CN107133968A - 一种基于物联网的垃圾处理控制系统 - Google Patents
一种基于物联网的垃圾处理控制系统 Download PDFInfo
- Publication number
- CN107133968A CN107133968A CN201710423618.2A CN201710423618A CN107133968A CN 107133968 A CN107133968 A CN 107133968A CN 201710423618 A CN201710423618 A CN 201710423618A CN 107133968 A CN107133968 A CN 107133968A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- module
- image
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000013523 data management Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000010191 image analysis Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000009434 installation Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003703 image analysis method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 229910000859 α-Fe Inorganic materials 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims 1
- 239000004071 soot Substances 0.000 abstract description 10
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 239000002361 compost Substances 0.000 description 6
- 238000009264 composting Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明属于环保技术领域,公开了一种基于物联网的垃圾处理控制系统,基于物联网的垃圾处理控制系统包括:摄像模块、电子信息模块、数据管理模块及报警模块;摄像模块通过导线连接电子信息模块;所述电子信息模块通过局域网与数据管理模块连接;所述数据管理模块通过局域网与报警模块连接;电子信息模块内置图像分析单元、误差计算单元、图像信号识别单元等。本发明应用垃圾处理,可以对垃圾场实施远程监控,直接观察垃圾堆积情况;可以定期查看垃圾场的垃圾堆积状况,详细记录第一手的分析资料,并随时反馈到指挥中心,对垃圾进行第一时间的处理。从而避免由于垃圾清运过程中管理跟不上而造成的生活垃圾乱拉、乱倒、乱堆现象。
Description
技术领域
本发明属于环保技术领域,尤其涉及一种基于物联网的垃圾处理控制系统。
背景技术
随着经济社会的快速发展,人们生活水平显著提高,生活垃圾逐年增多,但也带来了不可避免的问题。生活垃圾的处理让人头疼。城市环境卫生在城市建设中占重要地位,它是衡量一个城市是否文明的重要标准。城市环境卫生的程度与市民健康程度、市容美丽程度成正比。城市环境卫生与否与城市环境卫生设施的完备与否有着重要联系。所以,健全城市环境卫生设施是十分必要的。生活垃圾量的不断增多就需要更加完备的环境卫生设施。但是,目前还存在许多县城的环境卫生设施不完备,垃圾处理率不高,不能真正达到污染最低化和物质循环再生利用。生活垃圾处理不当导致全社会的经济发展严重滑坡,生活垃圾的处理已经上升为环境治理的重大问题。生活垃圾一天天增加,可是简陋狭隘的垃圾处理厂和破旧的设施却跟不上垃圾量的步伐,面对着严重的威胁和挑战。由此可知,生活垃圾的处理无疑需要国民具有更加强大的环境保护意识,同时,经济上要加大力度,可以拥有更加先进的垃圾处理器,健全环境保护设施。只有垃圾处理科技水平跟上了时代潮流,生活垃圾无害化才得以保证。
据统计,2005年全国城市共有垃圾处理厂(场)470座,处理能力25.7万吨/日,集中处理量8100万吨,集中处理率52%。按处理量统计,2005年城市生活垃圾填埋、焚烧和堆肥处理的比例分别为85.2%、9.8%和4.3%。与2001年相比,焚烧处理比例明显增加,堆肥处理比例明显下降,填埋处理比例也略有下降。2005年我国城市生活垃圾填埋处理能力超过20万吨/日。一批现代化生活垃圾填埋场投入运行,标志着生活垃圾填埋场建设水平有了显著提高。城市垃圾堆肥处理处于停滞甚至萎缩状态。从2001年~2005年的变化可以看出,堆肥处理能力不仅没有增加反而有所下降。我国垃圾堆肥基本为城市生活垃圾的混合堆肥,可以将厨余类有机物分选出来进行堆肥,但此举一方面增加运行成本,另一方面堆肥产品的质量也难以保证。此外,由于纯粹的厨余类有机物水分高,需要添加骨料才适宜进行堆肥处理。垃圾无害化处理能力由此可见。数据显示,城市垃圾量近几年在急速增加。然而当前的垃圾处理投入量却显得明显不足,生活垃圾处理的现状引人担忧。
生活垃圾处理存在的问题:1)生活垃圾处理方式跟不上时代,没有与如今的生活垃圾产生量相一致,只是照搬旧模式,不仅不能达到无害化处理,还造成了严重的二次破坏。2)没有从长远考虑,忽略了雨雪天等恶劣天气的影响,建场时没有着意垃圾场基础路面的建设。3)垃圾场保卫工作不严密,使防渗漏土工膜经常被窃取,在一定程度上影响水质。4)各部门不团结的工作态度致使垃圾清运与垃圾处理工作的不衔接。垃圾清运与处理应由同一单位负责,然而某些县城却失去责任心,将清运和处理分给不同的部门。5)设施简陋、损坏严重、达不到垃圾处理无害化的要求,所以不仅使得垃圾无法无害化处理,而且也大大增加了清洁工作的难度。6)垃圾清运过程缺乏管理,规划区内的生活垃圾无人管理,乱成一片,狼狈不堪,难以杜绝。7)人力资源、空间资源等的成本逐步提高,垃圾处理厂的经费上升,长此以往,经济实力难以承受,最终会无法运行。8)垃圾收费工作不易,城镇人员普遍存在虚报瞒报相关事实现象,企业实际征收率不容乐观。
综上所述,现有技术存在的问题是:现有技术不能够实现智能判断,从而不能为实现垃圾的快速处理提供指导方向。
发明内容
为解决现有技术存在的问题,本发明的目的在于提供一种基于物联网的垃圾处理控制系统。
本发明是这样实现的,一种基于物联网的垃圾处理控制系统,所述基于物联网的垃圾处理控制系统包括:摄像模块、电子信息模块、数据管理模块及报警模块;
所述摄像模块通过导线连接电子信息模块;所述电子信息模块通过局域网与数据管理模块连接;所述数据管理模块通过局域网与报警模块连接;
电子信息模块内置图像分析单元、误差计算单元、图像信号识别单元;
所述的图像分析单元,分析声图像信号的像素信号;
所述图像分析单元的图像分析方法中,建立的图像的显著性模型中,采用显微图像噪声滤除方法和采用适合处理组织类图像信息的脉冲耦合神经网络模型对显微图像进行检测;显微图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理;显微图像受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波;
所述适合处理组织类图像信息的脉冲耦合神经网络模型:
Fij[n]=Sij;
Uij[n]=Fij[n](1+βij[n]Lij[n]);
其中,βij[n]为自适应链接强度系数;
Sij、Fij[n]、Lij[n]、Uij[n]、θij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值,Nw为所选待处理窗口W中的像素总数,Δ为调节系数,选取1~3;
脉冲耦合神经网络模型对图像进行检测时,利用网络特性使灰度为Sij max的像素点火激活,再进行第二次脉冲耦合神经网络迭代处理,把介于[Sij max/1+βijLij,Sij max]间的像素捕获激活,使两次激活的像素点对应的Yij输出为1;然后对原噪声污染图像反白处理,再对处理后的图像Sij按前述进行迭代处理,并使对应的输出Yij=1,利用图像噪声像素与周围像素相关性小,灰度差别大特性,当一个神经元的激发没有引起所在区域附近大多数神经元的激发时,就说明该神经元对应像素可能是噪声点;
初步甄别出Yij=0对应的像素点为图像的信号点,予以保护;对Yij输出为1的像素点在3*3模板B范围内统计以输出Yij=1为中心邻域元素值为1的个数NY判别归类:1≤NY≤8,为噪声点,当NY=9,判定为图像像素点;
图像自适应加权滤波器噪声滤波的实现方法;
当脉冲输出Yij=1且NY=1~8,NY是当在3*3模板B中为1个数,选取滤波窗口M,对噪声污染图像Sij的自适应滤波,滤波方程为:
式中,xrs是滤波窗口中对应像素的系数,Srs为滤波窗口中对应像素的灰度值,fij为滤波窗后窗口中心输出值:
式中Dij为方形滤波窗口M中像素灰度中值,Ωij滤波窗口中心灰度差绝对均值,max为求其中最大值;
所述的误差计算单元,对所述像素信号分析中存在误差进行计算;
所述的图像信号识别单元,基于所述误差对所述图像信号是否是周期图像的信号进行识别;
图像信号识别单元识别时的传递函数为:
其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变;
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)·G(θ,θ);
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf用于确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ;
所述的基于物联网的垃圾处理控制系统还包括与数据管理模块通过局域网进行连接的移动终端管理模块;所述移动终端管理模块包括与数据管理模块远程无线连接的智能手机终端,该智能手机终端包括:
显示模块,用于显示发送过来的提醒信息;
发声模块,用于以语音方式表征发送过来的提醒信息;
所述的电子信息模块包括实时状态监测模块、图像数据传送模块、GSM网络模块,所述的实时状态监测模块和图像数据传送模块通过GSM网络模块与手机终端进行通信,将现场垃圾图像传送给手机端;
所述实时状态监测模块提取实时状态信息特征的方法包括:
采集到N个样本用作训练集X,采用下式求出样本平均值m:
其中,xi∈样本训练集X=(x1,x2,…,xN);
求出散布矩阵S:
求出散布矩阵的特征值λi和对应的特征向量ei,其中,ei便是主分量,将特征值从大到小依次排列λ1,λ2,…;取出p个值,λ1,λ2,…,λp确定出脸空间E=(e1,e2,…,eP),在此脸空间上,训练样本X中,每个元素投影到该空间的点由下式得到:
x'i=Etxi,t=1,2,…,N;
由上式得到的是将原向量经过PCA降维后的p维向量;
所述的GSM网络模块包括网络服务器和路由器;所述的网络服务器设置在GSM网络模块的前端;所述的路由器设置在网络服务器的一侧;
所述的数据管理模块包括控制管理中心。
进一步,所述的控制管理中心包括音频接口,所述音频接口与手机端无线连接,所述音频接口包括:
第一声道端子、第二声道端子和话筒端子;
数据发送单元,所述数据发送单元与所述话筒端子电连接,以便向所述手机端发送数据;
数据接收单元,所述数据接收单元与所述第二声道端子电连接,以接收来自所述手机端的数据;
安全认证模块,所述安全认证模块与所述数据发送单元和所述数据接收单元电连接,所述加密模块与所述的电动锁芯识别码模块连接,所述的电动锁芯识别码模块与云存储模块连接,该云存储模块包括:密码模块、客户端模块、云安全存储及共享服务器、云文件服务器;密码模块,用于随机生成密钥,实现对称加密及解密,并提供私钥的算法;客户端模块,用于对于文件的上传、下载以及文件的加解密操作;云安全存储及共享服务器,用于实现对用户的认证、用户配额控制以及授权管理;云文件服务器,用于文件存储;所述密码模块与客户端模块相配合实现对文件的相关操作,并与云安全存储及共享服务器进行通讯实现对云文件服务器中的文件进行操作;
取电模块,所述取电模块的输入端与所述第一声道端子电连接;所述取电模块的输出端向所述数据发送单元、数据接收单元、安全认证模块供电。
进一步,所述的摄像模块包括盖体、安装框、支架、镜头、枢转件、屏蔽件、感光元件;
安装框包括圆盘及设于圆盘的两相对的连接板,圆盘转动连接于盖体,安装框转动连接于两连接板之间,盖体设有圆环形的第一凸座,圆盘设有可转动地收容于第一凸座内的圆环形的第一凸环,第一转动轴为第一凸环及第一凸座的中心轴线,盖体环绕第一凸座还设有圆环形的第二凸座,圆盘环绕该第一凸环还设有圆环形的第二凸环,第二凸环可转动地收容于第二凸座内,第二凸座沿直径方向设有一对螺孔,两螺丝旋入两螺孔后抵顶该第二凸环可将架体固定于盖体,安装框还包括两相对的枢转臂,两枢转臂分别转动连接于两连接板,每一连接板包括自圆盘的背向盖体的一侧朝远离另一连接板的方向倾斜延伸的一斜板及自斜板的顶部向上延伸的一安装板,两枢转臂转动连接于两安装板,安装框还包括一圆环形的收容环,两枢转臂沿收容环的一直径方向设于收容环的外侧,镜头设有可转动地收容于收容环内的固定框,第三转动轴为收容环的中心轴线,收容环沿直径方向设有一对螺孔,两螺丝旋入该两螺孔后抵顶固定框将镜头定位于安装框。
进一步,
支架包括底座,底座设有通孔,屏蔽件由防电磁干扰材料制成且固定于通孔内,连接于感光元件的线缆自穿孔穿过,屏蔽件由铁氧体制成,屏蔽件呈圆环形,穿设孔设于屏蔽件的中部,枢转件包括一正对底座的安装部,感光元件安装于安装部内,安装部朝向底座的一侧设有供该线缆穿过的穿孔,底座的两侧延伸两连接臂。
进一步,枢转件包括自安装部的两侧延伸出的两枢接部,两枢接部分别枢转连接于两连接臂,枢转件具有发射端和接收端,发射端包括视频处理模块、信号发射模块和音频输入装置,接收端包括信号接收设备和信号显示设备,发射端具有信号发射调谐器,选择特定的一个或多个频率发射摄像头获取的图像信号。
进一步,所述图像分析单元的图像分析方法还包括:
建立图像的显著性模型;
根据所述显著性模型获取所述图像中的前景样本点和背景样本点;根据所述显著性模型,计算所述图像中各个像素点的显著性值;将各个像素点的显著性值进行归一化;将归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点;将归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点;其中,所述预定前景阈值大于所述预定背景阈值,归一化后的各个显著值均位于(0,1)中;
根据所述显著性模型以及所述前景样本点和所述背景样本点,建立前背景分类模型;所述前背景分类模型包括前景分类模型和背景分类模型,所述根据所述显著性模型以及所述前景样本点和所述背景样本点,建立前背景分类模型,包括:根据所述前景样本点建立前景颜色似然模型;根据所述背景样本点建立背景颜色似然模型;将所述显著性模型与所述前景颜色似然模型相乘,得到所述前景分类模型,所述前景分类模型用于表征像素点为前景的概率;将所述显著性模型与所述背景颜色似然模型相乘,得到所述背景分类模型,所述背景分类模型用于表征像素点为背景的概率;
根据预定图割算法对所述图像进行分割,所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
本发明通过对高清摄像机、采集器、传感器的远程控制,实现了对垃圾场垃圾进行及时及有效的分类处理,实现了资源的优化处理。
本发明应用垃圾处理,可以对垃圾场实施远程监控,直接观察垃圾堆积情况。可以定期查看垃圾场的垃圾堆积状况,详细记录第一手的分析资料,并随时反馈到指挥中心,对垃圾进行第一时间的处理。从而避免由于垃圾清运过程中管理跟不上而造成的生活垃圾乱拉、乱倒、乱堆现象。
本发明的置摄像头,提高了状态监测的准确性;设置传感器,实现了数据传送;设置网络服务器,增强了网络服务功能;集监控、生物特征认证、智能控制于一体,方便、安全,控制端位于手机端上,能远程监控。
本发明的图像识别方法,提高了图像识别的效率和准确率;有利于图像的采集和识别,而且图像数据信息准确,可有效识别不同的垃圾应做不同的处理方式;极大地方便了智能控制的需要。
本发明的图像信息处理技术提高了图像的质量和品质;
在图像脉冲噪声检测阶段,本发明利用脉冲耦合神经网络的同步脉冲发放特性区分定位脉冲噪声点和信号像素点位置,无需设定检测阈值,噪声错检率和漏检率低,噪声检测精度较高;同时,相对于其他噪声迭代检测方法;本发明方法检测时间短,自动性强;
在图像脉冲噪声滤除阶段,本发明首先根据上述检测出的噪点和信号点,对图像像素进行分类处理;在利用第一级自适应加权滤波时只对检出的噪声点进行滤波处理,在去噪的同时不但能有效滤除噪声干扰,而且能很好地保护图像边缘细节等信息。
附图说明
图1是本发明实施例提供的基于物联网的垃圾处理控制系统示意图。
图中:1、摄像模块;2、电子信息模块;3、数据管理模块;4、报警模块;5、移动终端管理模块;6、智能手机终端;7、显示模块;8、发声模块;9、实时状态监测模块;10、图像数据传送模块;11、GSM网络模块;12、控制管理中心。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
目前,垃圾处理控制系统不能够实现智能判断,从而不能为实现垃圾的快速处理提供指导方向。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示,本发明实施例提供的基于物联网的垃圾处理控制系统包括:摄像模块1、电子信息模块2、数据管理模块3及报警模块4;
所述摄像模块通过导线连接电子信息模块;所述电子信息模块通过局域网与数据管理模块连接;所述数据管理模块通过局域网与报警模块连接;
电子信息模块内置图像分析单元、误差计算单元、图像信号识别单元;
所述的图像分析单元,分析声图像信号的像素信号;
所述图像分析单元的图像分析方法中,建立的图像的显著性模型中,采用显微图像噪声滤除方法和采用适合处理组织类图像信息的脉冲耦合神经网络模型对显微图像进行检测;显微图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理;显微图像受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波;
所述适合处理组织类图像信息的脉冲耦合神经网络模型:
Fij[n]=Sij;
Uij[n]=Fij[n](1+βij[n]Lij[n]);
其中,βij[n]为自适应链接强度系数;
Sij、Fij[n]、Lij[n]、Uij[n]、θij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值,Nw为所选待处理窗口W中的像素总数,Δ为调节系数,选取1~3;
脉冲耦合神经网络模型对图像进行检测时,利用网络特性使灰度为Sij max的像素点火激活,再进行第二次脉冲耦合神经网络迭代处理,把介于[Sij max/1+βijLij,Sij max]间的像素捕获激活,使两次激活的像素点对应的Yij输出为1;然后对原噪声污染图像反白处理,再对处理后的图像Sij按前述进行迭代处理,并使对应的输出Yij=1,利用图像噪声像素与周围像素相关性小,灰度差别大特性,当一个神经元的激发没有引起所在区域附近大多数神经元的激发时,就说明该神经元对应像素可能是噪声点;
初步甄别出Yij=0对应的像素点为图像的信号点,予以保护;对Yij输出为1的像素点在3*3模板B范围内统计以输出Yij=1为中心邻域元素值为1的个数NY判别归类:1≤NY≤8,为噪声点,当NY=9,判定为图像像素点;
图像自适应加权滤波器噪声滤波的实现方法;
当脉冲输出Yij=1且NY=1~8,NY是当在3*3模板B中为1个数,选取滤波窗口M,对噪声污染图像Sij的自适应滤波,滤波方程为:
式中,xrs是滤波窗口中对应像素的系数,Srs为滤波窗口中对应像素的灰度值,fij为滤波窗后窗口中心输出值:
式中Dij为方形滤波窗口M中像素灰度中值,Ωij滤波窗口中心灰度差绝对均值,max为求其中最大值;
所述的误差计算单元,对所述像素信号分析中存在误差进行计算;
所述的图像信号识别单元,基于所述误差对所述图像信号是否是周期图像的信号进行识别;
图像信号识别单元识别时的传递函数为:
其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变;
在频率域构造滤波器,对应的极坐标表达方式为:
G(r,θ)=G(r,r)·G(θ,θ);
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf用于确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ;
所述的基于物联网的垃圾处理控制系统还包括与数据管理模块通过局域网进行连接的移动终端管理模块5;所述移动终端管理模块包括与数据管理模块远程无线连接的智能手机终端6,该智能手机终端包括:
显示模块7,用于显示发送过来的提醒信息;
发声模块8,用于以语音方式表征发送过来的提醒信息;
所述的电子信息模块包括实时状态监测模块9、图像数据传送模块10、GSM网络模块11,所述的实时状态监测模块和图像数据传送模块通过GSM网络模块与手机终端进行通信,将现场垃圾图像传送给手机端;
所述实时状态监测模块提取实时状态信息特征的方法包括:
采集到N个样本用作训练集X,采用下式求出样本平均值m:
其中,xi∈样本训练集X=(x1,x2,…,xN);
求出散布矩阵S:
求出散布矩阵的特征值λi和对应的特征向量ei,其中,ei便是主分量,将特征值从大到小依次排列λ1,λ2,…;取出p个值,λ1,λ2,…,λp确定出脸空间E=(e1,e2,…,eP),在此脸空间上,训练样本X中,每个元素投影到该空间的点由下式得到:
x'i=Etxi,t=1,2,…,N;
由上式得到的是将原向量经过PCA降维后的p维向量;
所述的GSM网络模块包括网络服务器和路由器;所述的网络服务器设置在GSM网络模块的前端;所述的路由器设置在网络服务器的一侧;
所述的数据管理模块包括控制管理中心12。
所述的控制管理中心包括音频接口,所述音频接口与手机端无线连接,所述音频接口包括:
第一声道端子、第二声道端子和话筒端子;
数据发送单元,所述数据发送单元与所述话筒端子电连接,以便向所述手机端发送数据;
数据接收单元,所述数据接收单元与所述第二声道端子电连接,以接收来自所述手机端的数据;
安全认证模块,所述安全认证模块与所述数据发送单元和所述数据接收单元电连接,所述加密模块与所述的电动锁芯识别码模块连接,所述的电动锁芯识别码模块与云存储模块连接,该云存储模块包括:密码模块、客户端模块、云安全存储及共享服务器、云文件服务器;密码模块,用于随机生成密钥,实现对称加密及解密,并提供私钥的算法;客户端模块,用于对于文件的上传、下载以及文件的加解密操作;云安全存储及共享服务器,用于实现对用户的认证、用户配额控制以及授权管理;云文件服务器,用于文件存储;所述密码模块与客户端模块相配合实现对文件的相关操作,并与云安全存储及共享服务器进行通讯实现对云文件服务器中的文件进行操作;
取电模块,所述取电模块的输入端与所述第一声道端子电连接;所述取电模块的输出端向所述数据发送单元、数据接收单元、安全认证模块供电。
所述的摄像模块包括盖体、安装框、支架、镜头、枢转件、屏蔽件、感光元件;
安装框包括圆盘及设于圆盘的两相对的连接板,圆盘转动连接于盖体,安装框转动连接于两连接板之间,盖体设有圆环形的第一凸座,圆盘设有可转动地收容于第一凸座内的圆环形的第一凸环,第一转动轴为第一凸环及第一凸座的中心轴线,盖体环绕第一凸座还设有圆环形的第二凸座,圆盘环绕该第一凸环还设有圆环形的第二凸环,第二凸环可转动地收容于第二凸座内,第二凸座沿直径方向设有一对螺孔,两螺丝旋入两螺孔后抵顶该第二凸环可将架体固定于盖体,安装框还包括两相对的枢转臂,两枢转臂分别转动连接于两连接板,每一连接板包括自圆盘的背向盖体的一侧朝远离另一连接板的方向倾斜延伸的一斜板及自斜板的顶部向上延伸的一安装板,两枢转臂转动连接于两安装板,安装框还包括一圆环形的收容环,两枢转臂沿收容环的一直径方向设于收容环的外侧,镜头设有可转动地收容于收容环内的固定框,第三转动轴为收容环的中心轴线,收容环沿直径方向设有一对螺孔,两螺丝旋入该两螺孔后抵顶固定框将镜头定位于安装框。
支架包括底座,底座设有通孔,屏蔽件由防电磁干扰材料制成且固定于通孔内,连接于感光元件的线缆自穿孔穿过,屏蔽件由铁氧体制成,屏蔽件呈圆环形,穿设孔设于屏蔽件的中部,枢转件包括一正对底座的安装部,感光元件安装于安装部内,安装部朝向底座的一侧设有供该线缆穿过的穿孔,底座的两侧延伸两连接臂。
枢转件包括自安装部的两侧延伸出的两枢接部,两枢接部分别枢转连接于两连接臂,枢转件具有发射端和接收端,发射端包括视频处理模块、信号发射模块和音频输入装置,接收端包括信号接收设备和信号显示设备,发射端具有信号发射调谐器,选择特定的一个或多个频率发射摄像头获取的图像信号。
所述图像分析单元的图像分析方法还包括:
建立图像的显著性模型;
根据所述显著性模型获取所述图像中的前景样本点和背景样本点;根据所述显著性模型,计算所述图像中各个像素点的显著性值;将各个像素点的显著性值进行归一化;将归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点;将归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点;其中,所述预定前景阈值大于所述预定背景阈值,归一化后的各个显著值均位于(0,1)中;
根据所述显著性模型以及所述前景样本点和所述背景样本点,建立前背景分类模型;所述前背景分类模型包括前景分类模型和背景分类模型,所述根据所述显著性模型以及所述前景样本点和所述背景样本点,建立前背景分类模型,包括:根据所述前景样本点建立前景颜色似然模型;根据所述背景样本点建立背景颜色似然模型;将所述显著性模型与所述前景颜色似然模型相乘,得到所述前景分类模型,所述前景分类模型用于表征像素点为前景的概率;将所述显著性模型与所述背景颜色似然模型相乘,得到所述背景分类模型,所述背景分类模型用于表征像素点为背景的概率;
根据预定图割算法对所述图像进行分割,所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
本发明通过对高清摄像机、采集器、传感器的远程控制,实现了对垃圾场垃圾进行及时及有效的分类处理,实现了资源的优化处理。
本发明应用垃圾处理,可以对垃圾场实施远程监控,直接观察垃圾堆积情况。可以定期查看垃圾场的垃圾堆积状况,详细记录第一手的分析资料,并随时反馈到指挥中心,对垃圾进行第一时间的处理。从而避免由于垃圾清运过程中管理跟不上而造成的生活垃圾乱拉、乱倒、乱堆现象。
本发明的置摄像头,提高了状态监测的准确性;设置传感器,实现了数据传送;设置网络服务器,增强了网络服务功能;集监控、生物特征认证、智能控制于一体,方便、安全,控制端位于手机端上,能远程监控。
本发明的图像识别方法,提高了图像识别的效率和准确率;有利于图像的采集和识别,而且图像数据信息准确,可有效识别不同的垃圾应做不同的处理方式;极大地方便了智能控制的需要。
本发明的图像信息处理技术提高了图像的质量和品质;
在图像脉冲噪声检测阶段,本发明利用脉冲耦合神经网络的同步脉冲发放特性区分定位脉冲噪声点和信号像素点位置,无需设定检测阈值,噪声错检率和漏检率低,噪声检测精度较高;同时,相对于其他噪声迭代检测方法;本发明方法检测时间短,自动性强;
在图像脉冲噪声滤除阶段,本发明首先根据上述检测出的噪点和信号点,对图像像素进行分类处理;在利用第一级自适应加权滤波时只对检出的噪声点进行滤波处理,在去噪的同时不但能有效滤除噪声干扰,而且能很好地保护图像边缘细节等信息。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于物联网的垃圾处理控制系统,其特征在于,所述基于物联网的垃圾处理控制系统包括:摄像模块、电子信息模块、数据管理模块及报警模块;
所述摄像模块通过导线连接电子信息模块;所述电子信息模块通过局域网与数据管理模块连接;所述数据管理模块通过局域网与报警模块连接;
电子信息模块内置图像分析单元、误差计算单元、图像信号识别单元;
所述的图像分析单元,分析声图像信号的像素信号;
所述图像分析单元的图像分析方法中,建立的图像的显著性模型中,采用显微图像噪声滤除方法和采用适合处理组织类图像信息的脉冲耦合神经网络模型对显微图像进行检测;显微图像受到密度较小的脉冲噪声污染通过自适应加权滤波处理;显微图像受到密度较大的脉冲噪声污染采用保持边缘细节信息的引入双结构元素数学形态学进行二次滤波;
所述适合处理组织类图像信息的脉冲耦合神经网络模型:
Fij[n]=Sij;
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
</munder>
<msub>
<mi>Y</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>N</mi>
<mi>w</mi>
</msub>
<mo>;</mo>
</mrow>
Uij[n]=Fij[n](1+βij[n]Lij[n]);
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
<mo>></mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>;</mo>
</mrow>
其中,βij[n]为自适应链接强度系数;
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
<mo>&Element;</mo>
<mi>w</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>+</mo>
<mi>&Delta;</mi>
</mrow>
</mfrac>
<mo>/</mo>
<msub>
<mi>N</mi>
<mi>w</mi>
</msub>
<mo>;</mo>
</mrow>
Sij、Fij[n]、Lij[n]、Uij[n]、θij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值,Nw为所选待处理窗口W中的像素总数,Δ为调节系数,选取1~3;
脉冲耦合神经网络模型对图像进行检测时,利用网络特性使灰度为Sijmax的像素点火激活,再进行第二次脉冲耦合神经网络迭代处理,把介于[Sijmax/1+βijLij,Sijmax]间的像素捕获激活,使两次激活的像素点对应的Yij输出为1;然后对原噪声污染图像反白处理,再对处理后的图像Sij按前述进行迭代处理,并使对应的输出Yij=1,利用图像噪声像素与周围像素相关性小,灰度差别大特性,当一个神经元的激发没有引起所在区域附近大多数神经元的激发时,就说明该神经元对应像素可能是噪声点;
初步甄别出Yij=0对应的像素点为图像的信号点,予以保护;对Yij输出为1的像素点在3*3模板B范围内统计以输出Yij=1为中心邻域元素值为1的个数NY判别归类:1≤NY≤8,为噪声点,当NY=9,判定为图像像素点;
图像自适应加权滤波器噪声滤波的实现方法;
当脉冲输出Yij=1且NY=1~8,NY是当在3*3模板B中为1个数,选取滤波窗口M,对噪声污染图像Sij的自适应滤波,滤波方程为:
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>;</mo>
</mrow>
1
式中,xrs是滤波窗口中对应像素的系数,Srs为滤波窗口中对应像素的灰度值,fij为滤波窗后窗口中心输出值:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>{</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>max</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>{</mo>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mi>max</mi>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>Y</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>,</mo>
<mi>s</mi>
<mo>&Element;</mo>
<mi>M</mi>
</mrow>
</munder>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>N</mi>
<mi>Y</mi>
</msub>
</mfrac>
<mo>,</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>;</mo>
</mrow>
式中Dij为方形滤波窗口M中像素灰度中值,Ωij滤波窗口中心灰度差绝对均值,max为求其中最大值;
所述的误差计算单元,对所述像素信号分析中存在误差进行计算;
所述的图像信号识别单元,基于所述误差对所述图像信号是否是周期图像的信号进行识别;
图像信号识别单元识别时的传递函数为:
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>&omega;</mi>
<mo>/</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>/</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,ω0为滤波器的中心频率,对于不同的ω0,k使k/ω0保持不变;
在频率域构造滤波器,对应的极坐标表达方式为:
<mrow>
<msub>
<mi>G</mi>
<mi>r</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>r</mi>
<mo>/</mo>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mi>n</mi>
<mo>(</mo>
<msub>
<mi>&sigma;</mi>
<mi>f</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>&theta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>&theta;</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>;</mo>
</mrow>
G(r,θ)=G(r,r)·G(θ,θ);
式中,Gr(r)为控制滤波器带宽的径向分量,Gθ(θ)为控制滤波器方向的角度分量;r表示径向坐标,θ表示角度坐标,f0为中心频率,θ0为滤波器方向,σf用于确定带宽;
Bf=2(2/ln2)1/2|lnσf|,σθ确定角度带宽,Bθ=2(2/ln2)1/2σθ;
所述的基于物联网的垃圾处理控制系统还包括与数据管理模块通过局域网进行连接的移动终端管理模块;所述移动终端管理模块包括与数据管理模块远程无线连接的智能手机终端,该智能手机终端包括:
显示模块,用于显示发送过来的提醒信息;
发声模块,用于以语音方式表征发送过来的提醒信息;
所述的电子信息模块包括实时状态监测模块、图像数据传送模块、GSM网络模块,所述的实时状态监测模块和图像数据传送模块通过GSM网络模块与手机终端进行通信,将现场垃圾图像传送给手机端;
所述实时状态监测模块提取实时状态信息特征的方法包括:
采集到N个样本用作训练集X,采用下式求出样本平均值m:
<mrow>
<mi>m</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
其中,xi∈样本训练集X=(x1,x2,…,xN);
求出散布矩阵S:
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mi>t</mi>
</msup>
<mo>;</mo>
</mrow>
求出散布矩阵的特征值λi和对应的特征向量ei,其中,ei便是主分量,将特征值从大到小依次排列λ1,λ2,…;取出p个值,λ1,λ2,…,λp确定出脸空间E=(e1,e2,…,eP),在此脸空间上,训练样本X中,每个元素投影到该空间的点由下式得到:
x'i=Etxi,t=1,2,…,N;
由上式得到的是将原向量经过PCA降维后的p维向量;
所述的GSM网络模块包括网络服务器和路由器;所述的网络服务器设置在GSM网络模块的前端;所述的路由器设置在网络服务器的一侧;
所述的数据管理模块包括控制管理中心。
2.如权利要求1所述的基于物联网的垃圾处理控制系统,其特征在于,所述的控制管理中心包括音频接口,所述音频接口与手机端无线连接,所述音频接口包括:
第一声道端子、第二声道端子和话筒端子;
数据发送单元,所述数据发送单元与所述话筒端子电连接,以便向所述手机端发送数据;
数据接收单元,所述数据接收单元与所述第二声道端子电连接,以接收来自所述手机端的数据;
安全认证模块,所述安全认证模块与所述数据发送单元和所述数据接收单元电连接,所述加密模块与所述的电动锁芯识别码模块连接,所述的电动锁芯识别码模块与云存储模块连接,该云存储模块包括:密码模块、客户端模块、云安全存储及共享服务器、云文件服务器;密码模块,用于随机生成密钥,实现对称加密及解密,并提供私钥的算法;客户端模块,用于对于文件的上传、下载以及文件的加解密操作;云安全存储及共享服务器,用于实现对用户的认证、用户配额控制以及授权管理;云文件服务器,用于文件存储;所述密码模块与客户端模块相配合实现对文件的相关操作,并与云安全存储及共享服务器进行通讯实现对云文件服务器中的文件进行操作;
取电模块,所述取电模块的输入端与所述第一声道端子电连接;所述取电模块的输出端向所述数据发送单元、数据接收单元、安全认证模块供电。
3.如权利要求1所述的基于物联网的垃圾处理控制系统,其特征在于,所述的摄像模块包括盖体、安装框、支架、镜头、枢转件、屏蔽件、感光元件;
安装框包括圆盘及设于圆盘的两相对的连接板,圆盘转动连接于盖体,安装框转动连接于两连接板之间,盖体设有圆环形的第一凸座,圆盘设有可转动地收容于第一凸座内的圆环形的第一凸环,第一转动轴为第一凸环及第一凸座的中心轴线,盖体环绕第一凸座还设有圆环形的第二凸座,圆盘环绕该第一凸环还设有圆环形的第二凸环,第二凸环可转动地收容于第二凸座内,第二凸座沿直径方向设有一对螺孔,两螺丝旋入两螺孔后抵顶该第二凸环可将架体固定于盖体,安装框还包括两相对的枢转臂,两枢转臂分别转动连接于两连接板,每一连接板包括自圆盘的背向盖体的一侧朝远离另一连接板的方向倾斜延伸的一斜板及自斜板的顶部向上延伸的一安装板,两枢转臂转动连接于两安装板,安装框还包括一圆环形的收容环,两枢转臂沿收容环的一直径方向设于收容环的外侧,镜头设有可转动地收容于收容环内的固定框,第三转动轴为收容环的中心轴线,收容环沿直径方向设有一对螺孔,两螺丝旋入该两螺孔后抵顶固定框将镜头定位于安装框。
4.如权利要求3所述的基于物联网的垃圾处理控制系统,其特征在于,
支架包括底座,底座设有通孔,屏蔽件由防电磁干扰材料制成且固定于通孔内,连接于感光元件的线缆自穿孔穿过,屏蔽件由铁氧体制成,屏蔽件呈圆环形,穿设孔设于屏蔽件的中部,枢转件包括一正对底座的安装部,感光元件安装于安装部内,安装部朝向底座的一侧设有供该线缆穿过的穿孔,底座的两侧延伸两连接臂。
5.如权利要求3所述的基于物联网的垃圾处理控制系统,其特征在于,枢转件包括自安装部的两侧延伸出的两枢接部,两枢接部分别枢转连接于两连接臂,枢转件具有发射端和接收端,发射端包括视频处理模块、信号发射模块和音频输入装置,接收端包括信号接收设备和信号显示设备,发射端具有信号发射调谐器,选择特定的一个或多个频率发射摄像头获取的图像信号。
6.如权利要求1所述的基于物联网的垃圾处理控制系统,其特征在于,所述图像分析单元的图像分析方法还包括:
建立图像的显著性模型;
根据所述显著性模型获取所述图像中的前景样本点和背景样本点;根据所述显著性模型,计算所述图像中各个像素点的显著性值;将各个像素点的显著性值进行归一化;将归一化后的显著性值大于预定前景阈值的像素点确定为所述前景样本点;将归一化后的显著性值小于预定背景阈值的像素点确定为所述背景样本点;其中,所述预定前景阈值大于所述预定背景阈值,归一化后的各个显著值均位于(0,1)中;
根据所述显著性模型以及所述前景样本点和所述背景样本点,建立前背景分类模型;所述前背景分类模型包括前景分类模型和背景分类模型,所述根据所述显著性模型以及所述前景样本点和所述背景样本点,建立前背景分类模型,包括:根据所述前景样本点建立前景颜色似然模型;根据所述背景样本点建立背景颜色似然模型;将所述显著性模型与所述前景颜色似然模型相乘,得到所述前景分类模型,所述前景分类模型用于表征像素点为前景的概率;将所述显著性模型与所述背景颜色似然模型相乘,得到所述背景分类模型,所述背景分类模型用于表征像素点为背景的概率;
根据预定图割算法对所述图像进行分割,所述预定图割算法利用所述前背景分类模型以及像素点之间的边缘信息对所述图像进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423618.2A CN107133968A (zh) | 2017-06-07 | 2017-06-07 | 一种基于物联网的垃圾处理控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710423618.2A CN107133968A (zh) | 2017-06-07 | 2017-06-07 | 一种基于物联网的垃圾处理控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107133968A true CN107133968A (zh) | 2017-09-05 |
Family
ID=59733812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710423618.2A Pending CN107133968A (zh) | 2017-06-07 | 2017-06-07 | 一种基于物联网的垃圾处理控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133968A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107573029A (zh) * | 2017-10-23 | 2018-01-12 | 福建泉州皓佳新材料有限公司 | 一种陶瓷废釉水制备的多彩艺术砖及其制备方法 |
CN107787789A (zh) * | 2017-10-19 | 2018-03-13 | 湖南杂交水稻研究中心 | 一种提高水稻品质的处理方法 |
CN108427421A (zh) * | 2018-04-26 | 2018-08-21 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种智能配送机器人控制系统 |
CN108538120A (zh) * | 2018-04-19 | 2018-09-14 | 邵阳学院 | 一种理论课课堂双向双线互动教学装置 |
CN109993047A (zh) * | 2017-12-28 | 2019-07-09 | 杭州海康威视系统技术有限公司 | 城市乱堆物料的违规识别方法、装置及电子设备 |
CN110119662A (zh) * | 2018-03-29 | 2019-08-13 | 王胜春 | 一种基于深度学习的垃圾种类识别系统 |
CN110597096A (zh) * | 2019-09-29 | 2019-12-20 | 北京智行者科技有限公司 | 一种用于无人驾驶清扫车垃圾收集的控制方法 |
CN110694934A (zh) * | 2019-09-01 | 2020-01-17 | 阿尔飞思(昆山)智能物联科技有限公司 | 智能干垃圾分类云端系统及其工作方法 |
CN111401370A (zh) * | 2020-04-13 | 2020-07-10 | 城云科技(中国)有限公司 | 一种垃圾图像识别及任务指派管理的方法,模型及系统 |
CN111790251A (zh) * | 2019-04-09 | 2020-10-20 | 深圳市家家分类科技有限公司 | 一种基于光的垃圾除臭控制方法及相关产品 |
CN112407674A (zh) * | 2020-10-15 | 2021-02-26 | 中标慧安信息技术股份有限公司 | 垃圾投放监控方法及系统 |
CN114646066A (zh) * | 2022-03-23 | 2022-06-21 | 中建二局第一建筑工程有限公司 | 一种地下及半地下生活垃圾综合处理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605963A (zh) * | 2013-03-01 | 2014-02-26 | 新乡学院 | 一种指纹识别方法 |
CN105342769A (zh) * | 2015-11-20 | 2016-02-24 | 宁波大业产品造型艺术设计有限公司 | 智能电动轮椅 |
CN105425751A (zh) * | 2015-12-18 | 2016-03-23 | 广西昊华科技股份有限公司 | 基于物联网的垃圾处理系统 |
CN105469484A (zh) * | 2015-11-20 | 2016-04-06 | 宁波大业产品造型艺术设计有限公司 | App智能家居锁 |
CN105574966A (zh) * | 2015-12-15 | 2016-05-11 | 宁波保众应急科技有限公司 | 一种智能手机门锁 |
CN205845050U (zh) * | 2016-07-18 | 2016-12-28 | 九江学院 | 一种数据库的安全访问控制系统 |
-
2017
- 2017-06-07 CN CN201710423618.2A patent/CN107133968A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605963A (zh) * | 2013-03-01 | 2014-02-26 | 新乡学院 | 一种指纹识别方法 |
CN105342769A (zh) * | 2015-11-20 | 2016-02-24 | 宁波大业产品造型艺术设计有限公司 | 智能电动轮椅 |
CN105469484A (zh) * | 2015-11-20 | 2016-04-06 | 宁波大业产品造型艺术设计有限公司 | App智能家居锁 |
CN105574966A (zh) * | 2015-12-15 | 2016-05-11 | 宁波保众应急科技有限公司 | 一种智能手机门锁 |
CN105425751A (zh) * | 2015-12-18 | 2016-03-23 | 广西昊华科技股份有限公司 | 基于物联网的垃圾处理系统 |
CN205845050U (zh) * | 2016-07-18 | 2016-12-28 | 九江学院 | 一种数据库的安全访问控制系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107787789A (zh) * | 2017-10-19 | 2018-03-13 | 湖南杂交水稻研究中心 | 一种提高水稻品质的处理方法 |
CN107573029A (zh) * | 2017-10-23 | 2018-01-12 | 福建泉州皓佳新材料有限公司 | 一种陶瓷废釉水制备的多彩艺术砖及其制备方法 |
CN109993047A (zh) * | 2017-12-28 | 2019-07-09 | 杭州海康威视系统技术有限公司 | 城市乱堆物料的违规识别方法、装置及电子设备 |
CN110119662A (zh) * | 2018-03-29 | 2019-08-13 | 王胜春 | 一种基于深度学习的垃圾种类识别系统 |
CN108538120A (zh) * | 2018-04-19 | 2018-09-14 | 邵阳学院 | 一种理论课课堂双向双线互动教学装置 |
CN108427421A (zh) * | 2018-04-26 | 2018-08-21 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种智能配送机器人控制系统 |
CN111790251A (zh) * | 2019-04-09 | 2020-10-20 | 深圳市家家分类科技有限公司 | 一种基于光的垃圾除臭控制方法及相关产品 |
CN111790251B (zh) * | 2019-04-09 | 2022-05-27 | 深圳市家家分类科技有限公司 | 一种基于光的垃圾除臭控制方法及相关产品 |
CN110694934A (zh) * | 2019-09-01 | 2020-01-17 | 阿尔飞思(昆山)智能物联科技有限公司 | 智能干垃圾分类云端系统及其工作方法 |
CN110597096A (zh) * | 2019-09-29 | 2019-12-20 | 北京智行者科技有限公司 | 一种用于无人驾驶清扫车垃圾收集的控制方法 |
CN110597096B (zh) * | 2019-09-29 | 2020-10-27 | 北京智行者科技有限公司 | 一种用于无人驾驶清扫车垃圾收集的控制方法 |
CN111401370A (zh) * | 2020-04-13 | 2020-07-10 | 城云科技(中国)有限公司 | 一种垃圾图像识别及任务指派管理的方法,模型及系统 |
CN112407674A (zh) * | 2020-10-15 | 2021-02-26 | 中标慧安信息技术股份有限公司 | 垃圾投放监控方法及系统 |
CN114646066A (zh) * | 2022-03-23 | 2022-06-21 | 中建二局第一建筑工程有限公司 | 一种地下及半地下生活垃圾综合处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133968A (zh) | 一种基于物联网的垃圾处理控制系统 | |
CN103839346B (zh) | 一种智能门窗防入侵装置以及系统、智能门禁系统 | |
CN106375027A (zh) | 一种用于无线电的智能化云监测系统与方法 | |
CN102013147B (zh) | 高压输电塔智能防盗监控方法和装置 | |
CN108831161A (zh) | 一种基于无人机的交通流量监测方法、智能系统及数据集 | |
CN108680910A (zh) | 基于波形认知的调频广播外辐射源雷达目标检测方法 | |
CN111056178A (zh) | 智能垃圾分类收集装置及分类收集方法 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN110937280A (zh) | 一种基于视听结合的智能垃圾分类回收方法和终端 | |
CN109587219A (zh) | 定置式城市物联网边缘计算点站的设置与管理方法 | |
CN109473119A (zh) | 一种声学目标事件监控方法 | |
CN110177255A (zh) | 一种基于案件调度的视频信息发布方法及系统 | |
Elhassan et al. | Smart waste management system for crowded area: Makkah and holy sites as a model | |
CN107681784B (zh) | 基于多源数据融合的铁塔接地线监测系统及方法 | |
CN104609078A (zh) | 垃圾监测方法 | |
CN106682461A (zh) | 一种采用计算机验证码技术的大数据分析系统 | |
CN104159088A (zh) | 一种远程智能车辆监控系统及方法 | |
Aravindaraman et al. | Design of a monitoring system for waste management using IoT | |
CN115798131A (zh) | 一种基于分布式光纤的多维度特征入侵检测方法 | |
Wang et al. | Real-time monitoring system of landslide based on LoRa architecture | |
CN110717548A (zh) | 村镇生活垃圾收运处理系统优化方法 | |
CN110473428A (zh) | 一种智能停车方法、设备和系统 | |
CN107257153B (zh) | 智能化无线电波共享充电装置 | |
Tasisa et al. | Machine Learning Based Massive Leaf Falling Detection For Managing The Waste Disposal Efficiently | |
CN113349188A (zh) | 一种基于云端杀草谱的草坪及牧草精准除草方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |