CN107480643B - 一种智能垃圾分类处理的机器人 - Google Patents

Abstract

本发明提供一种智能垃圾分类处理的机器人，所述一种智能垃圾分类处理的机器人包括：中央处理单元、机械手单元、按压单元、垃圾箱、图像分析处理单元、图像信息存储单元；所述中央处理单元分别与机械手单元、垃圾箱、图像分析处理单元、图像信息存储单元、按压单元相连；所述图像信息存储单元与图像分析处理单元相连；本发明所述的一种智能垃圾分类处理的机器人设计合理，能够对垃圾进行自动分类，大大提升了垃圾处理的效率，由此带来生活环境清洁与舒适的社会效益。

Description

一种智能垃圾分类处理的机器人

技术领域

本发明涉及垃圾处理技术，尤其涉及一种智能垃圾分类处理的机器人。

背景技术

城市垃圾资源化利用可以为国民经济提供巨大的经济效益，并由此带来生活环境清洁与舒适的社会效益。而垃圾资源回收再利用，最重要的环节就是要把垃圾经过分离，然后根据所分离出来的垃圾按照其特性加以利用，现有垃圾分类只是简单的依赖于人工，人工作业效率低且容易出错，无法满足城市垃圾资源化的高要求。

OSTU算法是一种完全自动的、无监督或无交互式的阈值分割算法,用OSTU算法计算全局分割阈值的具体方式为：

获取目标图像的灰度级，选定目标图像的初始分割阈值，遍历目标图像的所有像素点，将像素点灰度值大于初始阈值的记为背景图像，像素点灰度值小于初始阈值的记为前景图像，统计前景图像和背景图像像素点数，依次计算出前景图像的像素点所占整幅图像像素点的个数比、背景图像的像素点所占整幅图像像素点的个数比、前景图像的平均灰度值和背景图像的平均灰度值；在目标图像的灰度范围内逐步增大分割阈值，当背景图像与前景图像的灰度差的绝对值达到最大时，此时的阈值即作为全局分割阈值。

HOG算法是一种局部区域描述符,它通过计算局部区域上的梯度方向直方图来构成目标图像特征,能够很好地描述目标图像的边缘。它对光照变化和小量的偏移不敏感。用HOG提取边缘特征的具体方式为：把目标图像分割为若干个像素的单元(cell)，把梯度方向平均划分为9个区间(bin)，在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成一个块(block)，把一个块内的特征向量联起来得到36维的特征向量，用块对样本图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了目标图像的特征。

发明内容

针对上述问题，本发明旨在提供一种智能垃圾分类处理的机器人。

本发明的目的采用以下技术方案来实现：

一种智能垃圾分类处理的机器人，其特征在于，该机器人包括中央处理单元、机械手单元、按压单元、垃圾箱、图像分析处理单元、图像信息存储单元；所述中央处理单元分别与机械手单元、垃圾箱、图像分析处理单元、图像信息存储单元、按压单元相连；所述图像信息存储单元与图像分析处理单元相连；

所述中央处理单元用于根据图像分析处理单元反馈过来的信息控制不同类别的所述垃圾箱箱盖打开或关闭；所述机械手单元根据图像分析处理单元反馈过来的信息来抓取不同种类的垃圾放置于所述指定垃圾箱以实现垃圾分类；所述图像分析处理单元包括垃圾图像采集单元和数据分析处理单元，垃圾图像采集单元用于采集垃圾图像；数据分析处理单元用于对采集的所述垃圾图像进行识别，通过与预设不同类别的垃圾对应的垃圾图像相匹配进行垃圾分类；所述图像信息存储单元用于存储预设不同类别的垃圾对应的垃圾图像；所述按压单元用于按压所述垃圾箱内部的垃圾。

本发明的有益效果：本发明所述的一种智能垃圾分类处理的机器人设计合理，能够对垃圾进行自动分类，大大提升了垃圾处理的效率，由此带来生活环境清洁与舒适的社会效益。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，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是本发明的框架结构图；

图2是本发明图像分析处理单元的框架结构图。

附图标记：中央处理单元1、机械手单元2、按压单元3、垃圾箱4、图片分析处理单元5、图片信息存储单元6、垃圾图像采集单元7、数据分析处理单元8、图像预处理模块9、图像分割处理模块10和图像特征提取模块11。

具体实施方式

结合一下应用场景对本发明作进一步描述。

参见图1，本实施例的一种智能垃圾分类处理的机器人，其特征在于，该机器人包括中央处理单元1、机械手单元2、按压单元3、垃圾箱4、图像分析处理单元5、图像信息存储单元6；所述中央处理单元1分别与机械手单元2、垃圾箱4、图像分析处理单元5、图像信息存储单元6、按压单元3相连；所述图像信息存储单元6与图像分析处理单元5相连。

优选地，所述中央处理单元1用于根据图像分析处理单元5反馈过来的信息控制不同类别的所述垃圾箱4箱盖打开或关闭。

优选地，所述机械手单元2根据图像分析处理单元5反馈过来的信息来抓取不同种类的垃圾放置于所述指定垃圾箱以实现垃圾分类。

优选地，所述按压单元3用于按压所述垃圾箱内部的垃圾。

优选地，所述图像分析处理单元5包括垃圾图像采集单元7和数据分析处理单元8，垃圾图像采集单元7用于采集垃圾图像；数据分析处理单元8用于对采集的所述垃圾图像进行识别，通过与预设不同类别的垃圾对应的垃圾图像相匹配进行垃圾分类。

优选地，所述图像信息存储单元6用于存储预设不同类别的垃圾对应的垃圾图像。

优选地，参见图2，所述的一种智能垃圾分类处理的机器人，其特征是，所述图像分析处理单元5包括垃圾图像采集单元7和数据分析处理单元8，垃圾图像采集单元7用于采集垃圾图像；所述数据分析处理单元8包括图像预处理模块9、图像分割处理模块10和图像特征提取模块11；所述图像预处理模块9用于对采集到的垃圾图像进行去噪处理，获得去噪后的垃圾图像；所述图像分割处理模块10用于对去噪后的垃圾图像进行分割处理，得到新的垃圾图像；所述图像特征提取模块11用于提取新的垃圾图像的局部纹理信息和边缘特征信息，并对局部纹理信息和边缘特征信息进行融合处理，获得垃圾的特征图像。

本发明上述实施例，采用一种智能垃圾分类处理的机器人，能够快速准确的对垃圾进行分类，提高了垃圾分类的准确度，同时也为用户分辨垃圾的种类提供了方便，节约了用户分辨的时间。

优选地，所述图像预处理模块9用于对采集到的垃圾图像进行去噪处理，获得去噪后的垃圾图像，具体为：

(1)利用小波变换分解采集到的垃圾图像，得到一系列的小波系数z；

(2)选定一阈值，利用去噪函数对小波系数z进行数值处理，其中，自定义的去噪函数为：

其中，z是去噪前的小波系数，即z＝{z₁,z₂…z_t},t为小波系数个数；z′为去噪后的小波系数；T为阈值；C₁、C₂为调节因子；sgn(B)为符号函数，当B为正数时，取1，B为负数时，取-1；

(3)对去噪后的小波系数z′进行小波逆变换，获得去噪后的垃圾图像。

本优选实施例，设置图像预处理模块9，利用阈值处理函数处理含有噪声的垃圾图像，可以有效的对含有噪声的垃圾图像进行过滤；根据阈值T和小波系数z的绝对值差，选择不同的阈值函数处理小波系数，能够自适应地去除垃圾图像中的噪声，保留垃圾图像中的有效信息，进而实现对垃圾的精准分类；而实际采集到的垃圾图像中含有多种噪声，而经过调节的因子能够获得不同的阈值，经过调节的阈值可以适应含有不同的噪声的垃圾图像，并去除垃圾图像中的噪声。

优选地，所述图像分割处理模块10用于对去噪后的垃圾图像进行分割处理，得到新的垃圾图像，具体为：

(1)采用OSTU算法计算得到去噪后的垃圾图像的全局分割阈值τ；

(2)对去噪后的垃圾图像进行切割，将其切割成大小相同的子图像；

(2)采用OSTU算法计算出所有子图像的局部分割阈值，根据阈值计算公式，自适应地对不同位置上的子图像进行阈值分割处理，定义子图像的阈值计算公式为：

当Q_i,j(x,y)＞τ′_i,j时，像素点(x,y)为前景像素点，反之，像素点(x,y)为背景像素点；

其中，τ′_i,j为第i行第j列的子图像的最优阈值；τ为全局分割阈值；τ_i,j为第i行第j列子图像的局部分割阈值；σ为去噪后的图像的灰度方差；σ_i,j为第i行第j列的子图像的灰度方差；u_i,j为第i行第j列的子图像灰度均值，u为去噪后的垃圾图像的灰度均值；Q_i,j(x,y)为第i行第j列的子图像里的像素点(x,y)处的灰度值；

(3)统计得到的全部前景像素点，即为新的垃圾图像。

本优选实施例，图像分割处理模块10通过计算去噪后的垃圾图像的全局分隔阈值和局部分割阈值，并根据全局分割阈值和不同子图像的局部分割阈值的大小关系对子图像进行分割，提取去噪后的垃圾图像的全部前景像素点，得到新的垃圾图像，该算法能够准确的去除去噪后的垃圾图像中的背景图像，节省了系统内存空间，同时减少了后续系统需要处理数据的数量，提高了后续垃圾分类的效率。

优选地，所述图像特征提取模块11用于提取新的垃圾图像的局部纹理信息和边缘特征信息，并对局部纹理信息和边缘特征信息进行融合处理，获得垃圾的特征图像，具体为：

(1)以新的垃圾图像中像素点(m,n)为中心，选取一个大小为3×3的矩形窗口，对像素点(m,n)进行二值化处理，得到该像素点的特征值P_m,n，定义特征值的计算公式为：

其中：P_m,n为像素点(m,n)的特征值；s(v_f-v_c)为一个二值化函数，当(v_f-v_c)≥0时，取1，当(v_f-v_c)＜0时，取0；v_f为第f个邻域像素点的灰度值；v_c为中心像素点(m,n)的灰度值；A为邻域像素点的个数；D为灰度差的幅值特征值；

为整幅垃圾图像的灰度值的标准差；

(2)遍历新的垃圾图像中所有像素点,得到新的垃圾图像中所有像素点的特征值P_m,n，计算每一个特征值P_m,n出现的频率，将特征值和该特征值出现的频率统计到一个二维直方图中，所述二维直方图即可用来描述所述新的垃圾图像的局部纹理信息；

(3)采用HOG算法获得新的垃圾图像的边缘特征信息，将局部纹理信息和边缘特征信息进行融合处理，最终得到垃圾的特征图像。

本优选实施例，采用此种算法描述新的垃圾图像的局部纹理信息，通过计算灰度差的幅值特征值和整个垃圾图像的灰度值的标准差，能够对灰度幅值变化剧烈程度不同的局部区域进行更细致的描述和更有效的区分，获取更多垃圾图像的细节特征，为后续与预存垃圾图像进行匹配并对垃圾进行分类奠定了基础。

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 (3)

1.一种智能垃圾分类处理的机器人，其特征在于，该机器人包括中央处理单元、机械手单元、按压单元、垃圾箱、图像分析处理单元、图像信息存储单元；所述中央处理单元分别与机械手单元、垃圾箱、图像分析处理单元、图像信息存储单元、按压单元相连；所述图像信息存储单元与图像分析处理单元相连；

所述中央处理单元用于根据图像分析处理单元反馈过来的信息控制不同类别的所述垃圾箱箱盖打开或关闭；所述机械手单元根据图像分析处理单元反馈过来的信息来抓取不同种类的垃圾放置于指定垃圾箱以实现垃圾分类；所述图像分析处理单元包括垃圾图像采集单元和数据分析处理单元，垃圾图像采集单元用于采集垃圾图像；数据分析处理单元用于对采集的所述垃圾图像进行识别，通过与预设不同类别的垃圾对应的垃圾图像相匹配进行垃圾分类；所述图像信息存储单元用于存储预设不同类别的垃圾对应的垃圾图像；所述按压单元用于按压所述垃圾箱内部的垃圾；

所述图像分析处理单元包括垃圾图像采集单元和数据分析处理单元，垃圾图像采集单元用于采集垃圾图像；所述数据分析处理单元包括图像预处理模块、图像分割处理模块和图像特征提取模块；所述图像预处理模块用于对采集到的垃圾图像进行去噪处理，获得去噪后的垃圾图像；所述图像分割处理模块用于对去噪后的垃圾图像进行图像分割处理，得到新的垃圾图像；所述图像特征提取模块用于提取新的垃圾图像的局部纹理信息和边缘特征信息，并对局部纹理信息和边缘特征信息进行融合处理，获得垃圾特征图像；

所述图像信息存储单元用于存储预设不同类别的垃圾对应的垃圾图像，所述的中央处理单元用于根据图像分析处理单元反馈的垃圾特征图像和图像信息存储单元的垃圾图像进行匹配，确定垃圾的类别，并控制机械手将垃圾放置于指定的垃圾箱中；

所述图像预处理模块用于对采集到的垃圾图像进行去噪处理，获得去噪后的垃圾图像，具体为：

(1)利用小波变换分解采集到的垃圾图像，得到一系列的小波系数z；

(2)选定一阈值，利用去噪函数对小波系数z进行数值处理，其中，自定义的去噪函数为：

其中，z是去噪前的小波系数，即z＝{z₁,z₂…z_t},t为小波系数个数；z′为去噪后的小波系数；T为阈值；C₁、C₂为调节因子；sgn(B)为符号函数，当B为正数时，取1，B为负数时，取-1；

(3)对去噪后的小波系数z′进行小波逆变换，获得去噪后的垃圾图像。

2.根据权利要求1所述的一种智能垃圾分类处理的机器人，其特征是，所述图像分割处理模块用于对去噪后的垃圾图像进行分割处理，获得新的垃圾图像，具体为：

(1)采用OSTU算法计算出去噪后的垃圾图像的全局分割阈值τ；

(2)对去噪后的垃圾图像进行切割，将其切割成大小相同的子图像；

(3)采用OSTU算法计算出所有子图像的局部分割阈值，根据阈值计算公式，自适应地对不同位置上的子图像进行阈值分割处理，定义子图像的阈值计算公式为：

当Q_i,j(x,y)>τ′_i,j时，像素点(x,y)为前景像素点，反之，像素点(x,y)为背景像素点；

其中，τ′_i,j为第i行第j列的子图像的最优阈值；τ为全局分割阈值；τ_i,j为第i行第j列子图像的局部分割阈值；σ为去噪后的图像的灰度方差；σ_i,j为第i行第j列的子图像的灰度方差；u_i,j为第i行第j列的子图像灰度均值，u为去噪后的垃圾图像的灰度均值；Q_i,j(x,y)为第i行第j列的子图像里的像素点(x,y)处的灰度值；

(4)统计得到的全部前景像素点，即为新的垃圾图像。

3.根据权利要求2所述的一种智能垃圾分类处理的机器人，其特征是，图像特征提取模块用于提取新的垃圾图像的局部纹理信息和边缘特征信息，并对局部纹理信息和边缘特征信息进行融合处理，获得垃圾的特征图像，具体为：

(1)以新的垃圾图像中像素点(m,n)为中心，选取一个大小为3×3的矩形窗口，对像素点(m,n)进行二值化处理，得到该像素点的特征值P_m,n，定义特征值的计算公式为：

其中：P_m,n为像素点(m,n)的特征值；s(v_f-v_c)为一个二值化函数，当(v_f-v_c)≥0时，取1，当(v_f-v_c)＜0时，取0；v_f为第f个邻域像素点的灰度值；v_c为中心像素点(m,n)的灰度值；A为邻域像素点的个数；D为灰度差的幅值特征值；

为整幅垃圾图像的灰度值的标准差；

(2)遍历新的垃圾图像中所有像素点,得到新的垃圾图像中所有像素点的特征值P_m,n，计算每一个特征值P_m,n出现的频率，将特征值和该特征值出现的频率统计到一个二维直方图中，所述二维直方图用来描述所述新的垃圾图像的局部纹理信息；

(3)采用HOG算法获得新的垃圾图像的边缘特征信息，将局部纹理信息和边缘特征信息进行融合处理，最终得到垃圾的特征图像。

Images