垃圾桶溢出识别监测系统 Python

垃圾桶溢出识别监测系统通过计算机视觉技术，垃圾桶溢出识别监测算法对社区街道垃圾桶里面垃圾溢出满载现象进行自动识别，算法监测到社区或者街道垃圾桶里面垃圾溢出时，不需人为干预可以立即告警提醒后台值班人员及时清理。垃圾桶溢出识别监测算法通过AI视频分析技术，大大提高垃圾清理的工作效率，更重要的是，有效改变此前依靠人工巡查的方式，改变传统事后罚款来惩罚违规行为的机制，可以在乱扔垃圾行为发生时就介入制止，避免街道/社区人员垃圾乱扔乱堆行为发生。

Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。它使程序员能够用更少的代码行表达思想，而不会降低可读性。与C / C++等语言相比，Python速度较慢。也就是说，Python可以使用C / C++轻松扩展，这使我们可以在C / C++中编写计算密集型代码，并创建可用作Python模块的Python包装器。这给我们带来了两个好处：首先，代码与原始C / C++代码一样快（因为它是在后台工作的实际C++代码），其次，在Python中编写代码比使用C / C++更容易。OpenCV-Python是原始OpenCV C++实现的Python包装器。

随着社会的发展和人民生活水平的进步，大家对于社区街道生活环境和空气质量越来越重视。而街道垃圾桶和社区垃圾桶中有许多致病微生物，同时垃圾往往是蚊、蝇、蟑螂和老鼠的滋生地。垃圾仓满溢乱堆乱放不仅造成影响市容，而且危害着广大市民的身体健康。街道混乱，味道大，公共垃圾桶的塞满速度比以往任何时候都快，不可避免地很多垃圾桶在收集之前会溢出。垃圾桶溢出识别监测系统通过摄像头对街道小区内的堆放点的垃圾桶进行7*24小时不间断监控，当有垃圾桶出现满溢乱堆乱放的时候，垃圾桶溢出识别监测系统通过AI视觉分析技术及时提醒居民垃圾分类，保持社区环境卫生。

class Detect(nn.Module):
    stride = None  # strides computed during build
    onnx_dynamic = False  # ONNX export parameter

    def __init__(self, nc=80, anchors=(), ch=(), inplace=True):  # detection layer
        super().__init__()
        self.nc = nc  # number of classes
        self.no = nc + 5  # number of outputs per anchor
        self.nl = len(anchors)  # number of detection layers
        self.na = len(anchors[0]) // 2  # number of anchors
        self.grid = [torch.zeros(1)] * self.nl  # init grid
        self.anchor_grid = [torch.zeros(1)] * self.nl  # init anchor grid
        self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2))  # shape(nl,na,2)
        self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch)  # output conv
        self.inplace = inplace  # use in-place ops (e.g. slice assignment)

    def forward(self, x):
        z = []  # inference output
        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)

                y = x[i].sigmoid()
                if self.inplace:
                    y[..., 0:2] = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:  # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
                    xy = (y[..., 0:2] * 2 - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

        return x if self.training else (torch.cat(z, 1), x)

    def _make_grid(self, nx=20, ny=20, i=0):
        d = self.anchors[i].device
        if check_version(torch.__version__, '1.10.0'):  # torch>=1.10.0 meshgrid workaround for torch>=0.7 compatibility
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)], indexing='ij')
        else:
            yv, xv = torch.meshgrid([torch.arange(ny).to(d), torch.arange(nx).to(d)])
        grid = torch.stack((xv, yv), 2).expand((1, self.na, ny, nx, 2)).float()
        anchor_grid = (self.anchors[i].clone() * self.stride[i]) \
            .view((1, self.na, 1, 1, 2)).expand((1, self.na, ny, nx, 2)).float()
        return grid, anchor_grid

垃圾桶溢出识别监测算法利用现场已有的监控摄像头对社区街道垃圾堆放点的垃圾桶区域进行自动实时监测，当垃圾桶溢出识别监测算法监测到垃圾溢出时，不需人为干预，立即将告警截图和视频推送给相关管理人员。垃圾桶溢出识别监测系统通过AI视频技术，对社区街道垃圾桶溢满以及垃圾乱堆乱放情况形成了强大的震慑作用，极大提升社区街道监控区域的管控效率。