一种垃圾投放点评估方法、装置、可读存储介质及服务器与流程

1.本发明属于人工智能技术领域，尤其涉及一种垃圾投放点评估方法、装置、计算机可读存储介质及服务器。


背景技术：

2.垃圾投放点是集垃圾收取、储存、中转等功能于一体的重要公共设施，与广大市民的日常生活息息相关。垃圾投放点是否可以得到有效管理，是关系到家家户户的重大民生事项，越来越受到人们的重视和关注。
3.在现有技术中，为了促进垃圾投放点管理员对垃圾投放点管理的积极性，有效的改善各地垃圾投放点的环境，提升当地居民的使用体验，一般会定期对垃圾投放点进行专家评估，并根据评估结果进行奖惩，但这种依靠专家评估的方式非常耗时耗力，效率较为低下，难以满足当前的实际需求。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种垃圾投放点评估方法、装置、计算机可读存储介质及服务器，以解决现有的垃圾投放点评估方法效率较为低下的问题。
5.本发明实施例的第一方面提供了一种垃圾投放点评估方法，可以包括：
6.从预设的遥感图像数据库获取指定区域在第一时刻的第一遥感图像和在第二时刻的第二遥感图像；所述指定区域为待评估垃圾投放点所在的区域；
7.根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的水体变化情况度量值；
8.根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的植被变化情况度量值；
9.从预设的垃圾投放点数据库中获取所述待评估垃圾投放点在预设的各个评估维度上的评估信息；
10.根据所述水体变化情况度量值、所述植被变化情况度量值和所述评估信息构造所述待评估垃圾投放点的特征向量；
11.使用预设的垃圾投放点评估模型对所述特征向量进行处理，得到所述待评估垃圾投放点的评估结果。
12.在第一方面的一种具体实现方式中，所述根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的水体变化情况度量值，包括：
13.对所述第一遥感图像进行大气校正处理，得到第一校正图像；
14.分别计算所述第一校正图像中各个像素的归一化水体指数，生成与所述第一校正图像对应的第一归一化水体指数图像；其中，任意一个像素的归一化水体指数的计算公式为：
[0015][0016]
green为像素在绿波段的遥感反射率值，nir为像素在近红外波段的遥感反射率值，ndwi为像素的归一化水体指数；
[0017]
使用预设的水体分割模型对所述第一归一化水体指数图像进行水体分割，得到第一水体分割图像；
[0018]
对所述第二遥感图像进行大气校正处理，得到第二校正图像；
[0019]
分别计算所述第二校正图像中各个像素的归一化水体指数，生成与所述第二校正图像对应的第二归一化水体指数图像；
[0020]
使用所述水体分割模型对所述第二归一化水体指数图像进行水体分割，得到第二水体分割图像；
[0021]
根据所述第一水体分割图像和所述第二水体分割图像计算所述指定区域的水体变化情况度量值。
[0022]
在第一方面的一种具体实现方式中，所述水体分割模型包括下采样层、中间处理层和上采样层，所述使用预设的水体分割模型对所述第一归一化水体指数图像进行水体分割，得到第一水体分割图像，包括：
[0023]
使用所述下采样层对所述第一归一化水体指数图像进行卷积和下采样处理，得到第一处理结果；
[0024]
使用所述中间处理层中预设的残差模块对所述第一处理结果进行特征提取，并将特征提取结果与所述第一处理结果进行叠加，得到第二处理结果；
[0025]
使用所述上采样层对所述第二处理结果进行卷积和上采样处理，得到与所述第一归一化水体指数图像对应的第一水体分割图像。
[0026]
在第一方面的一种具体实现方式中，所述水体分割模型的训练过程包括：
[0027]
从预设的训练样本数据库中获取训练样本集合；所述训练样本集合中包括各个训练样本，且每个训练样本均包括一个归一化水体指数样本图像以及一个预期水体分割图像，其中，每个训练样本中的预期水体分割图像与归一化水体指数样本图像具有一一对应的关系；
[0028]
将各个训练样本中的归一化水体指数样本图像输入所述水体分割模型中进行处理，得到实际水体分割图像；
[0029]
计算各个训练样本中的预期水体分割图像与实际水体分割图像之间的差异度；
[0030]
若所述差异度大于预设的第一阈值，则对所述水体分割模型的模型参数进行调整，并返回执行所述将各个训练样本中的归一化水体指数样本图像输入所述水体分割模型中进行处理的步骤，直至所述差异度小于或等于所述第一阈值为止。
[0031]
在第一方面的一种具体实现方式中，所述根据所述第一水体分割图像和所述第二水体分割图像计算所述指定区域的水体变化情况度量值，包括：
[0032]
对所述第一水体分割图像进行二值化处理，得到第一二值化图像；对所述第二水体分割图像进行二值化处理，得到第二二值化图像；
[0033]
分别统计所述第一二值化图像中水体像素的个数以及所述第二二值化图像中水体像素的个数；其中，水体像素的值为预设的第一数值，非水体像素的值为预设的第二数
值；
[0034]
根据下式计算所述指定区域的水体变化情况度量值：
[0035][0036]
其中，waterpixn1为所述第一二值化图像中水体像素的个数，waterpixn2为所述第二二值化图像中水体像素的个数，waterindex为所述水体变化情况度量值。
[0037]
在第一方面的一种具体实现方式中，所述根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的植被变化情况度量值，包括：
[0038]
对所述第一遥感图像进行大气校正处理，得到第三校正图像；
[0039]
分别计算所述第三校正图像中各个像素的归一化植被指数，生成与所述第三校正图像对应的第一归一化植被指数图像；其中，任意一个像素的归一化植被指数的计算公式为：
[0040][0041]
red为像素在红波段的遥感反射率值，nir为像素在近红外波段的遥感反射率值，ndvi为像素的归一化植被指数；
[0042]
使用预设的植被分割模型对所述第一归一化植被指数图像进行植被分割，得到第一植被分割图像；
[0043]
对所述第二遥感图像进行大气校正处理，得到第四校正图像；
[0044]
分别计算所述第四校正图像中各个像素的归一化植被指数，生成与所述第四校正图像对应的第二归一化植被指数图像；
[0045]
使用所述植被分割模型对所述第二归一化植被指数图像进行植被分割，得到第二植被分割图像；
[0046]
根据所述第一植被分割图像和所述第二植被分割图像计算所述指定区域的植被变化情况度量值。
[0047]
在第一方面的一种具体实现方式中，所述根据所述第一植被分割图像和所述第二植被分割图像计算所述指定区域的植被变化情况度量值，包括：
[0048]
对所述第一植被分割图像进行二值化处理，得到第三二值化图像；对所述第二植被分割图像进行二值化处理，得到第四二值化图像；
[0049]
分别统计所述第三二值化图像中植被像素的个数以及所述第四二值化图像中植被像素的个数；其中，植被像素的值为预设的第三数值，非植被像素的值为预设的第四数值；
[0050]
根据下式计算所述指定区域的植被变化情况度量值：
[0051][0052]
其中，vegepixn1为所述第三二值化图像中植被像素的个数，vegepixn2为所述第四二值化图像中植被像素的个数，vegeindex为所述植被变化情况度量值。
[0053]
本发明实施例的第二方面提供了一种垃圾投放点评估装置，可以包括实现上述任
一种垃圾投放点评估方法的步骤的功能模块。
[0054]
本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种垃圾投放点评估方法的步骤。
[0055]
本发明实施例的第四方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种垃圾投放点评估方法的步骤。
[0056]
本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述任一种垃圾投放点评估方法的步骤。
[0057]
本发明实施例与现有技术相比存在的有益效果是：本发明实施例从预设的遥感图像数据库获取指定区域在第一时刻的第一遥感图像和在第二时刻的第二遥感图像；根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的水体变化情况度量值；根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的植被变化情况度量值；从预设的垃圾投放点数据库中获取所述待评估垃圾投放点在预设的各个评估维度上的评估信息；根据所述水体变化情况度量值、所述植被变化情况度量值和所述评估信息构造所述待评估垃圾投放点的特征向量；使用预设的垃圾投放点评估模型对所述特征向量进行处理，得到所述待评估垃圾投放点的评估结果。通过本发明实施例，可以不依靠专家，而是通过模型的智能处理来对垃圾投放点进行评估，极大提升了效率。
附图说明
[0058]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0059]
图1为本发明实施例中一种垃圾投放点评估方法的一个实施例流程图；
[0060]
图2为根据第一遥感图像和第二遥感图像计算指定区域的水体变化情况度量值的示意流程图；
[0061]
图3为根据第一遥感图像和第二遥感图像计算指定区域的植被变化情况度量值的示意流程图；
[0062]
图4为本发明实施例中一种垃圾投放点评估装置的一个实施例结构图；
[0063]
图5为本发明实施例中一种服务器的示意框图。
具体实施方式
[0064]
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0065]
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工
智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0066]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0067]
本发明实施例的执行主体可以为基于人工智能的服务器，用于执行本发明实施例中的垃圾投放点评估方法。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0068]
请参阅图1，本发明实施例中一种垃圾投放点评估方法的一个实施例可以包括：
[0069]
步骤101、从预设的遥感图像数据库获取指定区域在第一时刻的第一遥感图像和在第二时刻的第二遥感图像。
[0070]
所述指定区域为待评估垃圾投放点所在的区域，其具体的形状和大小可以根据实际情况进行设置。例如，可以以所述待评估垃圾投放点为圆心，以预设的距离阈值为半径构造圆形区域，将该圆形区域作为所述指定区域，所述距离阈值可以根据实际情况进行设置，例如，可以将其设置为5千米，当然，也可以将其设置为其它取值，本发明实施例对此不作具体限定。
[0071]
所述第一时刻为近期的时刻，所述第二时刻为较早的时刻，所述第一时刻和所述第二时刻均可以根据实际情况进行设置，例如，当需要对所述待评估垃圾投放点进行评估时，可以将在当前时刻之前，且与当前时刻之间的间隔小于预设的第一间隔阈值的时刻作为所述第一时刻，所述第一间隔阈值可以根据实际情况进行设置，例如，可以将其设置为1天、1周等。可以将在当前时刻之前，且与当前时刻之间的间隔大于预设的第二间隔阈值的时刻作为所述第二时刻，所述第二间隔阈值可以根据实际情况进行设置，例如，可以将其设置为1个月、1个季度等。
[0072]
当需要对所述待评估垃圾投放点进行评估时，所述服务器可以从所述遥感图像数据库获取所述指定区域在所述第一时刻的遥感图像，即近期的遥感图像，将其记为第一遥感图像，从所述遥感图像数据库所述获取指定区域在所述第二时刻的遥感图像，即较早之前的遥感图像，将其记为第二遥感图像。
[0073]
步骤102、根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的水体变化情况度量值。
[0074]
如图2所示，步骤102可以包括如下过程：
[0075]
步骤1021、对所述第一遥感图像进行大气校正处理，得到第一校正图像。
[0076]
首先，可以对所述第一遥感图像进行大气校正处理，消除大气和光照等因素对地物反射的影响。例如，可以采用内部平均相对反射率法进行所述第一遥感图像的大气校正，将所述第一遥感图像各波段的每个像素除以该波段整个图像灰度值的平均值。当然，也可以采用其它的大气校正处理方式，本发明实施例对此不作具体限定。
[0077]
步骤1022、分别计算所述第一校正图像中各个像素的归一化水体指数，生成与所述第一校正图像对应的第一归一化水体指数图像。
[0078]
在得到所述第一校正图像之后，以其中的任意一个像素为例，可以根据下式分别计算该像素的归一化水体指数：
[0079][0080]
其中，green为该像素在绿波段的遥感反射率值，nir为该像素在近红外波段的遥感反射率值，ndwi为该像素的归一化水体指数。
[0081]
遍历所述第一校正图像中的各个像素，即可得到相对应的各个归一化水体指数，从而生成与所述第一校正图像对应的归一化水体指数图像，将其记为第一归一化水体指数图像，所述第一归一化水体指数图像中的任意一个像素的值即为在所述第一校正图像的对应位置像素的归一化水体指数。
[0082]
步骤1023、使用预设的水体分割模型对所述第一归一化水体指数图像进行水体分割，得到第一水体分割图像。
[0083]
所述水体分割模型共包括下采样层、中间处理层和上采样层三个处理层，具体的处理过程可以包括如下步骤：
[0084]
步骤10231、使用所述下采样层对所述第一归一化水体指数图像进行卷积和下采样处理，得到第一处理结果。
[0085]
此处将所述下采样层的层数记为layernum1，layernum1的具体取值可以根据实际情况进行设置，在本发明实施例中，优选设置layernum1＝3，并将这三层依次记为dl1、dl2和dl3。其中，dl1为所述下采样层的第一层，其输入为所述第一归一化水体指数图像，输出为所述第一归一化水体指数图像经过dl1中的卷积和下采样处理所得到的结果，此处将dl1的输出记为dl1_res；dl2为所述下采样层的第二层，其输入为dl1_res，输出为dl1_res经过dl2中的卷积和下采样处理所得到的结果，此处将dl2的输出记为dl2_res；dl3为所述下采样层的第三层，其输入为dl2_res，输出为dl2_res经过dl3中的卷积和下采样处理所得到的结果。
[0086]
以dl1中的具体处理过程为例详细说明如下：第一归一化水体指数图像的通道数为1个，即ndwi值这个通道，dl1中的卷积核对第一归一化水体指数图像进行卷积处理，得到第一归一化水体指数图像的特征图(feature map)，dl1中的卷积核个数可以根据实际情况进行设置，在本实施例中，优选将其设置为8个，则第一归一化水体指数图像经过dl1的卷积处理后，可以得到8通道的特征图，再采用激活函数(例如，可以采用线性整流函数(rectified linear unit，relu)作为激活函数)对特征图进行处理，将特征图中的值限定在[0,1]的范围内，然后对特征图进行下采样处理，缩小特征图的尺度，例如，可以通过下采样处理将特征图的长度和宽度均缩小为原来的一半，经过dl1的下采样处理后的特征图将作为dl2的输入。
[0087]
dl2和dl3的处理过程与dl1类似，此处不再赘述。但是，需要注意的是，dl2中的卷积核个数为dl1中的卷积核个数的2倍，dl3中的卷积核个数为dl2中的卷积核个数的2倍，这样，dl1、dl2、dl3所输出的特征图的通道数依次为8个、16个和32个。最后，dl3输出的特征图即为所述第一处理结果。
[0088]
步骤10232、使用所述中间处理层中预设的残差模块对所述第一处理结果进行特征提取，并将特征提取结果与所述第一处理结果进行叠加，得到第二处理结果。
[0089]
所述中间处理层中包括残差模块，在所述残差模块的结构中包括两条支线，其中，第一条支线用于对所述第一处理结果进行更深层特征的提取，而第二条支线则用于保持所述第一处理结果，在第一条支线中所述第一处理结果可以依次经过卷积处理、relu函数处理、卷积处理等过程，第一条支线中进行卷积处理的卷积核的个数与dl3中的卷积核个数相同，因此，整个处理过程中，特征图的通道数保持不变；而第二条支线中，通过跳跃连接的方式，使得所述第一处理结果可以跳过在第一条支线中的处理过程，两条支线上的数据加权叠加得到所述第二处理结果。通过这样的处理方式，能够有效保持数据的高频特性，解决了由于网络深度的加深而可能导致的梯度消失和梯度爆炸问题，使得在训练更深的神经网络的同时，又能保证良好的性能。
[0090]
步骤10233、使用所述上采样层对所述第二处理结果进行卷积和上采样处理，得到与所述第一归一化水体指数图像对应的第一水体分割图像。
[0091]
所述上采样层的层数与所述下采样层的层数相同，以下仍以层数为3的情况为例进行说明，将这三层依次记为ul1、ul2和ul3。其中，ul1为所述上采样层的第一层，其输入为所述第二处理结果，输出为所述第二处理结果经过ul1中的卷积和上采样处理所得到的结果，此处将ul1的输出记为ul1_res；ul2为所述上采样层的第二层，其输入为ul1_res，输出为ul1_res经过ul2中的卷积和上采样处理所得到的结果，此处将ul2的输出记为ul2_res；ul3为所述上采样层的第三层，其输入为ul2_res，输出为ul2_res经过ul3中的卷积和上采样处理所得到的结果。
[0092]
以ul1中的具体处理过程为例详细说明如下：ul1中的卷积核个数与dl2中的卷积核个数相同，则所述第二处理结果经过ul1的卷积处理后，可以得到16通道的特征图，再采用激活函数(例如，可以采用relu作为激活函数)对特征图进行处理，将特征图中的值限定在[0,1]的范围内，然后对特征图进行上采样处理，扩展特征图的尺度，例如，可以通过上采样处理将特征图的长度和宽度均扩展为原来的一倍，经过ul1的上采样处理后的特征图将作为ul2的输入。
[0093]
ul2和ul3的处理过程与ul1类似，此处不再赘述。但是，需要注意的是，ul2中的卷积核个数为ul1中的卷积核个数的一半，ul3中的卷积核个数为1，这样，ul1、ul2、ul3所输出的特征图的通道数依次为16个、8个和1个。最后，可以对ul3所输出的特征图再进行1次卷积处理(卷积核个数为1)和1次激活函数(例如，可以采用sigmoid作为激活函数)处理，得到与所述第一归一化水体指数图像对应的第一水体分割图像。需要注意的是，在所述下采样层和所述上采样层之间还引入了跳跃连接，在所述上采样层中的每一次卷积处理之前，均将待进行卷积处理的数据与所述下采样层中相同通道数的输出结果进行叠加，并将叠加结果作为紧接着的下一次卷积处理的输入。
[0094]
所述水体分割模型是基于样本训练得到的，在投入使用之前，可以预先通过如下过程进行训练：
[0095]
步骤201、从预设的训练样本数据库中获取训练样本集合。
[0096]
所述训练样本集合中包括各个训练样本，且每个训练样本均包括一个归一化水体指数样本图像以及一个预期水体分割图像，其中，每个训练样本中的预期水体分割图像与
归一化水体指数样本图像具有一一对应的关系。预期水体分割图像为二值化的图像，在该图像中，水体对应的像素的值为预设的第一数值，非水体对应的像素的值为预设的第二数值，所述第一数值和所述第二数值的具体取值可以根据实际情况进行设置，例如，可以将所述第一数值设置为1，将所述第二数值设置为0，当然，也可以将所述第一数值和所述第二数值设置为其它取值，本发明实施例对此不作具体限定。
[0097]
步骤202、将各个训练样本中的归一化水体指数样本图像输入所述水体分割模型中进行处理，得到实际水体分割图像。
[0098]
步骤202的具体过程可以参照步骤1023中的详细叙述，此处不再赘述。
[0099]
步骤203、计算各个训练样本中的预期水体分割图像与实际水体分割图像之间的差异度。
[0100]
具体地，可以根据下式计算所述差异度：
[0101][0102]
其中，n为训练样本的序号，1≤n≤n，n为训练样本的总数，pix为像素的序号，1≤pix≤pixn，pixn为图像中的像素总数，s
n,pix
为第n个训练样本的预期水体分割图像的第pix个像素的值，y
n,pix
为第n个训练样本的实际水体分割图像的第pix个像素的值，loss为所述差异度。
[0103]
步骤204、判断所述差异度是否大于预设的第一阈值。
[0104]
若所述差异度大于所述第一阈值，则执行步骤205，若所述差异度小于或等于所述第一阈值，则执行步骤206。
[0105]
步骤205、对所述水体分割模型的模型参数进行调整。
[0106]
在完成参数调整后，返回执行步骤202，即继续使用所述训练样本集合对所述水体分割模型进行训练，直至所述差异度小于或等于所述第一阈值为止。
[0107]
步骤206、所述水体分割模型的训练结束。
[0108]
当所述差异度小于或等于所述第一阈值时，则说明训练已经达到预定的效果，可以结束训练。此时确定出来的水体分割模型经过了大量的样本训练，且其差异度保持在一个较小的范围内，使用该水体分割模型对第一归一化水体指数图像进行水体分割，可以获得较佳的处理效果。
[0109]
步骤1024、对所述第二遥感图像进行大气校正处理，得到第二校正图像。
[0110]
步骤1025、分别计算所述第二校正图像中各个像素的归一化水体指数，生成与所述第二校正图像对应的第二归一化水体指数图像。
[0111]
步骤1026、使用所述水体分割模型对所述第二归一化水体指数图像进行水体分割，得到第二水体分割图像。
[0112]
步骤1024至步骤1026的具体过程可以参照步骤1021至步骤1023中的详细叙述，此处不再赘述。
[0113]
步骤1027、根据所述第一水体分割图像和所述第二水体分割图像计算所述指定区域的水体变化情况度量值。
[0114]
首先，对所述第一水体分割图像进行二值化处理，得到第一二值化图像；对所述第
二水体分割图像进行二值化处理，得到第二二值化图像。
[0115]
二值化处理后，像素被分为两类，即水体像素和非水体像素，其中，水体像素的值为所述第一数值，非水体像素的值为所述第二数值。
[0116]
然后，分别统计所述第一二值化图像中水体像素的个数以及所述第二二值化图像中水体像素的个数，并根据下式计算所述指定区域的水体变化情况度量值：
[0117][0118]
其中，waterpixn1为所述第一二值化图像中水体像素的个数，waterpixn2为所述第二二值化图像中水体像素的个数，waterindex为所述水体变化情况度量值。
[0119]
步骤103、根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的植被变化情况度量值。
[0120]
如图3所示，步骤103可以包括如下过程：
[0121]
步骤1031、对所述第一遥感图像进行大气校正处理，得到第三校正图像。
[0122]
步骤1031的具体过程可以参照步骤1021中的详细叙述，此处不再赘述。
[0123]
步骤1032、分别计算所述第三校正图像中各个像素的归一化植被指数，生成与所述第三校正图像对应的第一归一化植被指数图像。
[0124]
在得到所述第三校正图像之后，以其中的任意一个像素为例，可以根据下式分别计算该像素的归一化植被指数：
[0125][0126]
其中，red为该像素在红波段的遥感反射率值，nir为该像素在近红外波段的遥感反射率值，ndvi为该像素的归一化植被指数。
[0127]
遍历所述第三校正图像中的各个像素，即可得到相对应的各个归一化植被指数，从而生成与所述第三校正图像对应的归一化植被指数图像，将其记为第一归一化植被指数图像，所述第一归一化植被指数图像中的任意一个像素的值即为在所述第三校正图像的对应位置像素的归一化植被指数。
[0128]
步骤1033、使用预设的植被分割模型对所述第一归一化植被指数图像进行植被分割，得到第一植被分割图像。
[0129]
所述植被分割模型的结构、处理过程、训练过程与所述水体分割模型类似，具体可以参照对于所述水体分割模型的详细叙述，此处不再赘述。
[0130]
需要注意的是，在其训练过程中，每个训练样本均包括一个归一化植被指数样本图像以及一个预期植被分割图像，其中，每个训练样本中的预期植被分割图像与归一化植被指数样本图像具有一一对应的关系。预期植被分割图像为二值化的图像，在该图像中，植被对应的像素的值为预设的第三数值，非植被对应的像素的值为预设的第四数值，所述第三数值和所述第四数值的具体取值可以根据实际情况进行设置，例如，可以将所述第三数值设置为1，将所述第四数值设置为0，当然，也可以将所述第三数值和所述第四数值设置为其它取值，本发明实施例对此不作具体限定。
[0131]
步骤1034、对所述第二遥感图像进行大气校正处理，得到第二校正图像。
[0132]
步骤1035、分别计算所述第二校正图像中各个像素的归一化植被指数，生成与所述第二校正图像对应的第二归一化植被指数图像。
[0133]
步骤1036、使用所述植被分割模型对所述第二归一化植被指数图像进行植被分割，得到第二植被分割图像。
[0134]
步骤1034至步骤1036的具体过程可以参照步骤1031至步骤1033中的详细叙述，此处不再赘述。
[0135]
步骤1037、根据所述第一植被分割图像和所述第二植被分割图像计算所述指定区域的植被变化情况度量值。
[0136]
首先，对所述第一植被分割图像进行二值化处理，得到第三二值化图像；对所述第二植被分割图像进行二值化处理，得到第四二值化图像。
[0137]
二值化处理后，像素被分为两类，即植被像素和非植被像素，其中，植被像素的值为所述第三数值，非植被像素的值为所述第四数值。
[0138]
然后，分别统计所述第三二值化图像中植被像素的个数以及所述第四二值化图像中植被像素的个数，并根据下式计算所述指定区域的植被变化情况度量值：
[0139][0140]
其中，vegepixn1为所述第三二值化图像中植被像素的个数，vegepixn2为所述第四二值化图像中植被像素的个数，vegeindex为所述植被变化情况度量值。
[0141]
步骤104、从预设的垃圾投放点数据库中获取所述待评估垃圾投放点在预设的各个评估维度上的评估信息。
[0142]
具体的评估维度可以根据实际情况进行设置，例如，可以包括但不限于整洁情况、管理人员态度情况、垃圾分类宣传情况、监督情况、活动组织情况、指示牌设置情况、硬件设备情况、市民参与率、分类投放准确率以及垃圾桶设置情况等等。每个评估维度上的评估信息均以分值的形式进行表示。
[0143]
对于整洁情况这一评估维度，若垃圾投放点周围的地面、墙面环境非常整洁，则分值为5分，整洁的为3分，一般的为0分，不整洁的为-5分。
[0144]
对于管理人员态度情况这一评估维度，态度较好的分值为5分，态度一般的为0分，态度较恶劣的为-5分。
[0145]
对于垃圾分类宣传情况这一评估维度，检查垃圾投放点公共区域开展生活垃圾分类公益广告和分类常识宣传，营造发动全民参与垃圾分类的浓厚氛围的分值为5分，未开展的为0分。
[0146]
对于监督情况这一评估维度，垃圾投放点开设生活垃圾分类曝光台，发挥群众、媒体监督作用的分值为5分，未开展的为0分。
[0147]
对于活动组织情况这一评估维度，组织宣传活动、例如有奖活动、知识竞赛等丰富多彩、群众喜闻乐见的宣传活动，吸引群众参与垃圾分类的积极性的分值为5分，未开展的为0分。
[0148]
对于指示牌设置情况这一评估维度，指示牌主要内容为：投放时间，垃圾分类指南，收运单位及责任人姓名、投诉电话，督导员姓名和电话等，未设置的分值为0分，设置不合规范的，每缺一项扣1分，至扣完为止，设置完善的分值为5分；
[0149]
对于硬件设备情况这一评估维度，检查垃圾投放点是否配有洗手池、洗手液、纸巾或烘干机等硬件设备，硬件设备配备完善的投放点分值为5分，每缺一项扣1分，至扣完为止。
[0150]
对于市民参与率这一评估维度，推行生活垃圾分类的区域，小区内市民参与率不低于80％，每少一个百分点，扣1分，直至扣完为止，高于80％的分值为5分，具体小区内市民的参与率的计算公式为：
[0151]
小区内市民参与率＝考核时段内参与垃圾分类投放记录人数/总人数
×
100％
[0152]
此项评分为随机抽查，抽查一个街道，对所抽查街道的10％的小区进行考评，按平均计算所得分数。
[0153]
对于分类投放准确率这一评估维度，推行生活垃圾分类的区域，小区居民投放准确率不低于90％，每少一个百分点扣1分，直至扣完为止，高于90％的分值为5分，具体分类投放准确率的计算公式为：
[0154]
分类投放准确率＝被抽检到的垃圾桶内应投垃圾的量/被抽检到的垃圾桶收集垃圾的总量
×
100％，此项评分为随机抽查。
[0155]
对于垃圾桶设置情况这一评估维度，对于地面未硬化处理，分类垃圾桶摆放杂乱、桶身外观不净、残缺、破损、不密闭的，每发现一处扣1分，直至扣完为止，所有项均规范完整的分值为5分。
[0156]
需要注意的是，以上各个评估维度仅为示例，而非进行限定，还可以根据实际情况设置其它的评估维度。
[0157]
步骤105、根据所述水体变化情况度量值、所述植被变化情况度量值和所述评估信息构造所述待评估垃圾投放点的特征向量。
[0158]
具体地，可以根据下式构造所述待评估垃圾投放点的特征向量：
[0159]
infovec＝(waterindex,vegeindex,infoem1,infoem2,...,infoem
dn
,...,infoem
dn
)
[0160]
其中，dn为评估维度的序号，1≤dn≤dn，dn为评估维度的总数，infoem
dn
为第dn个评估维度上的评估信息，infovec为所述待评估垃圾投放点的特征向量。
[0161]
步骤106、使用预设的垃圾投放点评估模型对所述特征向量进行处理，得到所述待评估垃圾投放点的评估结果。
[0162]
本发明实施例中的垃圾投放点评估模型可以包括输入层、隐含层和输出层。所述输入层用于从外部接收输入数据，包括两个以上的输入层节点，所述隐含层用于对数据进行处理，包括两个以上的隐含层节点，所述输出层用于输出处理结果，包括一个输出层节点。所述垃圾投放点评估模型的处理过程可以包括：
[0163]
步骤s1061、将所述特征向量确定为所述垃圾投放点评估模型的输入层节点数据。
[0164]
所述输入层节点与所述特征向量中的元素一一对应。例如，若所述特征向量中共有12个元素，分别为元素1、元素2、元素3、
……
，那么对应的垃圾投放点评估模型的输入层节点的个数也应为12个，分别为输入层节点1、输入层节点2、输入层节点3、
……
，其中，输入层节点1与元素1对应，输入层节点2与元素2对应，输入层节点3与元素3对应，以此类推。
[0165]
步骤s1062、在所述垃圾投放点评估模型的隐含层节点分别使用模糊高斯隶属度函数对所述输入层节点数据进行处理，得到隐含层节点数据。
[0166]
在本实施例中，所述隐含层节点数据可以通过以下计算公式得到：
[0167][0168]
其中：
[0169]
i为输入层节点的标号，其取值范围为[1，n]，n为输入层节点的个数；
[0170]
j为隐含层节点的标号，其取值范围为[1，h]，h为隐含层节点的个数；
[0171]
φj(x)为第j个隐含层节点的隐含层节点数据；
[0172]gij
(xi)为第j个隐含层节点的第i个模糊高斯隶属度函数；
[0173]
x为输入层节点数据，xi为其中的第i个输入层节点的输入层节点数据；
[0174]
μ
ij
为第j个隐含层节点的第i个模糊高斯隶属度函数的数学期望；
[0175]
σ
ij
为第j个隐含层节点的第i个模糊高斯隶属度函数的标准差。
[0176]
优选地，还可以对所述隐含层节点数据进行归一化处理，以缩小所述隐含层节点数据的差异，具体地，可以获取所述隐含层节点数据中的最大值和最小值，然后根据所述最大值和所述最小值对所述隐含层节点数据进行归一化处理，得到归一化的隐含层节点数据。
[0177]
例如，可以通过以下公式对所述隐含层节点数据进行归一化处理：
[0178][0179]
其中：
[0180]
ψj(x)为第j个隐含层节点的归一化的隐含层节点数据；
[0181]
φ
max
(x)为φj(x)中的最大值；
[0182]
φ
min
(x)为φj(x)中的最小值。
[0183]
步骤s1063、使用预设的权值分别对所述隐含层节点数据进行加权求和，得到所述垃圾投放点评估模型的输出值。
[0184]
对于未进行归一化的隐含层节点数据，输出值的计算公式可以为：
[0185][0186]
对于归一化的隐含层节点数据，输出值的计算公式可以为：
[0187][0188]
其中：
[0189]
ωj为与第j个隐含层节点的隐含层节点数据对应的权值；
[0190]
r(x)为输出层节点数据，也即所述垃圾投放点评估模型的输出值。
[0191]
步骤s1064、根据所述输出值确定所述待评估垃圾投放点的评估结果。
[0192]
在本发明实施例中，可以预先设置各种评估结果对应的输出值区间，在得到所述垃圾投放点评估模型的输出值之后，判断该输出值属于哪一种评估结果对应的输出值区间，并将该输出值所属的输出值区间所对应的评估结果确定为所述待评估垃圾投放点的评
估结果，评估结果可以包括但不限于优秀、良好、一般、较差、极差等等。
[0193]
所述垃圾投放点评估模型在使用前，可以基于专业人员对大量垃圾投放点的实际评估结果作为样本进行训练，从而保证评估结果的准确性。
[0194]
综上所述，本发明实施例从预设的遥感图像数据库获取指定区域在第一时刻的第一遥感图像和在第二时刻的第二遥感图像；根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的水体变化情况度量值；根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的植被变化情况度量值；从预设的垃圾投放点数据库中获取所述待评估垃圾投放点在预设的各个评估维度上的评估信息；根据所述水体变化情况度量值、所述植被变化情况度量值和所述评估信息构造所述待评估垃圾投放点的特征向量；使用预设的垃圾投放点评估模型对所述特征向量进行处理，得到所述待评估垃圾投放点的评估结果。通过本发明实施例，可以不依靠专家，而是通过模型的智能处理来对垃圾投放点进行评估，极大提升了效率。
[0195]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0196]
对应于上文实施例所述的一种垃圾投放点评估方法，图4示出了本发明实施例提供的一种垃圾投放点评估装置的一个实施例结构图。
[0197]
本实施例中，一种垃圾投放点评估装置可以包括：
[0198]
遥感图像获取模块401，用于从预设的遥感图像数据库获取指定区域在第一时刻的第一遥感图像和在第二时刻的第二遥感图像；所述指定区域为待评估垃圾投放点所在的区域；
[0199]
水体变化情况度量模块402，用于根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的水体变化情况度量值；
[0200]
植被变化情况度量模块403，用于根据所述第一遥感图像和所述第二遥感图像计算所述指定区域的植被变化情况度量值；
[0201]
评估信息获取模块404，用于从预设的垃圾投放点数据库中获取所述待评估垃圾投放点在预设的各个评估维度上的评估信息；
[0202]
特征向量构造模块405，用于根据所述水体变化情况度量值、所述植被变化情况度量值和所述评估信息构造所述待评估垃圾投放点的特征向量；
[0203]
评估结果确定模块406，用于使用预设的垃圾投放点评估模型对所述特征向量进行处理，得到所述待评估垃圾投放点的评估结果。
[0204]
在本发明实施例的一种具体实现方式中，所述水体变化情况度量模块可以包括：
[0205]
第一校正子模块，用于对所述第一遥感图像进行大气校正处理，得到第一校正图像；
[0206]
第一水体指数图像生成子模块，用于分别计算所述第一校正图像中各个像素的归一化水体指数，生成与所述第一校正图像对应的第一归一化水体指数图像；其中，任意一个像素的归一化水体指数的计算公式为：
[0207]
[0208]
green为像素在绿波段的遥感反射率值，nir为像素在近红外波段的遥感反射率值，ndwi为像素的归一化水体指数；
[0209]
第一水体分割图像生成子模块，用于使用预设的水体分割模型对所述第一归一化水体指数图像进行水体分割，得到第一水体分割图像；
[0210]
第二校正子模块，用于对所述第二遥感图像进行大气校正处理，得到第二校正图像；
[0211]
第二水体指数图像生成子模块，用于分别计算所述第二校正图像中各个像素的归一化水体指数，生成与所述第二校正图像对应的第二归一化水体指数图像；
[0212]
第二水体分割图像生成子模块，用于使用所述水体分割模型对所述第二归一化水体指数图像进行水体分割，得到第二水体分割图像；
[0213]
水体变化情况度量子模块，用于根据所述第一水体分割图像和所述第二水体分割图像计算所述指定区域的水体变化情况度量值。
[0214]
在本发明实施例的一种具体实现方式中，所述第一水体分割图像生成子模块可以包括：
[0215]
下采样层处理单元，用于使用所述下采样层对所述第一归一化水体指数图像进行卷积和下采样处理，得到第一处理结果；
[0216]
中间处理层处理单元，用于使用所述中间处理层中预设的残差模块对所述第一处理结果进行特征提取，并将特征提取结果与所述第一处理结果进行叠加，得到第二处理结果；
[0217]
上采样层处理单元，用于使用所述上采样层对所述第二处理结果进行卷积和上采样处理，得到与所述第一归一化水体指数图像对应的第一水体分割图像。
[0218]
在本发明实施例的一种具体实现方式中，所述垃圾投放点评估装置还可以包括：
[0219]
训练样本集合获取模块，用于从预设的训练样本数据库中获取训练样本集合；所述训练样本集合中包括各个训练样本，且每个训练样本均包括一个归一化水体指数样本图像以及一个预期水体分割图像，其中，每个训练样本中的预期水体分割图像与归一化水体指数样本图像具有一一对应的关系；
[0220]
模型处理模块，用于将各个训练样本中的归一化水体指数样本图像输入所述水体分割模型中进行处理，得到实际水体分割图像；
[0221]
差异度计算模块，用于计算各个训练样本中的预期水体分割图像与实际水体分割图像之间的差异度；
[0222]
模型调整模块，用于若所述差异度大于预设的第一阈值，则对所述水体分割模型的模型参数进行调整，并返回执行所述将各个训练样本中的归一化水体指数样本图像输入所述水体分割模型中进行处理的步骤，直至所述差异度小于或等于所述第一阈值为止。
[0223]
在本发明实施例的一种具体实现方式中，所述水体变化情况度量子模块可以包括：
[0224]
第一二值化处理单元，用于对所述第一水体分割图像进行二值化处理，得到第一二值化图像；对所述第二水体分割图像进行二值化处理，得到第二二值化图像；
[0225]
第一统计单元，用于分别统计所述第一二值化图像中水体像素的个数以及所述第二二值化图像中水体像素的个数；其中，水体像素的值为预设的第一数值，非水体像素的值
为预设的第二数值；
[0226]
第一计算单元，用于根据下式计算所述指定区域的水体变化情况度量值：
[0227][0228]
其中，waterpixn1为所述第一二值化图像中水体像素的个数，waterpixn2为所述第二二值化图像中水体像素的个数，waterindex为所述水体变化情况度量值。
[0229]
在本发明实施例的一种具体实现方式中，所述植被变化情况度量模块可以包括：
[0230]
第三校正子模块，用于对所述第一遥感图像进行大气校正处理，得到第三校正图像；
[0231]
第一植被指数图像生成子模块，用于分别计算所述第三校正图像中各个像素的归一化植被指数，生成与所述第三校正图像对应的第一归一化植被指数图像；其中，任意一个像素的归一化植被指数的计算公式为：
[0232][0233]
red为像素在红波段的遥感反射率值，nir为像素在近红外波段的遥感反射率值，ndvi为像素的归一化植被指数；
[0234]
第一植被分割图像生成子模块，用于使用预设的植被分割模型对所述第一归一化植被指数图像进行植被分割，得到第一植被分割图像；
[0235]
第四校正子模块，用于对所述第二遥感图像进行大气校正处理，得到第四校正图像；
[0236]
第二植被指数图像生成子模块，用于分别计算所述第四校正图像中各个像素的归一化植被指数，生成与所述第四校正图像对应的第二归一化植被指数图像；
[0237]
第二植被分割图像生成子模块，用于使用所述植被分割模型对所述第二归一化植被指数图像进行植被分割，得到第二植被分割图像；
[0238]
植被变化情况度量子模块，用于根据所述第一植被分割图像和所述第二植被分割图像计算所述指定区域的植被变化情况度量值。
[0239]
在本发明实施例的一种具体实现方式中，所述植被变化情况度量子模块可以包括：
[0240]
第二二值化处理单元，用于对所述第一植被分割图像进行二值化处理，得到第三二值化图像；对所述第二植被分割图像进行二值化处理，得到第四二值化图像；
[0241]
第二统计单元，用于分别统计所述第三二值化图像中植被像素的个数以及所述第四二值化图像中植被像素的个数；其中，植被像素的值为预设的第三数值，非植被像素的值为预设的第四数值；
[0242]
第二计算单元，用于根据下式计算所述指定区域的植被变化情况度量值：
[0243][0244]
其中，vegepixn1为所述第三二值化图像中植被像素的个数，vegepixn2为所述第四二值化图像中植被像素的个数，vegeindex为所述植被变化情况度量值。
[0245]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0246]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0247]
图5示出了本发明实施例提供的一种服务器的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
[0248]
该服务器5可包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的垃圾投放点评估方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个垃圾投放点评估方法实施例中的步骤，例如图1所示的步骤s101至s106。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至406的功能。
[0249]
示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述服务器5中的执行过程。
[0250]
所述处理器50可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0251]
所述存储器51可以是所述服务器5的内部存储单元，例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备，例如所述服务器5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述服务器5所需的其它指令和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0252]
在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0253]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算机可读指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
[0254]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实
施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。