CN106920327A - 一种基于图像识别的高效率回收装置 - Google Patents

Abstract

一种基于图像识别的高效率回收装置，包括回收箱、设置在所述回收箱上的投放口、设置在所述回收箱内的图像识别装置和分类装置，所述投放口用于物品投放，所述图像识别装置用于对投入回收箱的物品进行识别，所述分类装置根据所述图像识别装置的识别结果对物品进行分类。本发明的有益效果为：实现了物品分类回收。

Description

一种基于图像识别的高效率回收装置

技术领域

本发明创造涉及图像识别技术领域，具体涉及一种基于图像识别的高效率回收装置。

背景技术

随着图像数据规模变得越来越庞大，我们能获取空前丰富的资源，同时也面临着海量信息的处理与筛选的困惑。

面对海量的图像数据，传统的图像处理、表达、识别等方法越来越难以有效地应付。如何快速地筛选信息、有效地分析图像内容、以及准确地判断图像质量已成为亟待研究和解决的问题。

发明内容

针对上述问题，本发明旨在提供一种基于图像识别的高效率回收装置。

本发明创造的目的通过以下技术方案实现：

一种基于图像识别的高效率回收装置，包括回收箱、设置在所述回收箱上的投放口、设置在所述回收箱内的图像识别装置和分类装置，所述投放口用于物品投放，所述图像识别装置用于对投入回收箱的物品进行识别，所述分类装置根据所述图像识别装置的识别结果对物品进行分类。

本发明的有益效果为：借鉴了人类视觉机制中，与周围区域具有较大差异性的目标容易吸引观察者的视觉关注，将快速搜寻具有目标的区域而忽略其它区域，实现了图像准确识别，从而实现了物品分类回收。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明图像识别装置结构示意图；

附图标记：

回收箱1、投放口2、图像识别装置3、分类装置4。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例的一种基于图像识别的高效率回收装置，包括回收箱1、设置在所述回收箱1上的投放口2、设置在所述回收箱1内的图像识别装置3和分类装置4，所述投放口2用于物品投放，所述图像识别装置3用于对投入回收箱的物品进行识别，所述分类装置4根据所述图像识别装置3的识别结果对物品进行分类。

本实施例实现了物品分类回收。

优选的，所述图像识别装置3通过生成显著图来对物品图像进行识别，包括图像转换单元、灰度对比度确定单元和权重确定单元，所述图像转换单元将彩色图像转换为灰度图像，所述灰度对比度确定单元通过融合像素点的全局灰度对比度和局部灰度对比度最终确定像素点灰度对比度，所述权重确定单元根据像素点位置信息赋予对比度图权重，得到最终的显著图，完成图像识别。

本实施例借鉴了人类视觉机制中，与周围区域具有较大差异性的目标容易吸引观察者的视觉关注，将快速搜寻具有目标的区域而忽略其它区域，实现了图像准确识别。

优选的，图像转换单元将彩色图像转换为灰度图像，转换公式为：

式中，L(x,y)为图像灰度，R(x,y)为图像红色分量，G(x,y)为图像绿色分量，B(x,y)为图像蓝色分量；

本优选实施例得到的灰度图像更符合人类视觉习惯，并且充分保证了某一色彩亮度值过高或过低时的图像质量。

优选的，灰度对比度确定单元通过融合像素点的全局灰度对比度和局部灰度对比度最终确定像素点灰度对比度；

图像中像素点的全局灰度对比度通过以下公式计算：

式中，Q(x,y)为像素点(x,y)的全局灰度对比度，L_m(x,y)为像素点(x,y)在3×3邻域内的平均灰度，L_M为整幅图像的平均灰度；

图像中像素点与周边邻域的局部灰度对比度采用下式计算：

式中，U(x,y)为像素点(x,y)局部灰度对比度，L(x,y)为输入图像灰度，G(σ₁)、G(σ_j)、G(σ_i)和G(σ₆)为高斯核函数；

通过融合全局灰度对比度和局部灰度对比度获得图像最终的灰度对比度图：

DB(x,y)＝μ₁×Q(x,y)+μ₂×U(x,y)

式中，μ₁和μ₂为权重系数，μ₁+μ₂＝1，DB(x,y)为图像最终的灰度对比度；

本优选实施例借鉴了人类视觉系统中，更容易关注图像灰度对比度突出的区域，同时考虑了像素点的全局对比度和局部对比度，获得了更为准确的灰度对比度，采用多种不同的值对局部灰度对比度进行度量，对大尺寸目标和小尺寸目标均能起到良好的显著性检测效果。

优选的，权重确定单元根据像素点位置信息赋予对比度图权重，得到最终的显著图；

式中，(x,y)表示像素点位置，r为每个像素距离中心点的距离，R为图像长边框到中心点的距离，“centre”表示图像中心直径为图像窄边长的圆区域，“subcentre”表示图像中心区域；

显著图中的每个点的灰度级表示原图像的视觉显著性强弱，即高灰度像素点表示显著性高，低灰度像素点表示显著性低，设置阈值来分割出显著图中感兴趣区域，完成图像识别。

本优选实施例借鉴了人类视觉系统中更容易关注图像中心区域，同时考虑图像亮度对比度和图像中心来提取图像显著图，能够有效获取图像中的感兴趣目标区域，且该方法对于多目标区域依然具有良好的显著性检测效果。

采用本发明回收装置对200个物品进行识别回收，将物品识别准确率和物品时间作为装置性能好坏的评价指标，μ₁和μ₂取不同值时，取得的有益效果具体如下表所示：

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.一种基于图像识别的高效率回收装置，其特征在于，包括回收箱、设置在所述回收箱上的投放口、设置在所述回收箱内的图像识别装置和分类装置，所述投放口用于物品投放，所述图像识别装置用于对投入回收箱的物品进行识别，所述分类装置根据所述图像识别装置的识别结果对物品进行分类。

2.根据权利要求1所述的一种基于图像识别的高效率回收装置，其特征在于，所述图像识别装置通过生成显著图来对物品图像进行识别，包括图像转换单元、灰度对比度确定单元和权重确定单元，所述图像转换单元将彩色图像转换为灰度图像，所述灰度对比度确定单元通过融合像素点的全局灰度对比度和局部灰度对比度最终确定像素点灰度对比度，所述权重确定单元根据像素点位置信息赋予对比度图权重，得到最终的显著图，完成图像识别。

3.根据权利要求2所述的一种基于图像识别的高效率回收装置，其特征在于，所述图像转换单元将彩色图像转换为灰度图像，转换公式为：

$L(x,y)=\left\{\begin{array}{c}0.3R(x,y)+0.6G(x,y)+0.1B(x,y),if20\≤R(x,y),G(x,y),B(x,y)\≤220\\ max\[R(x,y),G(x,y),B(x,y)\]+\frac{\min \[R(x,y),G(x,y),B(x,y)\]}{2},else\end{array}\right.$

式中，L(x,y)为图像灰度，R(x,y)为图像红色分量，G(x,y)为图像绿色分量，B(x,y)为图像蓝色分量。

4.根据权利要求3所述的一种基于图像识别的高效率回收装置，其特征在于，所述灰度对比度确定单元通过融合像素点的全局灰度对比度和局部灰度对比度最终确定像素点灰度对比度；

通过融合全局灰度对比度和局部灰度对比度获得图像最终的灰度对比度图，具体为：

DB(x,y)＝μ₁×Q(x,y)+μ₂×U(x,y)

式中，μ₁和μ₂为权重系数，μ₁+μ₂＝1，Q(x,y)为像素点(x,y)的全局灰度对比度，U(x,y)为像素点(x,y)局部灰度对比度，DB(x,y)为图像最终的灰度对比度。

5.根据权利要求4所述的一种基于图像识别的高效率回收装置，其特征在于，所述像素点的全局灰度对比度通过以下公式计算：

$Q(x,y)=\frac{|L_M-L_m(x,y)|}{L_M+L_m(x,y)}+\frac{|L_M-L_m(x,y)|}{{\[L_M+L_m(x,y)\]}^2}$

式中，Q(x,y)为像素点(x,y)的全局灰度对比度，L_m(x,y)为像素点(x,y)在3×3邻域内的平均灰度，L_M为整幅图像的平均灰度。

6.根据权利要求5所述的一种基于图像识别的高效率回收装置，其特征在于，所述像素点与周边邻域的局部灰度对比度采用下式计算：

$\begin{array}{c}U(x,y)={\mathrm{\Σ}}_{j=2}^3|L(x,y)\⊗G\left({\mathrm{\σ}}_1\right)-L(x,y)\⊗G\left({\mathrm{\σ}}_j\right)|\\ +{\Σ}_{i=4}^5|L(x,y)\⊗G\left({\mathrm{\σ}}_i\right)-L(x,y)\⊗G\left({\mathrm{\σ}}_6\right)|\end{array}$

式中，U(x,y)为像素点(x,y)局部灰度对比度，L(x,y)为输入图像灰度，G(σ₁)、G(σ_j)、G(σ_i)和G(σ₆)为高斯核函数。

7.根据权利要求6所述的一种基于图像识别的高效率回收装置，其特征在于，所述权重确定单元根据像素点位置信息赋予对比度图权重，得到最终的显著图；

$XZ(x,y)=\left\{\begin{array}{c}\frac{1+{\cos }^2\frac{r}{2R}}{2}DB(x,y),if(x,y)\∈centre\\ \frac{1}{2}DB(x,y),if(x,y)\∈subcentreandif(x,y)\∉centre\\ \frac{1-{\sin }^2\frac{r}{2R}}{2}DB(x,y),else\end{array}\right.$

式中，(x,y)表示像素点位置，r为每个像素距离中心点的距离，R为图像长边框到中心点的距离，“centre”表示图像中心直径为图像窄边长的圆区域，“subcentre”表示图像中心区域；

显著图中的每个点的灰度级表示原图像的视觉显著性强弱，即高灰度像素点表示显著性高，低灰度像素点表示显著性低，设置阈值来分割出显著图中感兴趣区域，完成图像识别。