本发明涉及道路绿化带绿化破损识别方法,更具体地说是指道路绿化破损识别方法、装置、计算机设备及存储介质。
背景技术:
1、道路绿化破损主要是道路绿化带绿化破损问题,例如,黄土裸露、植被破坏等,针对道路绿化带绿化破损问题,城市管理部门现有的解决方案主要是依靠传统的人工巡查与上报,此方案存在人力成本高、发现问题不及时、人工效率低、修复问题缓慢、错漏概率高等缺点。
2、目前在绿化带绿化破损治理领域内基本没有通过基于深度学习的目标检测手段进行监测并预警的全流程自动化解决方案。此外,目前存在的已应用于相近领域的目标检测方法,往往只能判定是否为识别目标,无法按照严重性等级对识别目标进行分类,无法满足城市管理精细化的要求。如果直接将现有的目标检测方案应用于绿化破损监测与预警问题,由于无法进行严重性分类,会造成系统报送所有检测到的绿化破损问题,包括一些尚无需治理的轻度问题,缺少各类绿化破损问题治理的必要性与及时性信息,从而增加相关养护部门的无效养护工作,而且容易掩盖部分重度的绿化破损问题,使其无法得到快速、有效解决。
3、因此,有必要设计一种新的方法,以解决当前利用人工巡查进行绿化破损监测与治理而带来的成本高、效率低、错漏高、不及时等问题以及现有目标检测方法运用道路绿化破损场景时仅能识别目标类别,无法对严重性进行分类评判的问题。
技术实现思路
1、本发明的目的在于克服现有技术的缺陷,提供道路绿化破损识别方法、装置、计算机设备及存储介质。
2、为实现上述目的,本发明采用以下技术方案:道路绿化破损识别方法,包括:
3、获取道路图像;
4、对所述道路图像进行特征提取,以得到特征向量;
5、对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;
6、解析定义后的特征向量,以得到解析结果;
7、对所述定义后的特征向量计算置信度,以得到计算结果;
8、根据所述计算结果判断所述道路图像中是否存在绿化破损情况;
9、若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
10、其进一步技术方案为:所述解析定义后的特征向量,以得到解析结果,具体为:
11、将定义后的特征向量按照至少3个维度来表征,3个维度分别为每个锚点对应的锚框数量、图像上的锚点数量和特征向量长度;特征向量长度按照坐标回归值、置信度回归值、类别分布概率和严重等级分布概率进行分位表示。
12、其进一步技术方案为:所述对所述定义后的特征向量计算置信度,以得到计算结果,包括:
13、按照所述定义后的特征向量长度的分位,分别计算物体框的坐标、物体置信度、物体框的类别和类别置信度、物体框的严重等级和严重等级置信度;
14、对物体框进行过滤和后处理,得到目标物体框;
15、根据目标物体框的物体置信度、类别置信度和严重等级置信度计算最终置信度。
16、其进一步技术方案为:所述物体框的坐标计算过程包括:
17、将表示坐标的特征向量长度位进行归一化处理;
18、计算锚点的偏移量、锚框的中心坐标和物体框锚框的长宽。
19、其进一步技术方案为:所述对物体框进行过滤和后处理,包括:
20、过滤初始物体置信度小于设定置信度阈值的物体框,以得到中间物体框;
21、通过非极大值抑制去除所述中间物体框中重合度超过设定重合度阈值的物体框,以得到目标物体框。
22、其进一步技术方案为:所述上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,包括:
23、上传所述道路图像、物体框的严重等级以及物体框坐标;所述物体框的严重等级按照物体框内的综合颜色和不同颜色占物体框的面积比例来进行等级划分;其中,物体框的严重等级是采用标注不同严重等级的物体框训练形成的模型分析得到的。
24、其进一步技术方案为:所述采用标注不同严重等级的物体框训练形成的模型包括:在多个网络层中加入不同大小的空洞卷积,在空洞卷积层中设置不同的间隔像素以提取道路图像中绿化区域的像素特征,将所述像素特征及其像素特征值拼成道路图像中绿化区域的语义特征图,根据该语义特征图对严重等级进行分类。
25、本发明还提供了道路绿化破损识别装置,包括:
26、图像获取单元,用于获取道路图像;
27、提取单元,用于对所述道路图像进行特征提取,以得到特征向量;
28、定义单元,用于对所述特征向量进行定义,以得到定义后的特征向量,其中,定义后的特征向量包括坐标回归值、置信度回归值、类别分布概率和严重等级分布概率;
29、解析单元,用于解析定义后的特征向量,以得到解析结果;
30、计算单元,用于对所述定义后的特征向量计算置信度,以得到计算结果;
31、判断单元,用于根据所述计算结果判断所述道路图像中是否存在绿化破损情况;
32、上传单元,用于若所述道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标。
33、本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
34、本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
35、本发明与现有技术相比的有益效果是:本发明通过对道路图像进行多级特征提取,并采用设定损失函数模型对所提取的特征向量进行定义,增加严重等级分布概率,且对定义后的特征向量进行解析,确定物体框坐标,并计算对应的置信度,根据置信度确定道路图像中是否存在绿化破损情况,当道路图像中存在绿化破损情况,则上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,以解决当前利用人工巡查进行绿化破损监测与治理而带来的成本高、效率低、错漏高、不及时等问题以及现有目标检测方法运用道路绿化破损场景时仅能识别目标类别,无法对严重性进行分类评判的问题。
36、下面结合附图和具体实施例对本发明作进一步描述。
1.道路绿化破损识别方法,其特征在于,包括:
2.根据权利要求1所述的道路绿化破损识别方法,其特征在于,所述解析定义后的特征向量,以得到解析结果,具体为:
3.根据权利要求2所述的道路绿化破损识别方法,其特征在于,所述对所述定义后的特征向量计算置信度,以得到计算结果,包括:
4.根据权利要求3所述的道路绿化破损识别方法,其特征在于,所述物体框的坐标计算过程包括:
5.根据权利要求4所述的道路绿化破损识别方法,其特征在于,所述对物体框进行过滤和后处理,包括:
6.根据权利要求5所述的道路绿化破损识别方法,其特征在于,所述上传所述道路图像、所述道路图像中的绿化破损情况的严重等级以及具体坐标,包括:
7.根据权利要求6所述的道路绿化破损识别方法,其特征在于,所述采用标注不同严重等级的物体框训练形成的模型包括:在多个网络层中加入不同大小的空洞卷积,在空洞卷积层中设置不同的间隔像素以提取道路图像中绿化区域的像素特征,将所述像素特征及其像素特征值拼成道路图像中绿化区域的语义特征图,根据该语义特征图对严重等级进行分类。
8.道路绿化破损识别装置,其特征在于,包括:
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。