买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种基于机器视觉的垃圾桶无人值守系统设计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114092877B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111295652.9，技术领域涉及：G06V20/52；该发明授权一种基于机器视觉的垃圾桶无人值守系统设计方法是由孙光民;赵锐腾;李煜设计研发完成，并于2021-11-03向国家知识产权局提交的专利申请。

本一种基于机器视觉的垃圾桶无人值守系统设计方法在说明书摘要公布了：一种基于机器视觉的垃圾桶无人值守系统设计方法属于机器视觉技术领域，系统采用端‑云结合架构，通过边缘计算对视频等信息进行实时处理，提高系统反应时效性，减轻数据传输负载，降低平台的运营成本。该系统可部署于社区集中垃圾投放点，辅助垃圾的正确投放和分类，对居民垃圾投放情况及垃圾桶状态信息进行实时监控和统计，保证垃圾投放过程可监督，可追溯。系统可替代原有的人工值守方式，有效降低人力成本，提高垃圾分类政策的执行效果。

本发明授权一种基于机器视觉的垃圾桶无人值守系统设计方法在权利要求书中公布了：1.一种基于机器视觉的垃圾桶无人值守系统设计方法，其特征在于： 步骤1使用人脸检测算法获取摄像头拍摄图像中的人脸检测框Boxes以及每个检测框所对应的人脸关键点Landmarks；将Boxes及其对应的Landmarks送入对齐网络输出对齐后的人脸图像Imageface；将对齐后的人脸图像Imageface送入人脸识别网络生成n维特征向量embedding，embedding满足： embedding＝x1,x2,x3…xn 作为人脸比对依据；最后将生成的人脸特征向量embedding与数据库中已注册的人脸特征向量集合进行对比，其中ei满足： ei＝y1,y2,y3…yn 计算其欧氏距离d： 选择满足欧氏距离d小于预设阈值dthreshold的人脸信息所对应的姓名作为最终识别结果；dthreshold＝1.24； 步骤2使用深度神经网络模型对待投放垃圾进行目标检测，获取待投放垃圾的种类信息，分为以下4个阶段： 1预处理阶段，对输入图像进行切片操作，将切片后的图像进行卷积降维后，送入主干网络进行特征提取； 2特征图提取阶段，主干网络由深度可分离卷积DSConv模块及添加通道注意力机制的幽灵卷积瓶颈层SE-GhostBottleneck模块构成； SE-GhostBottleneck模块输入先后经过幽灵卷积降维GhostConv–分组卷积DWConv–通道权重调整SELayer–幽灵卷积升维GhostConv操作输出特征图； 主干网络具体结构如下： 2-1输入首先经过DSConv模块进行卷积下采样操作，之后送入SE-GhostBottleneck模块进行特征提取得到浅层特征图； 2-2将浅层特征图送入DSConv模块进行卷积下采样操作，之后送入3层级联SE-GhostBottleneck模块进行特征提取得到较深层特征图； 2-3将较深层特征图送入DSConv模块进行卷积下采样操作，之后送入3层级联SE-GhostBottleneck模块进行特征提取得到深层特征图； 2-4将深层特征图送入空间金字塔池化层SPP模块进行多重感受野融合，提升模型对于不同尺寸物体检测的鲁棒性，并将输出特征图送入通道注意力模块SELayer进行通道权重调整，将其输出结果作为主干网络的特征提取结果； 3特征融合阶段，对于主干网络所提取的特征图，基于深层特征图的强语义特征和浅层特征图的强定位特征，从不同的主干层对不同的检测层进行参数聚合，更好的融合主干网络所提取的特征，其具体结构如下： 3-1首先将主干网络输出特征图送入幽灵卷积瓶颈层GhostBottleneck模块，输出特征图f1； 3-2将特征图f1送入幽灵卷积GhostConv模块，输出特征图f2； 3-3将特征图f2进行上采样，并通过跳跃连接层与2-3中所提深层特征图在通道维度上进行堆叠，输出特征图f3； 3-4将特征图f3送入幽灵卷积瓶颈层GhostBottleneck模块，输出特征图f4； 3-5将特征图f4送入幽灵卷积GhostConv模块，输出特征图f5； 3-6将特征图f5进行上采样，并通过跳跃连接层与2-2中所提较深层特征图在通道维度上进行堆叠，输出特征图f6； 3-7将特征图f6送入幽灵卷积瓶颈层GhostBottleneck模块，输出特征图FM1； 3-8将特征图FM1送入深度可分离卷积DSConv模块，输出特征图f7； 3-9将特征图f7通过跳跃连接层与步骤3-4中所提特征图f4在通道维度上进行堆叠，输出特征图f8； 3-10将特征图f8送入幽灵卷积瓶颈层GhostBottleneck模块，输出特征图FM2； 3-11将特征图FM2送入深度可分离卷积DSConv模块，输出特征图f9； 3-12将特征图f9通过跳跃连接层与3-2中所提特征图f2在通道维度上进行堆叠，输出特征图f10； 3-13将特征f10图送入幽灵卷积瓶颈层GhostBottleneck模块，输出特征图FM3； 4目标检测阶段，设置三级检测头，分别对应小、中、大三种尺度的检测目标；将特征图FM1、FM2、FM3送入检测头，根据预设锚点框进行边框回归，实现目标检测； 步骤3通过多目标跟踪算法对目标轨迹进行跟踪预测，并且针对原有遮挡造成的跟踪目标序号跳变问题，设计了一种跟踪器双输入并联结构，联合多角度特征信息保证跟踪效果的稳定性，降低误判率，具体流程如下： 1将每一时刻的跟踪框组合构成一组轨迹； 2通过滤波操作对当前帧预测一个跟踪框，该跟踪框存在两种状态，分别为确定状态和不确定状态； 3对当前帧进行检测，然后对检测框和跟踪框进行数据关联，此时会出现两种情况： a匹配成功，更新跟踪框； b匹配失败，对匹配失败的跟踪框和检测框进行IOU匹配；若匹配成功，则进行更新，然后继续进行预测–观测–更新的跟踪流程；若仍然失败，则将原跟踪目标的特征向量与辅视角检测目标的特征向量进行匹配： 若匹配成功，则认为未丢失跟踪目标并保留跟踪信息，否则对其建立一个新的跟踪框，并初始化为不确定状态，对此后几帧进行IOU匹配，若匹配成功，则将此跟踪框设置为确定状态，继续进行预测-观测-更新的跟踪流程； 4对下一帧执行上述步骤1至3，直至任务结束； 步骤4通过专家系统对投放垃圾的轨迹终点坐标与该区域垃圾桶类别进行匹配，错误匹配视为垃圾错投，未进入区域视为垃圾遗撒；具体地，对每一帧图像执行下述操作： 4.1遍历所有检测框，若检测到手或目标初始坐标在投放域内，不做处理并进入下一帧，否则执行4.2； 4.2若跟踪终止坐标不在投放区域内，判定本次投放为垃圾遗撒并进入下一帧，否则执行4.3 4.3若检测目标种类与投放区域种类不匹配，将投放错误信息添加至判定列表，否则将投放正确信息添加至判定列表，并设置告警显示时长为0； 4.4设置终止显示时长为2s并遍历判定列表，若告警显示时长大于终止显示时长，将投放信息移出判定列表并发送告警信息至云端服务器，否则维持告警信息显示直至大于终止显示时长； 步骤5通过平视摄像头C1获取投放物体当前距地面高度信息h，并提前划定特定高度H，俯视摄像头C2获取检测目标框的像素宽度s′，与划定垃圾桶区域的像素宽度s，将两者相除得到比例系数k，公式如下： 其中k∈0,1，当水平摄像头检测物体中心点高度h与预设高度H重合即h＝H时，通过已知的垃圾桶边长Wt计算出投放物体的实际宽度W，公式如下： W＝Wt×k 利用摄像头单目测距原理计算投放物体到摄像头的距离D，公式如下： 式中D为检测物体到摄像头的距离，W为检测物体的实际宽度，F为摄像头的焦距，P为摄像头中检测物体的宽度像素值； 最终通过计算已知俯视角度摄像头C2距地面高度Hc与距离摄像头最近的目标距离Dmin之差计算出当前桶内的最大垃圾堆叠高度Hmax，公式如下： Hmax＝Hc-Dmin 并设置阈值高度Hthreshold满足： Hthreshold＝Hcan×α 其中Hcan为垃圾桶总高度，α为满溢系数，取α＝0.7，当Hmax超过阈值高度Hthreshold时，将垃圾桶视为满溢状态； 步骤6边缘计算设备开启两条进程主进程和子进程，并通过共享内存S实现进程通信：其中子进程将步骤5中的平视摄像头C1作为人脸识别模块的输入端，输出投放人姓名N，同时获取当前投放物体的高度信息h，最终将上述获取的姓名N与高度信息h存入共享内存S中供主进程调用；主进程将步骤5中的俯视摄像头C2作为目标检测的输入端，并将结果送入跟踪器，实现对投放物体的种类CL与轨迹信息T的获取，将CL与T输入专家系统得出本次投放动作的判断结果Code，同时获取当前时间戳T；最终将上述所提投放人姓名N，投放结果Code，当前时间戳T，桶内堆叠高度h统一发送至云端平台进行数据汇总；在此期间，主进程通过RTMP协议向云端Nginx服务器推流，以实现流程的实时监控要求。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。