道路清扫车在城市清洁中起到重要作用,其清扫工作通常由驾驶员根据路面情况人为调节清扫机构档位。为保证清洁的高效性,通常选用高档位进行工作,因此会产生大量的不必要能源消耗。为减少能源浪费并简化驾驶员的操作流程,本文对车辆清扫机构进行智能化研究,利用单目相机代替驾驶员感知路面信息,通过结合传统图像分割算法与语义分割算法,实现对输入图像实现全种类垃圾的识别,并且根据垃圾信息输出清扫机构控制信号,最终实现节能的同时提高道路清扫车的工作效率。本文首先依托传统燃油道路清扫车平台,设计了清扫机构的智能控制系统。该系统由单目相机传感器、计算控制单元、清扫机构以及其他辅助设备组成。通过单目相机获取路面图像,经计算控制单元完成图像处理与识别、控制信号转换后,对清扫机构档位进行智能控制。同时通过定义清扫车工作面的概念,明确了车辆垃圾识别的范围。并且建立了模糊评价模型,为垃圾信息转化为所需档位信息提供了理论基础。其次基于单目相机成像原理获取相机内、外参数,并利用张氏标定法校正相机畸变,确保了后续算法获取垃圾覆盖率的准确性。同时将工作面和工作面垃圾作为识别目标,自制了可工作区域数据集与路面垃圾数据集,用于模型训练与优化。同时通过调研获取各类垃圾的密度,为模糊评价模型因素集的确定提供数据基础。然后通过介绍卷积神经网络与语义分割的基础结构,选用PSPNet算法作为工作面与垃圾识别模型,通过分析与FCN、Mask R-CNN在ADE20K和PASCAL VOC2012数据集的对比实验结果,验证了PSPNet算法在小尺寸目标识别精度更高,性能最优。随后利用两个自制数据集对PSPNet模型进行训练和验证,实现了工作面垃圾识别,识别精度分别为95.7%、77.0%。通过分析垃圾识别结果可知,PSPNet模型存在无法识别未标注种类垃圾的缺点。最后针对模型的不足,增加了利用颜色分割、边缘检测、灰度直方图分析的传统图像分割算法分支对模型进行优化和测试。测试结果表明,优化后的模型可实现工作面所有种类垃圾的识别,识别精度比PSPNet模型提高了5.23%。最终利用模型输出的垃圾种类与覆盖率作为因素集、各类垃圾的数量、不同覆盖率区域的数量作为因素权重矩阵影响因子以及通过实车实验可获得的评价矩阵,构成了将垃圾信息转化为档位信息的模糊评价模型,基于该模型可实现档位信号的智能切换。