目前,地面清洁还处在全覆盖清洁或者人为介入引导清洁设备的阶段。在绝大多数的公共场合,地面清洁的工作效率都处于偏低的状态,其原因主要是清洁自动化程度较低。而且,清洁设备缺乏对地面清洁度的自主评估能力,仍需依托人眼进行判别,导致不必要的资源浪费。在人工智能快速发展的大趋势下,利用视觉技术对地面完成清洁度等级评估将成为可能。通过摄像头获取观测区域地面图像,利用图像处理或深度学习目标检测技术对该区域的目标进行检测识别,进而实现地面清洁度等级的评估,后续则可引导清洁设备高效地完成清洁任务。因此,对地面清洁度等级评估方法展开研究,具有一定的研究意义和应用价值。本文就地取材,将研究场景聚焦于校园地面,在评估清洁度等级时会因场景不同而导致侧重点不同,因此将其分为以灰尘为决定性因素的灰尘地面场景和以生活垃圾为决定性因素的日常生活地面场景,随后对这两个场景分别展开研究。研究有效的清洁度等级评估方法,并开发一个清洁度等级评估系统,使清洁设备能够获取图像信息来完成对地面的自主检测评估,实现清洁工作效率提高的同时并节约资源。具体的研究内容如下:（1）针对目前在地面清洁度等级评估方面无适用公开数据集的情况,通过人工拍照的方式建立了本文的数据集,分别为单一背景的灰尘地面数据集和日常生活地面数据集。（2）针对单一背景下的灰尘地面,提出了基于图像处理的清洁度等级评估方法。利用Retinex增强、灰度化以及基于直方图的自适应阈值化处理,量化图像中的灰尘目标,并计算出与整张图像的占比,进而可评估出清洁度等级。最终通过评估实验,验证了该方法在灰尘地面场景下的有效性。（3）研究了基于权重分配的生活地面清洁度等级评估方法,根据地面垃圾的类别及数量分配不同的权值并计算出检测区域的清洁度指数来完成清洁度等级评估。手动建立了生活地面场景数据集,初步检测对比训练完的Faster R-CNN、SSD以及YOLO v5s三种候选模型后选取YOLO v5s模型作为最终模型。其次在自建原始数据集上进行优化处理和数据增强操作来丰富不同条件下的数据以改善难检测垃圾出现误检、漏检问题。最终,通过清洁度等级评估实验,验证了该方法在生活地面场景下的有效性。（4）设计开发一个清洁度等级评估系统,实现数据采集节点采集地面图像数据并通过4G传输给云端,边缘处理终端再通过Wi Fi获取云端下发的图像数据并利用NPU加速检测场景中目标以评估出清洁度等级,最后将评估的结果以及检测的效果图用QT可视化进行展示。