本发明涉及计算机视觉，特别是关于一种建筑垃圾检测方法、介质及电子设备。
背景技术：
1、在建筑工程的实践中，往往会产生各种建筑垃圾。随着环保监管的日益严格，有必要检测工程中的建筑垃圾，以便作进一步的处理。
2、随着神经网络的应用，在该领域也使用了基于深度学习的检测模型对图像中的建筑垃圾进行检测。然而，现有的基于深度学习的检测模型计算量通常较大，检测速度慢，应用受限，并不能方便地部署在移动端。基于此，为提高建筑行业的工作效率，有必要研究能够应用在移动端或嵌入式设备的检测模型，降低计算量，并提高检测速度。
技术实现思路
1、针对上述问题，本发明的目的是提供一种建筑垃圾检测方法、介质及电子设备，其采用轻量化的模型，可以降低计算量，提高检测速度，并且可部署在移动端等设备上。
2、为实现上述目的，本发明采取以下技术方案：
3、第一方面，本申请提供一种建筑垃圾检测方法，所述方法包括：
4、构建标注有建筑垃圾的训练数据集；
5、构建用于建筑垃圾检测的神经网络模型的网络架构；
6、利用构建的标注有建筑垃圾的训练数据集，训练构建好网络架构的所述用于建筑垃圾检测的神经网络模型，得到训练后的检测模型；
7、利用训练后的检测模型，对待检测的图像进行建筑垃圾的检测。
8、在本申请的一种实现方式中，所述构建标注有建筑垃圾的训练数据集，包括：
9、获取含有建筑垃圾的视频，并对所述视频进行处理，得到标注有建筑垃圾的训练数据集。
10、在本申请的一种实现方式中，所述对所述视频进行处理，包括：将所述视频解码为多张图片，并对每一张图片中的建筑垃圾进行标注。
11、在本申请的一种实现方式中，所述构建用于建筑垃圾检测的神经网络模型的网络架构，包括：
12、获取通过预训练得到的一个卷积神经网络模型；
13、对所述通过预训练得到的一个卷积神经网络模型的网络架构进行改进，得到构建好的用于建筑垃圾检测的神经网络模型。
14、在本申请的一种实现方式中，所述卷积神经网络模型，具体为yolov8模型。
15、在本申请的一种实现方式中，所述对所述通过预训练得到的一个卷积神经网络模型的网络架构进行改进，包括：
16、使用refconv网络层替换yolov8骨干网络中的c2f模块。
17、在本申请的一种实现方式中，所述对所述通过预训练得到的一个卷积神经网络模型的网络架构进行改进，还包括：
18、将yolov8的检测头替换为asff网络层。
19、在本申请的一种实现方式中，所述方法还包括：将训练后的检测模型部署到电子设备。
20、第二方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在设备执行第一方面所述的建筑垃圾检测方法。
21、第三方面，本申请提供一种电子设备，包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器运行所述计算机程序，控制所述电子设备执行第一方面所述的建筑垃圾检测方法。
22、本发明由于采用轻量化的模型，可以降低计算量，提高检测速度，并且可部署在移动端等设备上。
1.一种建筑垃圾检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的建筑垃圾检测方法，其特征在于，所述构建标注有建筑垃圾的训练数据集，包括：
3.根据权利要求2所述的建筑垃圾检测方法，其特征在于，所述对所述视频进行处理，包括：将所述视频解码为多张图片，并对每一张图片中的建筑垃圾进行标注。
4.根据权利要求1所述的建筑垃圾检测方法，其特征在于，所述构建用于建筑垃圾检测的神经网络模型的网络架构，包括：
5.根据权利要求4所述的建筑垃圾检测方法，其特征在于，所述卷积神经网络模型，具体为yolov8模型。
6.根据权利要求5所述的建筑垃圾检测方法，其特征在于，所述对所述通过预训练得到的一个卷积神经网络模型的网络架构进行改进，包括：
7.根据权利要求5所述的建筑垃圾检测方法，其特征在于，所述对所述通过预训练得到的一个卷积神经网络模型的网络架构进行改进，还包括：
8.根据权利要求1所述的建筑垃圾检测方法，其特征在于，所述方法还包括：将训练后的检测模型部署到电子设备。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8任一项所述的建筑垃圾检测方法。
10.一种电子设备，其特征在于，包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器运行所述计算机程序，控制所述电子设备执行权利要求1至8任一项所述的建筑垃圾检测方法。
