一种基于AI视频分析技术的垃圾体积和质量估算方法

技术领域

本发明涉及垃圾处理技术领域，具体为一种基于AI视频分析技术的垃圾体积和质量估算方法。

背景技术

在商业或居民点的垃圾清运站，或者是夜晚街头的垃圾清运点，正常情况下由垃圾桶来放置垃圾,但是，很多情况下，垃圾因为数量大或者处置不当的原因，存在大量垃圾袋散落堆放在垃圾清运点的情况,而在这种情况下，工作人员难以对需要处理的垃圾的体积以及重量进行估算,另外，即使对于已经装入垃圾桶中的垃圾，由于不同种类的垃圾之间可能会存在一定的间隙,这就会导致对其体积和重量的估算也难以到达较高的程度。

现有的垃圾运输处理前进行估算时,大多采用人工目测或者使用简单的地磅来对垃圾桶内的垃圾进行测量,而这样的测量方式在体积估算以及质量估算上具有较大的误差,而有些垃圾自身是可以进行压缩和粉碎的,这就很容易造成体积估算上的误判,而随着城市化进程的加快，城市垃圾产生量逐年增加，对垃圾处理能力提出了更高的要求,传统的垃圾处理方式往往无法准确估算垃圾的体积和重量，导致运输和处理过程中的资源浪费；鉴于此，提出了一种基于AI视频分析技术的垃圾体积和质量估算方法。

发明内容

本发明的目的在于提供一种基于AI视频分析技术的垃圾体积和质量估算方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于AI视频分析技术的垃圾体积和质量估算方法，该方法包括以下步骤：

S1、使用基于深度学习与OCR技术的垃圾清运车辆识别模型，对垃圾清运车辆进行识别；

S2、利用基于深度学习的垃圾种类和进出物体识别模型，对垃圾种类和进出物体进行识别；

S3、采用基于3D-NeRF神经网络模型的体积估算预测模型，对垃圾体积进行估算；

S4、通过常态化垃圾堆放阶段质量与体积计算模块，对垃圾堆放阶段的质量和体积进行计算；

S5、使用垃圾装运阶段计算模块，对垃圾装运阶段的数据进行计算；

S6、利用视觉辅助的地磅传感器，对垃圾的重量进行测量。

优选的，所述基于深度学习与OCR的垃圾清运车辆识别模型包括以下步骤：

S101、数据收集：会从多个角度和光照条件下，收集干垃圾车、湿垃圾车、箱式垃圾车的图片，同时也会收集相应的车牌和其他车辆标识的图片，以便为训练OCR模型提供基础数据；

S102、数据预处理与标注：对收集的图片进行去噪、灰度化、尺寸调整等预处理操作，然后对图片中的垃圾车、车牌等目标进行标注，以便为训练Yolo 7和OCR模型做好准备；

S103、训练Yolo 7模型：利用预处理和标注后的图片训练Yolo 7模型，使其能够识别干垃圾车、湿垃圾车、箱式垃圾车。训练过程中，会通过调整模型参数、增加训练次数等方法来优化模型性能；

S104、训练OCR模型：利用S101中采集的车牌和其他车辆标识的图片训练OCR模型，在训练过程中，可以通过调整模型参数、增加训练次数等方法优化模型性能；

S105、模型整合与优化：整合S103和S104中训练完成后的Yolo 7模型和OCR模型，当Yolo 7识别出垃圾车后，OCR模型会对车牌和其他标识进行识别，并对两个模型的输出结果进行加权融合；

S106、实际应用与优化：将整合后的模型部署到实际场景中，例如垃圾处理厂、垃圾清运站等，然后根据实际效果进行进一步优化。

优选的，所述基于深度学习的垃圾种类和进出物体识别模型包括以下模块：

垃圾种类识别模块：该模块可以通过信息比对来准确识别出干垃圾桶、湿垃圾桶、散装垃圾、建筑垃圾以及可回收垃圾等不同种类的垃圾；

人员监测模块：该模块可以实时监测垃圾处理区域内的人员进出情况，帮助管理垃圾处理区域；

区域变化检测模块：该模块可以通过分析人员进出前后的区域变化，监测垃圾处理区域的状态，可以实现对垃圾搬运、分类、堆放等活动的实时追踪；

异常行为报警模块：当该模块识别到如未按规定分类处理垃圾、擅自进入禁止区域等异常行为时，会自动发出报警，提升垃圾处理区域的安全性；

辅助垃圾清运模块：该模块可以通过实时监测垃圾堆放情况，为垃圾清运工作提供数据支持，提高垃圾清运效率。

优选的，所述基于3D-NeRF神经网络模型的体积估算预测模型包括以下模块：

垃圾体积估算模块：该模块通过对地面区域的测算校准和可见覆盖区域的分析，实现对垃圾体积的精确估算；

实时监测模块：该模块实时处理摄像头捕获的图像，及时发现积压和清运需求，提高垃圾处理的效率；

垃圾种类识别模块：该模块结合图像识别技术，可以识别不同种类的垃圾，为不同垃圾的体积估算提供支持；

辅助决策模块：该模块通过对垃圾体积的估算，可以为垃圾处理和清运的决策提供数据支持，提高垃圾处理的效率和准确性；

异常报警模块：该模块结合实时监测功能，在识别到异常堆积或者违规行为时发出报警，提升垃圾处理区域的安全性。

优选的，所述常态化垃圾堆放阶段质量与体积计算模块包括以下计算步骤：

S201、实时监测垃圾堆放区域：使用基于Yolo 7的垃圾种类和进入物体识别模型实时监测垃圾堆放区域的物体变化；

S202、识别垃圾类型和体积：利用3D NeRF空间模型，测算和校准摄像机地面摄像角度和高度，从而实时计算垃圾堆放的体积；

S203、整合地磅传感器数据：将识别到的垃圾类型、体积等信息与来自地磅传感器的数据进行整合，提供更全面的垃圾信息；

S204、计算新增垃圾重量：根据整合后的数据，计算新增垃圾的重量，提供准确的重量数据；

S205、重新计算和校准整体垃圾体积和重量：对整体垃圾的体积和重量进行重新计算和校准，得到实时的垃圾体积和重量数据，以便进行更准确的垃圾处理决策。

优选的，所述常态化垃圾堆放阶段质量与体积计算模块的计算步骤代码为：

def monitor_garbage_area():

while True:

# 使用Yolo 7模型实时检测垃圾堆放区物体

detected_objects = detect_objects()

# 使用3D NeRF模型计算垃圾体积

garbage_volume = calculate_volume(detected_objects)

# 获取地磅传感器数据

scale_data = get_scale_data()

# 整合检测到的物体、计算得到的体积和地磅数据

integrated_data = integrate_data(detected_objects, garbage_volume, scale_data)

# 根据体积和类型计算新增垃圾重量

new_garbage_weight=calculate_weight(integrated_data)

# 更新整体垃圾体积和重量

update_total_volume_weight(new_garbage_weight)。

优选的，所述垃圾装运阶段计算模块的计算步骤为：

S301、识别垃圾清运车辆：使用基于Yolo 7和OCR的垃圾车辆识别模型，确定垃圾清运车辆的类型和进出时间；

S302、识别和计数清运垃圾：预先设定根据不同类型的垃圾清运事件，如湿垃圾桶数、干垃圾桶和散装垃圾袋、建筑垃圾翻斗车辆的翻斗，进行特定的识别和计数；

S303、汇总清运垃圾数量：在垃圾清运车辆离开后，汇总清运的垃圾数量；

S304、计算存留垃圾体积和重量：根据汇总的清运垃圾数量，计算存留垃圾的体积和重量；

S305、误差校正：根据经验数据进行误差校正，以提高估算的准确性。

优选的，所述垃圾装运阶段计算模块的计算代码为：

def monitor_garbage_removal():

while True:

# 使用Yolo 7和OCR模型识别垃圾清运车辆

garbage_truck_info = detect_garbage_truck()

if garbage_truck_info is not None:

# 识别和计数清运垃圾

counted_garbage=count_garbage(garbage_truck_info)

# 汇总清运垃圾数量

summarized_garbage=summarize_garbage(counted_garbage)

# 计算存留垃圾体积和重量

remaining_volume_weight=calculate_remaining_volume_weight(summarized_garbage)

# 根据经验数据进行误差校正

corrected_data=error_correction(remaining_volume_weight)。

优选的，所述垃圾种类识别模块识别垃圾种类为干垃圾桶与湿垃圾桶时，质量估算计算代码为：

# initialize total_weight to 0

total_weight = 0

# initialize total_count to 0

total_count = 0

# for each garbage_station in garbage_stations:

for garbage_station in garbage_stations:

# add weight scale data of the garbage station

add_weight_scale(garbage_station)

# for each garbage_record in garbage_station.data:

for garbage_record in garbage_station.data:

# if the record only contains garbage:

if is_garbage_only(garbage_record):

# add the weight to the total weight

total_weight += garbage_record.weight

# increment the total count

total_count += 1

# calculate the average weight of barreled garbage

average_weight_of_barreled_garbage = total_weight / total_count。

优选的，所述垃圾种类识别模块识别垃圾种类为散装垃圾时，质量估算采用以下计算方式：

S401、实时检测：使用AI视频分析技术对垃圾场地进行实时监测，获取散装垃圾的整体体积；

S402、估算体积变化：通过观察垃圾车装运一次后，体积减少的量，以及垃圾工人搬运垃圾的时间，垃圾车每日的装运次数，加上垃圾车的整体容量，形成一个公式：

散装垃圾重量=Σ(体积变化×装运次数×垃圾车容量)/(垃圾工人搬运时间×3；

S403、计算总重量：假设垃圾车平均三次的装运量相当于整体一次装运量，将每三次装运的体积和密度累加，计算散装垃圾的总重量。

与现有技术相比，本发明提供了一种基于AI视频分析技术的垃圾体积和质量估算方法，具备以下有益效果：

1、该基于AI视频分析技术的垃圾体积和质量估算方法，结合了AI视频分析技术，地磅平均法和体积运量法，实现对桶装垃圾和散装垃圾重量的精确估算。通过实时收集垃圾场地信息，并考虑垃圾车的装运量以及装车前后垃圾密度的变化，能够更准确地计算垃圾的质量和体积。从而优化垃圾清运处理的工作安排，降低人力和处理资源的消耗。

2、该基于AI视频分析技术的垃圾体积和质量估算方法，通过对垃圾车的平均装运量和装车前后垃圾密度的变化的分析，使得垃圾的质量和体积估算方法能适应多种场景变化，提高了估算方法的适用性，进一步地，利用AI视频分析技术实时监测垃圾场地，以确保垃圾进出时的计算数据准确性。

3、该基于AI视频分析技术的垃圾体积和质量估算方法，通过利用AI视频分析技术以收集垃圾车、干湿垃圾等数据信息，并通过计算与比对，以持续提升对垃圾的处理效率。

附图说明

图1为本发明部署状态示意图；

图2为本发明南北干垃圾数据对比图；

图3为本发明某街道系统统计数据与项目提报数据对比图；

图4为本发明某商区时尚干垃圾数据对比图；

图5为本发明某商区时尚干垃圾系统统计数据与项目提报数据对比图；

图6为本发明某街道湿垃圾数据对比图；

图7为本发明某街道湿垃圾系统统计数据与项目提报数据对比图；

图8为本发明某商区时尚湿垃圾数据对比图；

图9为本发明某商区时尚湿垃圾系统统计数据与项目提报数据对比图；

图10为本发明虹桥天地南区建筑垃圾状态示意图；

图11为本发明虹桥天地南区建筑垃圾系统统计数据图。

具体实施方式

如图1所示，本发明提供一种技术方案：一种基于AI视频分析技术的垃圾体积和质量估算方法，该方法包括以下步骤：

S1、使用基于深度学习与OCR技术的垃圾清运车辆识别模型，对垃圾清运车辆进行识别；

S2、利用基于深度学习的垃圾种类和进出物体识别模型，对垃圾种类和进出物体进行识别；

S3、采用基于3D-NeRF神经网络模型的体积估算预测模型，对垃圾体积进行估算；

S4、通过常态化垃圾堆放阶段质量与体积计算模块，对垃圾堆放阶段的质量和体积进行计算；

S5、使用垃圾装运阶段计算模块，对垃圾装运阶段的数据进行计算；

S6、利用视觉辅助的地磅传感器，对垃圾的重量进行测量。

在本发明的实施例中，基于深度学习与OCR的垃圾清运车辆识别模型包括以下步骤：

S101、数据收集：采集不同类型（如干垃圾车、湿垃圾车、箱式垃圾车）的车辆图片，包括不同角度、不同光照条件下的图片，同时，收集相应车牌以及其他车辆标识的图片，以为训练OCR模型提供基本素材；

S102、数据预处理与标注：对S101中采集的图片进行预处理操作，包括去噪、灰度化、尺寸调整等，之后对图片中的垃圾车、车牌等目标进行标注，为训练Yolo 7和OCR模型做准备；

S103、训练Yolo 7模型：利用S102中预处理和标注后的图片训练Yolo 7模型，使其能够识别不同类型的垃圾车，在训练过程中，可以通过调整模型参数、增加训练次数等方法优化模型性能；

S104、训练OCR模型：利用S101中采集的车牌和其他车辆标识的图片训练OCR模型，在训练过程中，可以通过调整模型参数、增加训练次数等方法优化模型性能；

S105、模型整合与优化：整合S103和S104中训练完成后的Yolo 7模型和OCR模型，当Yolo 7识别出垃圾车后，OCR模型会对车牌和其他标识进行识别，并对两个模型的输出结果进行加权融合；

S106、实际应用与优化：将整合后的模型部署到实际场景中，例如垃圾处理厂、垃圾清运站等，然后根据实际效果进行进一步优化。

具体的，基于深度学习的垃圾种类和进出物体识别模型包括以下模块：

垃圾种类识别模块：该模块可以通过信息比对来识别不同种类的垃圾，包括干垃圾桶、湿垃圾桶、散装垃圾、建筑垃圾以及可回收垃圾；

人员监测模块：该模块可以实时监测垃圾处理区域内的人员进出情况，帮助管理垃圾处理区域；

区域变化检测模块：该模块可以通过分析人员进出前后的区域变化，监测垃圾处理区域的状态；

异常行为报警模块：当该模块识别到如未按规定分类处理垃圾、擅自进入禁止区域等异常行为时，会自动发出报警，提升垃圾处理区域的安全性；

辅助垃圾清运模块：该模块可以通过实时监测垃圾堆放情况，为垃圾清运工作提供数据支持，提高垃圾清运效率。

另外，基于3D-NeRF神经网络模型的体积估算预测模型包括以下模块：

垃圾体积估算模块：该模块通过对地面区域的测算校准和可见覆盖区域的分析，实现对垃圾体积的精确估算；

实时监测模块：该模块实时处理摄像头捕获的图像，及时发现积压和清运需求，提高垃圾处理的效率；

垃圾种类识别模块：该模块结合图像识别技术，可以识别不同种类的垃圾，为不同垃圾的体积估算提供支持；

辅助决策模块：该模块通过对垃圾体积的估算，可以为垃圾处理和清运的决策提供数据支持，提高垃圾处理的效率和准确性；

异常报警模块：该模块结合实时监测功能，在识别到异常堆积或者违规行为时发出报警，提升垃圾处理区域的安全性。

具体而言，常态化垃圾堆放阶段质量与体积计算模块包括以下计算步骤：

S201、实时监测垃圾堆放区域：使用基于Yolo 7的垃圾种类和进入物体识别模型实时监测垃圾堆放区域的物体变化；

S202、识别垃圾类型和体积：利用3D NeRF空间模型，测算和校准摄像机地面摄像角度和高度，从而实时计算垃圾堆放的体积；

S203、整合地磅传感器数据：将识别到的垃圾类型、体积等信息与来自地磅传感器的数据进行整合，提供更全面的垃圾信息；

S204、计算新增垃圾重量：根据整合后的数据，计算新增垃圾的重量，提供准确的重量数据；

S205、重新计算和校准整体垃圾体积和重量：对整体垃圾的体积和重量进行重新计算和校准，得到实时的垃圾体积和重量数据，以便进行更准确的垃圾处理决策。

同时，常态化垃圾堆放阶段质量与体积计算模块的计算步骤代码为：

def monitor_garbage_area():

while True:

# 使用Yolo 7模型实时检测垃圾堆放区物体

detected_objects = detect_objects()

# 使用3D NeRF模型计算垃圾体积

garbage_volume = calculate_volume(detected_objects)

# 获取地磅传感器数据

scale_data = get_scale_data()

# 整合检测到的物体、计算得到的体积和地磅数据

integrated_data = integrate_data(detected_objects, garbage_volume, scale_data)

# 根据体积和类型计算新增垃圾重量

new_garbage_weight=calculate_weight(integrated_data)

# 更新整体垃圾体积和重量

update_total_volume_weight(new_garbage_weight)。

在本发明的实施例中，垃圾装运阶段计算模块的计算步骤为：

S301、识别垃圾清运车辆：使用基于Yolo 7和OCR的垃圾车辆识别模型，确定垃圾清运车辆的类型和进出时间；

S302、识别和计数清运垃圾：预先设定根据不同类型的垃圾清运事件，如湿垃圾桶数、干垃圾桶和散装垃圾袋、建筑垃圾翻斗车辆的翻斗，进行特定的识别和计数；

S303、汇总清运垃圾数量：在垃圾清运车辆离开后，汇总清运的垃圾数量；

S304、计算存留垃圾体积和重量：根据汇总的清运垃圾数量，计算存留垃圾的体积和重量；

S305、误差校正：根据经验数据进行误差校正，以提高估算的准确性，具体的，垃圾装运阶段计算模块的计算代码为：

def monitor_garbage_removal():

while True:

# 使用Yolo 7和OCR模型识别垃圾清运车辆

garbage_truck_info = detect_garbage_truck()

if garbage_truck_info is not None:

# 识别和计数清运垃圾

counted_garbage=count_garbage(garbage_truck_info)

# 汇总清运垃圾数量

summarized_garbage=summarize_garbage(counted_garbage)

# 计算存留垃圾体积和重量

remaining_volume_weight=calculate_remaining_volume_weight(summarized_garbage)

# 根据经验数据进行误差校正

corrected_data=error_correction(remaining_volume_weight)。

垃圾种类识别模块识别垃圾种类为干垃圾桶与湿垃圾桶时，质量估算计算代码为：

# initialize total_weight to 0

total_weight = 0

# initialize total_count to 0

total_count = 0

# for each garbage_station in garbage_stations:

for garbage_station in garbage_stations:

# add weight scale data of the garbage station

add_weight_scale(garbage_station)

# for each garbage_record in garbage_station.data:

for garbage_record in garbage_station.data:

# if the record only contains garbage:

if is_garbage_only(garbage_record):

# add the weight to the total weight

total_weight += garbage_record.weight

# increment the total count

total_count += 1

# calculate the average weight of barreled garbage

average_weight_of_barreled_garbage = total_weight / total_count。

进一步的，垃圾种类识别模块识别垃圾种类为散装垃圾时，质量估算采用以下计算方式：

S401、实时检测：使用AI视频分析技术对垃圾场地进行实时监测，获取散装垃圾的整体体积；

S402、估算体积变化：通过观察垃圾车装运一次后，体积减少的量，以及垃圾工人搬运垃圾的时间，垃圾车每日的装运次数，加上垃圾车的整体容量，形成一个公式：

散装垃圾重量=Σ(体积变化×装运次数×垃圾车容量)/(垃圾工人搬运时间×3；

S403、计算总重量：假设垃圾车平均三次的装运量相当于整体一次装运量，将每三次装运的体积和密度累加，计算散装垃圾的总重量。

上文一般性的对本发明做了详尽的描述，但在本发明基础上，可以对之做一些修改或改进，这对于技术领域的一般技术人员是显而易见的。因此，在不脱离本发明思想精神的修改或改进，均在本发明的保护范围之内。