CN109948506B - 一种基于深度学习的多角度垃圾分类云平台 - Google Patents
一种基于深度学习的多角度垃圾分类云平台 Download PDFInfo
- Publication number
- CN109948506B CN109948506B CN201910191797.0A CN201910191797A CN109948506B CN 109948506 B CN109948506 B CN 109948506B CN 201910191797 A CN201910191797 A CN 201910191797A CN 109948506 B CN109948506 B CN 109948506B
- Authority
- CN
- China
- Prior art keywords
- garbage
- classification
- module
- cloud platform
- picture
- 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
Classifications
-
- 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
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习的多角度垃圾分类云平台,通过前端图像采集模块获取垃圾图片,并判断其是否能达到分类需求;通过无线高速传输模块把垃圾图像传送到垃圾分类云平台;垃圾分类云平台对垃圾图像进行识别,利用基于深度学习模型的垃圾分类模块给出分类结果,并把每次识别结果存储于云平台数据库模块;同时将分类结果传送到前端图像采集与传输模块,控制模块根据收到的分类命令对垃圾进行分类,在完成垃圾分类后,前端再传送确认指令至云平台以结束此次分类流程。本发明采用垃圾分类模块与数据库模块相结合的方式,使用分布式系统,便于深度学习模型的升级与更新,并结合多角度识别与判断技术,提升识别准确率。
Description
技术领域
本发明涉及一种分类方法及系统,尤其涉及一种基于深度学习的多角度垃圾分类云平台。
背景技术
当前,我国城市中生活垃圾分类在社会化、市场化等方面开始新的尝试,但覆盖面不高,分类工作推进难度较大。通过垃圾分类管理,可以最大限度地实现垃圾资源利用,减少垃圾处置量,改善环境质量。要实现垃圾分类,首要问题是垃圾分类投放,其难点是涉及主体复杂多样、点多面广,相关利益主体既有居民也有机构,既有生活消费产生的,也有经营活动产生的。就居民层面而言,既有城区分布的空间差异,也有社区物业管理水平,这些情况直接影响垃圾分类行为的实施。其次,垃圾分类收集的难点是收集活动密度低、物流成本高、二次分拣利润低。由于缺乏集中统一的规格类型,废弃物组分复杂,分类收集难以形成规模效应,平均成本高,单靠自生能力不能覆盖收集成本。在政府财政支持力度不足的情况下,垃圾分类收集难以为继,造成环境污染,浪费土地资源。
现有的垃圾分类系统只能在现场分类装置上进行分类与识别工作,费时费力,系统成本高,升级维护难度较大,并且仅使用单个摄像头采集垃圾图片。本发明所涉及的分类系统,基于深度学习,结合云平台,使用多角度摄像头,能够对垃圾图片进行在线实时处理,大规模布设成本低,并且可以在云平台服务器对系统进行升级维护,效率更高,智能化水平有了质的飞跃。
发明内容
发明目的:有鉴于此,本发明的目的在于提供一种基于深度学习的多角度垃圾分类云平台,以解决目前我国垃圾回收率低这一问题。
技术方案:本发明提供一种基于深度学习的多角度垃圾分类云平台,包括如下步骤:
S10:通过前端多角度图像采集模块获取垃圾图片,并通过微控制单元模块判断其是否能达到分类需求。
S20:微控制单元模块控制无线高速传输模块把垃圾图像传送到垃圾分类云平台。
S30:垃圾分类云平台对接收到的垃圾图像进行识别,给出分类结果,并把每次识别结果存储于云平台数据库模块。
S40:云平台给出的分类结果通过无线高速传输模块,传送到前端图像采集与传输模块,控制模块根据收到的分类命令将垃圾收集到不同垃圾桶。在完成垃圾分类任务后,前端再传送确认指令至云平台以结束此次分类流程。
在其中的一个实施方式中,所述步骤S10具体为:
将待分类垃圾放入指定区域内,以保证所拍摄图片均包括垃圾整体部分。利用自动对焦程序,通过微处理器控制N个(N的值取2或3或4)摄像头获取待分类垃圾不同视角(包括但不限于正视图,俯视图,侧视图等)的图片各一张。然后使用拉普拉斯算法判别图片模清晰程度。如果至少一张图片清晰度符合识别要求,微处理器控制无线传输模块将图片传送到中心服务器端云平台处理。如果本次采集的所有图片清晰度均无法符合识别要求,需要重新对垃圾进行图像采集。
在其中的一个实施方式中,所述步骤S20具体为:
微控制单元模块将待分类垃圾图片,通过WiFi模块或4G网络传输模块传送到垃圾分类云平台,即远端中心服务器。
在其中的一个实施方式中,所述步骤S30具体为:
在中心服务器端利用深度学习模型架设垃圾分类云平台,对接收到的垃圾图像进行处理,最终给出分类结果。
一种垃圾分类云平台模块,包括垃圾分类模块和数据库模块,其中:
垃圾分类模块:由Python语言编写,用于实现垃圾分类工作,并且能够同时处理多个前端发送的分类请求。
数据库模块:选用MySQL作为数据库管理系统,实现对垃圾图片与垃圾分类模块识别结果的存储工作。
所述垃圾分类模块,包括如下步骤:
S50:制作垃圾分类模块所需数据集。
S60:在制作完成数据集的基础上,选择合适的模型框架对该数据集进行训练以得到预训练模型。
S70:使用预训练模型对新获取垃圾进行分类,给出分类结果。
在其中的一个实施方式中,所述步骤S50具体为:
该垃圾分类模块涉及多种不同种类垃圾:包括但不限于塑料,纸质,布料,金属等。通过使用Python语言编写的程序在互联网获取垃圾图片和对垃圾实物进行拍摄等手段,搜集每种垃圾N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的图片各500张,即每种垃圾各500*N张图片。之后对每张图片进行预处理工作,更换每张图片背景为白色,更改图片分辨率为256*256。然后对每张图片进行贴标签工作,把每张图片对应垃圾种类保存为文本。接着从每种垃圾图片中随机选取一定数量的图片作为测试图片,其余的图片作为训练图片,从而制作成该垃圾分类模块所需数据集。
在其中的一个实施方式中,所述步骤S60具体为:
选择Caffe作为深度学习框架。选用GoogleNet作为垃圾分类与检测的主要训练模型,主要参数设定如下:设定test_iter(测试迭代次数)为100,test_interval(测试间隔次数)为1000,base_lr(基础学习率)为0.001,mometum(冲量)为0.9,max_iter(最大迭代次数)为6000。在该参数设定的前提下完成训练,得到相应种类垃圾N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的预训练模型各一个,可用于垃圾分类模块。
在其中的一个实施方式中,所述步骤S70具体为:
在步骤S60得到训练完毕的预训练模型后,使用Python语言编写垃圾分类程序,部署于中心服务器。使用分类程序,通过识别接收到的该垃圾M张图片对其进行分类,得到M*N个输出结果及其判断结果的概率,选取其中概率值最大的结果作为最终的分类结果。
所述数据库模块,选用MySQL作为数据库管理系统,架设于云平台中心服务器。根据所述的垃圾分类程序,使用该数据库模块存储每一张图片的输入及输出结果,包括拍摄该垃圾图片的前端摄像头ID编号,该摄像头拍摄的垃圾图片,该图片通过不同角度识别程序输出的分类结果及其对应概率。可实现对每次处理结果的存储,并为后续优化垃圾分类模块所需数据集和预训练模型打下基础。
有益效果:本发明采用的技术方案具有以下优点:
1.采用分布式系统设计,所有分类识别过程均在远端云平台进行,前端仅需架设图像采集与传输模块即可,从而降低系统硬件成本,便于对该系统的升级维护工作。
2.采用多角度识别技术,通过拍摄待分类垃圾的多个不同角度图片,从而提升采集垃圾图片的可靠性,提升垃圾分类的准确性。
3.采用垃圾分类模块与数据库模块相结合的方式,可不断获取新的垃圾图片,扩充并优化垃圾分类模块所需数据集,并能记录下每次分类的输入与输出结果从而达到优化训练模型,提升识别准确率的目的。
附图说明
图1为本发明实施例所述的智能垃圾分类云平台流程图;
图2为本发明实施例所述的垃圾分类模块流程图;
图3为本发明实施例所述的基于深度学习的多角度垃圾分类云平台示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,以使本领域的技术人员能够更好的理解本发明的优点和特征,从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例所述的智能垃圾分类云平台流程图,如图1所示,该方法包括如下步骤:
S10:通过前端多角度图像采集模块获取垃圾图片,并通过微控制单元模块判断其是否能达到分类需求。
S20:微控制单元模块控制无线高速传输模块把垃圾图像传送到垃圾分类云平台。
S30:垃圾分类云平台对接收到的垃圾图像进行识别,给出分类结果,并把每次识别结果存储于云平台数据库模块。
S40:云平台给出的分类结果通过无线高速传输模块,传送到前端图像采集与传输模块,控制模块根据收到的分类命令将垃圾收集到不同垃圾桶。在完成垃圾分类任务后,前端再传送确认指令至云平台以结束此次分类流程。
在其中的一个实施方式中,所述步骤S10具体为:
将待分类垃圾放入指定区域内,以保证所拍摄图片均包括垃圾整体部分。利用自动对焦程序,通过微处理器控制N个(N的值取2或3或4)摄像头获取待分类垃圾不同视角(包括但不限于正视图,俯视图,侧视图等)的图片各一张。然后使用拉普拉斯算法判别图片模清晰程度。如果至少一张图片清晰度符合识别要求,微处理器控制无线传输模块将图片传送到中心服务器端云平台处理。如果本次采集的所有图片清晰度均无法符合识别要求,需要重新对垃圾进行图像采集。
在其中的一个实施方式中,所述步骤S20具体为:
微控制单元模块将待分类垃圾图片,通过WiFi模块或4G网络传输模块传送到垃圾分类云平台,即远端中心服务器。
在其中的一个实施方式中,所述步骤S30具体为:
在中心服务器端利用深度学习模型架设垃圾分类云平台,对接收到的垃圾图像进行处理,最终给出分类结果。
图2为本发明实施例所述的垃圾分类模块流程图,如图2所示,该方法包括如下步骤:
S50:制作垃圾分类模块所需数据集。
S60:在制作完成数据集的基础上,选择合适的模型框架对该数据集进行训练以得到预训练模型。
S70:使用预训练模型对新获取垃圾进行分类,给出分类结果。
在其中的一个实施方式中,所述步骤S50具体为:
该垃圾分类模块涉及多种不同种类垃圾:包括但不限于塑料,纸质,布料,金属等。通过使用Python语言编写的程序在互联网获取垃圾图片和对垃圾实物进行拍摄等手段,搜集每种垃圾N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的图片各500张,即每种垃圾各500*N张图片。之后对每张图片进行预处理工作,更换每张图片背景为白色,更改图片分辨率为256*256。然后对每张图片进行贴标签工作,把每张图片对应垃圾种类保存为文本。接着从每种垃圾图片中随机选取一定数量的图片作为测试图片,其余的图片作为训练图片,从而制作成该垃圾分类模块所需数据集。
在其中的一个实施方式中,所述步骤S60具体为:
选择Caffe作为深度学习框架。选用GoogleNet作为垃圾分类与检测的主要训练模型,主要参数设定如下:设定test_iter(测试迭代次数)为100,test_interval(测试间隔次数)为1000,base_lr(基础学习率)为0.001,mometum(冲量)为0.9,max_iter(最大迭代次数)为6000。在该参数设定的前提下完成训练,得到相应种类垃圾N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的预训练模型各一个,可用于垃圾分类模块。
在其中的一个实施方式中,所述步骤S70具体为:
在步骤S60得到训练完毕的预训练模型后,使用Python语言编写垃圾分类程序,部署于中心服务器。使用分类程序,通过识别接收到的该垃圾M张图片对其进行分类,得到M*N个输出结果及其判断结果的概率,选取其中概率值最大的结果作为最终的分类结果。
同时,本发明还提供一种基于深度学习的多角度垃圾分类云平台,如图3所示,该垃圾分类云平台包括图像采集传输模块100与云平台模块200两部分。
第一部分是图像采集传输模块100,包括摄像头模块101,微控制单元模块102和高速无线传输模块103。微控制单元模块102控制摄像头模块101采集垃圾图片,通过高速无线传输模块103将采集的数据传送到垃圾分类云平台服务器。若微控制单元模块102判断图片质量较差无法进行分类,则控制摄像头模块101重新采集垃圾图片并重新进行判断。图像采集传输模块100具体包含:摄像头模块101:采用可调节焦距的摄像头,用于拍摄待分类垃圾多角度图片。
微控制单元模块102:用于控制多个摄像头模块101,并对获取到的待分类垃圾多角度图片进行分析。由于实际图片拍摄质量参差不齐,如果所拍图像质量过低,会导致图像识别程序处理失败,因此需要使用拉普拉斯算法法判别图片模清晰程度。如果至少一张图片清晰度符合识别要求,微控制单元模块102控制无线传输模103块将图片传送到中心服务器端云平台处理。如果本次采集的所有图片清晰度均无法符合识别要求,需要重新对垃圾进行图像采集。
高速无线传输模块103:由WiFi模块或4G网络传输模块组成,用于将待分类垃圾多角度图片传输至云平台中心服务器。能够实现WiFi网络传送与4G网络传送的自由切换,在WiFi网络覆盖的区域内使用WiFi模块,在WiFi网络无法覆盖到的区域内使用4G网络传输模块。
第二部分是云平台模块200,包括垃圾分类模块201和数据库模块202。垃圾分类模块201在获取到图像采集传输模块100所采集的垃圾图像之后,对每一张图片进行识别与分类,并把每次识别结果存储于数据库模块202。分类结果传送到前端图像采集传输模块100从而根据收到的分类命令将垃圾收集到不同垃圾桶。在完成垃圾分类任务后,图像采集传输模块100再传送确认指令至云平台模块200以结束此次分类流程。云平台模块200具体包含:
垃圾分类模块201:该垃圾分类模块涉及多种不同种类垃圾:包括但不限于塑料,纸质,布料,金属等。通过使用Python语言编写的程序在互联网获取垃圾图片和对垃圾实物进行拍摄等手段,搜集每种垃圾N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的图片各500张,即每种垃圾各500*N张图片。之后对每张图片进行预处理工作,更换每张图片背景为白色,更改图片分辨率为256*256。然后对每张图片进行贴标签工作,把每张图片对应垃圾种类保存为文本。接着从每种垃圾图片中随机选取一定数量的图片作为测试图片,其余的图片作为训练图片,从而制作成该垃圾分类模块所需数据集。之后选择Caffe作为深度学习框架。选用GoogleNet作为垃圾分类与检测的主要训练模型,主要参数设定如下:设定test_iter(测试迭代次数)为100,test_interval(测试间隔次数)为1000,base_lr(基础学习率)为0.001,mometum(冲量)为0.9,max_iter(最大迭代次数)为6000。在该参数设定的前提下完成训练,得到相应种类垃圾N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的预训练模型各一个,可用于垃圾分类模块。得到N种(N的值取2或3或4)不同视角(包括但不限于正视图,俯视图,侧视图等)的预训练模型后,使用Python语言编写垃圾分类程序,部署于中心服务器。使用分类程序,通过识别接收到的该垃圾M张图片对其进行分类,得到M*N个输出结果及其判断结果的概率,选取其中概率值最大的结果作为最终的分类结果。
数据库模块202:选用MySQL作为数据库管理系统,架设于云平台中心服务器,可以存储垃圾分类模块201中每一张图片的输入及输出结果,包括拍摄该垃圾图片的前端摄像头ID编号,该摄像头拍摄的垃圾图片,该图片通过不同角度识别程序输出的分类结果及其对应概率。从而实现对每次处理结果的存储,并为后续优化垃圾分类模块所需数据集和预训练模型打下基础。
以上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 (1)
1.一种基于深度学习的多角度垃圾分类云平台,其特征在于:包括如下步骤:
步骤S10:通过前端图像采集模块获取垃圾图片,并通过微控制单元模块判断其是否能达到分类需求;
步骤S20:微控制单元模块控制无线高速传输模块把垃圾图像传送到垃圾分类云平台;
步骤S30:垃圾分类云平台对垃圾图像进行识别,给出分类结果,并把每次识别结果存储于云平台服务器模块;
步骤S40:云平台给出的分类结果通过无线高速传输模块,传送到前端图像采集与传输模块,控制模块根据收到的分类命令将垃圾收集到不同垃圾桶,在完成垃圾分类任务后,前端再传送确认指令至云平台以结束此次分类流程;
所述的步骤S10的具体操作为:
(1)将待分类垃圾放入指定区域内,以保证所拍摄图片均包括垃圾整体部分;
(2)利用自动对焦程序,通过微处理器控制N个摄像头获取待分类垃圾不同视角的图片各一张;
(3)然后使用拉普拉斯算法判别图片模清晰程度,如果至少一张图片清晰度符合识别要求,微处理器控制无线传输模块将图片传送到中心服务器端云平台处理;如果本次采集的所有图片清晰度均无法符合识别要求,需要重新对垃圾进行图像采集;
所述的步骤S20的具体操作为:微控制单元模块将待分类垃圾图片,通过WiFi模块或4G网络传输模块传送到垃圾分类云平台,即远端中心服务器;
所述的步骤S30的具体操作为:利用深度学习模型在中心服务器端架设垃圾分类云平台,对接收到的垃圾图像进行处理,最终给出分类结果,并把每次识别结果存储于云平台服务器模块;
所述的云平台服务器模块包括如下模块:垃圾分类模块:由Python语言编写,可实现同时垃圾进行分类工作;数据库模块:选用MySQL作为数据库管理系统,实现对垃圾图片与垃圾分类模块识别结果的存储工作;所述的垃圾分类云平台先将获得的垃圾图片通过垃圾分类模块进行处理,随后把每次识别结果存储于云平台数据库模块;
所述的垃圾分类模块中进行分类工作的具体步骤如下:
步骤S50:制作垃圾分类模块所需数据集;
步骤S60:在制作完成数据集的基础上,选择合适的模型框架对该数据集进行训练以得到预训练模型;
步骤S70:使用预训练模型对新获取垃圾进行分类,给出分类结果;
所述的步骤S50具体为:所述的垃圾分类模块涉及多种不同种类垃圾:包括塑料,纸质,布料,金属;通过使用Python语言编写的程序在互联网获取垃圾图片和对垃圾实物进行拍摄手段,搜集每种垃圾N种不同视角的图片各500张,即每种垃圾各500*N张图片;之后对每张图片进行预处理工作,更换每张图片背景为白色,更改图片分辨率为256*256;然后对每张图片进行贴标签工作,把每张图片对应垃圾种类保存为文本;接着从每种垃圾图片中随机选取一些图片作为测试图片,其余的图片作为训练图片,从而制作成该垃圾分类模块所需数据集;
所述的步骤S60具体为:选择Caffe作为深度学习框架,选用GoogleNet作为垃圾分类与检测的训练模型,参数设定如下:设定测试迭代次数test_iter为100,测试间隔次数test_interval为1000,基础学习率base_lr为0.001,冲量mometum为0.9,最大迭代次数max_iter为6000;在该参数设定的前提下完成训练,得到相应种类垃圾的N种不同视角的预训练模型各一个,可用于垃圾分类模块;
所述的步骤S70具体为:在步骤S60得到训练完毕的预训练模型后,使用Python语言编写垃圾分类程序,部署于云平台中心服务器;使用垃圾分类程序,识别接收到的该垃圾M张图片对其进行分类,得到M*N个输出结果及其判断结果的概率,选取其中概率值最大的结果作为最终的分类结果;
所述的数据库模块选用MySQL作为数据库管理系统,架设于云平台中心服务器;根据所述的垃圾分类程序,使用该数据库模块存储每一张图片的输入及输出结果,包括拍摄该垃圾图片的前端摄像头ID编号,该摄像头拍摄的垃圾图片,该图片通过不同角度识别程序输出的分类结果及其对应概率,可实现对每次处理结果的存储,并为后续优化垃圾分类模块所需数据集和预训练模型打下基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191797.0A CN109948506B (zh) | 2019-03-14 | 2019-03-14 | 一种基于深度学习的多角度垃圾分类云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191797.0A CN109948506B (zh) | 2019-03-14 | 2019-03-14 | 一种基于深度学习的多角度垃圾分类云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948506A CN109948506A (zh) | 2019-06-28 |
CN109948506B true CN109948506B (zh) | 2023-08-01 |
Family
ID=67009888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910191797.0A Active CN109948506B (zh) | 2019-03-14 | 2019-03-14 | 一种基于深度学习的多角度垃圾分类云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948506B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110428352B (zh) * | 2019-08-09 | 2023-05-26 | 绵阳德川鸿丰环保科技有限公司 | 可穿戴设备智能分类垃圾的方法及模块化垃圾分类系统 |
CN110428019B (zh) * | 2019-08-09 | 2023-04-21 | 绵阳德川鸿丰环保科技有限公司 | 垃圾智能分类方法及模块化智能垃圾分类处理系统 |
CN110615209A (zh) * | 2019-08-19 | 2019-12-27 | 厦门快商通科技股份有限公司 | 垃圾分类回收装置及垃圾分类回收监控系统 |
CN110516625A (zh) * | 2019-08-29 | 2019-11-29 | 华育昌(肇庆)智能科技研究有限公司 | 一种垃圾识别分类的方法、系统、终端及存储介质 |
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 |
CN110633771A (zh) * | 2019-09-20 | 2019-12-31 | 广州游艺云物联网技术有限公司 | 垃圾分类处理方法及装置 |
CN110738131A (zh) * | 2019-09-20 | 2020-01-31 | 广州游艺云物联网技术有限公司 | 基于深度学习神经网络的垃圾分类管理方法及装置 |
CN111310091B (zh) * | 2019-09-25 | 2021-01-19 | 北京星选科技有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
CN110758932A (zh) * | 2019-10-21 | 2020-02-07 | 东华大学 | 一种垃圾自动分类机构及分类方法 |
CN110803416A (zh) * | 2019-11-01 | 2020-02-18 | 武汉东湖学院 | 一种基于机器视觉的智能垃圾桶 |
CN110852420B (zh) * | 2019-11-11 | 2021-04-13 | 北京智能工场科技有限公司 | 一种基于人工智能的垃圾分类方法 |
CN111126138A (zh) * | 2019-11-18 | 2020-05-08 | 施博凯 | 垃圾分类ai图像识别方法 |
CN111017429B (zh) * | 2019-11-20 | 2021-05-25 | 重庆特斯联智慧科技股份有限公司 | 一种基于多因素融合的社区垃圾分类方法及系统 |
CN112949667A (zh) * | 2019-12-09 | 2021-06-11 | 北京金山云网络技术有限公司 | 图像识别方法、系统、电子设备及存储介质 |
CN111275345B (zh) * | 2020-01-22 | 2023-08-08 | 重庆大学 | 一种基于深度学习的课堂信息化评价及管理的系统及方法 |
CN113443296A (zh) * | 2020-08-17 | 2021-09-28 | 刘炎 | 基于大数据的垃圾自动分类系统 |
CN113619950B (zh) * | 2021-06-21 | 2023-02-10 | 长安大学 | 基于深度学习的垃圾分类投放智能监管系统及方法 |
CN116629845A (zh) * | 2023-04-06 | 2023-08-22 | 南京宇中信息科技有限公司 | 基于物联网的控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
CN108940919A (zh) * | 2018-06-14 | 2018-12-07 | 华东理工大学 | 基于无线传输及深度学习的垃圾分类机器人 |
CN109344894A (zh) * | 2018-09-28 | 2019-02-15 | 广州大学 | 基于多传感器融合和深度学习的垃圾分类识别方法及装置 |
CN109460028A (zh) * | 2018-11-23 | 2019-03-12 | 珠海格力电器股份有限公司 | 一种智能垃圾桶的控制装置及其方法与智能垃圾桶 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109064467A (zh) * | 2018-08-20 | 2018-12-21 | 贵州宜行智通科技有限公司 | 小区安防的分析方法、装置及电子设备 |
CN108932510A (zh) * | 2018-08-20 | 2018-12-04 | 贵州宜行智通科技有限公司 | 一种垃圾检测方法及装置 |
-
2019
- 2019-03-14 CN CN201910191797.0A patent/CN109948506B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845408A (zh) * | 2017-01-21 | 2017-06-13 | 浙江联运知慧科技有限公司 | 一种复杂环境下的街道垃圾识别方法 |
CN108940919A (zh) * | 2018-06-14 | 2018-12-07 | 华东理工大学 | 基于无线传输及深度学习的垃圾分类机器人 |
CN109344894A (zh) * | 2018-09-28 | 2019-02-15 | 广州大学 | 基于多传感器融合和深度学习的垃圾分类识别方法及装置 |
CN109460028A (zh) * | 2018-11-23 | 2019-03-12 | 珠海格力电器股份有限公司 | 一种智能垃圾桶的控制装置及其方法与智能垃圾桶 |
Also Published As
Publication number | Publication date |
---|---|
CN109948506A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948506B (zh) | 一种基于深度学习的多角度垃圾分类云平台 | |
CN109201514B (zh) | 垃圾分类回收方法、垃圾分类装置以及垃圾分类回收系统 | |
CN108171117B (zh) | 基于多核异构并行计算的电力人工智能视觉分析系统 | |
CN112465738B (zh) | 基于红外与可见光图像的光伏电站在线运维方法及系统 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN110119662A (zh) | 一种基于深度学习的垃圾种类识别系统 | |
CN110963209A (zh) | 一种基于深度强化学习的垃圾分拣装置与方法 | |
CN111009150B (zh) | 一种开放式停车场管理方法、系统及后台服务器 | |
CN107014827A (zh) | 基于影像处理的输电线路缺陷分析方法、装置和系统 | |
CN112348003A (zh) | 基于深度卷积神经网络的飞机加油场景识别方法及系统 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN108646682A (zh) | 基于物联网的农业嘉年华环境控制系统及其环境控制方法 | |
CN116797944A (zh) | 一种基于无人机图像识别光伏面板清洁度的检测方法及系统 | |
CN113850562A (zh) | 一种智能旁站监理方法及系统 | |
CN111125290B (zh) | 一种基于河长制的智能巡河方法、装置及存储介质 | |
CN116543303A (zh) | 一种基于深度学习的桥梁板式橡胶支座病害识别检测方法 | |
CN103942554A (zh) | 一种图像识别方法及装置 | |
CN112004063A (zh) | 一种基于多相机联动的卸油油管连接正确性的监控方法 | |
CN111223125A (zh) | 一种基于Python环境下的目标运动视频跟踪方法 | |
CN111783891B (zh) | 一种定制化物体检测方法 | |
CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及系统 | |
CN114529537A (zh) | 光伏板的异常目标检测方法、系统、设备及介质 | |
CN113159990A (zh) | 一种光伏发电运维系统的设计方法 | |
CN206863221U (zh) | 一种气象观测站地面观测场探测环境自动评估系统 | |
CN112149562A (zh) | 基于多功能杆的道路智慧养护系统及方法 |
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 |