测渣土车监控图片中的车厢的回归处 理。 4.根据权利要求1所述的一种渣土车车厢密闭识别方法， 其特征在于： 步骤S7)中， 基于 注意力机制的车厢密闭细粒度分类， 具体为： S71)、 对步骤S3)中收集到的渣土车车厢图片进行预处理， 将车厢图片按照全密闭、 未 密闭、 半密闭和空车厢四个 类别进行分类， 形成细粒度分类的数据集； S72)、 使用细粒度分类的数据集训练基于注意力机制的细粒度分类模型； S73)、 不断测试和调优细粒度分类模型； S74)、 最后将检测模型提取的车厢图片送入细粒度分类模型中直接 输出分类结果。 5.根据权利要求1所述的一种渣土车车厢密闭识别方法， 其特征在于： 步骤S71)中， 对 渣土车车厢图片进行 预处理， 包括： (1)渣土车 车厢图片进行旋转和缩放； (2)渣土车 车厢图片归一 化去掉冗余信息； (3)对渣土车车厢图片进行 灰度处理， 降低处 理参数。权　利　要　求　书 1/1 页 2 CN 115331168 A 2一种渣土车 车厢密闭识别方 法 技术领域 [0001]本发明涉及机图像别技 术领域， 尤其是一种渣土车 车厢密闭识别方法。 背景技术 [0002]伴随着近些年城市发展的加快， 高楼大厦的建设、 路面的铺设、 城市轨道交通以及 旧城改造等项目如雨后春笋， 据统计， 我国建筑垃圾年排放量约在15.5亿至24亿吨， 占城市 垃圾总量的40％左右， 如何有效处理建筑垃圾是城市治理的难题。 建筑垃圾的处理离不开 渣土车的运输， 这些车辆在城市中的穿梭， 也引起了越来越多的问题， 如超载行驶、 不密闭 运输， 不仅 仅破坏污染了城市环境， 更对居民生活安全造成了严重的影响。 [0003]渣土车车厢未密闭可能是因为超载无法密闭就上路， 因此容易抛洒渣土影响城市 卫生， 也会对路面其它车辆的行驶造成安全隐患。 [0004]当前， 对渣土车的监管任然是管理部门以人为查处为主， 现有的监控设备无法对 渣土车违规 运输进行实时有效的识别。 [0005]现有技术还通过基于图像处理的车厢密闭识别方法主要是基于卷积神经网络、 基 于盖板闭合距离以及基于关键点和并联网络识别来判断。 [0006]其中， 基于卷积神经网络通过目标检测的技术从渣土车图像中切割提取车厢部位 后， 再将图像转化成矩阵， 利用训练好的车厢装载网络对输入的车厢图片进行分类， 输出车 厢的装载类型。 然而基于卷积神经网络识别车厢密闭与否虽然只针对车厢区域进 行图片分 类， 但是不管是密闭还是未密闭的车厢都有大面积的相似或者相同区域， 仅仅是车厢盖板 连接处的区域有些许差异， 因此， 该方法对于盖板是否严格密闭或者半密闭等情形分类效 果较差。 [0007]基于左右盖板的闭合距离是通过计算渣土车左右盖板闭合时两边之间的距离， 设 置一个阈值 来判断是否闭合。 如距离大于某阈值则为未密闭， 小于某阈值则为完全密闭。 [0008]基于左右盖板的闭合距离识别车厢是否闭合， 一方面在 光线较暗或者存在部分遮 挡情况下可能会无法精准定位盖板左右的边， 因此可能会造成误差； 此外， 通过设置阈值的 方法来判断车厢是否密闭对于该方法的泛化性是存疑的， 因为渣土车的种类、 大小很多， 有 些渣土车 车厢并不都是采用盖 板来密闭。 [0009]而基于关键点和并联网络识别是将样本图像输入识别模块输出渣土车的载货区 域的多个关键点， 再利用关键点提取载货区域输入分类模块。 通过并联的多级网络判断该 车厢是否是密闭。 [0010]基于关键点和并联网络识别的方法依赖于对车厢各个位置顶点的识别， 对于监控 的俯视视角下容易造成车厢的部分被遮挡， 因此可能会无法完整识别出各个顶点的位置造 成无法识别； 此外， 在渣土车集中出现的晚上视线较差时， 对于关键是的定位会更加困难。 发明内容 [0011]针对现有技术的不足， 本发明提供一种渣土车车厢密闭识别方法， 对监控中拍摄说　明　书 1/4 页 3 CN 115331168 A 3