一种餐厨垃圾杂质分拣方法及其位姿识别方法与系统

1.本发明属于餐厨垃圾处理相关技术领域，更具体地，涉及一种餐厨垃圾杂质分拣方法及其位姿识别方法与系统。


背景技术：

2.餐厨垃圾回收处理是城市固废回收，生活垃圾的后端收纳和无害化资源化处理能力在逐年提升，然而餐厨垃圾因为来源复杂，前端处理不充分，后端缺少分拣能力，导致目前餐厨垃圾的发酵设备很难直接处理现有的餐厨垃圾，都是依靠人工在前端分拣餐厨垃圾中的杂质成分，降低设备磨损，提高产品纯度。人工除杂成本高昂，并且餐厨垃圾处理的环节往往较为恶劣，不适合工人长时间的作业。因此如何找到一个能够代替人工，高效的实现杂质的识别工作，是餐厨垃圾回收处理的关键问题之一。
3.餐厨垃圾中的杂质，如塑料瓶、餐勺、筷子、调料盒、锡纸碗等，在生活垃圾中属于可分拣物。在生活垃圾的分拣工艺中，已经采用机器视觉，机械臂的自动化分拣模式替代人工作业，并且分拣精度高。但是餐厨垃圾的构成和生活垃圾的构成内容并非完全一致，餐厨垃圾除了杂质之外还存在85％以上的固液混合有机质，这意味着餐厨杂质识别图像中存在大量的干扰项，这导致现有的识别方法精度无法满足标准。具体的难点在于：1.杂质视觉分界面不明确，杂质边缘与餐厨垃圾之间没有明显的图像边界，像素级的识别方案存在标注困难、识别困难、分类困难等问题。目标定位的手段又无法给出杂质的准确位姿，不能满足分拣任务的信息量需求。2.部分遮挡的困难检测样本：被油膜和小颗粒有机质覆盖，杂质边缘存在被餐厨垃圾部分遮挡的情况，图像中杂质的边缘变得不可见。常规的检测模型在检测这类困难数据时会因为特征不够充足而导致无法识别。因此探究一种针对餐厨垃圾除杂场景下的目标位姿识别方法，对于餐厨垃圾回收资源化利用，城市环境建设都有着至关重要的作用。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明提供了一种餐厨垃圾杂质分拣方法及其位姿识别方法与系统，其采用旋转锚框代替水平锚框来描述目标的信息，多给出了一个角度参数θ，因此杂质在物理空间中的姿态信息通过手眼矩阵可以反算出来，提高了餐厨垃圾杂质识别的效率及精度。
5.为实现上述目的，按照本发明的一个方面，提供了一种餐厨垃圾杂质位姿识别方法，该方法包括以下步骤：
6.(1)采用旋转猫框标记餐厨垃圾图像中杂质的最小外接矩形，标记后的餐厨垃圾图像组成杂质数据集；
7.(2)采用cutmix方法将杂质数据集中每个图像中被旋转锚框标记的区域记为杂质图块，其他区域记为背景图块，将杂质图块作为被遮挡的目标，采用背景图块部分覆盖杂质图块以形成遮挡图像，同时将背景图块作为被遮挡目标，采用杂质图块部分覆盖背景图块
以生成未遮挡图像，遮挡图像与未遮挡图像组成遮挡数据集；
8.(3)采用遮挡数据集对检测神经网络进行训练；其中，检测神经网络的输入为待检测餐厨垃圾图像，输出为旋转猫框的参数偏置；
9.(4)将待检测餐厨垃圾图像输入检测神经网络中，检测神经网络输出预置旋转猫框的参数偏置，进而将得到的参数偏置与预置旋转锚框的初始参数进行组合得到餐厨杂质的位姿，餐厨杂质的位姿包括杂质的中心点及角度。
10.进一步地，旋转锚框被拆解为旋转部分和锚框部分，旋转猫框是按照长边定义法原则进行定义的，以长边水平为初始状态，锚框绕着右下角点旋转，长边与水平轴的夹角θ为旋转的表示方法。
11.进一步地，待检测餐厨垃圾图像均匀分布有多个预置旋转猫框，每个预置旋转锚框带有不同的初始参数。
12.进一步地，预置旋转猫框的初始参数包括长宽(w,h)、中心点(x,y)及角度(θ)，其中角度参数符合长边定义法。
13.进一步地，预置旋转锚框的角度取值在[-90
°
，90
°
]范围内，锚框的尺寸按照杂物的最小外接矩形的长宽表示。
[0014]
进一步地，该检测神经网络由特征提取层、特征整合层、特征回归层组成。
[0015]
进一步地，步骤(4)包括以下子步骤：
[0016]
s1，利用所述检测神经网络的特征提取层获取待检测餐厨垃圾图像的高低维度的特征向量，然后将得到的特征向量输入所述检测神经网络的特征整合层进行整合以获得整合后的特征向量；
[0017]
s2，将整合后的特征向量输入到所述检测神经网络的特征回归层以获得预置旋转猫框的偏置；
[0018]
s3，将获得预置旋转猫框的偏置与预置旋转猫框的初始参数进行组合以获得预置旋转猫框的预测值；
[0019]
s4，采用预置旋转猫框的置信度对预置旋转猫框进行筛选，筛选出的预置旋转猫框对应的中心点及角度即为待测餐厨杂质的中心点及角度，至此得到餐厨垃圾杂质的位姿。
[0020]
进一步地，预置旋转猫框的偏置包括长宽偏置(tw,th)、中心点偏置(t
x
,ty)、角度偏置(t
θ
)、类别分数(c1,c2…cn
)和置信度(conf)；预置旋转猫框的偏置与初始参数的组合方式分别为：
[0021]
长宽：
[0022][0023]
中心点：
[0024]
x＝x+σ(t
x
),y＝y+σ(ty)
[0025]
其中
[0026]
角度：
[0027]
θ＝θ+θ
threshhold
*(σ(t
θ
)-0.5)
[0028]
其中θ
threshhold
为每一个旋转锚框能够覆盖的旋转角度阈值；
[0029]
种类分数：
[0030][0031]
置信度分数不需要任何组合，神经网络输出的结果即可代表锚框包含物体的概率。
[0032]
本发明还提供了一种餐厨垃圾杂质分拣方法，所述方法采用如上所述的餐厨垃圾杂质位姿识别方法识别出杂质的位姿，进而基于杂质的位姿进行分拣。
[0033]
本发明还提供了一种餐厨垃圾杂质位姿识别系统，所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行如上所述的餐厨垃圾杂质位姿识别方法或者如上所述的餐厨垃圾杂质分拣方法。
[0034]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的餐厨垃圾杂质分拣方法及其位姿识别方法与系统主要具有以下有益效果：
[0035]
1.本发明采用旋转猫框代替水平猫框来描述目标的信息，多给出了一个角度参数θ，使得杂质在物理空间中的姿态信息通过手眼矩阵可以反算出来。
[0036]
2.通过cutmix方法可以在餐厨垃圾图像中模拟实际的情况，即通过这列数据扩充的手段建立一种可控图像生成方式，以补充困难图像样本，从而提高检出效果。
[0037]
3.旋转锚框中的θ参数通过长边定义法衡量，如此可以避免角度上的由-180
°
到正180
°
的突变，同时相较于分类表达法，该方法只需要回归一个角度参数即可，而分类的角度表达方法需要预测180个参数，极大地减少了计算量。
[0038]
4.通过角度分析可以解决旋转锚框在预测中的奇异性问题，相较于将位置信息和角度信息合并预测，分开预测角度值可以避免将位置和尺寸上的误差引入到角度上，因此额外的角度分支单独用角度损失进行拟合回归，角度误差会小于合并预测。
[0039]
5.图像增强的时候令一部分区域不改变其像素特征，这样做可以让网络同时学习到遮挡图像和不遮挡图像，保证网络性能不会因为增强效果出现遮挡倾向的偏差。
[0040]
6.将图像中分为杂质区块和背景区块，利用cutmix方法，针对性的生成遮挡图像和未遮挡图像数据，遮挡数据能够提升网络对于遮挡样本的识别能力，未遮挡样本则是防止网络只识别遮挡图像，这样的正则化设计能够有效提升网络针对遮挡目标的识别性能。
[0041]
7.基于旋转锚框的姿态检测方法可以适用于各类基础的目标识别网络上，具有很强的可移植性。
附图说明
[0042]
图1是本发明提供的餐厨垃圾杂质位姿识别方法涉及的旋转目标识别流程示意图；
[0043]
图2是基于长边定义的旋转猫框；
[0044]
图3中的(a)、(b)、(c)分别是原图、遮挡发生后的图及遮挡不发生时的图；
[0045]
图4是本发明提供的检测神经网络的框架图；
[0046]
图5是旋转角度的输出示意图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0048]
请参阅图1，本发明提供了一种餐厨垃圾杂质位姿识别方法，所述方法主要包括以下步骤：
[0049]
步骤一，采用旋转猫框标记餐厨垃圾图像中杂质的最小外接矩形，标记后的餐厨垃圾图像组成杂质数据集。
[0050]
旋转猫框的初始参数包括长宽(w,h)、中心点(x,y)及角度(θ)。旋转锚框可以被拆解为旋转部分和锚框部分，旋转猫框是按照长边定义法原则进行定义的。具体地，以长边水平为初始状态，锚框绕着右下角点旋转，长边与水平轴的夹角θ为旋转的表示方法。
[0051]
步骤二，采用cutmix方法将杂质数据集中每个图像中被旋转锚框标记的区域记为杂质图块，其他区域记为背景图块，将杂质图块作为被遮挡的目标，采用背景图块部分覆盖杂质图块以形成遮挡图像，同时将背景图块作为被遮挡目标，采用杂质图块部分覆盖背景图块以生成未遮挡图像，遮挡图像与未遮挡图像组成遮挡数据集。
[0052]
请参阅图3，遮挡图像和未遮挡图像是一一对应关系，即每一个遮挡图像都有一副未遮挡图像与之对应，每一个被遮挡的杂物，都对应着一个被杂物遮挡的背景。
[0053]
本实施方式中，遮挡时依据邻接、边缘、不充分的遮挡原则进行。
[0054]
步骤三，采用遮挡数据集对检测神经网络进行训练；其中，检测神经网络的输入为待检测餐厨垃圾图像，输出为旋转猫框的参数偏置。
[0055]
请参阅图4，该检测神经网络由特征提取层、特征整合层、特征回归层组成。其中，待检测餐厨垃圾图像均匀分布有多个预置旋转猫框，每个预置旋转锚框带有不同的初始参数。预置旋转猫框的初始参数包括长宽(w,h)、中心点(x,y)及角度(θ)，其中角度参数符合长边定义法。
[0056]
预置旋转锚框的角度参数利用长边定义法将角度值定义，取值在[-90
°
，90
°
]范围内，锚框的尺寸按照杂物的最小外接矩形的长宽表示。
[0057]
步骤四，将待检测餐厨垃圾图像输入检测神经网络中，检测神经网络输出预置旋转猫框的参数偏置，进而将得到的参数偏置与预置旋转锚框的初始参数进行组合得到餐厨杂质的位姿，餐厨杂质的位姿包括杂质的中心点及角度。
[0058]
请参阅图5，具体包括以下子步骤：
[0059]
s1，利用所述检测神经网络的特征提取层获取待检测餐厨垃圾图像的高低维度的特征向量，然后将得到的特征向量输入所述检测神经网络的特征整合层进行整合以获得整合后的特征向量。
[0060]
其中，特征提取是通过卷积的方式。
[0061]
s2，将整合后的特征向量输入到所述检测神经网络的特征回归层以获得预置旋转猫框的偏置，具体包括长宽偏置(tw,th)、中心点偏置(t
x
,ty)、角度偏置(t
θ
)、类别分数(c1,c2…cn
)和置信度(conf)。
[0062]
其中，类别分数是指该旋转锚框是某一个类别的概率分数，置信度则表示该旋转
锚框内包含杂质目标的概率。
[0063]
s3，将获得预置旋转猫框的偏置与预置旋转猫框的初始参数进行组合以获得预置旋转猫框的预测值。
[0064]
组合方分别为：
[0065]
长宽：
[0066][0067]
中心点：
[0068]
x＝x+σ(t
x
),y＝y+σ(ty)
[0069]
其中
[0070]
角度：
[0071]
θ＝θ+θ
threshhold
*(σ(t
θ
)-0.5)
[0072]
其中θ
threshhold
为每一个旋转锚框能够覆盖的旋转角度阈值，一般人为设定。
[0073]
种类分数：
[0074][0075]
置信度分数不需要任何组合，神经网络输出的结果即可代表锚框包含物体的概率。
[0076]
s4，采用预置旋转猫框的置信度对预置旋转猫框进行筛选，筛选出的预置旋转猫框对应的中心点及角度即为待测餐厨杂质的中心点及角度，至此得到餐厨垃圾杂质的位姿。
[0077]
具体地，将所有锚框按照非极大值抑制算法整合，首先将置信度将低于阈值的锚框筛除，然后将余下锚框记为集合d，接着将d中置信度最大的锚框选择出来放入输出集合s中，并且同时删除d中与之的iou数值大于iou阈值或角度差小于角度阈值的锚框，重复选框删框步骤直至d为空。
[0078]
重合度较高是指两个旋转锚框的iou数值大于iou阈值或角度差小于角度阈值。iou计算公式为：
[0079][0080]
其中area
b1
为锚框1形成的区域，area
b1
为锚框2形成的区域。
[0081]
以下以具体实施例来对本发明进行进一步的详细说明。
[0082]
以某餐厨垃圾回收处理站的数据对本发明进行详细描述，但本发明的应用对象并不限于此。该参数垃圾回收处理站处理的物料都是来自于该处理站周边的食堂和餐饮门店，所以杂质以一次性餐具和厨具居多，同时可能混有少量的陶瓷不锈钢器具。本实施方式将在以上情况下给出在餐厨垃圾中这些杂质的位姿信息，具体包括以下步骤：
[0083]
步骤一，采用旋转猫框标记餐厨垃圾图像中杂质的最小外接矩形，标记后的餐厨垃圾图像组成杂质数据集。
[0084]
请参阅图2，旋转猫框的初始参数包括长宽(w,h)、中心点(x,y)及角度(θ)。旋转锚
框可以被拆解为旋转部分和锚框部分，旋转猫框是按照长边定义法原则进行定义的，具体地，以长边水平为初始状态，锚框绕着右下角点旋转，长边与水平轴的的夹角θ为旋转的表示方法。
[0085]
步骤二，采用cutmix方法将杂质数据集中每个图像中被旋转锚框标记的区域记为杂质图块，其他区域记为背景图块，将杂质图块作为被遮挡的目标，采用背景图块部分覆盖杂质图块以形成遮挡图像，同时根据正则化原则将背景图块作为被遮挡目标，采用杂质图块部分覆盖背景图块以生成未遮挡图像，遮挡图像与未遮挡图像组成遮挡数据集。
[0086]
遮挡图像和未遮挡图像是一一对应关系，即每一个遮挡图像都有一副未遮挡图像与之对应，每一个被遮挡的杂物都对应着一个被杂物遮挡的背景。
[0087]
本实际方式中，遮挡时依据邻接，边缘，不充分的遮挡原则进行。
[0088]
步骤三，采用遮挡数据集对检测神经网络进行训练；其中，检测神经网络的输入为待检测餐厨垃圾图像，输出为旋转猫框的参数偏置。
[0089]
该检测神经网络由特征提取层、特征整合层、特征回归层组成。其中特征提取层为darkenet53结构，具有五层下采样结构，每层下采样中间由[1,3,8,8,4]个卷积层组成。特征整合层是由类fpn的多层金字塔结构组成，实现了高层和低层的特征融合。特征回归层由5个3*3的卷积核组成，最后一层的卷积核的数量为通道数。
[0090]
其中，待检测餐厨垃圾图像均匀分布有多个预置旋转猫框，每个预置旋转锚框带有不同的初始参数。预置旋转猫框的初始参数包括长宽(w,h)、中心点(x,y)及角度(θ)，其中角度参数符合长边定义法；长宽初始值设定包括[[230,190],[180,164],[197,150]，[112,88],[124,120],[98,68][10,13],[16,30],[40,23]]，中心点在均匀分布在图像中，角度初始值包括[[0],[0.52],[1.04],[-0.52],[-1.05]]。
[0091]
预置旋转锚框的角度参数利用长边定义法将角度值定义，取值在[-90
°
，90
°
]范围内，锚框的尺寸按照杂物的最小外接矩形的长宽表示。
[0092]
步骤四，将待检测餐厨垃圾图像输入检测神经网络中，检测神经网络输出预置旋转猫框的参数偏置，进而将得到的参数偏置与预置旋转锚框的初始参数进行组合得到餐厨杂质的位姿，餐厨杂质的位姿包括杂质的中心点及角度。
[0093]
具体包括以下子步骤：
[0094]
s1，利用所述检测神经网络的特征提取层获取待检测餐厨垃圾图像的高低维度的特征向量，向量尺寸依次为：
[0095]
56*56*256,28*28*512,14*14*1024
[0096]
然后将得到的特征向量输入所述检测神经网络的特征整合层进行整合以获得整合后的特征向量。
[0097]
其中，特征提取是通过卷积的方式。
[0098]
s2，将整合后的特征向量输入到所述检测神经网络的特征回归层以获得预置旋转猫框的偏置。具体包括长宽偏置(tw,th)、中心点偏置(t
x
,ty)、角度偏置(t
θ
)、类别分数(c1,c2…cn
)和置信度(conf)。
[0099]
其中，类别分数是指该旋转锚框是某一个类别的概率分数，置信度则表示该旋转锚框内包含杂质目标的概率。
[0100]
s3，将获得预置旋转猫框的偏置与预置旋转猫框的初始参数进行组合以获得预置
旋转猫框的预测值。
[0101]
组合的方式分别为：
[0102]
长宽：
[0103][0104]
中心点：
[0105]
x＝x+σ(t
x
),y＝y+σ(ty)
[0106]
其中
[0107]
角度：
[0108]
θ＝θ+θ
threshhold
*(σ(t
θ
)-0.5)
[0109]
其中θ
threshhold
为每一个旋转锚框能够覆盖的旋转角度阈值，一般人为设定。
[0110]
种类分数：
[0111][0112]
置信度分数不需要任何组合，检测神经网络输出的结果即可代表锚框包含物体的概率。
[0113]
s4，将所有预置锚框按照非极大值抑制算法整合，首先将置信度低于阈值的锚框筛除，然后将余下锚框记为集合d，接着将d中置信度最大的锚框选择出来放入输出集合s中，并且同时删除d中与之的iou数值大于iou阈值或角度差小于角度阈值的锚框，重复选框删框步骤直至d为空，s中的所有锚框即为旋转目标预测方法的结果。
[0114]
本发明还提供了一种餐厨垃圾杂质分拣方法，所述方法采用如上所述的餐厨垃圾杂质位姿识别方法识别出杂质的位姿，进而基于杂质的位姿进行分拣。
[0115]
本发明还提供了一种餐厨垃圾杂质位姿识别系统，所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行如上所述的餐厨垃圾杂质位姿识别方法或者如上所述的餐厨垃圾杂质分拣方法。
[0116]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种餐厨垃圾杂质位姿识别方法，其特征在于，该方法包括以下步骤：(1)采用旋转猫框标记餐厨垃圾图像中杂质的最小外接矩形，标记后的餐厨垃圾图像组成杂质数据集；(2)采用cutmix方法将杂质数据集中每个图像中被旋转锚框标记的区域记为杂质图块，其他区域记为背景图块，将杂质图块作为被遮挡的目标，采用背景图块部分覆盖杂质图块以形成遮挡图像，同时将背景图块作为被遮挡目标，采用杂质图块部分覆盖背景图块以生成未遮挡图像，遮挡图像与未遮挡图像组成遮挡数据集；(3)采用遮挡数据集对检测神经网络进行训练；其中，检测神经网络的输入为待检测餐厨垃圾图像，输出为旋转猫框的参数偏置；(4)将待检测餐厨垃圾图像输入检测神经网络中，检测神经网络输出预置旋转猫框的参数偏置，进而将得到的参数偏置与预置旋转锚框的初始参数进行组合得到餐厨杂质的位姿，餐厨杂质的位姿包括杂质的中心点及角度。2.如权利要求1所述的餐厨垃圾杂质位姿识别方法，其特征在于：旋转锚框被拆解为旋转部分和锚框部分，旋转猫框是按照长边定义法原则进行定义的，以长边水平为初始状态，锚框绕着右下角点旋转，长边与水平轴的夹角θ为旋转的表示方法。3.如权利要求1所述的餐厨垃圾杂质位姿识别方法，其特征在于：待检测餐厨垃圾图像均匀分布有多个预置旋转猫框，每个预置旋转锚框带有不同的初始参数。4.如权利要求3所述的餐厨垃圾杂质位姿识别方法，其特征在于：预置旋转猫框的初始参数包括长宽(w,h)、中心点(x,y)及角度(θ)，其中角度参数符合长边定义法。5.如权利要求4所述的餐厨垃圾杂质位姿识别方法，其特征在于：预置旋转锚框的角度取值在[-90
°
，90
°
]范围内，锚框的尺寸按照杂物的最小外接矩形的长宽表示。6.如权利要求4所述的餐厨垃圾杂质位姿识别方法，其特征在于：该检测神经网络由特征提取层、特征整合层、特征回归层组成。7.如权利要求6所述的餐厨垃圾杂质位姿识别方法，其特征在于：步骤(4)包括以下子步骤：s1，利用所述检测神经网络的特征提取层获取待检测餐厨垃圾图像的高低维度的特征向量，然后将得到的特征向量输入所述检测神经网络的特征整合层进行整合以获得整合后的特征向量；s2，将整合后的特征向量输入到所述检测神经网络的特征回归层以获得预置旋转猫框的偏置；s3，将获得预置旋转猫框的偏置与预置旋转猫框的初始参数进行组合以获得预置旋转猫框的预测值；s4，采用预置旋转猫框的置信度对预置旋转猫框进行筛选，筛选出的预置旋转猫框对应的中心点及角度即为待测餐厨杂质的中心点及角度，至此得到餐厨垃圾杂质的位姿。8.如权利要求7所述的餐厨垃圾杂质位姿识别方法，其特征在于：预置旋转猫框的偏置包括长宽偏置(t
w
,t
h
)、中心点偏置(t
x
,t
y
)、角度偏置(t
θ
)、类别分数(c1,c2…
c
n
)和置信度(conf)；预置旋转猫框的偏置与初始参数的组合方式分别为：长宽：
中心点：x＝x+σ(t
x
),y＝y+σ(t
y
)其中角度：θ＝θ+θ
threshhold
*(σ(t
θ
)-0.5)其中θ
threshhold
为每一个旋转锚框能够覆盖的旋转角度阈值；种类分数：置信度分数不需要任何组合，神经网络输出的结果即可代表锚框包含物体的概率。9.一种餐厨垃圾杂质分拣方法，其特征在于：所述方法采用权利要求1-8任一项所述的餐厨垃圾杂质位姿识别方法识别出杂质的位姿，进而基于杂质的位姿进行分拣。10.一种餐厨垃圾杂质位姿识别系统，其特征在于：所述系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行权利要求1-8任一项所述的餐厨垃圾杂质位姿识别方法或者权利要求9所述的餐厨垃圾杂质分拣方法。

技术总结
本发明属于餐厨垃圾处理相关技术领域，其公开了一种餐厨垃圾杂质分拣方法及其位姿识别方法与系统，包括以下步骤：(1)采用旋转猫框标记餐厨垃圾图像中杂质的最小外接矩形得到杂质数据集；(2)将杂质数据集中每个图像中被旋转锚框标记的区域记为杂质图块，其他区域记为背景图块，采用背景图块部分覆盖杂质图块以形成遮挡图像，同时采用杂质图块部分覆盖背景图块以生成未遮挡图像，遮挡图像与未遮挡图像组成遮挡数据集；(3)采用遮挡数据集对检测神经网络进行训练；(4)将待检测餐厨垃圾图像输入检测神经网络中，检测神经网络输出预置旋转猫框的参数偏置，进而得到餐厨杂质的位姿。本发明能补充困难图像样本，从而提高检出效果。从而提高检出效果。从而提高检出效果。


技术研发人员：李斌 林雨枫 王桢榕 牛拴龙 牛通之 李威风
受保护的技术使用者：华中科技大学
技术研发日：2023.05.19
技术公布日：2023/8/13