(19)中华 人民共和国 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 202111515756.6 (22)申请日 2021.12.1 1 (71)申请人 迈动互联 （北京） 信息科技有限公司 地址 100000 北京市海淀区知春路6号(锦 秋国际大厦)6层A12-1 (72)发明人 童亚斋　 (74)专利代理 机构 宁波海曙甬睿专利代理事务 所(普通合伙) 33330 代理人 原倩文 (51)Int.Cl. B64C 27/22(2006.01) B64D 47/08(2006.01) H05K 7/20(2006.01) B64C 39/02(2006.01) G06V 20/13(2022.01)G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) (54)发明名称 一种基于人工智能的智慧城市用识别装置 及其识别方法 (57)摘要 本发明公开了一种基于人工智能的智慧城 市用识别装置及其识别方法， 包括机身， 所述机 身的内部一端设置有转动电机， 转动电机的一端 传动连接有转动轴， 所述转动轴的表 面固定连接 有螺旋桨， 所述机身的两侧表面均设置有机翼， 所述机身的尾端上表面设置有尾椎， 本发明通过 设置的航拍设备， 通过无人机将航拍设备带到空 中对智慧城市进行航拍， 随后通过将航拍的照片 视频等上传至地面识别系统内部进行识别， 大大 方便了智慧城市的识别过程， 打造了关于智慧城 市特定场景的设备算法一体化解决方案， 集拍 摄、 传输、 模型训练、 AI算法识别于一体的设备系 统， 内置了垃圾、 排污、 山火等算法， 提供了此类 智慧城市场景的解决方案 。 权利要求书2页 说明书7页 附图4页 CN 114180047 A 2022.03.15 CN 114180047 A 1.一种基于人工智能的智慧城市用识别 装置， 包括机身(1)， 其特征在于： 所述机身(1) 的内部一端设置有转动电机， 转动电机的一端传动连接有转动轴(3)， 所述转动轴(3)的表 面固定连接有螺旋桨(4)， 所述机身(1)的两侧表面均设置有机翼(2)， 所述机身(1)的尾端 上表面设置有尾椎(6)， 所述机身(1)的尾端两侧表面均设置有尾翼(5)， 所述机身(1)的下 表面中间部 分固定连接有 连接箱(8)， 所述连接箱(8)的下表面固定连接有 连接块(9)， 所述 连接块(9)的内部通过转轴(10)转动连接有转动杆(11)， 所述转动杆(11)远离连接块(9)的 一端固定连接有航拍设备(12)， 所述机身(1)的两侧表面均设置有散热网(7)， 所述散热网 (7)的内侧表面设置有散热板， 所述机身(1)的内部设置有5G通信模块。 2.根据权利要求1所述的一种基于人工智能的智慧城市用识别装置， 其特征在于： 所述 机身(1)的下表面两端均固定连接有支撑杆(13)， 所述支撑杆(13)的下端均通过减震杆 (14)设置有减震轮(15)。 3.根据权利要求2所述的一种基于人工智能的智慧城市用识别装置， 其特征在于： 所述 支撑杆(13)的内部底端开设有减震槽(16)， 所述减震槽(16)的内部两侧表 面固定连接有滑 动杆(17)， 所述滑动杆(17)的表 面滑动连接有滑 块(18)， 所述滑 块(18)设置有两个， 两个所 述滑块(18)之间设置有减震弹簧(19)。 4.根据权利要求3所述的一种基于人工智能的智慧城市用识别装置， 其特征在于： 所述 滑块(18)的下端设置有连接件(21)， 所述连接件(21)固定连接在减震杆(14)的上表面， 且 所述连接件(21)和滑 块(18)之间设置有 连接杆(20)， 所述连接杆(20)的上端转动连接在滑 块(18)的一侧表面， 所述连接杆(20)的下端转动连接在连接件(21)的一侧表面。 5.一种基于人工智能的智慧城市用识别装置的识别方法， 其特 征在于： 包括以下步骤： 步骤一： 地面控制系统通过5G接收模块将航拍设备(12)拍摄的智慧城市的画面进行接 收， 并将画面 导入至地 面控制系统内部的识别系统进行识别； 步骤二： 在识别系统内部建立航拍画面的数据集， 对建立的数据集进行预处理， 建立训 练集和测试集， 构建Yolo  V5模型， Yolo  V5模型包括输入端、 特征提取部分、 Neck部分和 Head部分； 输入端对图像进 行数据增强处理、 自适应锚框计算及自适应图片缩放处理； 特征 提取部分用于对输入图像进 行切片操作， 再经过卷积操作， 获得特征图； Neck部分对 特征图 进行分类和分割； Head部分用于得到不同尺度的预测结果； 步骤三： 使用训练集训练Yolo  V5模型， 在训练和检测时， 对切分后的图像再次进行切 分， 用以增大目标大小在图像中的占比， 将输入网络的图像大小修改为最后切割的图像大 小， 对某种排污口较少的数据随机翻转进行 数据增强； 步骤四： 使用测试集测试训练好的Yolo  V5模型的性能， 然后将模型用于无人机航拍排 污口图像的识别； 步骤五： 确定城市垃圾种类和样式， 并提取图像特 征； 步骤六： 确定垃圾乱投乱放场景， 并提取图像特 征； 步骤七： 确定垃圾定点投放场景， 并提取图像特 征； 步骤八： 搭建图像识别网络模型； 步骤九： 合格及不 合格的图像素 材收集； 步骤十： 形成数据集； 步骤十一： 进行训练并学习；权　利　要　求　书 1/2 页 2 CN 114180047 A 2步骤十二： 对训练结果进行验证， 并形成测试指标； 步骤十三： 形成 成熟的垃圾图像识别方法。 6.根据权利要求5所述的一种基于人工智能的智慧城市用识别装置的识别方法， 其特 征在于： 所述步骤二中， 对建立的数据集进 行预处理的内容包括对高分辨率图像的分块， 对 分块后的图像进 行排污口标注， 对标注后的图像再次进 行裁剪， 设高分辨图像大小为W ×H， 划分数量使用如下公式计算： Numx＝W/7 Numy＝H/7 上述公式 中， Numx和Numy分别代表分块时宽和高的分块数量。 7.根据权利要求5所述的一种基于人工智能的智慧城市用识别装置的识别方法， 其特 征在于： 所述步骤三中， Neck部分采用特征金字塔网络FPN和PA N网络， 特征金字塔网络由自 上而下和自下而上两个部 分组成， 其中， 自上而 下的网络用于提取航拍图像的特征， 自下而 上的部分用于融合不同尺度的特征信息， PAN网络和FPN网络共同使用， 创建自下而上的增 强路径， 用于缩短信息路径， 利用存储的精确定位信号， 底层基础信息向高层传播以进行分 类和分割。 8.根据权利要求5所述的一种基于人工智能的智慧城市用识别装置的识别方法， 其特 征在于： 所述步骤三中， Head部分中， 使用加权非极大抑制， 在剔除锚框的过程中， 将锚框的 置信度作为权值， 得到新的矩形框， 把该矩形作为最 终预测的矩形框， 再将 较低分数的锚框 剔除， Head得到三种不同尺度的预测结果， 以输入图像大小为608 ×608为例， 预测结果大小 分别为19 ×19×255， 38×38×255， 76×76×255， 不同大小的结果用于预测不同大小的目 标， 在目标检测的后处理过程中， 针对很多目标锚框筛选， 通常需要进行非极大抑制操作， 非极大抑制就是筛选不同置信度下的锚框， 抑制分数比较低的锚框。 在Yolo  V5中， 使用 加 权NMS， 在剔除锚框的过程中， 将锚框的置信度作为权值， 得到新的矩形框， 把该矩形作为最 终预测的矩形框， 再将较低分数的锚框剔除， 损失函数使用CIOU ‑LOSS损失函数， 其公式为： 其中， IOU为交并比， C表示封闭A和B的最小区域， |C/(A∪B)|表示C中没有覆盖A和B的 面积占C总面积的面积， 总损失函数为： L＝GIOU_L oss+Lconf+Lcls Yolo V5的模型大小分为四种， 分别为s、 m、 l、 x， 分别适用于不同的需求， 使用训练集训 练Yolo V5模型， 将输入网络的图像大小修改为最后切割的图像大小， 在训练过程中， 交并 比IOU＞0.7的部分， 认为是前景目标； 当IOU＜0.3时， 我们认为是背景目标， 其损失函数如 上所述计算， 其中GIOU_L oss为回归锚框的loss， Lconf为置信度的l oss， Lcls为分类的l oss。 9.根据权利要求5所述的一种基于人工智能的智慧城市用识别装置的识别方法， 其特 征在于： 所述步骤十一中， 使用基于pytorch的统一的训练框架， 应用faster ‑rcnn和mask ‑ rcnn目标检测算法进行训练， 并通过使用在ImageNet数据集预训练的模型来进行迁移学 习。 10.根据权利要求9所述的一种基于人工智能的智慧城市用识别装置的识别方法， 其特 征在于： 所述cascade ‑mask‑rcnn‑dconv网络模型其主干网络采用Resnet101。权　利　要　求　书 2/2 页 3 CN 114180047 A 3