(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 202210494717.0 (22)申请日 2022.05.07 (71)申请人 程焱军 地址 312000 浙江省绍兴 市越城区解放大 道288号 (72)发明人 程焱军　 (51)Int.Cl. G06V 20/52(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于互联网的智慧城市监测方法 (57)摘要 本发明公开了一种基于互联网的智慧城市 监测方法， 包括如下步骤： 步骤1， 通过摄像头采 集智慧城市环 境图像， 对智慧城市环 境图像进行 标注， 得到智慧城市环境改善点类别标注图像， 并将智慧城市环境图像和智慧城市环境改善点 类别标注图像组成数据集； 步骤2、 对智慧城市环 境图像利用图像处理技术进行图像区域划分， 得 到智慧城市环境区域图像。 通过设备的整体结 构， 基于智慧城市环境图像中的图像区域划分的 面积来获取不同分布大小与标准差的智慧城市 环境图像中每个地区的标记值， 降低了人为标注 的歧义性， 同时利用一维向量来实现环境评估 方 法， 节省计算资源， 同时也缩小了普通的图像处 理导致的误检测问题。 权利要求书3页 说明书8页 附图1页 CN 114724089 A 2022.07.08 CN 114724089 A 1.一种基于互联网的智慧城市监测方法， 其特 征在于： 包括如下步骤： 步骤1， 通过摄像头采集智慧城市环境图像， 对智慧城市环境图像进行标注， 得到智慧 城市环境改善点类别标注图像， 并将智慧城市环 境图像和智慧城市环境改善点类别标注图 像组成数据集； 步骤2、 对智慧城市环境图像利用图像处理技术进行图像区域划分， 得到智慧城市环境 区域图像， 建立智慧城市环境改善点与环境要求的对应关系， 基于对应关系获取数据集中 每个智慧城市环境改善点类别所对应的图像区域划分的平均面积， 基于每个智慧城市环境 改善点类别所对应的图像区域划分的平均面积， 获取每个改善点类别中每个改善点的高斯 分布大小和标准差； 步骤3、 基于每个改善点的高斯分布大小和标准差获取智慧城市环境图像的x坐标一维 分布向量和y坐标一维分布向量， 根据智慧城市环境改善点类别标注智慧城市环境图像中 改善点的位置， 获取智慧城市环境图像中每个地区的标记值， 根据智慧城市环 境图像的x坐 标一维分布向量、 y坐标一维分布向量和智慧城市环境图像中每个地区的标记值， 获取x标 记值分布向量、 y标记值分布向量， 智慧城市环境图像的x坐标一维分布向量、 y坐标一维分 布向量和x标记值分布向量、 y标记值分布向量组成标记数据； 步骤4、 建立第一神经网络， 根据智慧城市环境图像与标记数据训练第一神经网络； 步骤5、 利用第 一神经网络获取预测标记数据， 根据预测标记数据获取智慧城市环境图 像中每个地方的环境布局信息； 步骤6、 根据智慧城市环境图像 中每个地方的环境布局信 息建立第二神经网络， 用以识 别地方的环境改善状态。 2.根据权利要求1所述的一种基于互联网的智慧城市监测方法， 其特征在于： 所述获取 数据集中每 个智慧城市环境改善点类别所对应的图像区域划分的平均面积具体为： 其中B为所有标记的数据集该改善点类别的数量， Ai表示第i个该改善点类别所对应的 图像区域划分的平均面积。 3.根据权利要求2所述的一种基于互联网的智慧城市监测方法， 其特征在于： 所述每个 改善点所对应的该图像区域划分的平均面积 获取其分布大小为： D′j,i表示第j类别改善中第i个改善点的分布大小， 表示第j类别改善点所对应的该 图像区域划分 的平均面积， Aj,i表示第j类别改善点中第i个 改善点的所对应的所对应的该 图像区域划分的面积， 通过该公式， 使得改善点对应部分面积越小的， 其分布越小， 因为面 积越小， 其通常在图像中越小， 越容易存在改善点分布区域重叠， 面积越 大， 其分布越大， 因 为越大其标注越具有歧义 性。 4.根据权利要求1所述的一种基于互联网的智慧城市监测方法， 其特征在于： 所述高斯 分布， 其均值一定的情况下， 其标准差不同， 导致的分布不同， 因此可以将高斯分布的标准权　利　要　求　书 1/3 页 2 CN 114724089 A 2差表示标注的不确定性， 同样具有下述公式： 其中,E′j,i表示第j类别改善点中第i个改善点的高斯分布标准差， E表示基准标准差， 经验值为 1。 该公式表示面积越大， 其标准差越 大， 其分布的值越接近。 然后对于标准差大小 存在以下约束： 最小标准差为0.5， 最大 标准差为2.5 。 5.根据权利要求1所述的一种基于互联网的智慧城市监测方法， 其特征在于； 所述每个 一维分布向量， 将改善点相 应的规范化坐标代入一维高斯分布的函数中， 同时根据其分布 大小将该坐标得到的邻域规范化坐标进行代入， 得到每一个改善点的一维高斯分布值， 所 述一维高斯分布的函数为： μ为均值， σ 为标准差， e为自然底数， π 为数 学圆周率。 6.根据权利要求1所述的一种基于互联网的智慧城市监测方法， 其特征在于； 所述地 区 的标记值 Qt的计算方法如下： t表示智慧城市环境图像中的第t个地方， M表示改善点类别的数量， Xt,i,Yt,i分别表示 第t个地方第i个改善点的X、 Y坐标， G、 T分别为图像的宽、 高， 该标记 值包含两部 分， 前面为x 标记值， 后面 为y标记值。 7.根据权利要求1所述的一种基于互联网的智慧城市监测方法， 所述第一神经网络的 训练， 第一神经网络的结构为图像编码器、 全连接网络 两部分。 图像编码器的输入为智慧城市环境图像， 其作用为特征提取， 然后得到特征图， 特征图 进行展平操作得到特征向量， 将特征向量输入全连接网络进 行拟合， 输出每一类改善点的x 坐标一维分布向量、 y坐标一维分布向量、 x标记值分布向量、 y标记值分布向量。 损失函数如下： 分别表示x坐标一维分布向量标签、 网络预测的x坐标一维分布向量标签； 分别表示 y坐标一维分布向量标签、 网络预测的y坐标一维分布向量标签， 分别表示x标记值分布 向量、 网络预测的x标记值分布 向量， 分别表示y标记值分 布向量标签、 网络预测的y标记值分布向量。 8.根据权利要求1所述的一种基于互联网的智慧城市监测方法， 其特征在于； 一种基于 互联网的智慧城市监测方法储于计算机构架的应用程序内部， 通过烧录的程序进 行驱动运 行， 其还包括总线架构、 储存器和总线接口， 总线架构可以包括任意数量的互联的总线和 桥， 总线架构将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路 链接在一起， 总线架构还可以将诸如外 围设备、 稳压器和功率管理电路等之类的各种其他权　利　要　求　书 2/3 页 3 CN 114724089 A 3