街道清洁度可以理解为街道上垃圾物的分布情况,它的评估有利于街道垃圾的清扫及街道环境的维护。街道清洁度智能评估任务的第一步是通过视觉分析识别出街道中的垃圾物,即识别出图像中特定的对象,第二步是判断街道垃圾物的分布情况,即评定街道的清洁程度。在第一步中,技术上往往是通过深度学习中目标检测与分割实现的。主要挑战一是要排除每张图片中垃圾物的数量、位置、尺度、视角,二是考虑到现实场景比较复杂,垃圾物在高分辨率的图像中只有几个像素,即属于低像素目标检测一直是一项比较困难的任务。针对挑战一,本课题设计并标注了一个用于街道清洁度研究的垃圾物数据集,数据集图片来自于城市园区共三个月的监控录像,选取了每天中不同时刻,包含了不同的天气状况,并使用数据预处理增强数据集的多样性。针对挑战二,本课题设计了用于街道垃圾物识别检测的算法模型,算法改进自通用实例分割模型YOLACT,在网络结构设计上采用了小卷积核、空洞卷积、1*1卷积,并采用迁移学习+微调的方法对网络进行优化。对改进后的YOLACT和未改进的YOLACT进行了对比实验、模型融合实验、消融实验。第二步是在检测出来垃圾对象的基础上,再使用数学方法进行分析。在本课题中提出了街道清洁度评估标准,针对目前没有基于单张图片对垃圾物具体区域的研究,本课题使用数学方法对街道图片进行定性分析和定量分析,并结合定性分析和定量分析对街道清洁度进行评估。最后使用Py Installer和pyqt5把整个项目压缩成可执行程序,以界面化的形式呈现出来,实时的检测图片中的垃圾物,并且给出街道清洁度数据。数据反映了定性分析的结果、定量分析的结果、清洁度综合评价的结果,最终给出反馈提醒清洁人员是否去打扫。综上所述,本文所取得的成果有:制作了一个可用于街道清洁度评估的数据集;设计了一个街道垃圾物识别检测算法;提出了清洁度评估方法;将工程打包为可执行程序。