(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210891737.1 (22)申请日 2022.07.27 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 申请人 深圳市市政工程总公司 (72)发明人 朱鑫　易军艳　范璐璐　裴忠实　 许勐　涂亮亮　冯德成　 (74)专利代理 机构 哈尔滨龙 科专利代理有限公 司 23206 专利代理师 李智慧 (51)Int.Cl. G06V 20/17(2022.01) G06V 20/00(2022.01) G06T 7/73(2017.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的建筑固废组分快速识别与 比例估算方法 (57)摘要 基于深度学习的建筑固废组分快速识别与 比例估算方法， 属于建筑固体废弃物再生应用技 术领域。 本发 明解决了 现场堆积多源建筑固废组 分识别及估算的难题， 具体步骤为： 构造零散工 况和密集工况下的室内立体固废场； 随机调整室 内固废的位置及姿势， 并拍摄照片； 拍摄拆迁现 场堆积的建筑固废照片； 对采集到三种工况下的 图像做物 体标注并做训练集预处理； 利用YOL Ov5 训练得到识别模 型， 基于此识别模块识别建筑固 废组分， 编写比例估算模块， 利用程序统计图像 中各类建筑固废数量， 得到各组分比例。 本发明 的识别方法能够识别现场堆积的多源建筑固废， 识别精度和速度较好， 并且能够估算拆迁现场建 筑固废各 组分比例， 为后续建筑固废处理提供决 策依据。 权利要求书1页 说明书5页 附图4页 CN 115294477 A 2022.11.04 CN 115294477 A 1.基于深度学习的建筑固废组分快速识别与比例估算方法， 其特征在于， 包括以下步 骤： 步骤一： 收集建筑固体废弃物， 构造零散工况下的室内立体固废场和密集工况下的室 内立体固废场， 随机调整室内两种工况下建筑固体废弃物的位置和姿势， 并拍摄建筑固体 废弃物照片； 步骤二： 利用无 人机拍摄 拆迁现场堆积的建筑固体废弃物照片； 步骤三： 对采集到的室内零散工况、 室内密集工况及室外拆迁现场工况下的图像做物 体标注并对训练样本划分训练集和测试集， 生成包含所有训练集图像名称的txt文件和标 注文件名称的txt文件， 并配置训练模型 所需的路径文件； 步骤四： 将训练集 导入卷积神经网络 YOLOv5中， 通过训练得到识别模型； 步骤五： 基于识别模型， 导入拆迁现场建筑固体废弃物图像， 识别图像 中的建筑固废组 分； 步骤六： 统计图像中各类建筑固体废弃物数量， 计算得到各组分比例。 2.根据权利要求1所述的方法， 其特征在于： 步骤一中， 收集的建筑固体废弃物包括建 筑废弃混凝 土、 废弃砖、 废弃木材、 废弃瓷砖和废弃 金属中的一种或多种的组合。 3.根据权利要求1所述的方法， 其特征在于： 步骤一中， 零散工况下的室内立体固废场 中， 每种固体废弃物的数量为1 ‑3块， 密集工况下的室内立体固废场中， 每种固体废弃物的 数量≥6块。 4.根据权利要求1所述的方法， 其特征在于： 步骤一中， 每次拍摄前调整建筑固体废弃 物， 包括调整其平面 位置、 改变其 立体姿势和使用不同的堆叠方式。 5.根据权利要求1所述的方法， 其特征在于： 步骤二中， 利用无人机拍摄拆迁现场堆积 的建筑固体废弃物照 片时， 遵循多图多角度原则并调整无人机俯仰角度以增加更多视角下 的训练集图像。 6.根据权利要求1所述的方法， 其特征在于： 步骤四中， 将训练集导入卷积神经网络 YOLOv5中， 设置预训练权 重和训练参数， 配置算法所需环境， 通过训练得到识别模型。 7.根据权利要求1所述的方法， 其特征在于： 步骤五中， 基于识别模型， 将无人机拍摄的 拆迁现场建筑固体废弃物图像导入Y OLOv5的识别模块中， 识别拆迁 现场建筑固废中各类物 体， 输出标有物体 类型及置信度的图像。 8.根据权利要求1所述的方法， 其特征在于： 步骤六中， 将步骤五中输出图像替换为输 出txt文件， 在txt文件中记录有已识别的物体 类型及对应的位置信息 。 9.根据权利要求1所述的方法， 其特征在于： 步骤六中， 读取txt文本文件中的物体类型 信息， 得到不同种类的建筑固体废弃物数量， 用各类 建筑固体废弃物数量除以总数量， 得到 各类建筑固体废弃物的占比。权　利　要　求　书 1/1 页 2 CN 115294477 A 2基于深度学习的建筑固废组分快速识别与比例估算方 法 技术领域 [0001]本发明属于建筑固体废 弃物再生应用技术领域， 具体涉及一种基于深度学习的现 场堆积多源建筑固废组分的快速识别与比例估算方法。 背景技术 [0002]建筑固废指拆除或建造过程中产生的固体废弃物， 包括混凝土块、 碎砖块、 木材、 金属等， 严重污染环境， 因此建筑垃圾的资源回收利用非常重要。 常见建筑垃圾的处理技术 手段包括破碎、 筛分和分选， 但是在进行这些步骤之前还需要对拆迁现场大量的建筑固体 废弃物组成成分有一个预估， 为决策者提供固废信息， 这决定了后续建筑垃圾处理的步骤 和方法。 [0003]目前并没有关于识别大量建筑固体废 弃物及预估其组成成分的方法， 已有的建筑 固废识别方法多数基于传统的卷积神经网络方法如Fast ‑CNN、 Mask  R‑CNN等， 并且训练集 大部分是室内条件下少量的建筑固体废弃物图像， 因此只能识别零散工况下的建筑固体废 弃物， 可以应用于建筑固废自动分拣， 但是无法对拆迁 现场大量的、 堆积的建筑固废进行快 速识别并且无法估算 其组成成分。 [0004]因此， 有必要研究出一种基于深度学习的现场堆积多源建筑固废组分的快速识别 与比例估算方法， 能够对拆迁现场大量的建筑固废进行识别及组成 成分估算。 发明内容 [0005]本发明的目的是为了解决拆迁现场大量的建筑固废组成成分快速识别与比例估 算的难题， 实现快速高效识别 现场建筑垃圾并估算其组成的目标， 提供一种基于深度学习 的现场堆积多源建筑固废组分的快速识别与比例估算方法。 通过制作室内零散工况、 密集 工况、 室外现场工况下的训练集， 进而利用适于大量目标检测的深度学习算法， 导入训练 集， 建立识别模型； 使用无人机拍摄拆迁现场建筑固废图像， 利用识别模型识别图像中的各 类建筑固废， 统计各类建筑固废数量， 估算废弃物比例。 [0006]为实现上述目的， 本发明采用的技 术方案如下： [0007]基于深度学习的建筑固废组分快速识别与比例估算方法， 包括以下步骤： [0008]步骤一： 收集建筑固体废弃物， 构造零散工况下的室内立体固废场和密集工况下 的室内立体固废场， 随机调整室内两种工况下建筑固体废弃物的位置和姿势， 并拍摄建筑 固体废弃物照片； [0009]步骤二： 利用无 人机拍摄 拆迁现场堆积的建筑固体废弃物照片； [0010]步骤三： 对采集到 的室内零散工况、 室内密集工况及室外拆迁现场工况下的图像 做物体标注并对训练样本划分训练集和测试集， 生成包含所有训练集图像名称的txt文件 和标注文件名称的txt文件， 并配置训练模型 所需的路径文件； [0011]步骤四： 将训练集 导入卷积神经网络 YOLOv5中， 通过训练得到识别模型； [0012]步骤五： 基于识别模型， 导入拆迁现场建筑 固体废弃物图像， 识别图像中的建筑 固说　明　书 1/5 页 3 CN 115294477 A 3