一种垃圾检测方法及装置与流程

本发明涉及图像处理及环境检测技术领域，具体而言，涉及一种垃圾检测方法及装置。

背景技术

随着城镇化速度的加快和人口规模的持续增长，小区的规模逐渐扩大，小区的入住率也迅速提高，而人口密集度增大则对小区环境带来了巨大的挑战。维护小区整洁，保持优美的环境变得尤为重要。小区环境成为小区整体形象的综合体现，直接影响着居民的生活品质和身体健康。而小区垃圾是影响小区环境的一个关键要素，小区路面的垃圾监测与整洁度评价成为小区相关管理部门日常工作的重要内容。

目前小区路面垃圾监测与评价主要靠专人人工巡查并拍照登记。这种人工的检测方法需要耗费大量的人力物力，并且受天气、人员休假与工作时间等各种外界因素的影响，存在效率低、可能存在错误登记、人力成本高的问题。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种垃圾检测方法及装置，以解决上述现有人工垃圾检测方法中存在的效率低、可能存在错误登记、人力成本高的问题。

第一方面，本发明实施例提供了一种垃圾检测方法，所述垃圾检测方法首先采集第一区域在待检测情况下的待检测图像，对所述第一区域在无垃圾情况下的基准图像进行特征提取获得第一特征向量，对所述待检测图像进行特征提取获得第二特征向量，确定所述第一特征向量和所述第二特征向量的相似度小于预设相似阈值，采用卷积神经网络物体检测模型判断所述待检测图像中是否存在垃圾图像，若是，确定所述第一区域存在垃圾。

综合第一方面，在所述对所述第一区域在无垃圾情况下的基准图像进行特征提取获得第一特征向量之前，所述垃圾检测方法还包括：采集所述第一区域在无垃圾情况下的基准图像。

综合第一方面，在所述采集第一区域在待检测情况下的待检测图像之后，以及所述对所述第一区域在无垃圾情况下的基准图像进行特征提取获得第一特征向量，对所述待检测图像进行特征提取获得第二特征向量之前，所述垃圾检测方法还包括：对所述基准图像和所述待检测图像进行大小归一化处理。

综合第一方面，在所述采用卷积神经网络物体检测模型判断所述待检测图像中是否存在垃圾图像之前，所述垃圾检测方法还包括：分别采集多幅所述第一区域在无垃圾情况下和有垃圾情况下的图像作为训练样本；对所述训练样本进行数据扩充后获得训练集；基于所述训练集进行卷积神经网络物体检测模型训练，获得卷积神经网络物体检测模型。

综合第一方面，所述对所述训练样本进行数据扩充后获得训练集，包括：对所述训练样本进行镜像、反转、剪裁、颜色扰动的数据扩充后获得训练集。

综合第一方面，所述基于所述训练集进行卷积神经网络物体检测模型训练，包括：在imagenet数据集上对卷积神经网络物体检测模型的原始模型进行垃圾分类任务的预训练，根据所述预训练得到的模型参数值获得所述卷积神经网络物体检测模型的初始模型；采用所述训练集对所述初始模型进行参数调优，获得卷积神经网络物体检测模型。

综合第一方面，在所述确定所述第一区域存在垃圾之后，所述垃圾检测方法还包括：根据所述垃圾图像中垃圾的位置、种类和大小确定垃圾警报的等级；向预设对象发出对应等级的垃圾警报。

综合第一方面，在所述根据所述垃圾图像中垃圾的位置、种类和大小确定垃圾警报的等级之前，所述垃圾检测方法还包括：将所述待检测图像划分为多个分区，每个分区分别对应不同的垃圾位置权重值l，识别所述垃圾在所述待检测图像中对应位置的分区，获得所述分区对应的垃圾位置权重值l；计算所述垃圾图像与所述待检测图像大小的比值s；将不同的垃圾种类对应设置不同的垃圾类别值c，采用深度网络模型识别所述垃圾图像中的垃圾种类；通过垃圾警报等级公式θ＝c·(l+s)获得所述垃圾的垃圾等级参数θ，根据所述垃圾等级参数θ所属阈值区间确定垃圾警报的等级。

第二方面，本发明实施例提供了一种垃圾检测装置，所述垃圾检测装置包括图像获取模块、特征提取模块、相似度判断模块和垃圾判断模块。所述图像获取模块用于获取第一区域在待检测情况下的待检测图像。所述特征提取模块用于对所述第一区域在无垃圾情况下的基准图像进行特征提取获得第一特征向量，对所述待检测图像进行特征提取获得第二特征向量。所述相似度判断模块用于确定所述第一特征向量和所述第二特征向量的相似度大于预设相似阈值。所述垃圾判断模块用于采用卷积神经网络物体检测模型判断所述待检测图像中是否存在垃圾图像，若是，进一步确定垃圾类别。

综合第二方面，所述垃圾检测装置还包括训练样本获取模块、训练集获取模块和卷积神经网络物体检测模型训练模块。所述训练样本获取模块用于分别获取多幅所述第一区域在无垃圾情况下和有垃圾情况下的图像作为训练样本。所述训练集获取模块用于对所述训练样本进行数据扩充后获得训练集。所述卷积神经网络物体检测模型训练模块用于基于所述训练集进行卷积神经网络物体检测模型训练，获得卷积神经网络物体检测模型。

综合第二方面，所述垃圾检测装置还包括位置权重值计算模块、图像大小计算模块、垃圾种类识别模块和垃圾警报等级确定模块。所述位置权重值计算模块用于将所述待检测图像划分为多个分区，每个分区分别对应不同的垃圾位置权重值l，识别所述垃圾在所述待检测图像中对应位置的分区，获得所述分区对应的垃圾位置权重值l。所述图像大小计算模块用于计算所述垃圾图像与所述待检测图像大小的比值s。所述垃圾种类识别模块，用于将不同的垃圾种类对应设置不同的垃圾类别值c，采用深度网络模型识别所述垃圾图像中的垃圾种类。所述垃圾警报等级确定模块用于通过垃圾警报等级公式θ＝c·(l+s)获得所述垃圾的垃圾等级参数θ，根据所述垃圾等级参数θ所属阈值区间确定垃圾警报的等级。

第三方面，本发明实施例还提供了一种存储介质，所述存储介质存储于计算机内，所述存储介质包括多条指令，所述多条指令被设置成使得所述计算机执行上述的方法。

本发明提供的有益效果是：

本发明提供了一种垃圾检测方法，所述垃圾检测方法使用第一区域在无垃圾情况下的图像作为基准图像和后续采集的需要进行垃圾检测的待检测图像进行图像处理，基于图像处理和神经网络模型通过计算机自动进行垃圾检测，提高了垃圾检测的效率和准确性，减少了人工成本。其中，所述垃圾检测方法在采用神经网络模型进行垃圾图像判断前，还对所述基准图像和所述待检测图像的特征向量相似度进行对比，确定所述相似度小于预设阈值时才执行所述垃圾图像判断，避免直接采用神经网络模型进行垃圾图像判断而浪费大量的计算资源，进一步提高了所述垃圾检测的效率和资源利用率。同时，采用卷积神经网络物体检测模型对所述待检测图像中是否存在垃圾图像进行判断，能够通过卷积神经网络物体检测模型中的边框回归对所述待检测图像中的垃圾图像进行识别和框选，提高了垃圾检测的精确度。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1为本发明第一实施例提供的一种垃圾检测方法的流程示意图；

图2为本发明第一实施例提供的一种卷积神经网络物体检测模型训练步骤的流程示意图；

图3为本发明第一实施例提供的一种垃圾警报步骤的流程示意图；

图4为本发明第二实施例提供的一种垃圾检测装置的模块示意图；

图5为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。

图标：100-垃圾检测装置；110-图像获取模块；120-特征提取模块；130-相似度判断模块；140-垃圾判断模块；200-电子设备；201-存储器；202-存储控制器；203-处理器；204-外设接口；205-输入输出单元；206-音频单元；207-显示单元。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

第一实施例

经本申请人研究发现，现有的垃圾检测方法主要依靠人工进行，人工巡查并拍照登记。这种人工的检测方法需要耗费大量的人力物力，并且受天气、人员休假与工作时间等各种外界因素的影响。随着国内外各大城市“智慧城市”，尤其是“智慧社区”工作的开展，如何提高小区环境监测评估的信息化、智能化水平成为一个重要的问题。为了解决上述问题，本发明第一实施例提供了一种垃圾检测方法，以提高垃圾检测的自动化程度、检测效率和精确度。

请参考图1，图1为本发明第一实施例提供的一种垃圾检测方法的流程示意图。

步骤s10：检测服务器控制图像采集装置采集第一区域在待检测情况下的待检测图像。

步骤s20：所述检测服务器对所述第一区域在无垃圾情况下的基准图像进行特征提取获得第一特征向量，对所述待检测图像进行特征提取获得第二特征向量。

步骤s30：所述检测服务器确定所述第一特征向量和所述第二特征向量的相似度小于预设相似阈值。

步骤s40：所述检测服务器采用卷积神经网络物体检测模型判断所述待检测图像中是否存在垃圾图像。

步骤s50：若是，确定所述第一区域存在垃圾。

对于步骤s10，所述第一区域可以为指定小区、指定社区或其他指定区域。所述检测服务器可以是计算机、图像处理工作站、云服务器或其他具备图像处理以及基本运算功能的处理设备。所述图像采集装置可以是小区监控摄像头或航拍无人机等能够获取区域完整图像的摄像装置，应当注意的是，所述图像采集装置采集的图像都应该是所述第一区域无死角、全覆盖的图像。其中，所述待检测情况即为未进行特意垃圾清理、需要进行垃圾检测的情况。

针对步骤s20，所述基准图像是对所述第一区域特意进行垃圾清理并经过人工检查后确认无垃圾的情况下通过小区监控摄像头或航拍无人机获得的。可选地，所述特征提取步骤可以通过gabor滤波器进行。

对于步骤s30，所述相似预设阈值可以根据所述基准图像、所述待检测图像的分辨率以及所述检测服务器的图像处理能力进行调节。若所述基准图像、所述待检测图像的分辨率较高，或所述检测服务器的图像处理能力较高，则可以将所述相似预设阈值适应性调高。

针对步骤s40，采用卷积神经网络物体检测模型识别所述待检测图像中的垃圾图像，并将所述垃圾图像框选出来，在识别并框选出垃圾图像时确定所述第一区域存在垃圾，在未能识别并框选出垃圾图像时确定所述第一区域不存在垃圾。

本实施例通过步骤s10-s50实现了小区或固定区域内的垃圾检测的自动化，减少了人工进行垃圾检测的人力成本，并且在进行具体垃圾图像识别之前先基于所述基准图像和所述待检测图像的特征向量的相似度对所述待检测图像是否存在垃圾进行初步判断，进而避免了不必要的计算资源的浪费，提高了垃圾检测的效率；进一步地，上述步骤还通过卷积神经网络物体检测模型对垃圾图像进行框选和识别，提高了垃圾识别的准确率。

应当理解的是，作为一种实施方式，在第一次进行步骤s10和步骤s20对所述基准图像进行处理之前，还包括步骤：检测服务器控制图像采集装置采集所述第一区域在无垃圾情况下的基准图像。其中，所述基准图像的分辨率、色彩深度、失真情况等应与所述待检测图像尽量保持一致。

作为一种实施方式，在执行步骤s20进行特征向量提取之前，本实施例还对所述基准图像和所述待检测图像进行预处理，以提高后续相似度比较的准确度，所述预处理的步骤可以为：所述检测服务器对所述基准图像和所述待检测图像进行大小归一化处理。其中，考虑到归一化处理的速度和垃圾检测图像处理的分辨率需求，归一化大小可以设置为256*256。

可选地，针对步骤s30，即：确定所述第一特征向量和所述第二特征向量的相似度小于预设相似阈值，以基准图像a和待检测图像b为例，基准图像a和待检测图像b在进行大小归一化和特征提取得到基准图像a的特征向量itr以及待检测图像b的特征向量ite，利用余弦相似度计算itr与ite之间的相似度：如果获得的相似度小于预设相似阈值则判定所述待检测图像中存在垃圾，反之则认定所述待检测图像中不存在垃圾。

应当理解的是，本实施例在执行步骤s40采用卷积神经网络物体检测模型判断所述待检测图像中是否存在垃圾图像之前，需要训练获得所述卷积神经网络物体检测模型。作为一种实施方式，请参考图2，图2为本发明第一实施例提供的一种卷积神经网络物体检测模型训练步骤的流程示意图，所述卷积神经网络物体检测模型训练步骤可以如下：

步骤s31：所述检测服务器控制所述图像采集装置分别采集多幅所述第一区域在无垃圾情况下和有垃圾情况下的图像作为训练样本。

步骤s32：所述检测服务器对所述训练样本进行数据扩充后获得训练集。

步骤s33：所述检测服务器基于所述训练集进行卷积神经网络物体检测模型训练，获得卷积神经网络物体检测模型。

针对步骤s32，可选地，所述数据扩充的方式可以为镜像、反转、剪裁、颜色扰动等，本实施例的数据扩充规模为10倍，在其他实施例中数据扩充规模可以根据具体需要进行调整。从而通过所述步骤s32避免进行大量地图像采集工作，在减少图像采集工作量、提高垃圾检测效率的同时提高了模型训练精度。

可选地，针对步骤s33，所述“所述检测服务器基于所述训练集进行卷积神经网络物体检测模型训练，获得卷积神经网络物体检测模型”可以包括如下子步骤：所述检测服务器在imagenet数据集上对卷积神经网络物体检测模型的原始模型进行垃圾分类任务的预训练，根据所述预训练得到的模型参数值获得所述卷积神经网络物体检测模型的初始模型；所述检测服务器采用所述训练集对所述初始模型进行参数调优，获得卷积神经网络物体检测模型。利用imagenet数据集和训练集获得卷积神经网络物体检测模型，节省了在进行初始模型生成时自己进行图像获取和标注的时间，极大地提高了卷积神经网络物体检测模型的训练效率，同时提高了卷积神经网络物体检测模型的适应性和精确度。

考虑到确认所述第一区域的待检测图像中存在垃圾图像，即所述第一区域存在垃圾时，需要根据垃圾的具体情况对相关人员发送相应的通知或警报。作为一种实施方式，本实施例在步骤s40以后还包括垃圾警报步骤。请参考图3，图3为本发明第一实施例提供的一种垃圾警报步骤的流程示意图，其步骤可以如下：

步骤s50：所述检测服务器根据所述垃圾图像中垃圾的位置、种类和大小确定垃圾警报的等级。

步骤s60：所述检测服务器向预设对象发出对应等级的垃圾警报。

可选地，针对步骤s50，其具体步骤可以如下：

步骤s51：所述检测服务器将所述待检测图像划分为多个分区，每个分区分别对应不同的垃圾位置权重值l，识别所述垃圾在所述待检测图像中对应位置的分区，获得所述分区对应的垃圾位置权重值l。

步骤s52：所述检测服务器计算所述垃圾图像与所述待检测图像大小的比值s。

步骤s53：所述检测服务器将不同的垃圾种类对应设置不同的垃圾类别值c，采用深度网络模型识别所述垃圾图像中的垃圾种类。

步骤s54：所述检测服务器通过垃圾警报等级公式θ＝c·(l+s)获得所述垃圾的垃圾等级参数θ，根据所述垃圾等级参数θ所属阈值区间确定垃圾警报的等级。

对于步骤s51，本实施例中所述多个分区在针对小区进行划分时可以为公共区、角落和垃圾池，依次对应的垃圾位置权重值l分别为0.6、0.3和0.1。应当理解的是，上述分区的划分可以根据小区或社区的具体需求进行调整，对应的垃圾位置权重值l也可以随之改变。

可选地，所述深度网络模型可以为googlenet深度网络模型，并且在步骤s53之前，还需要对所述深度网络模型进行训练，其训练步骤可以为：所述检测服务器控制所述图像采集装置采集大量所述第一区域的垃圾图像，并标注出其垃圾种类；所述检测服务器对所述垃圾图像进行镜像、翻转、剪裁、颜色扰动等完成数据扩充从而获得训练集；所述检测服务器在imagenet数据集上对深度网络模型的原始模型进行分类任务的预训练，根据所述预训练得到的模型参数值获得所述深度网络模型的初始模型；所述检测服务器采用所述训练集对所述初始模型进行参数调优，获得深度网络模型。

可选地，步骤s53中的垃圾种类为有害垃圾时c＝4，垃圾种类为厨房垃圾或可回收垃圾时c＝2，垃圾种类为其他垃圾时c＝1。

进一步地，操作人员可以根据所述第一区域的具体类型和具体需求自行调整所述垃圾类别值和所述垃圾位置权重值的具体取值。

可选地，对于步骤s54，根据垃圾等级参数θ确定垃圾警报的等级，当θ>θ1时判定为一级报警亮红灯并向一级预设对象发送一级警报(严重)，当θ2≤θ≤θ1时判定为二级报警亮黄灯并向二级预设对象发送二级警报(中等)，当θ<θ2时判定为三级报警亮蓝灯并向三级预设对象发送三级警报(轻微)，其中θ1，θ2为根据具体情况设定的阀值，设定规则为θ1>θ2，同时所述一级预设对象、二级预设对象、三级预设对象可以根据具体需求设定为物业联系人、清洁组联系人等。

本实施例通过上述实施方式完成对垃圾种类的判断，减少了后期垃圾检测和垃圾分类的工作量，并且根据所述垃圾的种类、位置和大小确定所述垃圾的危害程度，并向相关人员发送与所述危害程度对应的垃圾警报，从而对在检测到所述第一区域存在垃圾时能够对相应人员进行及时的信息反馈，从而提高了垃圾处理响应速度，提高了第一区域的环境整洁程度。

第二实施例

为了配合本发明第一实施例中的垃圾检测方法，本发明第二实施例还提供了一种垃圾检测装置100。

请参考图4，图4为本发明第二实施例提供的一种垃圾检测装置的模块示意图。

垃圾检测装置100包括图像获取模块110、特征提取模块120、相似度判断模块130和垃圾判断模块140。

图像获取模块110用于获取第一区域在待检测情况下的待检测图像。特征提取模块120用于对所述第一区域在无垃圾情况下的基准图像进行特征提取获得第一特征向量，对所述待检测图像进行特征提取获得第二特征向量。相似度判断模块130用于确定所述第一特征向量和所述第二特征向量的相似度小于预设相似阈值。垃圾判断模块140用于采用卷积神经网络物体检测模型判断所述待检测图像中是否存在垃圾图像，若是，确定所述第一区域存在垃圾。

作为一种实施方式，垃圾检测装置100还包括训练样本获取模块、训练集获取模块和卷积神经网络物体检测模型训练模块。所述训练样本获取模块用于分别获取多幅所述第一区域在无垃圾情况下和有垃圾情况下的图像作为训练样本。所述训练集获取模块用于对所述训练样本进行数据扩充后获得训练集。所述卷积神经网络物体检测模型训练模块用于基于所述训练集进行卷积神经网络物体检测模型训练，获得卷积神经网络物体检测模型。

进一步地，为了进行垃圾的分类和自动报警，垃圾检测装置100还可以包括位置权重值计算模块、图像大小计算模块、垃圾种类识别模块和垃圾警报等级确定模块。所述位置权重值计算模块用于将所述待检测图像划分为多个分区，每个分区分别对应不同的垃圾位置权重值l，识别所述垃圾在所述待检测图像中对应位置的分区，获得所述分区对应的垃圾位置权重值l。所述图像大小计算模块用于计算所述垃圾图像与所述待检测图像大小的比值s。所述垃圾种类识别模块，用于将不同的垃圾种类对应设置不同的垃圾类别值c，采用深度网络模型识别所述垃圾图像中的垃圾种类。所述垃圾警报等级确定模块用于通过垃圾警报等级公式θ＝c·(l+s)获得所述垃圾的垃圾等级参数θ，根据所述垃圾等级参数θ所属阈值区间确定垃圾警报的等级。

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，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

第三实施例

请参照图5，图5为本发明第三实施例提供的一种可应用于本申请实施例中的电子设备的结构框图。电子设备200可以包括垃圾检测装置100、存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207。

所述存储器201、存储控制器202、处理器203、外设接口204、输入输出单元205、音频单元206、显示单元207各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述垃圾检测装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器201中或固化在垃圾检测装置100的操作系统(operatingsystem，os)中的软件功能模块。所述处理器203用于执行存储器201中存储的可执行模块，例如垃圾检测装置100包括的软件功能模块或计算机程序。

其中，存储器201可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread-onlymemory，prom)，可擦除只读存储器(erasableprogrammableread-onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread-onlymemory，eeprom)等。其中，存储器201用于存储程序，所述处理器203在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器203中，或者由处理器203实现。

处理器203可以是一种集成电路芯片，具有信号的处理能力。上述的处理器203可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器203也可以是任何常规的处理器等。

所述外设接口204将各种输入/输出装置耦合至处理器203以及存储器201。在一些实施例中，外设接口204，处理器203以及存储控制器202可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

输入输出单元205用于提供给用户输入数据实现用户与所述服务器(或本地终端)的交互。所述输入输出单元205可以是，但不限于，鼠标和键盘等设备。

音频单元206向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。

显示单元207在所述电子设备200与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元207可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器203进行计算和处理。

可以理解，图5所示的结构仅为示意，所述电子设备200还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。

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，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

综上所述，本发明实施例提供了一种垃圾检测方法，所述垃圾检测方法使用第一区域在无垃圾情况下的图像作为基准图像和后续采集的需要进行垃圾检测的待检测图像进行图像处理，基于图像处理和神经网络模型通过计算机自动进行垃圾检测，提高了垃圾检测的效率和准确性，减少了人工成本。其中，所述垃圾检测方法在采用神经网络模型进行垃圾图像判断前，还对所述基准图像和所述待检测图像的特征向量相似度进行对比，确定所述相似度大于预设阈值时才执行所述垃圾图像判断，避免直接采用神经网络模型进行垃圾图像判断而浪费大量的计算资源，进一步提高了所述垃圾检测的效率和资源利用率。同时，采用卷积神经网络物体检测模型对所述待检测图像中是否存在垃圾图像进行判断，能够通过卷积神经网络物体检测模型中的边框回归对所述待检测图像中的垃圾图像进行识别和框选，提高了垃圾检测的精确度。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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取存储介质中。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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

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。