一种检测垃圾桶满溢状态的方法及装置

技术领域

本申请涉及图像识别与处理领域，尤其是一种检测垃圾桶满溢状态的方法及装置。

背景技术

随着人们基本素质的不断提升，垃圾桶开始广泛的运用于各种场合。比如，在各类化妆品的线下销售柜台，由于顾客在购买化妆品前，一般会对化妆品进行试用，在试用之后可能会使用纸巾将化妆品擦除，商家为方便顾客进行试用，一般会在化妆品柜台放置纸巾和垃圾桶。但是，由于化妆品柜台本身较小，不宜放置太大的垃圾桶，所以垃圾桶容易出现装满的情况，此时若不及时处理，顾客用于擦除化妆品的纸巾就无法及时扔掉，会影响顾客的继续试用，进而影响顾客的购买意愿。

人们逐渐意识到垃圾桶满溢所带来的困扰，开始采取措施对垃圾桶满溢状态进行监控。目前，在检查垃圾桶是否处于满溢状态的过程中，主要还是依靠工作人员在现场对垃圾桶的实时状态进行监控。这种依靠人工在现场进行监控的方法，由于工作人员一般负责监控的垃圾桶较多等原因，可能会漏监已经装满垃圾的垃圾桶。

发明内容

有鉴于此，本申请提供了一种检测垃圾桶满溢的方法及装置，以便于在一定程度上避免漏监已经处于满的状态的垃圾桶。

为了实现上述目的，现提出的方案如下：

一种检测垃圾桶满溢状态的方法，该方法包括以下步骤：

获取待检测图像，所述待检测图像中包含有至少一个垃圾桶；

将所述待检测图像输入检测模型，得到所述检测模型输出的所述待检测图像中垃圾桶的满溢状态，所述满溢状态包括满与不满；

其中，所述检测模型被配置为，具备对输入的待检测图像进行处理，以提取所述待检测图像中垃圾桶所在位置的图像特征，并基于垃圾桶所在位置的图像特征确定垃圾桶满溢状态的能力。

可选的，所述检测模型为，预先以场景训练图像作为训练样本，以场景训练图像中垃圾桶的位置信息和垃圾桶的满溢状态为训练标签训练得到。

可选的，所述检测模型包括：输入层、特征提取层、位置确定层和满溢状态分类层；

所述检测模型的训练过程，包括：

通过输入层，获取场景训练图像；

通过特征提取层，提取所述场景训练图像中垃圾桶所在位置的图像特征；

通过位置确定层，基于所述图像特征确定所述场景训练图像中垃圾桶的位置信息；

通过满溢状态分类层，基于所述图像特征确定所述场景训练图像中垃圾桶的满溢状态；

以确定的所述垃圾桶的位置信息趋近于所述场景训练图像对应的垃圾桶位置信息标签，以及，以确定的所述垃圾桶的满溢状态趋近于所述场景训练图像对应的垃圾桶满溢状态标签为训练目标，更新检测模型的参数。

可选的，将所述待检测图像输入检测模型，得到所述检测模型输出的所述待检测图像中垃圾桶的满溢状态，包括：

将所述待检测图像输入检测模型；

利用检测模型的特征提取层处理输入的所述待检测图像，提取所述待检测图像中垃圾桶所在位置的图像特征；

利用检测模型的满溢状态分类层处理所述图像特征，以输出所述待检测图像中垃圾桶的满溢状态。

可选的，所述场景训练图像中垃圾桶的位置信息包括：垃圾桶所在最小矩形框的位置坐标。

可选的，在获取待检测图像之前，还包括：

对获取的原始图像进行下采样，得到待检测图像。

可选的，在将所述待检测图像输入检测模型，得到所述检测模型输出的所述待检测图像中垃圾桶的满溢状态之后，还包括：

当确定所述待检测图像中垃圾桶处于满的状态时，发出检测到待检测图像中垃圾桶处于满的状态的提示信息。

一种检测垃圾桶满溢状态的装置，包括：

待检测图像获取单元，用于获取待检测图像，所述待检测图像中包含有至少一个垃圾桶；

满溢状态分类单元，用于将所述待检测图像输入检测模型，得到所述检测模型输出的所述待检测图像中垃圾桶的满溢状态，所述满溢状态包括满与不满；

其中，所述检测模型被配置为，具备对输入的待检测图像进行处理，以提取所述待检测图像中垃圾桶所在位置的图像特征，并基于垃圾桶所在位置的图像特征确定垃圾桶满溢状态的能力。

可选的，还包括：

下采样单元，用于对获取的原始图像进行下采样，得到待检测图像。

可选的，还包括：

信息提示单元，用于当所述待检测图像中垃圾桶处于满的状态时，发出检测到待检测图像中垃圾桶处于满的状态的提示信息。

从上述的技术方案可以看出，本申请实施例提供的一种检测垃圾桶满溢状态的方法及装置，通过将待检测图像输入检测模型中，得到待检测图像中垃圾桶的满溢结果，其中，检测模型能够对输入的待检测图像进行处理，得到待检测图像中垃圾桶所在位置的图像特征，通过对待检测图像中垃圾桶所在位置的图像特征进行处理，确定垃圾桶的满溢状态。相比于现有技术依靠人工在现场对垃圾桶进行监控，由于检测模型可以对获取的待检测图像进行处理，提取待检测图像中垃圾桶所在位置的图像特征，并基于提取的图像特征，确定并输出待检测图像中垃圾桶的满溢状态，因此可以在一定程度上避免漏监已经处于满的状态的垃圾桶。

进一步地，本申请通过提取待检测图像中垃圾桶所在位置的图像特征，并基于该图像特征确定垃圾桶满溢状态，由于本申请检测模型提取的图像特征是待检测图像中垃圾桶所在位置对应的图像特征，从而能够一定程度上排除待检测图像中除了垃圾桶所在位置的其他图像特征的干扰，以便于更加准确的确定垃圾桶的满溢状态。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的实现检测垃圾桶满溢状态的一种可选系统架构；

图2为本申请实施例提供的一种检测垃圾桶满溢状态的方法流程图；

图3为本申请实施例提供的另一种检测垃圾桶满溢状态的方法流程图；

图4为本申请实施例提供的一种检测模型架构示意图；

图5为本申请实施例提供的一种可选的检测模型的训练方法流程图；

图6为本申请实施例提供的又一种检测垃圾桶满溢状态的方法流程图；

图7为本申请实施例提供了一种检测垃圾桶满溢状态的装置结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的实现检测垃圾桶满溢状态的一种可选系统架构，如图1所述，该系统架构可以包括：监控设备10、交换机20和服务器30。

其中，监控设备10可以是半球摄像机、球型摄像机、枪式摄像机或者摄像头等监控设备。监控设备10的安装种类、数量以及清晰度等均可以根据安装的场景和具体的需求进行选择。监控设备10可以通过交换机20与服务器30实现数据交互。服务器30可以是单台服务器实现，也可以是多台服务器组成的服务器集群实现。本申请实施例中服务器30能够获取监控设备10发送的图像，并通过配置后的检测模型对图像进行处理，得到图像中垃圾桶的满溢状态，垃圾桶的满溢状态包括垃圾桶满与不满两种状态。

本申请所要实现的即是，服务器30能够接收监控设备10拍摄的图像，并且，服务器30能够通过检测模型对图像进行处理，其中，检测模型对图像进行处理包括对图像中垃圾桶所在位置的图像特征进行提取，然后基于提取的图像特征，确定并输出图像中垃圾桶的满溢状态。

在此基础上，服务器30中的检测模型并非是针对接收的图像中全部特征进行垃圾桶满溢状态的分类，而是通过对垃圾桶所在位置的图像特征进行提取，再基于提取的图像特征，确定图像中垃圾桶的满溢状态，能够一定程度上排除待检测图像中垃圾桶所在位置以外的其他特征的干扰，以便于更加准确的确定垃圾桶的满溢状态。

接下来，以服务器30的角度，对本申请的检测垃圾桶满溢状态的方法进行介绍，如图2所示，图2示出了本申请实施例提供的检测垃圾桶满溢状态的方法流程图，该流程可以包括：

步骤S100、获取待检测图像。

具体的，本步骤中获取待检测图像，待检测图像中所拍摄的场景可以是商场、办公场所游乐场、化妆品柜台等需要进行垃圾桶满溢状态检测的地点，且待检测图像中需要包含有至少一个垃圾桶。其中，待检测图像中拍摄的场景和垃圾桶的颜色、大小和形状均不影响本申请实施例的实现。

步骤S101、将待检测图像输入检测模型，得到检测模型输出的待检测图像中垃圾桶的满溢状态。

其中，所述检测模型被配置为，具备对输入的待检测图像进行处理，以提取所述待检测图像中垃圾桶所在位置的图像特征，并基于垃圾桶所在位置的图像特征确定垃圾桶满溢状态的能力。

具体的，本申请可以预先训练检测模型，并将其配置在服务器30中，或者服务器30所能访问到的其他终端。在此基础上，当获取到待检测图像之后，调用检测模型，对输入的待检测图像进行处理，以提取待检测图像中垃圾桶所在位置的图像特征，再根据提取的待检测图像中垃圾桶所在位置的图像特征，确定并输出待检测图像中垃圾桶的满溢状态。

本申请实施例提供的检测垃圾桶满溢状态的方法，通过将待检测图像输入检测模型中，得到待检测图像中垃圾桶的满溢结果。其中，检测模型能够对输入的待检测图像进行处理，得到待检测图像中垃圾桶所在位置的图像特征，通过对待检测图像中垃圾桶所在位置的图像特征进行处理，确定垃圾桶的满溢状态。相比于现有技术依靠人工在现场对垃圾桶进行监控，由于检测模型可以对获取的待检测图像进行处理，提取待检测图像中垃圾桶所在位置的图像特征，并基于提取的图像特征，确定并输出待检测图像中垃圾桶的满溢状态，因此可以在一定程度上避免漏监已经处于满的状态的垃圾桶。

进一步地，本申请通过提取待检测图像中垃圾桶所在位置的图像特征，并基于该图像特征确定垃圾桶满溢状态，由于本申请检测模型提取的图像特征是待检测图像中垃圾桶所在位置对应的图像特征，从而能够一定程度上排除待检测图像中除了垃圾桶所在位置的其他图像特征的干扰，以便于更加准确的确定垃圾桶的满溢状态。

进一步参见图3，图3示出了本申请实施例提供的另一种检测垃圾桶满溢状态的方法流程图，该流程可以包括：

步骤S200、对原始图像进行下采样，得到待检测图像。

具体的，在接收监控设备10发来的原始图像之后，采用下采样的方式，对原始图像进行处理，得到待检测图像。其中，下采样是对图像进行尺寸变换，主要缩小图像的尺寸，生成对应图像的缩略图，使得生成后的图像符合对应的显示区域。本步骤中通过对原始图像进行下采样，得到的待检测图像，将该待检测图像输入检测模型中，相比于将原始图像输入检测模型中，可以一定程度上提升模型处理图像的速度，并且减少显存的占用。当然，是否采用下采样的技术手段对原始图像进行处理并不影响本申请实施例的实施。

步骤S201、将待检测图像输入检测模型，得到检测模型输出的待检测图像中垃圾桶的满溢状态。

上述步骤S201与前述实施例中步骤S101对应，详细参照前述介绍，此处不再赘述。

从上述技术方案中可以看出，通过对监控设备10发来的原始图像进行下采样，得到待检测图像，将该待检测图像输入检测模型中，相比于将原始图像输入检测模型中，可以一定程度上提升模型处理图像的速度，并且减少显存的占用。

在本申请的一些实施例中，在将所述待检测图像输入检测模型，得到所述检测模型输出的所述待检测图像中垃圾桶的满溢状态之后，可以在确定所述待检测图像中垃圾桶处于满的状态时，发出检测到待检测图像中垃圾桶处于满的状态的提示信息。

具体的，本申请的实施例可以得到检测模型输出的待检测图像中垃圾桶的满溢状态，这个满溢状态是包括有满与不满两种状态。当得到的检测模型输出的待检测图像中垃圾桶为满的状态时，表示待检测图像中的垃圾桶已经装满垃圾，此时则发出提示信息，该提示信息用于提示待检测图像中的垃圾桶为装满垃圾的状态。

发出的检测到待检测图像中垃圾桶处于满的状态的提示信息的过程，可以是将提示信息发送到终端上，以供后续进行查看和形成及时的提醒。其中终端可以是固定终端，也可以是移动终端，例如台式电脑、手机和平板等。

进一步的，发出提示信息时，还可以附带当前的待检测图像，通过附带的待检测图像，可以提示用户当前处于满的状态的垃圾桶是处于哪个场景中。另外，还可以通过将待检测图像中的场景与地点预先建立对应关系，发出提示信息时，可以通过这个预先建立的对应关系，在提示信息中显示当前处于满的状态的垃圾桶是处于哪个地点。

例如，当检测模型检测到待检测图像中的垃圾桶处于满的状态时，发出检测到待检测图像中垃圾桶处于满的状态的提示信息到手机上，通过当前待检测图像中的场景为化妆品柜台1，确定当前处于满的状态的垃圾桶是处于化妆品柜台1，并将地点信息显示在提示信息中，工作人员可以接收到如：“化妆品柜台1的垃圾桶已经装满，请及时处理！”的提示语，以供工作人员核对并进行处理。

显然，通过在确定所述待检测图像中垃圾桶处于满的状态时，发出检测到待检测图像中垃圾桶处于满的状态的提示信息，能够及时提示用户当前有垃圾桶处于满的状态，以便于对装满垃圾的垃圾桶及时处理。

在本申请一些实施例当中，对上述检测垃圾桶满溢状态的检测模型进行介绍。

本申请实施例中，检测垃圾桶满溢状态的检测模型可以采用神经网络模型，所采用的神经网络模型的结构可以有多种，如卷积神经网络(CNN，Convolutional NeuralNetwork)、反向传播网络(BP，Back Propagation Net-work)、循环注意力神经网络(RA-CNN，Recurrent Attention Convolutional Neural Network)和CenterNet网络等，或者是对现有的网络进行改进后的网络结构。

如图4所示，图4为本申请实施例提供的一种检测模型可选架构，参照图4，该检测模型架构可以包括：输入层、特征提取层、位置确定层、满溢状态分类层。其中，位置确定层可以输出垃圾桶的位置信息，满溢状态分类层可以输出垃圾桶的满溢状态。

结合图4及图5，对本申请实施例提供的一种可选的检测模型的训练过程进行说明，训练过程可以包括：

步骤S300、通过输入层，获取场景训练图像。

具体的，在输入层获取场景训练图像后，可以对所述场景训练图像进行向量化表示，并向特征提取层输出向量化后的场景训练图像。场景训练图像可以包括各种包含垃圾桶的场景下的训练图像，并在场景训练图像中对垃圾桶的位置和满溢状态进行预先的标注。

另外，训练检测模型时，场景训练图像集中的垃圾桶处于满与不满两种状态的场景训练图像的数量应该是平衡的。但是，实际生活场景中，垃圾桶处于满的状态的场景训练图像比较少，为了保证训练样本的均衡，我们可以去构建一些垃圾桶处于满的状态的场景训练图像。具体的，可以先基于已有的处于满的状态的垃圾桶图像，截取该垃圾桶图像，并与其他场景图像进行拼接，进而得到垃圾桶处于满的状态的场景训练图像。

步骤S301、通过特征提取层，提取场景训练图像中垃圾桶所在位置的图像特征。

具体的，特征提取层可以提取场景训练图像中垃圾桶所在位置的图像特征。由于本申请实施例要实现的是检测垃圾桶的满溢状态，所以待检测图像中的垃圾桶所在位置的图像特征以外的其他图像特征，对于检测垃圾桶的满溢状态相对而言没有太大作用。本申请实施例中对垃圾桶所在位置的图像特征进行提取，可以在一定程度上排除垃圾桶所在位置以外其他图像特征的干扰，基于提取的垃圾桶所在位置的图像特征，对垃圾桶满溢状态进行分类，此时得到的垃圾桶满溢状态会更准确。

步骤S302、通过位置确定层，基于图像特征确定所述场景训练图像中垃圾桶的位置信息；通过满溢状态分类层，基于图像特征确定所述场景训练图像中垃圾桶的满溢状态。

具体的，位置确定层在获取特征提取层提取的图像特征之后，针对提取的图像特征确定场景训练图像中垃圾桶的位置信息。位置信息可以包括垃圾桶所在最小矩形框的位置坐标，其中，位置坐标可以是垃圾桶所在最小矩形框的左上角坐标值、右下角坐标值、中心坐标值，以及其他能够体现垃圾桶最小矩形框的位置坐标的坐标值。位置坐标中的坐标值数量可以是一个，也可以是多个，具体以实际需求为准。当然，位置坐标中坐标的选取位置和选取数量均不影响本申请实施例的实施。

满溢状态分类层在获取特征提取层提取的图像特征之后，针对提取的图像特征确定场景训练图像中垃圾桶的满溢状态，该满溢状态分为满与不满两种状态。

步骤S303、以确定的垃圾桶的位置信息趋近于场景训练图像对应的垃圾桶位置信息标签，以及，以确定的垃圾桶的满溢状态趋近于场景训练图像对应的垃圾桶满溢状态标签为训练目标，更新检测模型的参数。

上述本申请实施例提供的检测模型的训练过程中，不仅仅是以确定的所述垃圾桶的满溢状态趋近于所述场景训练图像对应的垃圾桶满溢状态标签为训练目标，还增加了以确定的所述垃圾桶的位置信息趋近于所述场景训练图像对应的垃圾桶位置信息标签为训练目标，组成的多任务训练过程，对检测模型的参数进行更新。通过增加以确定的所述垃圾桶的位置信息趋近于所述场景训练图像对应的垃圾桶位置信息标签的训练目标，以便于特征提取层能够确定图像中垃圾桶的位置，进而提取图像中垃圾桶所在位置的图像特征，在对图像中垃圾桶的满溢状态进行分类时，能够基于特征提取层提取的垃圾桶所在位置的图像特征，对垃圾桶的满溢状态进行分类，提升满溢状态分类的准确性。

基于图4示例的检测模型的网络结构，本申请实施例提供了一种检测垃圾桶满溢状态的方法的可选实施过程，具体如图6所示，该方法可以包括：

步骤S400、获取待检测图像。

具体的，步骤S400与前述实施例中步骤S100对应，详细参照前述介绍，此处不再赘述。

步骤S401、将待检测图像输入检测模型。

具体的，检测模型通过输入层，获取待检测图像。

步骤S402、利用检测模型的特征提取层处理输入的所述待检测图像，提取所述待检测图像中垃圾桶所在位置的图像特征。

具体的，特征提取层可以提取待检测图像中垃圾桶所在位置的图像特征，由于本申请实施例是检测垃圾桶的满溢状态，所以待检测图像中的垃圾桶所在位置的图像特征以外的其他图像特征，对于检测垃圾桶的满溢状态相对而言是没有太大作用的。本申请实施例中对垃圾桶所在位置的图像特征进行提取，可以在一定程度上排除垃圾桶所在位置以外其他图像特征的干扰，基于提取的垃圾桶所在位置的图像特征，对垃圾桶满溢状态进行分类，此时得到的垃圾桶满溢状态会更准确。

步骤S403、利用检测模型的满溢状态分类层处理图像特征，以输出待检测图像中垃圾桶的满溢状态。

具体的，满溢状态分类层在获取特征提取层提取的图像特征之后，针对提取的图像特征确定待检测图像中垃圾桶的满溢状态。该满溢状态分为满与不满两种状态。

本申请实施例提供的检测垃圾桶满溢状态的方法的实现过程，通过将待检测图像输入检测模型中，得到待检测图像中垃圾桶的满溢结果。其中，检测模型能够通过输入层，获取待检测图像，利用特征提取层对输入的待检测图像进行处理，提取待检测图像中垃圾桶所在位置的图像特征，再利用满溢状态分类层处理提取的图像特征，以输出待检测图像中垃圾桶的满溢状态。由于检测模型可以对获取的待检测图像进行处理，提取待检测图像中垃圾桶所在位置的图像特征，并基于提取的图像特征，确定并输出待检测图像中垃圾桶的满溢状态，因此可以在一定程度上避免漏监已经处于满的状态的垃圾桶。

进一步地，本申请通过检测模型的特征提取层提取待检测图像中垃圾桶所在位置的图像特征，并基于该图像特征，利用满溢状态分类层确定垃圾桶满溢状态，由于本申请检测模型的特征提取层提取的图像特征是待检测图像中垃圾桶所在位置对应的图像特征，从而能够一定程度上排除待检测图像中除了垃圾桶所在位置的其他图像特征的干扰，以便于更加准确的确定垃圾桶的满溢状态。

下面对本申请实施例提供的检测垃圾桶满溢状态的装置进行描述，下文描述的检测垃圾桶满溢状态的装置与上文描述的检测垃圾桶满溢状态的方法可相互对应参照。

参见图7，图7为本申请实施例提供的一种检测垃圾桶满溢状态的装置结构示意图，如图7所示，该装置可以包括：

待检测图像获取单元300，用于获取待检测图像，所述待检测图像中包含有至少一个垃圾桶。

满溢状态分类单元301，用于将所述待检测图像输入检测模型，得到所述检测模型输出的所述待检测图像中垃圾桶的满溢状态，所述满溢状态包括满与不满。

其中，所述检测模型被配置为，具备对输入的待检测图像进行处理，以提取所述待检测图像中垃圾桶所在位置的图像特征，并基于垃圾桶所在位置的图像特征确定垃圾桶满溢状态的能力。

从上述技术方案可以看出，本申请实施例中待检测图像获取单元300获取待检测图像，通过满溢状态分类单元301将待检测图像输入检测模型，利用模型对待检测图像中垃圾桶所在位置的图像特征进行提取，并基于提取的图像特征，确定垃圾桶满溢状态。相比于现有技术依靠人工在现场对垃圾桶进行监控，由于检测模型可以对获取的待检测图像进行处理，提取待检测图像中垃圾桶所在位置的图像特征，并基于提取的图像特征，确定并输出待检测图像中垃圾桶的满溢状态，因此可以在一定程度上避免漏监已经处于满的状态的垃圾桶。

进一步地，本申请通过提取待检测图像中垃圾桶所在位置的图像特征，并基于该图像特征确定垃圾桶满溢状态，由于本申请检测模型提取的图像特征是待检测图像中垃圾桶所在位置对应的图像特征，从而能够一定程度上排除待检测图像中除了垃圾桶所在位置的其他图像特征的干扰，以便于更加准确的确定垃圾桶的满溢状态。

可选的，满溢状态分类单元301将待检测图像输入检测模型，得到检测模型输出的待检测图像中垃圾桶的满溢状态的过程，可以包括：

将待检测图像输入检测模型；

利用检测模型的特征提取层处理输入的待检测图像，提取待检测图像中垃圾桶所在位置的图像特征；

利用检测模型的满溢状态分类层处理图像特征，以输出待检测图像中垃圾桶的满溢状态。

可选的，本申请实施例提供的检测垃圾桶满溢状态的装置，还可以包括：

下采样单元，用于对获取的原始图像进行下采样，得到待检测图像。

可选的，本申请实施例提供的检测垃圾桶满溢状态的装置，还可以包括：

信息提示单元，用于当所述待检测图像中垃圾桶处于满的状态时，发出检测到待检测图像中垃圾桶处于满的状态的提示信息。

可选的，本申请实施例提供的检测垃圾桶满溢状态的装置，还可以包括：

模型训练单元，用于训练得到所述检测模型，其中，所述检测模型可以包括输入层、特征提取层、位置确定层和满溢状态分类层，检测模型的训练过程可以包括：

通过输入层，获取场景训练图像；

通过特征提取层，提取所述场景训练图像中垃圾桶所在位置的图像特征；

通过位置确定层，基于所述图像特征确定所述场景训练图像中垃圾桶的位置信息；

通过满溢状态分类层，基于所述图像特征确定所述场景训练图像中垃圾桶的满溢状态；

以确定的所述垃圾桶的位置信息趋近于所述场景训练图像对应的垃圾桶位置信息标签，以及，以确定的所述垃圾桶的满溢状态趋近于所述场景训练图像对应的垃圾桶满溢状态标签为训练目标，更新检测模型的参数。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。