基于机器视觉和深度学习的堆叠建筑固体废物的快速数据集生成方法

科学领域:

• 计算机视觉 计算机视觉
• 环境科学 环境科学
• 机器人技术 机器人技术 机器人技术

背景情况:

• 城市化产生大量建筑固体废物,需要有效的分类解决方案.
• 机器视觉算法比传统方法提供更快,更稳定的固体废物检测.
• 准确的机器视觉需要大量的数据集,但现场数据稀缺,手动注释成本高昂.

研究的目的:

• 开发快速,自动的方法来生成和注释建筑固体废物数据集.
• 提高基于机器视觉的固体废物分类的准确性和效率.
• 为了解决稀缺的现场数据和高手工注释成本的局限性.

主要方法:

• 建立了一个采集和检测平台,用于自动RGB-D图像收集和实例标签.
• 使用分发点和数据增强,用于合成建筑固体废物数据集的快速生成方法.
• 现实数据集的两个自动注释方法:半监督自训和RGB-D融合边缘检测.

主要成果:

• 在简单的条件下,生成的数据集在简单的条件下获得了95.98F1分,超过了手动标签 (94.81).
• 在复杂的条件下,快速生成方法达到97.74F1得分,明显超过手动标签 (85.97).
• 使用提出的方法生成和注释的数据集产生了卓越的模型训练结果.

结论:

• 建议的快速数据集生成和自动注释方法对于建筑固体废物是有效的.
• 这些自动化方法克服了手动注释和稀缺现场数据的局限性.
• 开发的方法提高了固体废物分类机器视觉算法的性能.