一种建筑垃圾智能分类方法及系统与流程

本发明涉及大数据采集与预处理，具体涉及一种建筑垃圾智能分类方法及系统。

背景技术：

1、建筑垃圾是指在建筑和拆除过程中产生的废弃物和剩余材料。对建筑垃圾的智能分类是建筑施工过程中的重要议题，如何有效识别建筑垃圾已经成为一个亟待解决的问题。现有的建筑垃圾智能分类方法主要是通过训练神经网络方法对建筑垃圾图像内不同类型的垃圾进行识别并分类，该识别结果与训练过程，尤其是训练集的质量密切相关。

2、相关技术中是通过历史采集的图像构建训练集，并基于训练集进行模型训练，实现后续的建筑垃圾分类。这种方式下，建筑垃圾的数据集的数据质量参差不齐，会导致训练结果难以达到预期的要求，得到的模型无法有效进行建筑垃圾分类，使得模型对建筑垃圾分类效果较差。

技术实现思路

1、为了解决相关技术中使用的建筑垃圾的数据集的数据质量参差不齐，会导致训练结果难以达到预期的要求，得到的模型无法有效进行建筑垃圾分类，使得模型对建筑垃圾分类效果较差的技术问题，本发明提供一种建筑垃圾智能分类方法及系统，所采用的技术方案具体如下：

2、本发明提出了一种建筑垃圾智能分类方法，方法包括：

3、获取建筑垃圾数据集中的原始图像，将所述原始图像转换为hsv格式的待测图像，对所述待测图像进行超像素分析，确定所述待测图像的超像素块；

4、根据所有超像素块中像素点的数量、饱和度值和色调值，确定所述待测图像的建筑垃圾类别密度特征参数，根据所述待测图像所有像素点的亮度值，从所述像素点中筛选得到高亮点，根据所述待测图像中不同超像素块的亮度值分布和所述高亮点的在所有超像素块的分布确定所述待测图像的高亮干扰程度；

5、对所述原始图像的灰度图像进行边缘检测，确定边缘点，根据边缘点在待测图像中对应像素点在超像素块中的分布信息和待测图像的建筑垃圾类别密度特征参数，确定所述待测图像的密度分布系数；根据所有所述边缘点的梯度值和边缘点在待测图像中对应像素点饱和度值，确定所述待测图像的梯度影响系数；根据所述密度分布系数、所述梯度影响系数和所述高亮干扰程度，确定所述原始图像的质量系数；

6、根据所述质量系数对所述建筑垃圾数据集中的所有原始图像进行筛选，得到高质量图像，其中，所述高质量图像组成训练集，用于对预设神经网络模型进行模型训练，得到目标模型，基于所述目标模型进行建筑垃圾分类。

7、进一步地，所述根据所有超像素块中像素点的数量、饱和度值和色调值，确定所述待测图像的建筑垃圾类别密度特征参数，包括：

8、计算每一超像素块中所有像素点的饱和度值的平均值，得到饱和度均值，计算每一超像素块中所有像素点的色调值的平均值，得到色调均值；

9、计算任一超像素块的饱和度均值和像素点的数量的乘积，负相关映射并归一化得到对应超像素块的块密度影响指标；将所有超像素块的块密度影响指标的均值作为所述待测图像的第一密度系数；

10、计算所述待测图像中所有超像素块的色调均值的方差，得到所述待测图像的第二密度系数；

11、计算所述第一密度系数和所述第二密度系数的乘积的归一化值，得到所述待测图像的建筑垃圾类别密度特征参数。

12、进一步地，所述根据所述待测图像所有像素点的亮度值，从所述像素点中筛选得到高亮点，包括：

13、将所有像素点的亮度值按照由大到小的顺序进行排序，选取前预设比例的像素点作为高亮点。

14、进一步地，所述根据所述待测图像中不同超像素块的亮度值分布和所述高亮点的在所有超像素块的分布确定所述待测图像的高亮干扰程度，包括：

15、计算每一超像素块中所有像素点的亮度值的均值作为亮度均值；将所述待测图像中所有超像素块的亮度均值的方差作为第一干扰系数；

16、将每一超像素块内高亮点的数量与所述待测图像中所有高亮点的数量的比值作为对应超像素块的高亮概率；基于信息熵计算公式，计算所有超像素块的高亮概率的信息熵的归一化值得到第二干扰系数；

17、将所述第一干扰系数和所述第二干扰系数的乘积作为所述待测图像的高亮干扰程度。

18、进一步地，所述根据边缘点在待测图像中对应像素点在超像素块中的分布信息和待测图像的建筑垃圾类别密度特征参数，确定所述待测图像的密度分布系数，包括：

19、计算每个超像素块内与边缘点相对应的像素点的数量与所述边缘点的总数量的比值，得到对应超像素块的边缘概率；

20、基于峰度值公式计算所有超像素块的边缘概率的峰度值，负相关映射得到分布均匀指标；计算所述待测图像的建筑垃圾类别密度特征参数和所述分布均匀指标的乘积的归一化值得到密度分布系数。

21、进一步地，所述根据所有所述边缘点的梯度值和边缘点在待测图像中对应像素点饱和度值，确定所述待测图像的梯度影响系数，包括：

22、计算每一边缘点的梯度值作为待测图像中对应像素点的梯度因子；

23、根据所有边缘点对应像素点的梯度因子和饱和度值，确定每一边缘点对应像素点的梯度调整指标，其中，所述梯度因子与所述梯度调整指标呈正相关关系，所述饱和度值与所述梯度调整指标呈负相关关系；

24、计算所有边缘点对应像素点的梯度调整指标的均值，归一化处理得到所述待测图像的梯度影响系数。

25、进一步地，所述根据所述密度分布系数、所述梯度影响系数和所述高亮干扰程度，确定所述原始图像的质量系数，包括：

26、对所述高亮干扰程度进行负相关映射，得到高亮权重；

27、计算所述密度分布系数、所述梯度影响系数和所述高亮权重的乘积的归一化值，获得所述原始图像的质量系数。

28、进一步地，所述根据所述质量系数对所述建筑垃圾数据集中的所有原始图像进行筛选，得到高质量图像，包括：

29、将所述质量系数大于预设质量阈值的原始图像作为高质量图像。

30、进一步地，所述基于所述目标模型进行建筑垃圾分类，包括：

31、将待分类的建筑垃圾图像输入至所述目标模型中，经由所述目标模型处理输出分类结果。

32、本发明还提出一种建筑垃圾智能分类系统，所述系统包括存储器、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如前述任意一项所述方法的步骤。

33、本发明具有如下有益效果：

34、本发明通过hsv格式的待测图像中超像素块的像素点的数量、饱和度值和色调值，确定待测图像的建筑垃圾类别密度特征参数，使得建筑垃圾类别密度特征参数能够结合建筑垃圾本身的分布特征、饱和度特征和密度特征，准确表征待测图像内所包含的建筑垃圾种类分布和密度，进而有效确定待测图像中建筑垃圾本身的分布特征；而后，结合待测图像中高亮点的分布，确定高亮干扰程度，对高亮干扰程度的分析能够有效筛除受异常光线影响较大的区域，从而增强后续质量分析的准确性；通过密度分布系数表征建筑垃圾场景分布的均匀程度，通过梯度影响系数表征待测图像本身的纹理特征，结合密度分布系数、梯度影响系数和高亮干扰程度，对原始图像的质量系数进行获取，使得在后续基于质量系数能够客观地对建筑垃圾数据集中的所有原始图像进行有效筛选，使得训练集的统计能够包含更多高质量的原始图像，筛除建筑垃圾特征较少的图像对训练过程的影响，提升整体模型训练的可靠性，进而增强目标模型的鲁棒性，使得后续基于目标模型进行建筑垃圾分类时，能够具有更优的分类效果。综上，本发明更能够对每一幅原始图像进行有效分析，进而筛选得到特征更明显的训练集，保证模型训练的可靠性，提升后续建筑垃圾分类的分类效果。