CN108971190B - 一种基于机器视觉的生活垃圾分拣方法 - Google Patents
一种基于机器视觉的生活垃圾分拣方法 Download PDFInfo
- Publication number
- CN108971190B CN108971190B CN201810661103.0A CN201810661103A CN108971190B CN 108971190 B CN108971190 B CN 108971190B CN 201810661103 A CN201810661103 A CN 201810661103A CN 108971190 B CN108971190 B CN 108971190B
- Authority
- CN
- China
- Prior art keywords
- garbage
- image
- color
- formula
- machine vision
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
- B09B—DISPOSAL OF SOLID WASTE
- B09B3/00—Destroying solid waste or transforming solid waste into something useful or harmless
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C1/00—Magnetic separation
- B03C1/02—Magnetic separation acting directly on the substance being separated
- B03C1/16—Magnetic separation acting directly on the substance being separated with material carriers in the form of belts
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/0063—Using robots
Abstract
本发明公开了一种基于机器视觉的生活垃圾分拣方法,包括:步骤一:对待分拣的垃圾进行定容处理;步骤二:传送带将定容处理后垃圾向前传送,磁性金属垃圾分拣装置将磁性金属垃圾从中分拣出来,并使用机械臂分拣装置将其放入磁性垃圾收集装置中;步骤三:对匀速行进的垃圾进行连续摄像,把所摄取的垃圾图像送入数据库,与数据库中固有图像进行对比识别,从而判断是否为非果蔬类垃圾;步骤四:计算全部轮廓像素几何位置的加权平均值,得到目标垃圾位于传送带上的位置坐标,并将该位置信息传送给控制系统;本申请利用计算机视觉及图像处理技术将生活垃圾中的非果蔬类垃圾如:金属,瓶子,PVC,石头等分拣出来,将剩余的果蔬类垃圾送入下一道工序。
Description
技术领域
本发明涉及一种垃圾分拣方法,具体说是一种基于机器视觉的生活垃圾分拣方法。
背景技术
随着社会经济的快速发展和人口的不断增长,城市生活垃圾的产量也随之加大,而且还呈现逐年增长的趋势,“垃圾围城”是我国城市面临的窘境,如何处理生活垃圾是摆在我们面前的一个大问题,目前,国内普遍采用填埋,焚烧,堆肥,热解等几种垃圾处理方式。在这些处理方式之前,需要将垃圾进行分类和分拣。在现有技术中通常采用人工分拣的方式来对垃圾进行分拣,但是人工分拣方式耗时耗力,工人的工作环境十分恶劣。
发明内容
为解决现有技术存在的上述问题,本申请提供了一种基于机器视觉的生活垃圾分拣方法,利用计算机视觉及图像处理技术将生活垃圾中的非果蔬类垃圾如:金属,瓶子,PVC,石头等分拣出来,将剩余的果蔬类垃圾送入下一道工序。
为实现上述目的,本申请的第一种技术方案为:一种基于机器视觉的生活垃圾分拣方法,包括:
步骤一:对待分拣的垃圾进行定容处理;
步骤二:传送带将定容处理后垃圾向前传送,磁性金属垃圾分拣装置将磁性金属垃圾从中分拣出来,并使用机械臂将其放入磁性垃圾收集装置中;
步骤三:利用高清CCD镜头,对匀速行进的垃圾进行连续摄像,把所摄取的垃圾图像送入数据库,与数据库中固有图像进行对比识别,从而判断是否为非果蔬类垃圾;
步骤四:采用图像轮廓比对算法得到目标垃圾的轮廓图像,对每一目标垃圾轮廓图像,计算全部轮廓像素几何位置的加权平均值,得到目标垃圾位于传送带上的位置坐标,并将该位置信息传送给控制系统;
步骤五:控制系统根据数据分析装置反馈的目标垃圾的位置坐标输出控制信号,机械臂分拣装置根据所述控制信号对所述目标垃圾进行自动分拣,将目标垃圾分拣至物料收集装置。
进一步地,在传送带下方设有物料收集装置,该物料收集装置包括塑料收集装置、瓶子收集装置、果蔬类垃圾收集装置。
进一步地,在磁性垃圾收集装置、塑料收集装置、瓶子收集装置一侧分别设有振动装置。
进一步地,所述目标垃圾的轮廓图像提取包括颜色特征、纹理特征;提取颜色特征采用VSH颜色直方图、BIC颜色直方图;提取纹理特征,将BASD纹理特征引入到果蔬识别中。
进一步地,利用最大最小归一化方法进行特征归一,采用SS融合算法实现特征融合,进而实现图像特征融合。
更进一步地,VSH颜色直方图按照式(1)计算,通过计算得到一个568维颜色直方图;
I=V×EH×EH+S×EH+V (1)
式中:V,S,H分别为量化后的颜色通道分量;H被均匀量化为16级;S、V被均匀量化为8级;ES、EV分别为S、V的量化级数。
更进一步地,BIC颜色直方图采用16×16×16的量化方法,得到一个4096维的颜色直方图。
更进一步地,提取纹理特征包括:完全局部二值模式与颜色完全局部01模式;
完全局部二值模式中的BASD描述因子为:
式中:gc代表中心像素点;gp代表gc以r为半径的环形邻域像素点;e表示半径为r的环形邻域像素点个数;mp表示gp、gc差值的绝对值;τ表示幅度值mp的均值,p=1,2……,P;cl为全局图像灰度级的平均值;t(x,c)函数表示当变量x大于阈值c时,函数值取1,否则,函数值取0;
颜色完全局部01模式具体为:I是一个图像,首先将图像I转换成其他颜色的表示形式;设一共有H种不同的颜色通道,H(i)为第i个颜色通道,分别求取不同颜色通道下的直方图,记H(i)为第i个颜色通道的直方图,则图像I的直方图为H=[h(1),h(2),…,h(K)]。
作为更进一步地,SS融合算法采用匹配得分融合方法,某特征的相似度计算公式如下:
式中:A表示训练样本特征向量;B表示测试样本特征向量;ai、bi代表特征向量中的元素;T表示特征维数;
特征融合公式如下:
式中:N训练集样本的个数;n m j表示测试样本第m个特征与训练集第j个样本的第m个特征归一化匹配得分值;ωm为第m个特征的权值;FJ为融合后的匹配得分;M表示融合特征的个数。
作为更进一步地,利用最近邻算法实现果蔬识别,通过下面公式求取最小的FJ,输出果蔬农产品所属的类,完成果蔬识别;
re_min(Nj,Ij)+BASD;j=1,2,.....N
式中:Nj,Ij分别为特征与训练集的第j次匹配值;j=1,2,.....N,为正变量。
本发明由于采用以上技术方案,能够取得如下的技术效果:能将各类垃圾进行分拣,特别适合热解生活垃圾法,各类金属,PVC塑料,瓶子等可再利用垃圾得以回收,果蔬类垃圾能很好分拣出来。效率高,省人工,安全有效。
附图说明
图1为基于机器视觉的生活垃圾分拣装置图。
图中序号说明:1.垃圾定容漏斗,2.磁性金属垃圾分拣装置,3.高清CCD镜头,4.机械臂分拣装置,5.传动带,6.磁性垃圾收集装置,7.振动装置,8.塑料收集装置;9.瓶子收集装置,10.果蔬类垃圾收集装置。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明演示器进行详细描述。
实施例1
本实施例提供一种基于机器视觉的生活垃圾分拣方法,具体包括:对等待分拣的垃圾进行定容处理,每次可以处理3立方米的垃圾;进给速度为0.5m/s;垃圾堆积厚度不超过50cm,堆积宽度不超过100cm。磁性金属垃圾分拣装置将磁性金属垃圾从垃圾中分拣出来;最大吸附力达10kg。然后利用两个索尼高清CCD镜头,对匀速行进的垃圾进行连续摄像,将所摄取的垃圾图像送入数据库,和数据库中固有图像进行对比识别,从而判断是否为非果蔬类垃圾。垃圾的图像采用图像轮廓比对算法得到目标垃圾的轮廓图像,对每一目标垃圾轮廓图像,计算全部轮廓像素几何位置的加权平均值,得到目标垃圾位于传送带上的位置坐标,并将该位置信息传送给控制系统。控制系统根据数据分析装置反馈的目标垃圾的位置坐标输出控制信号,机械臂分拣装置根据所述控制信息对所述目标垃圾进行自动分拣,将目标垃圾分拣至物料收集装置。
优选的,在图像采集过程中:安装两个60万像素BOR8835摄像头,采用基于CortexA8开发板开发的图像采集软件采集果蔬图片。果蔬垃圾位置随机摆放,数量随机选取,果蔬之间包含粘连、堆叠情况。
优选的,提取的图像特征一般包括颜色特征、纹理特征。颜色特征提取采用VSH彩色直方图、BIC彩色直方图;纹理特征方面,本申请将BASD纹理特征引入到果蔬识别中,提出一种BASD纹理特征算法,并将BASD作为算法的纹理特征。
3)利用最大最小归一化方法进行特征归一,采用SS融合算法实现特征融合,实现图像特征融合。
本申请中果蔬类垃圾分拣依据具体为:
1.颜色特征
VSH颜色直方图按照式(1)计算,通过计算得到一个568维颜色直方图。I=V×EH×EH+S×EH+V (1)
式中:V,S,H分别为量化后的颜色通道分量;H被均匀量化为16级;S、V被均匀量化为8级;ES、EV分别为S、V的量化级数。
BIC颜色直方图采用16×16×16的量化方法,得到一个4096维的颜色直方图。
2.纹理特征
1)完全局部二值模式
基于局部二值模式纹理特征提取算法,BASD纹理特征提取算法,BASD纹理特征的纹理表征能力及对光照的鲁棒性优于传统的LBP,局部三值模式、最大响应滤波器、等纹理特征。
BASD由3个描述因子组成,分别为幅度、符号,灰度级;3个描述因子可以通过计算获得,求取3个描述因子的3维直方图,得到BASD描述因子。
式中:gc代表中心像素点;gp代表gc以r为半径的环形邻域像素点;e表示半径为r的环形邻域像素点个数;mp表示gp、gc差值的绝对值;τ表示幅度值mp的均值,p=1,2……,P;cl为全局图像灰度级的平均值;t(x,c)函数表示当变量x大于阈值c时,函数值取1,否则,函数值取0。
2)颜色完全局部01模式
颜色纹理算法能够较好的解决复杂光照环境下噪音问题,使用一种颜色完全局部01模式。
比如I是一个图像,首先将图像I转换成其他颜色的表示形式。假设一共有H种不同的颜色通道,H(i)为第i个颜色通道。分别求取不同颜色通道下的直方图,记H(i)为第i个颜色通道的直方图,则图像I的直方图为H=[h(1),h(2),…,h(K)]。
融合方法采用匹配得分融合方法,某特征的相似度计算公式如下:
式中:A表示训练样本特征向量;B表示测试样本特征向量;ai、bi代表特征向量中的元素;T表示特征维数。
特征融合公式如下:
式中:N训练集样本的个数;n m j表示测试样本第m个特征与训练集第j个样本的第m个特征归一化匹配得分值;ωm为第m个特征的权值;FJ为融合后的匹配得分;M表示融合特征的个数,本文融合算法包含3个融合特征,因此,M取3。
最后,利用最近邻算法实现果蔬识别。通过下面公式求取最小的FJ,输出果蔬农产品可能所属的类,完成果蔬识别。
re_min(Nj,Ij)+BASD;j=1,2,.....N
实施例2
本实施例提供一种实施上述方法的垃圾分拣系统,所述系统包括垃圾定容漏斗、磁性金属垃圾分拣装置、高清CCD镜头、机械臂分拣装置、传动带、磁性垃圾收集装置、振动装置、塑料收集装置、瓶子收集装置、果蔬类垃圾收集装置、控制系统、电机、驱动装置、数据分析装置;所述传动带上依次设置有垃圾定容漏斗、磁性金属垃圾分拣装置、高清CCD镜头、机械臂分拣装置,振动装置位于传动带下面;所述传动带与电机相连,磁性金属垃圾分拣装置、高清CCD镜头、电机、数据分析装置均与控制系统相连,所述控制系统通过驱动装置与机械臂分拣装置相连。
以上所述,仅为本发明创造较佳的具体实施方式,但本发明创造的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内,根据本发明创造的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明创造的保护范围之内。
Claims (7)
1.一种基于机器视觉的生活垃圾分拣方法,其特征在于,包括:
步骤一:对待分拣的垃圾进行定容处理;
步骤二:传送带将定容处理后垃圾向前传送,磁性金属垃圾分拣装置将磁性金属垃圾从中分拣出来,并使用机械臂分拣装置将其放入磁性垃圾收集装置中;
步骤三:利用高清CCD镜头,对匀速行进的垃圾进行连续摄像,把所摄取的垃圾图像送入数据库,与数据库中固有图像进行对比识别,从而判断是否为非果蔬类垃圾;
步骤四:采用图像轮廓比对算法得到目标垃圾的轮廓图像,对每一目标垃圾轮廓图像,计算全部轮廓像素几何位置的加权平均值,得到目标垃圾位于传送带上的位置坐标,并将该位置信息传送给控制系统;
步骤五:控制系统根据数据分析装置反馈的目标垃圾的位置坐标输出控制信号,机械臂分拣装置根据所述控制信号对所述目标垃圾进行自动分拣,将目标垃圾分拣至物料收集装置;
所述目标垃圾的轮廓图像提取包括颜色特征、纹理特征;提取颜色特征采用VSH颜色直方图、BIC颜色直方图;提取纹理特征,将BASD纹理特征引入到果蔬识别中;
VSH颜色直方图按照式(1)计算,通过计算得到一个568维颜色直方图;
I=H×ES×EV+S×EV+V (1)
式中:V,S,H分别为量化后的颜色通道分量;H被均匀量化为16级;S、V被均匀量化为8级;ES、EV分别为S、V的量化级数;
提取纹理特征包括:完全局部二值模式与颜色完全局部01模式;
完全局部二值模式中的BASD描述因子为:
式中:gc代表中心像素点;gp代表gc以r为半径的环形邻域像素点;e表示半径为r的环形邻域像素点个数;mp表示gp、gc差值的绝对值;τ表示幅度值mp的均值,p=1,2……,P;cl为全局图像灰度级的平均值;t(x,c)函数表示当变量x大于阈值c时,函数值取1,否则,函数值取0;
颜色完全局部01模式具体为:I是一个图像,首先将图像I转换成其他颜色的表示形式;设一共有K种不同的颜色通道,H(i)为第i个颜色通道,分别求取不同颜色通道下的直方图,记H(i)为第i个颜色通道的直方图,则图像I的直方图为H=[h(1),h(2),…,h(K)]。
2.根据权利要求1所述一种基于机器视觉的生活垃圾分拣方法,其特征在于,在传送带下方设有物料收集装置,该物料收集装置包括塑料收集装置、瓶子收集装置、果蔬类垃圾收集装置。
3.根据权利要求2所述一种基于机器视觉的生活垃圾分拣方法,其特征在于,在磁性垃圾收集装置、塑料收集装置、瓶子收集装置一侧分别设有振动装置。
4.根据权利要求1所述一种基于机器视觉的生活垃圾分拣方法,其特征在于,利用最大最小归一化方法进行特征归一,采用SS融合算法实现特征融合,进而实现图像特征融合。
5.根据权利要求1所述一种基于机器视觉的生活垃圾分拣方法,其特征在于,BIC颜色直方图采用16×16×16的量化方法,得到一个4096维的颜色直方图。
7.根据权利要求6所述一种基于机器视觉的生活垃圾分拣方法,其特征在于,利用最近邻算法实现果蔬识别,通过下面公式求取最小的FJ,输出果蔬农产品所属的类,完成果蔬识别;
re_min FJ(Nj,Ij)+BASD;j=1,2,.....N
式中:Nj,Ij分别为特征与训练集的第j次匹配值;j=1,2,.....N,为正变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810661103.0A CN108971190B (zh) | 2018-06-25 | 2018-06-25 | 一种基于机器视觉的生活垃圾分拣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810661103.0A CN108971190B (zh) | 2018-06-25 | 2018-06-25 | 一种基于机器视觉的生活垃圾分拣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108971190A CN108971190A (zh) | 2018-12-11 |
CN108971190B true CN108971190B (zh) | 2021-12-28 |
Family
ID=64538703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810661103.0A Active CN108971190B (zh) | 2018-06-25 | 2018-06-25 | 一种基于机器视觉的生活垃圾分拣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108971190B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11851292B2 (en) | 2018-04-22 | 2023-12-26 | Mp Zenrobotics Oy | Waste sorting gantry robot |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE544741C2 (en) | 2018-05-11 | 2022-11-01 | Genie Ind Bv | Waste Sorting Gantry Robot and associated method |
CN110369333B (zh) * | 2019-08-01 | 2024-02-20 | 安徽芳奎环境治理研究所有限公司 | 一种生活垃圾自动分拣系统 |
CN110653169B (zh) * | 2019-08-06 | 2022-01-14 | 中国长城科技集团股份有限公司 | 一种垃圾处理方法、装置及终端设备 |
CN110479638B (zh) * | 2019-08-08 | 2021-07-30 | 南京英锐祺科技有限公司 | 一种垃圾分类的方法及系统 |
CN110624857A (zh) * | 2019-10-21 | 2019-12-31 | 广东弓叶科技有限公司 | 物件类别识别方法及分拣设备 |
CN110773551A (zh) * | 2019-10-31 | 2020-02-11 | 深圳市宝政通环境有限公司 | 一种餐厨、果蔬垃圾多功能处理方法 |
CN110918599A (zh) * | 2019-11-19 | 2020-03-27 | 上海市普陀区中山北路第一小学 | 垃圾分类机器人装置 |
CN110861912A (zh) * | 2019-12-13 | 2020-03-06 | 华南理工大学广州学院 | 一种方便收集的餐盘回收用传送带用剩菜回收装置 |
CN110976301A (zh) * | 2019-12-27 | 2020-04-10 | 金晨 | 一种用于废旧金属回收的分类装置 |
CN111619990A (zh) * | 2020-05-28 | 2020-09-04 | 上海工程技术大学 | 一种基于智能辨识分类的垃圾桶 |
CN113191176A (zh) * | 2020-06-08 | 2021-07-30 | 阿里巴巴集团控股有限公司 | 数据处理方法和装置 |
CN111659635A (zh) * | 2020-06-16 | 2020-09-15 | 北京铮实环保工程有限公司 | 一种基于视觉技术和深度学习的存余垃圾识别方法和装置 |
CN112024424B (zh) * | 2020-08-19 | 2022-05-20 | 中物智建(武汉)科技有限公司 | 一种人机协作式垃圾分选系统 |
CN112660671B (zh) * | 2020-12-30 | 2022-06-24 | 重庆市环卫集团有限公司 | 一种餐厨垃圾的异物图像识别系统及管理系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19751862C2 (de) * | 1997-11-22 | 2002-09-19 | Lutz Priese | Verfahren und Vorrichtung zum Identifizieren und Sortieren von bandgeförderten Objekten |
CN103400147B (zh) * | 2013-07-25 | 2016-07-06 | 中国农业大学 | 基于图像处理的目标鱼识别方法及系统 |
CN104148300B (zh) * | 2014-01-24 | 2017-02-15 | 北京聚鑫跃锋科技发展有限公司 | 基于机器视觉的垃圾分拣方法与系统 |
CN104463151A (zh) * | 2015-01-05 | 2015-03-25 | 北京邮电大学 | 基于主颜色直方图和空间位置信息融合的快速目标匹配方法 |
CN104624505B (zh) * | 2015-01-16 | 2016-08-31 | 同济大学 | 一种基于图像识别的废塑料分离方法与系统 |
CN105013718B (zh) * | 2015-07-31 | 2018-09-25 | 泉州装备制造研究所 | 基于多种检测方式的块状固体建筑垃圾分拣系统 |
CN106000904B (zh) * | 2016-05-26 | 2018-04-10 | 北京新长征天高智机科技有限公司 | 一种生活垃圾自动分拣系统 |
CN106412619B (zh) * | 2016-09-28 | 2019-03-29 | 江苏亿通高科技股份有限公司 | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 |
CN106824824A (zh) * | 2016-10-26 | 2017-06-13 | 湖南理工学院 | 一种具有前置图像处理及反射式光谱单元的塑料分选系统 |
CN107092914B (zh) * | 2017-03-23 | 2021-01-05 | 广东数相智能科技有限公司 | 基于图像识别的垃圾分类方法、装置和系统 |
CN106975616A (zh) * | 2017-05-18 | 2017-07-25 | 山东理工大学 | 一种智能城市生活垃圾分拣设备 |
CN107480643B (zh) * | 2017-08-18 | 2020-06-26 | 浙江爱源环境工程有限公司 | 一种智能垃圾分类处理的机器人 |
-
2018
- 2018-06-25 CN CN201810661103.0A patent/CN108971190B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11851292B2 (en) | 2018-04-22 | 2023-12-26 | Mp Zenrobotics Oy | Waste sorting gantry robot |
Also Published As
Publication number | Publication date |
---|---|
CN108971190A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108971190B (zh) | 一种基于机器视觉的生活垃圾分拣方法 | |
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN108108679B (zh) | 一种全自动钨矿选矿机 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
CN102147861A (zh) | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 | |
CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
CN110717426A (zh) | 基于域自适应学习的垃圾分类方法、电子设备及存储介质 | |
CN107016391A (zh) | 一种复杂场景工件识别方法 | |
CN110689085A (zh) | 基于深度跨连接网络及损失函数设计的垃圾分类方法 | |
CN113145492A (zh) | 一种用于梨外观品质视觉分级方法及分级生产线 | |
CN110516625A (zh) | 一种垃圾识别分类的方法、系统、终端及存储介质 | |
CN113469264A (zh) | 一种垃圾自动分类模型的构建方法、垃圾分拣方法和系统 | |
CN106900601B (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
CN210161172U (zh) | 一种基于深度学习的瓶罐类垃圾识别分类机器人 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及系统 | |
Zhang et al. | Efficient dense-dilation network for pavement cracks detection with large input image size | |
CN108733749A (zh) | 一种基于草图的图像检索方法 | |
Desai et al. | Waste segregation using machine learning | |
CN111723861B (zh) | 一种用于煤矿控制挡板的煤矸石百分比识别方法 | |
CN115591643A (zh) | 一种硅棒的料性识别和区分方法、控制装置及控制系统 | |
CN114887924A (zh) | 一种基于太赫兹成像的煤矸石识别分选装置及方法 | |
CN114241317A (zh) | 一种基于灯下相似害虫图像自适应特征融合检测方法 | |
Palanimeera et al. | Transfer learning with deep representations is used to recognition yoga postures | |
CN111898680A (zh) | 一种基于检材多视角形态图像和深度学习的生物鉴别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |