(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 202210756996.3 (22)申请日 2022.06.30 (71)申请人 北京德厚泉科技有限公司 地址 100020 北京市朝阳区东坝乡东晓景 产业园20 5号A区一层24 46 (72)发明人 渠性太　 (74)专利代理 机构 浙江新篇律师事务所 3 3371 专利代理师 蒋光明 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/70(2022.01) G06V 10/778(2022.01) G06V 10/774(2022.01) G06V 10/20(2022.01) G06F 21/60(2013.01) (54)发明名称 基于深度学习的垃圾检测系统及方法 (57)摘要 本发明公开了基于深度学习的垃圾检测系 统及方法， 包括数据集模块； 检测类别标签模块； 检测模型； 算法库； 设备激活密匙； 本发 明基于自 建数据集， 通过深度学习的方式建立模型， 并形 成一套高兼容性的算法应用库， 可以通过接口的 方式被其他应用调用， 也支持多种部署方式， 包 括服务器部署、 手机端部署、 端侧设备部署。 本方 法用到的数据为自建数据集， 并且针对公路、 人 行道等常见环 卫环境进行筛选， 可适应多种相关 场景的数据需求； 从使用环境的角度， 本方法在 白天、 夜间、 阴天、 雾天等多种光照和天气条件 下， 均可保证高精度的检测 效果。 本检测方法检 测精度高、 速度快。 鲁棒性高， 可适应多种光线和 天气条件。 权利要求书2页 说明书7页 附图4页 CN 115240134 A 2022.10.25 CN 115240134 A 1.基于深度学习的垃圾检测系统， 其特 征在于， 包括： 数据集模块， 为自建数据集， 用于储存系统深度 学习所需要的图片， 并对图片进行预处 理， 使数据集贴近应用场景； 检测类别标签模块， 用于根据检测结果赋予被检测目标物检测标签， 所述检测标签至 少有两种， 包括用于标注垃圾的目标物标签、 用于标注其他 非垃圾物体的标签或/和背景信 息标签； 检测模型， 基于深度学习方法建立， 所述检测模型内置颜色随机扰动算子及随机裁剪 算子,并支持扩充其 他算子； 算法库， 包括图片预处理模块、 运行参数初始化模块、 模型初始化模块、 运行并获取检 测结果模块、 检测结果后处 理模块、 设备激活校验 模块； 设备激活密匙， 根据 预先获取的设备唯一标识， 对设备和算法库进行绑定并加密， 生产 密钥对和密钥文件， 用于后续的激活和授权 。 2.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述数据集模块对 图片预处 理包括对图片进行场景化筛 选， 包括以下步骤： 1)根据图片信息对数据集进行语义层面的初步筛 选， 获得相应垃圾场景的相关图片； 2)结合系统最终部署环境， 进一 步以语义的方式筛 选不同条件的图片； 3)以人工的方式对以上两步的结果进行审核， 并汇总最终的数据集。 3.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述数据集模块对 图片预处 理包括对图片尺寸的调整， 包括以下步骤： 1)预设图片输入参数基准， 根据基准调整图片； 2)将分辨率在基准范围内的图片保留原始分辨率不变； 将分辨率小于参数基准的图片 以插值的方式扩大至参数基准范围内； 将分辨率大于参数基准的图片以均值的方式缩小到 参数基准范围内； 3)将调整后的图片输入 模型中训练。 4.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述数据集模块对 图片预处 理包括对数据集的清洗调整， 包括对图片进行排重并去除模糊图片。 5.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述数据集模块对 图片预处 理包括根据图片信息对数据集做 精细化的标注。 6.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述数据集模块对 图片预处理包括使用最大批量化的方法划分数据集， 所述最大批量化的方法划分数据集包 括将总图片数为N的训练集分成m个子集进行训练， 每个子集的图片数固定为8的倍数8x， 取 m＝N/(8x)的整数， 将余数的训练集图片归 入到验证集或测试集。 7.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述图片预处理模 块用于将图像采集设备获取的图片做统一的色彩转换和尺度转换， 转化为适用于模型的输 入数据。 8.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述运行参数初始 化模块用于设定针对检测过程和调试过程的运行参数， 具体包括控制预热次数参数、 迭代 次数参数、 CPU运行模式、 置信度阈值； 其中所述预热轮次参数用于设置程序读取数据的预 热轮次， 从而排除因初始数据读取造成的计时偏差； 所述迭代 次数参数用于设置对同一张权　利　要　求　书 1/2 页 2 CN 115240134 A 2图片进行的检测次数， 用于通过求平均的方式精确计算检测耗时； 所述CPU运行模式用于针 对不同CPU设置能耗模式， 从而提高算力效能； 所述置信度阈值用于设置检测框显示阈值， 通过此参数调节检测灵敏度。 9.如权利要求1所述的基于深度 学习的垃圾检测系统， 其特征在于： 所述数据集模块数 据来源包括装载在垃圾车上 的摄像头采集图片、 网络垃圾图片搜集、 其他开源数据集中筛 选而成。 10.基于深度学习的垃圾检测方法， 其特 征在于， 包括以下步骤： 步骤S1： 建立数据集， 所述数据集为自建数据集， 用于储存系统深度学习所需要的图 片， 并对图片进行 预处理， 使数据集贴近应用场景； 步骤S2： 模型训练， 基于深度 学习方法建立检测模型并训练模型， 所述检测模型内置颜 色随机扰动算子及随机 裁剪算子； 步骤S3： 部署， 将步骤S2训练后的检测模型部署至垃圾作 业设备上， 通过检测模型读取 垃圾作业设备采集图片并对图片进行检测分析； 步骤S4： 检测后处理， 提取步骤S3检测结果， 根据所述检测结果计算垃圾数量、 垃圾面 积、 垃圾位置信息， 将计算后的垃圾数量、 垃圾面积、 垃圾位置信息传输至与其连接的上位 机。权　利　要　求　书 2/2 页 3 CN 115240134 A 3