CN109516032B - 一种组装式智能分类垃圾系统及其控制方法 - Google Patents
一种组装式智能分类垃圾系统及其控制方法 Download PDFInfo
- Publication number
- CN109516032B CN109516032B CN201811587470.7A CN201811587470A CN109516032B CN 109516032 B CN109516032 B CN 109516032B CN 201811587470 A CN201811587470 A CN 201811587470A CN 109516032 B CN109516032 B CN 109516032B
- Authority
- CN
- China
- Prior art keywords
- garbage
- classified
- classification
- sensor
- controller
- 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
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 342
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000005286 illumination Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000002834 transmittance Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/14—Other constructional features; Accessories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
- B65F1/0053—Combination of several receptacles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/138—Identification means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/176—Sorting means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种组装式智能分类垃圾系统,包括:底座,其上安装箱体,并且在底座上安装多条平行第一滑轨;支撑板,其安装在底座两侧;顶板,其安装在支撑板上;箱体,其安装在底座上,设置在支撑板之间,并且在箱体的内侧壁上对称设置多个支撑肋;多个垃圾桶,其底部安装第二滑轨,能够与第一滑轨相配合滑动,并且垃圾桶安转在箱体内部;筛选台,其设置在箱体内部,支撑肋用于支撑筛选台,并且在筛选台上设置多个垃圾分类口和控制器;垃圾投放台,其安装在箱体上,在投放台上设置第一垃圾检测口、多个第二垃圾检测口、光照传感器和图像传感器,并且在垃圾投放台下部安装机械臂。本发明还公开了一种组装式智能分类垃圾系统的控制方法。
Description
技术领域
本发明涉及公共设施技术领域,具体涉及一种组装式智能分类垃圾系统及其控制方法。
背景技术
现有的垃圾箱大多设置有两个腔体,一个是可回收利用的垃圾收集桶,另一个是不可回收利用的垃圾收集桶,在实际投放中,人们对垃圾分类的意识比较弱,导致造成了大量的资源的浪费。
现有技术公开申请号201810220590.7智能分类垃圾桶,用户将需要丢弃的垃圾按照垃圾桶内各个隔室的不同分类将垃圾丢弃在相应的隔室内的检测筒内,否则用户不能进行丢弃垃圾。对于不清楚垃圾分类的人来讲,显然这样的设定方式及其不合理。
发明内容
本发明设计开发了一种组装式智能分类垃圾系统,本发明的发明目的是通过设置不同垃圾分类口和垃圾检测口对单一垃圾和混合垃圾进行分类投放。
本发明设计开发了一种组装式智能分类垃圾系统的控制方法,本发明的发明目的是通过BP神经网络对单一垃圾和混合垃圾能够进行准确分类投放。
本发明提供的技术方案为:
一种组装式智能分类垃圾系统,包括:
底座,其上安装箱体,并且在所述底座上安装多条平行第一滑轨;
支撑板,其安装在所述底座两侧;
顶板,其安装在所述支撑板上;
箱体,其安装在所述底座上,设置在所述支撑板之间,并且在所述箱体的内侧壁上对称设置多个支撑肋;
多个垃圾桶,其底部安装第二滑轨,能够与所述第一滑轨相配合滑动,并且所述垃圾桶安转在所述箱体内部;
筛选台,其设置在所述箱体内部,所述支撑肋用于支撑所述筛选台,并且在所述筛选台上设置多个垃圾分类口和控制器;
垃圾投放台,其安装在所述箱体上,在所述投放台上设置第一垃圾检测口、多个第二垃圾检测口、光照传感器和图像传感器,并且在所述垃圾投放台下部安装机械臂;
其中,所述垃圾分类口与所述垃圾桶一一对应,所述第二垃圾检测口与所述垃圾分类口一一对应;以及
所述控制器同时连接所述光照传感器、所述图像传感器和所述第二垃圾检测口,所述控制器根据所述光照传感器和所述图像传感器对所述第二垃圾检测口进行开关控制。
优选的是,所述筛选台上设置垃圾输送带,其与所述第一垃圾检测口对应设置,并且所述垃圾输送带与所述控制器相连。
优选的是,还包括:
位置传感器,其设置在所述投放台上,与所述控制器相连,用于监测所述垃圾桶内垃圾容量;
体积传感器,其设置在所述投放台上,与所述控制器相连,用于监控待分类垃圾体积。
优选的是,还包括:
显示板,其安装在所述支撑板一侧;
太阳能板,其安装在所述顶板上。
优选的是,所述垃圾箱设置为4个,所述垃圾分类口设置为4个,所述第二垃圾检测口设置为4个。
一种组装式智能分类垃圾系统的控制方法,使用所述的组装式智能分类垃圾系统,包括如下步骤:
步骤一、当待分类垃圾为单一垃圾时,将所述待分类垃圾放入所述垃圾投放台上相应的第二垃圾检测口上,当待分类垃圾为混合垃圾时,将所述待分类垃圾放入所述垃圾投放台上的第一垃圾检测口上;
步骤二、当待分类垃圾为单一垃圾时,控制器判断放置正确时,相对应的第二垃圾检测口开启;当待分类垃圾为混合垃圾时,对所述混合垃圾类型进行判断,所述控制器根据该判断控制所述机械臂将垃圾运送至相应的垃圾分类口,将垃圾投入到相对应的垃圾桶内。
优选的是,在所述步骤二中,当待分类垃圾为单一垃圾时,通过建立BP神经网络模型,对垃圾放置正确性进行判断,包括如下步骤:
步骤1、按照采样周期,通过图像传感器采集垃圾图像并与预存的图像进行特征比对采集对比率δ,通过光照传感器采集透光度ψ,通过位置传感器采集垃圾箱内垃圾位置H,通过体积传感器采集待分类垃圾体积V;
步骤2、依次将上述参数进行规格化,确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4},其中,x1为对比率系数、x2为透光度系数、x3为垃圾位置系数、x4为待分类垃圾体积系数;
步骤3、所述输入层向量映射到隐层,所述隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2};其中,o1为放置所述单一垃圾的第二垃圾检测口的开启状态,o2为紧急停机信号;
所述控制器根据所述第二垃圾检测口的开启状态,控制对应的第二垃圾检测口开启和关闭。
优选的是,在所述步骤二中,当待分类垃圾为混合垃圾时,通过建立BP神经网络模型,对垃圾分类进行判断,包括如下步骤:
步骤1、按照采样周期,通过图像传感器采集垃圾图像并与预存的图像进行特征比对采集对比率δ,通过光照传感器采集透光度ψ,通过位置传感器采集垃圾箱内垃圾位置H,通过体积传感器采集待分类垃圾体积V;
步骤2、依次将上述参数进行规格化,确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4},其中,x1为对比率系数、x2为透光度系数、x3为垃圾位置系数、x4为待分类垃圾体积系数;
步骤3、所述输入层向量映射到隐层,所述隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3,o4,o5};其中,o1为设定的第1个垃圾分类口,o2为设定的第2个垃圾分类口,o3为设定的第3个垃圾分类口,o4为设定的第4个垃圾分类口,o5为紧急停机信号,所述输出层神经元值为k为输出层神经元序列号,k={1,2,3,4,5},i为设定的第i个垃圾分类口,i={1,2,3,4,5},当ok为1时,此时,处于ok对应的垃圾分类口;
所述控制器根据输出的垃圾分类口判断,控制所述机械臂将垃圾移动到对应的垃圾分类口处,同时所述控制器控制所述输送带输送垃圾到对应的垃圾分类口投放垃圾。
优选的是,在所述步骤2中,将图像传感器采集垃圾图像并与预存的图像进行特征比对采集的对比率δ,光照传感器采集的透光度ψ,通过位置传感器采集的垃圾箱内垃圾位置H,通过体积传感器采集待分类垃圾体积V进行规格化的公式为:
式中,xj为输入层向量中的参数,Xj分别为测量参数δ、ψ、H,V,j=1,2,3,4,Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述隐层节点个数m满足:其中,n为输入层节点个数,p为输出层节点个数;以及
所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
本发明与现有技术相比较所具有的有益效果:本发明基于BP神经网络实现对垃圾种类的识别并进行分类投放,降低了资源的浪费,并且有助于提高了人们对垃圾分类的意识。
附图说明
图1为本发明提供的组装式智能垃圾分类结构示意图。
图2为本发明提供的组装式智能垃圾分类结构分解图。
图3为本发明提供的底板结构图。
图4为本发明提供的箱体结构图。
图5为本发明提供的垃圾桶结构图。
图6为本发明提供的筛选台结构图。
图7为本发明提供的投放台结构图。
图8为本发明提供的投放台的仰视图。
图9为本发明提供的机械臂结构图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1~图9所示,本发明提供了一种组装式智能分类垃圾桶,包括:底座100,放置在地面上;底座100用来安装垃圾桶700、箱体600和承载支承板300,支撑板300上部用来安装顶板400,顶板400上有太阳板500;箱体600安装在底座100上,用来密封垃圾桶700,箱体600内设置6个支承肋610(对称布置),用来支承筛选台800;垃圾桶700共有四个,用来盛放不同类型的垃圾;筛选台800上设置有垃圾输送带830、4个垃圾分类口820和两个控制器810、840;投放台900包括1个第一垃圾检测口910,4个第二垃圾检测口920、图像传感器930,光照传感器950、位置传感器960,体积传感器980、两个机械臂安装座940,970,用来检测垃圾投放的是否正确,并将垃圾投放到正确的垃圾桶700内;在本实施例中,具体而言,底座100上安装箱体600,并且在底座100上安装多条平行第一滑轨110,支撑板300安装在底座100两侧,箱体600设置在两个支撑板300之间,并且在箱体600的内侧壁上对称设置6个支撑肋610,垃圾桶700的底部安装第二滑轨710,能够与第一滑轨110相配合滑动,便于清洁人员将垃圾桶700分别拿出,进行垃圾清理,并且垃圾桶700安转在箱体600内部,筛选台800设置在箱体600内部,支撑肋610用于支撑筛选台800,并且在筛选台800上设置多个垃圾分类口820和控制器810、840,垃圾投放台900安装在箱体600上;其中,4个垃圾分类口820与4个垃圾桶700一一对应,4个第二垃圾检测口920与4个垃圾分类口820一一对应,控制器810同时连接光照传感器950、图像传感器930和第二垃圾检测口920,控制器810根据光照传感器950和图像传感器930对第二垃圾检测口920分别进行开关控制,控制器810同时连接光照传感器950、图像传感器930和机械臂200,控制器810根据光照传感器950、图像传感器930对机械臂200进行控制。
如图1所示,在另一种实施例中,支撑板300的一侧安装显示板200,显示板200用来显示垃圾分类装置的工作状况,便于工作人员进行检修。
如图1所示,在另一种实施例中,顶板400上安装太阳板500,太阳板500为分类装置提供电能,合理利用资源。
如图4所示,在另一种实施例中,箱体600的前后两面,开设有对应不同类别垃圾桶700的4个取桶门620,4个取桶门620表面布置了不同垃圾分类的标识,便于人们投放垃圾,工作人员清理垃圾,箱体600内部两侧安装了6个支撑肋610,用来承载垃圾筛选台800。
如图5所示,在另一种实施例中,4个垃圾桶700底部安装滑轨710,一侧安装扶手720,4个垃圾桶700分别为可回收垃圾(蓝色)、厨余垃圾(绿色)、有害垃圾(红色)、其他垃圾(黄色),便于清洁人员进行进行垃圾的分类整理。
如图6所示,在另一种实施例中,筛选台800包括控制器810和840、4个垃圾分类口820、输送带830,控制器810能够用来控制4个第二垃圾检测口920的开启和关闭,控制器840同时能够用来控制机械臂200进行垃圾的拾取分类,将垃圾投入对应的垃圾分类口820,输送带830用来承载混合垃圾,协助机械臂进行垃圾分类。
如图7、图8所示,在另一种实施例中,4个第二垃圾检测口920用来投放单一垃圾,第一垃圾检测口910投放混合垃圾,图像传感器930、光照传感器950分别用来检测可回收垃圾、有害垃圾、厨余垃圾和其他垃圾,位置传感器960用来监测4个垃圾桶700的容量,体积传感器980用来监测投放垃圾的体积,当垃圾桶700内达到一定容量时,反馈给控制器810、840,上传到工作人员的手机客户端,同时检测到垃圾桶内不能容纳投放的垃圾时也反馈给控制器,上传到工作人员的手机客户端。
如图9所示,在另一种实施例中,机械臂200均由液压驱动,由控制器840进行控制其动作,进而完成相应的垃圾分类的工作。
在另一种实施例中,控制器的运行方式是基于机器学习与深度学习的来对垃圾进行识别分类,其中深度学习作为特征提取器,机器学习创建分类器。
如图1~图9所示,本发明还提供了一种组装式智能分类垃圾系统的控制方法,包括如下步骤:
步骤一、当待分类垃圾为单一垃圾时,将待分类垃圾放入垃圾投放台900上相应的第二垃圾检测口920上,4个第二垃圾检测口920初始状态为关闭状态;
当待分类垃圾为混合垃圾时,将待分类垃圾放入垃圾投放台上的第一垃圾检测口910上;
步骤二、当待分类垃圾为单一垃圾时,控制器810判断该放置正确时,相对应的第二垃圾检测口920开启,否则,相对应的第二垃圾检测口920仍处于关闭状态;
当待分类垃圾为混合垃圾时,对混合垃圾类型进行判断,控制器840根据该判断控制所述机械臂将垃圾运送至相应的垃圾分类口820,将垃圾投入到相对应的垃圾桶700内。
下面结合具体的实施例对本发明提供的组装式智能分类垃圾系统的控制方法做进一步说明。
实施例1
当待分类垃圾为单一垃圾时,通过建立BP神经网络模型,对垃圾放置正确性进行判断,包括如下步骤:
步骤1、建立BP神经网络模型。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:O=(o1,o2,...,op)T
本发明中,输入层节点数为n=4,输出层节点数为p=2。隐藏层节点数m由下式估算得出:
输入信号4个参数分别表示为:x1为对比率系数、x2为透光度系数、x3为垃圾位置系数、x4为待分类垃圾体积系数。
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
具体而言,对于通过图像传感器采集垃圾图像并与预存的图像进行特征比对采集对比率δ,进行规格化后,得到对比率系数x1:
其中,δmin和δmax分别为所述图像特征的最小对比率和图像特征的最大对比率。
同样的,使用光照传感器采集透光度ψ通过下式进行规格化,得到透光度系数x2:
其中,ψmin和ψmax分别为光照传感器的最小透光度和最大透光度。
使用位置传感器采集垃圾箱内垃圾位置H,进行规格化后,得到位置系数x3:
其中,Hmin和Hmax分别为所述垃圾箱内垃圾的最小位置和最大位置。
体积传感器采集待分类垃圾体积V,进行规格化后,得到待分类垃圾体积系数x4:
其中,Vmin和Vmax分别为待分类垃圾的最大体积和待分类垃圾的最大体积。
输出信号的2个参数分别表示为:o1为放置所述单一垃圾的第二垃圾检测口的开启状态,o2为紧急停机信号。
第二垃圾检测口的开启状态信号o1表示为当前放置所述单一垃圾的第二垃圾检测口的开启状态,其输出值为0或1,当输出值为0时,表示当前单一垃圾放置错误,此时,当前放置单一垃圾的第二垃圾检测口处于关闭状态;当输出值为1时,表示当前单一垃圾放置正确,此时,当前放置单一垃圾的第二垃圾检测口处于开启状态。
紧急停机信号o2表示为当前垃圾分类系统的运行状态,其输出值为0或1,当输出值为0时,表示当前垃圾分类系统处于非正常状态,此时,需要进行紧急停机;当输出值为1时,表示当前垃圾分类系统处于正常状态,可以继续运行。
步骤2、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值θk、wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至系统误差小于等于期望误差时,完成神经网络的训练过程。
如表1所示,给定了一组训练样本以及训练过程中各节点的值。
表1训练过程各节点值
步骤3、采集运行参数输入神经网络得到调控系数及紧急停机信号。
将训练好的人工神经网络固化在FPGA芯片之中,使硬件电路具备预测和智能决策功能,从而形成智能硬件。智能硬件加电启动后,第二垃圾检测口初始状态为关闭状态,即o1=0。
同时使用图像传感器、光照传感器、位置传感器和体积传感器,采集初始对比率δ0、初始透光度ψ0,垃圾箱内垃圾位置H0,初始待分类垃圾体积V0,通过将上述参数规格化,得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量/>
步骤4、控制放置待分类垃圾的第二垃圾检测口开启状态。
得到初始输出向量后,即可进行第二垃圾检测口开启状态的调控,通过传感器获取第i个采样周期的对比率δi、透光度ψi、垃圾箱内垃圾位置Hi、待分类垃圾体积Vi,通过进行格式化得到第i采样周期的输入向量/>通过BP神经网络的运算得到到第i个采样周期的输出向量/>然后控制第二垃圾检测口开启状态。
步骤5、监测待分类垃圾的第二垃圾检测口的紧急停车信号以进行紧急停车。
根据的值判断设置的工作状态,是否处于非正常工作状态,当垃圾系统处于被正常工作状态时需使垃圾系统立即停机,以进行检修,避免设备进一步的损坏。
实施例2
在所述步骤二中,当待分类垃圾为混合垃圾时,通过建立BP神经网络模型,对垃圾分类进行判断,包括如下步骤:
步骤1、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中,p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示本发明的分类垃圾系统工作状态的n个检测信号,这些信号参数由数据预处理模块给出;第二层为中间层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
本发明中,输入层节点数为n=4,输出层节点数为p=5,隐藏层节点数m=5。
输入信号4个参数分别表示为:x1为对比率系数、x2为透光度系数、x3为垃圾位置系数、x4为待分类垃圾体积系数。
输出层5个参数分别表示为:o1为设定的第1个垃圾分类口,o2为设定的第2个垃圾分类口,o3为设定的第3个垃圾分类口,o4为设定的第4个垃圾分类口,o5为紧急停机信号,所述输出层神经元值为为输出层神经元序列号,k={1,2,3,4,5},i为设定的第i个垃圾分类口,i={1,2,3,4,5},当ok为1时,此时,处于ok对应的第1~4个垃圾分类口以及紧急停机状态。
紧急停机信号o5表示为当前垃圾分类系统的运行状态,其输出值为0或1,当输出值为0时,表示当前垃圾分类系统处于非正常状态,此时,需要进行紧急停机;当输出值为1时,表示当前垃圾分类系统处于正常状态,可以继续运行。
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和中间层节点j之间的连接权值,中间层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输出样本如表2所示。
表2网络训练用的输出样本
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,/>为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,/>为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令/>为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
且ej(n)=xj(n)-oj(n);
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
η为学习速率。
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中,J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (4)
1.一种组装式智能分类垃圾系统的控制方法,其特征在于,使用的组装式智能分类垃圾系统,包括:
底座,其上安装箱体,并且在所述底座上安装多条平行第一滑轨;
支撑板,其安装在所述底座两侧;
顶板,其安装在所述支撑板上;
箱体,其安装在所述底座上,设置在所述支撑板之间,并且在所述箱体的内侧壁上对称设置多个支撑肋;
多个垃圾桶,其底部安装第二滑轨,能够与所述第一滑轨相配合滑动,并且所述垃圾桶安转在所述箱体内部;
筛选台,其设置在所述箱体内部,所述支撑肋用于支撑所述筛选台,并且在所述筛选台上设置多个垃圾分类口和控制器;
垃圾投放台,其安装在所述箱体上,在所述垃圾投放台上设置第一垃圾检测口、多个第二垃圾检测口、光照传感器和图像传感器,并且在所述垃圾投放台下部安装机械臂;
其中,所述垃圾分类口与所述垃圾桶一一对应,所述第二垃圾检测口与所述垃圾分类口一一对应;以及
所述控制器同时连接所述光照传感器、所述图像传感器和所述第二垃圾检测口,所述控制器根据所述光照传感器和所述图像传感器对所述第二垃圾检测口进行开关控制;
所述筛选台上设置垃圾输送带,其与所述第一垃圾检测口对应设置,并且所述垃圾输送带与所述控制器相连;
位置传感器,其设置在所述垃圾投放台上,与所述控制器相连,用于监测所述垃圾桶内垃圾容量;
体积传感器,其设置在所述垃圾投放台上,与所述控制器相连,用于监控待分类垃圾体积;
所述控制方法包括如下步骤:
步骤一、当待分类垃圾为单一垃圾时,将所述待分类垃圾放入所述垃圾投放台上相应的第二垃圾检测口上,当待分类垃圾为混合垃圾时,将所述待分类垃圾放入所述垃圾投放台上的第一垃圾检测口上;
步骤二、当待分类垃圾为单一垃圾时,控制器判断放置正确时,相对应的第二垃圾检测口开启;当待分类垃圾为混合垃圾时,对所述混合垃圾类型进行判断,所述控制器根据该判断控制所述机械臂将垃圾运送至相应的垃圾分类口,将垃圾投入到相对应的垃圾桶内;
在所述步骤二中,当待分类垃圾为单一垃圾时,通过建立BP神经网络模型,对垃圾放置正确性进行判断,包括如下步骤:
步骤1、按照采样周期,通过图像传感器采集垃圾图像并与预存的图像进行特征比对采集对比率δ,通过光照传感器采集透光度ψ,通过位置传感器采集垃圾桶内垃圾位置H,通过体积传感器采集待分类垃圾体积V;
步骤2、依次将上述参数进行规格化,确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4},其中,x1为对比率系数、x2为透光度系数、x3为垃圾位置系数、x4为待分类垃圾体积系数;
步骤3、所述输入层神经元向量映射到隐层,隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2};其中,o1为放置所述单一垃圾的第二垃圾检测口的开启状态,o2为紧急停机信号;
所述控制器根据所述第二垃圾检测口的开启状态,控制对应的第二垃圾检测口开启和关闭;
在所述步骤2中,将图像传感器采集垃圾图像并与预存的图像进行特征比对采集的对比率δ,光照传感器采集的透光度ψ,通过位置传感器采集的垃圾桶内垃圾位置H,通过体积传感器采集待分类垃圾体积V进行规格化的公式为:
式中,xj为输入层向量中的参数,Xj分别为测量参数δ、ψ、H,V,j=1,2,3,4,Xjmax和Xjmin分别为相应测量参数中的最大值和最小值;
所述隐层节点个数m满足:其中,n为输入层节点个数,p为输出层节点个数;以及
所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
2.如权利要求1中任一项所述的组装式智能分类垃圾系统的控制方法,其特征在于,还包括:
显示板,其安装在所述支撑板一侧;
太阳能板,其安装在所述顶板上。
3.如权利要求2所述的组装式智能分类垃圾系统的控制方法,其特征在于,所述垃圾桶设置为4个,所述垃圾分类口设置为4个,所述第二垃圾检测口设置为4个。
4.如权利要求1所述的组装式智能分类垃圾系统的控制方法,其特征在于,其特征在于,在所述步骤二中,当待分类垃圾为混合垃圾时,通过建立BP神经网络模型,对垃圾分类进行判断,包括如下步骤:
步骤1、按照采样周期,通过图像传感器采集垃圾图像并与预存的图像进行特征比对采集对比率δ,通过光照传感器采集透光度ψ,通过位置传感器采集垃圾桶内垃圾位置H,通过体积传感器采集待分类垃圾体积V;
步骤2、依次将上述参数进行规格化,确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4},其中,x1为对比率系数、x2为透光度系数、x3为垃圾位置系数、x4为待分类垃圾体积系数;
步骤3、所述输入层神经元向量映射到隐层,隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3,o4,o5};其中,o1为设定的第1个垃圾分类口,o2为设定的第2个垃圾分类口,o3为设定的第3个垃圾分类口,o4为设定的第4个垃圾分类口,o5为紧急停机信号,输出层神经元值为k为输出层神经元序列号,k={1,2,3,4,5},i为设定的第i个垃圾分类口,i={1,2,3,4,5},当ok为1时,此时,处于ok对应的垃圾分类口;
所述控制器根据输出的垃圾分类口判断,控制所述机械臂将垃圾移动到对应的垃圾分类口处,同时所述控制器控制所述输送带输送垃圾到对应的垃圾分类口投放垃圾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811587470.7A CN109516032B (zh) | 2018-12-25 | 2018-12-25 | 一种组装式智能分类垃圾系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811587470.7A CN109516032B (zh) | 2018-12-25 | 2018-12-25 | 一种组装式智能分类垃圾系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109516032A CN109516032A (zh) | 2019-03-26 |
CN109516032B true CN109516032B (zh) | 2024-05-10 |
Family
ID=65797146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811587470.7A Active CN109516032B (zh) | 2018-12-25 | 2018-12-25 | 一种组装式智能分类垃圾系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109516032B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110053897A (zh) * | 2019-05-09 | 2019-07-26 | 苏州博学智能科技有限公司 | 一种智能分类垃圾箱 |
CN110490246B (zh) * | 2019-08-15 | 2022-05-03 | 中云信安(深圳)科技有限公司 | 垃圾类别确定方法、装置、存储介质及电子设备 |
CN110723431A (zh) * | 2019-09-19 | 2020-01-24 | 太原理工大学 | 一种基于bp神经网络识别系统的垃圾分类方法 |
CN110963209A (zh) * | 2019-12-27 | 2020-04-07 | 中电海康集团有限公司 | 一种基于深度强化学习的垃圾分拣装置与方法 |
CN112249534B (zh) * | 2020-10-30 | 2021-11-16 | 江汉大学 | 一种垃圾分类回收系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101516071A (zh) * | 2008-02-18 | 2009-08-26 | 中国移动通信集团重庆有限公司 | 垃圾短消息的分类方法 |
CN204161894U (zh) * | 2014-09-11 | 2015-02-18 | 徐延成 | 智能垃圾箱 |
CN106115106A (zh) * | 2016-07-05 | 2016-11-16 | 齐鲁工业大学 | 一种智能垃圾分类分选装置 |
CN106161209A (zh) * | 2016-07-21 | 2016-11-23 | 康佳集团股份有限公司 | 一种基于深度自学习的垃圾短信过滤方法及系统 |
CN106933146A (zh) * | 2017-03-14 | 2017-07-07 | 吉林大学 | 电动轿车行人警示音设计方法、警示音控制系统及方法 |
CN107309213A (zh) * | 2017-08-16 | 2017-11-03 | 吉林省农业科学院 | 基于bp神经网络的红枣超声波清洗机控制方法 |
CN107672974A (zh) * | 2017-10-12 | 2018-02-09 | 黄河科技学院 | 一种垃圾智能分类装置 |
KR20180057964A (ko) * | 2016-11-23 | 2018-05-31 | 호서대학교 산학협력단 | 분리수거장치 및 분리수거방법 |
CN108341184A (zh) * | 2018-03-01 | 2018-07-31 | 安徽省星灵信息科技有限公司 | 一种智能分拣垃圾桶 |
CN108706245A (zh) * | 2018-05-29 | 2018-10-26 | 北京爱国小男孩科技有限公司 | 一种垃圾分类管理系统和方法 |
CN109013384A (zh) * | 2018-07-10 | 2018-12-18 | 华侨大学 | 一种建筑垃圾物料的分拣装置及其分拣方法 |
CN209777324U (zh) * | 2018-12-25 | 2019-12-13 | 吉林大学 | 一种组装式分类垃圾装置 |
-
2018
- 2018-12-25 CN CN201811587470.7A patent/CN109516032B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101516071A (zh) * | 2008-02-18 | 2009-08-26 | 中国移动通信集团重庆有限公司 | 垃圾短消息的分类方法 |
CN204161894U (zh) * | 2014-09-11 | 2015-02-18 | 徐延成 | 智能垃圾箱 |
CN106115106A (zh) * | 2016-07-05 | 2016-11-16 | 齐鲁工业大学 | 一种智能垃圾分类分选装置 |
CN106161209A (zh) * | 2016-07-21 | 2016-11-23 | 康佳集团股份有限公司 | 一种基于深度自学习的垃圾短信过滤方法及系统 |
KR20180057964A (ko) * | 2016-11-23 | 2018-05-31 | 호서대학교 산학협력단 | 분리수거장치 및 분리수거방법 |
CN106933146A (zh) * | 2017-03-14 | 2017-07-07 | 吉林大学 | 电动轿车行人警示音设计方法、警示音控制系统及方法 |
CN107309213A (zh) * | 2017-08-16 | 2017-11-03 | 吉林省农业科学院 | 基于bp神经网络的红枣超声波清洗机控制方法 |
CN107672974A (zh) * | 2017-10-12 | 2018-02-09 | 黄河科技学院 | 一种垃圾智能分类装置 |
CN108341184A (zh) * | 2018-03-01 | 2018-07-31 | 安徽省星灵信息科技有限公司 | 一种智能分拣垃圾桶 |
CN108706245A (zh) * | 2018-05-29 | 2018-10-26 | 北京爱国小男孩科技有限公司 | 一种垃圾分类管理系统和方法 |
CN109013384A (zh) * | 2018-07-10 | 2018-12-18 | 华侨大学 | 一种建筑垃圾物料的分拣装置及其分拣方法 |
CN209777324U (zh) * | 2018-12-25 | 2019-12-13 | 吉林大学 | 一种组装式分类垃圾装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109516032A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109516032B (zh) | 一种组装式智能分类垃圾系统及其控制方法 | |
CN110697273B (zh) | 一种基于迭代学习控制的生活垃圾智能识别与自动分类系统及方法 | |
CN110654739A (zh) | 一种基于机器视觉的可回收垃圾自动分类回收装置与方法 | |
CN110294236A (zh) | 一种垃圾分类监督装置、方法及服务器系统 | |
CN210456027U (zh) | 一种社区厨余垃圾的智能分类系统 | |
CN112193649B (zh) | 一种垃圾分类处理装置 | |
CN109368095A (zh) | 一种防外溢垃圾桶及其控制方法 | |
CN211365766U (zh) | 垃圾智能分类收集设备和系统 | |
CN110817187A (zh) | 垃圾智能分类收集设备和系统 | |
CN110861853B (zh) | 视觉与触觉相结合的智能垃圾分类方法 | |
CN110217511A (zh) | 管道式垃圾分类收集系统及其使用方法 | |
CN109723203A (zh) | 用于楼房垃圾收集的垃圾井、分类收集装置和收集方法 | |
CN209777324U (zh) | 一种组装式分类垃圾装置 | |
CN110654738A (zh) | 一种基于自然语言处理的垃圾自动分类回收装置与方法 | |
CN113335789A (zh) | 一体化智能分类回收垃圾箱和一种垃圾分类回收方法 | |
CN112347949A (zh) | 一种基于互联网的垃圾分类回收处理系统 | |
CN211109160U (zh) | 一种垃圾分拣箱 | |
CN113371363A (zh) | 分类垃圾桶、基于深度学习的智能分类垃圾桶及分类方法 | |
CN116216112A (zh) | 一种基于ai技术的垃圾分类自动分拣方法 | |
CN112357389A (zh) | 一种智能生活垃圾分类投放柜开门方法 | |
CN117088015A (zh) | 一种智慧垃圾处理方法、系统及存储介质 | |
CN215157772U (zh) | 一种自主分拣垃圾收集装置及其智能垃圾收集系统 | |
CN112620165B (zh) | 垃圾分类方法 | |
TWI707812B (zh) | 智慧資源回收桶 | |
CN212291429U (zh) | 一种基于物联网的智能图像语音识别垃圾桶 |
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 |