技术特征：
1.一种基于视觉的垃圾桶满溢检测方法，其特征在于：包括：步骤s1：训练得到用于检测垃圾桶位置的目标检测模型；步骤s2：利用训练好的教师模型为无标签的数据分配伪标签，利用带真实标签的数据和伪标签数据训练学生模型，通过不断迭代，训练得到垃圾满溢分类模型；步骤s3：将待检测监控图片输入到步骤s1的目标检测模型，得到每个垃圾桶的位置坐标，根据位置坐标获得垃圾桶的中心坐标和宽高，并根据垃圾桶的中心坐标获取每张图片的特征信息，将特征信息输入步骤s2的垃圾满溢分类模型，判断是否满溢。2.根据权利要求1所述的基于视觉的垃圾桶满溢检测方法，其特征在于：所述步骤s1中，目标检测模型基于yolo算法而实现，用于检测垃圾桶的位置。3.根据权利要求1所述的基于视觉的垃圾桶满溢检测方法，其特征在于：所述步骤s2包括：步骤s21：准备分类所需的垃圾桶数据集d1{(x1,y1),(x2,y2),...,(x
n
,y
n
)}和其中d1是带有真实的是否满溢标签的数据，x
n
表示第n个带标签的样本，对应的标签为y
n
，d2是海量的无标签数据，表示第m个无标签的样本；步骤s22：利用数据集d1训练教师模型t，通过不断减少交叉熵损失，直至模型收敛，网络的损失函数为：其中，x
n
表示第n个样本，x
i
表示第i个样本，i＝{1，2，
……
，n}；步骤s23：利用教师模型t为无标签数据集d2的每一个样本生成分类概率和伪标签，并根据阈值h过滤掉分类概率小于阈值的样本，生成数据集d3：其中，为样本对应的伪标签，p
i
为其对应的分类概率；步骤s24：对数据集d1和d3进行数据增强；步骤s25：利用步骤s24增强后的数据集d1和d3训练学生模型s，通过不断减少交叉熵损失，直至模型收敛，网络的损失函数为：步骤s26：把收敛的学生模型s当做教师模型，重复步骤s23-步骤s25；步骤s27：经过n轮迭代，得到最终的垃圾满溢分类模型s
n
。4.一种基于视觉的垃圾桶满溢检测装置，其特征在于：包括：目标检测模型获取模块，该目标检测模型获取模块用于训练得到用于检测垃圾桶位置的目标检测模型；垃圾满溢分类模型训练模块，该垃圾满溢分类模型训练模块利用训练好的教师模型为无标签的数据分配伪标签，利用带真实标签的数据和伪标签数据训练学生模型，通过不断迭代，训练得到垃圾满溢分类模型；
执行检测模块，该执行检测模块用于将待检测监控图片输入到目标检测模型获取模块训练得到的目标检测模型，得到每个垃圾桶的位置坐标，根据位置坐标提取每张图片的特征信息，将特征信息输入垃圾满溢分类模型训练模块训练得到的垃圾满溢分类模型，以判断是否满溢。5.根据权利要求4所述的一种基于视觉的垃圾桶满溢检测装置，其特征在于：所述垃圾满溢分类模型训练模块执行如下操作：步骤s21：准备分类所需的垃圾桶数据集d1{(x1,y1),(x2,y2),...,(x
n
,y
n
)}和其中d1是带有真实的是否满溢标签的数据，x
n
表示第n个带标签的样本，对应的标签为y
n
，d2是海量的无标签数据，表示第m个无标签的样本；步骤s22：利用数据集d1训练教师模型t，通过不断减少交叉熵损失，直至模型收敛，网络的损失函数为：步骤s23：利用教师模型t为无标签数据集d2的每一个样本生成分类概率和伪标签，并根据阈值h过滤掉分类概率小于阈值的样本，生成数据集d3：其中，为样本对应的伪标签，p
i
为其对应的分类概率；步骤s24：对数据集d1和d3进行数据增强；步骤s25：利用数据集d1和d3训练学生模型s，通过不断减少交叉熵损失，直至模型收敛，网络的损失函数为：步骤s26：把收敛的学生模型s当做教师模型，重复步骤s23-步骤s25；步骤s27：经过n轮迭代，得到最终的垃圾满溢分类模型s
n
。
技术总结
本发明公开一种基于视觉的垃圾桶满溢检测方法及装置，其方法包括：训练得到用于检测垃圾桶位置的目标检测模型；利用训练好的教师模型为无标签的数据分配伪标签，利用带真实标签的数据和伪标签数据训练学生模型，通过不断迭代，训练得到垃圾满溢分类模型；将待检测监控图片输入到目标检测模型，得到每个垃圾桶的位置坐标，根据位置坐标提取每张图片的特征信息，将特征信息输入垃圾满溢分类模型，判断是否满溢。本申请通过上述方案提出一种新的垃圾桶满溢检测方法，先用目标检测算法检测出垃圾桶的位置然后利用分类网络对垃圾桶是否满溢进行判别，对比传统的单一的检测算法，该方法不仅可以达到更高的精度，而且也适用新型的垃圾分类垃圾箱。圾分类垃圾箱。圾分类垃圾箱。
技术研发人员：李晓凯 朱光强 王和平 欧阳一村 邓奇宝 罗富章
受保护的技术使用者：盛视科技股份有限公司
技术研发日：2021.11.09
技术公布日：2022/2/28