CN110116415A - 一种基于深度学习的瓶罐类垃圾识别分类机器人 - Google Patents
一种基于深度学习的瓶罐类垃圾识别分类机器人 Download PDFInfo
- Publication number
- CN110116415A CN110116415A CN201910507159.5A CN201910507159A CN110116415A CN 110116415 A CN110116415 A CN 110116415A CN 201910507159 A CN201910507159 A CN 201910507159A CN 110116415 A CN110116415 A CN 110116415A
- Authority
- CN
- China
- Prior art keywords
- rubbish
- bottle
- training
- deep learning
- image
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/008—Manipulators for service tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1679—Programme controls characterised by the tasks executed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Abstract
本发明属于机器人技术设计领域,涉及一种基于深度学习的瓶罐类垃圾识别分类机器人。其特征在于:机器人系统由垃圾图像采集系统、数字图像处理与识别训练系统和工业机器人分拣系统三部分构成。图像采集系统由工业CCD相机完成图像的采集,处理与识别训练系统是基于卷积神经网络通过对垃圾样本训练集的特征提取(轮廓和OCR字符特征)、创建分类器和训练分类器来达到定位识别分类。机器人分拣系统是将得到的识别分类信息以指令的形式传递给机械手臂完成垃圾的分拣。根据相关国家政策、环保行业以及利润分析得出:大部分可回收瓶罐类垃圾都具有不易分解且无法采用常规筛选分类的特点,实现此类垃圾的分类回收对环境和资源再利用具有巨大的价值意义。
Description
技术领域
本发明属于垃圾处理领域,特涉及一种基于深度学习针对瓶罐类垃圾的智能垃圾识别分类机器人。
背景技术
随着城市生活越来越自动化、智能化,城市垃圾的分类处理也逐步实现智能化。对垃圾回收再利用,使垃圾资源化具有重要的意义。根据环保行业及相关国家政策,并通过利润分析得出:大部分可回收瓶罐类垃圾例如:玻璃(啤酒瓶)、塑料瓶以及大部分易拉罐(饮料瓶),都具有不易分解且无法采用常规磁吸、震动筛选分类的特点,且对环境和资源再利用具有巨大的价值意义。
物体识别是机器视觉领域中重要的部分,针对此瓶罐类垃圾设计一种定位识别系统,并应用于工业分类机器人,通过快速精准的识别定位分为不同的类别并进行分拣回收处理。在现有的专利和技术研究中,如关于基于图像识别技术的视觉定位系统对种类繁多的垃圾实际情况应用较差,在复杂的垃圾处理流程中,特征匹配的复杂度高、鲁棒性差,很难达到识别分类的要求如中国CN201610056834.3号专利。在中国CN201810939861.4号专利中,设计了一种基于视觉识别和卷积神经网络的垃圾分拣系统,其基于卷积神经网络的识别系统在很大程度上提高了识别分类的精度并设计出识别分拣系统执行结构详细的介绍了每个部分的分拣操作过程,但对于种类繁多的垃圾种类和环境复杂的垃圾场,要实现精准的全部分类显然是不可能的,在识别分类系统中针对各类垃圾设计不同的卷积神经网络结构和算法是有很大难度的,并且工作量太大,很难实现定位识别系统的优化设计,在该专利中并没有对各类垃圾有着明确的算法参数设计。其中主要对垃圾分拣系统的结构设计进行了详细的介绍,但其结构的稳定性和识别控制联合系统的配合优化较差,很难实现在复杂环境下的识别分拣任务。
本发明基于深度学习,采用卷积神经网络算法(CNN)特别的针对瓶罐类垃圾进行各种类目标的特征提取训练,并进行特征匹配,包括分类器的创建、训练和识别(轮廓和OCR字符特征)并完成卷积神经网络算法参数优化设定,通过反复训练模板设计出应用于各种复杂情况的机器人识别分拣系统。其中分拣控制系统采用的是较为成熟的工业六轴机器人,极大的减少了抓取结构的优化设计并具有高效率和稳定性。
发明内容
本发明提供一种基于深度学习针对瓶罐类垃圾具有高准确度、高效率、稳定性好的智能垃圾识别分类机器人,目的是通过机器视觉算法的设定实现对瓶罐类垃圾准确定位识别分拣的效果。
本发明为解决其技术问题所采取的技术方案是:
一种基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,包括:
垃圾图像采集系统,用图像采集设备获取瓶罐类垃圾目标的图像,并将采集的图像信息传递给数字图像处理与训练识别系统;
数字图像处理与训练识别系统,是基于卷积神经网络通过对垃圾目标图像样本训练集的特征提取、创建分类器和训练分类器来达到定位识别分类;
工业机器人分拣系统,是将从数字图像处理与训练识别系统得到的识别分类信息以指令的形式传递给机械手臂完成垃圾的分拣。
卷积神经网络由七部分组成,分别为:输入层、卷积层、激活函数层、池化层、Dropout层、全连接层和输出层。
卷积神经网络各组成部分的处理过程如下:
输入层:输入图像矩阵;
卷积层:进行离散卷积运算以一定的卷积核对图像进行特征提取,多次训练选定具有较高识别率的卷积核大小和卷积步长;
池化层:降低上一步的运算量,加强识别分类的效果;
激活层:加入激励函数进行非线性运算,提高数据处理效率;
Dropout层:加速运算、避免过拟合、提高鲁棒性,并提升模型泛化能力;
全连接层:加强特征和分类的效果;
输出层:将目标识别分类结果输出,输出结果包括识别目标的中心坐标、尺寸和分类信息。
定位识别分类的具体进程为:
特征提取:包括两次,第一次为基于垃圾目标的形状轮廓特征提取,得到垃圾目标的尺寸大小、二维坐标以及初步的识别分类信息;第二次为OCR字符特征提取,是在第一次的基础上再次进行识别定位,定位采取的方式一样,识别则采用OCR字符识别,从瓶身或是瓶盖识别其字符的种类,并进行识别分类;
创建分类器:在卷积神经网络特征提取的基础上,进行两次特征识别分类器的创建,由深度学习网络模型从底层到高层、自动地提取特征信息;
训练分类器:基于从不同垃圾种类的若干张垃圾样本图像获取的轮廓特征和OCR字符特征,进行多次的训练识别并分类。
训练分类器时各种类垃圾的样本图像不少于100张,进行的训练次数不少于300次。
卷积神经网络的卷积核大小为5*5,OCR字符特征提取卷积核大小为8*8,步长选择均为2,输入图像为12*12的图像矩阵,卷积公式为:
式子中为垃圾图像矩阵中X行Y列的灰度值,则为卷积核。
Dropout层的Dropout率为0.5。
激励层中采用Relu激活函数取代了传统的Sigmoid函数,使其更容易分类并避免了梯度消失的问题。
本发明在基于深度学习的框架下,通过对大量具有代表性的瓶罐垃圾目标的特征提取设定合适的卷积神经网络算法,并创建训练分类器。在复杂的实际情况下反复训练分类器和不断的识别优化,最终使识别系统达到高准确度、高效率和较好的鲁棒性。可在复杂的识别环境下通过两次的定位识别,实现高精度的识别分类,如塑料、易拉罐中的可乐雪碧,玻璃瓶中的雪花青岛(商品名称)。这种精准识别的机器人分拣系统对环境和资源再利用具有巨大的价值意义。
具体具有如下有益效果特征:
该机器人图像处理与识别训练系统处理器为GPU,进行模型识别训练矩阵或数值运算时具有更快的速度,满足垃圾分类高效率的要求;
识别分类操作为两次(基于轮廓和OCR字符特征),化简了在训练特征提取时遇到不同类别特征识别算法的设定,并提高卷积神经网络识别训练准确度,满足垃圾分类高准确度的要求;
在实际复杂情况下不断优化分类器和卷积神经网络的参数,使最终的识别训练达到较好的鲁棒性,满足垃圾分类稳定性好的要求。
附图说明
通过参考附图,根据以下具体实施方式,来说明本发明的原理、特点和优点将变得明显;
图1是垃圾识别分类机器人总模块识别分类处理系统框图;
图2是处理与识别系统中卷积神经网络结构图。
具体实施方式
下面结合结构图对该发明的具体实施方式做进一步说明,以下具体实施方式是用来说明本发明的,不对本发明做任何限制。
本发明所述基于深度学习的瓶罐类垃圾识别分类机器人包括垃圾图像采集系统、数字图像处理与训练识别系统和工业机器人分拣系统。
在图像采集系统中,图像的采集选用工业CCD相机,用图像采集设备获取空间场景图像是实现机器视觉的先决条件,并将采集的图像信息传递给处理与识别系统。
在图像处理与训练识别系统中,基于深度学习的框架下设定针对瓶罐类垃圾目标的卷积神经网络算法,实现目标的定位和识别。包括垃圾目标样本识别训练集的创建(玻璃类、塑料类和易拉罐类),基于卷积神经网络对样本训练集进行特征提取,并创建分类器、训练分类器和实际识别分类。其中包含两次定位识别,第一次为轮廓特征提取(形状),第二次为OCR字符特征提取,定位采用仿射变换和形态学分析得到目标尺寸和中心坐标。系统处理器采用GPU,在进行模型识别训练矩阵或数值运算时具有更快的速度,满足垃圾分类高效率的要求。
具体包括:
(1)通过多种图像的采集创建针对各种瓶罐类垃圾目标(包括:玻璃类、塑料类和易拉罐类)的识别训练集,其中包含可乐雪碧塑料瓶和易拉罐、各类啤酒玻璃瓶等各种品牌瓶罐,大约由100多张的图像样本组成(图像矩阵大小为12*12)。
(2)针对识别训练集设计合适的卷积神经网络算法,并基于深度学习创建和训练分类器。其中包括垃圾目标的定位、识别与再识别并进行分类器的训练。
①目标定位识别中,采取轮廓模板匹配(基于形状)对垃圾目标进行特征提取,并通过仿射变换和形态学分析得到其尺寸和坐标,实现垃圾目标的定位与初步识别。
②再识别中,针对各个不同品牌种类的垃圾目标,通过①中得到的目标信息,进行OCR字符(瓶身及瓶盖上)识别,从而得到精准的分类信息训练集
③分类器的训练是在不同的情况下通过得到的分类训练集信息进行实际的识别训练,并不断的调整和优化识别算法,最终得到合适的定位识别系统。
(3)其中基于深度学习的两次训练识别采用的卷积神经网络由七部分组成:输入层、卷积层、激活层、池化层、Dropout层、全连接层、输出分类层,如图附图二所示。其中卷积层和池化层后加入激励层总称为卷积模块,在全连接层中加入Dropout层,分类定位识别分类算法由卷积模块设定。在具体实施方式中详细说明每模块的算法函数与参数的设定。
①输入层:输入图像矩阵(垃圾样本图像训练集为RGB模型即由三个矩阵构成)
②卷积层:进行离散卷积运算以一定的卷积核对图像进行特征提取,多次训练选定具有较高识别率的卷积核大小和卷积步长。
③池化层:降低上一步的运算量,加强识别分类的效果。
④激活层:加入激励函数进行非线性运算,提高数据处理效率。
⑤Dropout层:加速运算、避免过拟合、提高鲁棒性,并提升模型泛化能力(Dropout率的参数确定)。
⑥全连接层:加强特征和分类的效果。
⑦输出层:将目标识别分类结果输出(包括识别目标的中心坐标、尺寸和分类信息)。
在机器人分拣系统中,采用工业六轴机器人,识别训练得到的分类器进行实际识别操作,并将得到目标尺寸、坐标、轮廓特征以及OCR字符分类信息传递给机械手臂完成垃圾目标的分拣操作。
其中第一次定位识别是基于轮廓特征的提取(形状),机械臂完成一轮分拣操作。再识别中,在第一次分类的基础上进行OCR字符识别,得到更精准的识别分类信息,机械臂完成第二轮的分拣操作。
下面结合附图对本发明一种基于深度学习的瓶罐类垃圾识别分类机器人做进一步说明。
根据附图1,垃圾识别分类机器人分为三个系统模块,分别是:1图像采集系统由2工业CCD相机组成,3图像处理与训练识别系统处理器由4GPU组成,5工业六轴机器人分拣系统由6机械手臂完成分拣操作。
在附图1机器人总模块识别分类处理系统框图中,首先由2完成对多种典型瓶罐类垃圾的图像采集并传递给4,在4中采用卷积神经网络实现垃圾目标的定位识别分类,并将得到的目标尺寸、坐标、分类等信息传递给5,由5发送指令给6从而实现垃圾目标的识别分类。
其中典型瓶罐类垃圾的图像信息主要由玻璃(啤酒瓶)、塑料瓶以及大部分易拉罐(如可乐雪碧饮料瓶)构成,都具有不易分解且无法采用常规磁吸、震动筛选分类的特点。收集大约100多张目标垃圾图像组成样本训练集,并由4创建目标的卷积神经网络完成特定识别分类的训练操作。
在基于深度学习的定位识别分类进程中:
①垃圾目标的特征提取包含两次,第一次为基于垃圾目标的形状轮廓特征匹配,并在图像处理中使用仿射变换和形态学等手段实现目标的定位,得到其尺寸大小、二维坐标以及初步的识别分类信息。第二次是在第一部的基础上再次进行识别定位,定位采取的方式一样,识别则采用OCR字符识别,从瓶身或是瓶盖识别其字符的种类,如可乐雪碧塑料瓶和易拉罐上的“可乐雪碧”的字符信息,并进行识别分类。
②创建分类器:在卷积神经网络特征提取的基础上,进行两次特征识别分类器的创建,由深度学习网络模型从底层到高层、自动地提取特征信息。
③训练分类器:基于100多张垃圾样本图像(主要包含玻璃、塑料和易拉罐三大类),针对各类瓶罐垃圾轮廓特征和OCR字符特征,在深度学习网络的框架下共进行300多次的训练识别。
④最后进行垃圾识别分类信息的提取,在实际垃圾识别分类的复杂情况下不断优化分类器和卷积神经网络的参数,使最终的识别算法达到高精准率和较好的鲁棒性。参数的设计优化在卷积神经网络的设定中详细说明。
在附图二卷积神经网络结构图中,由于本发明定位识别分类需要两次(基于轮廓特征和OCR字符特征),根据两次不同特征提取的需要,设定两个卷积神经网络识别分类模块。化简了在训练特征提取时遇到不同类别特征识别算法的设定。由图可知,先由输入层读入图像矩阵,后连接三个卷积模块(卷积层、池化层、激励层组成),最后分别是全连接层(包含Dropout层)和输出层。
其中参数选定为:
①首先由卷积层完成垃圾样本图像的特征提取,确定卷积核的大小以及其卷积步长,取对啤酒瓶(玻璃类)可乐瓶(易拉罐和塑料类)这三种进行特征提取。输入图像均为12*12的图像矩阵,为达到较高的识别准确率,在轮廓特征提取中经过反复提取训练,最合适的卷积核大小为5*5,OCR字符特征提取卷积核大小为8*8(卷积核越大所提取的特征越复杂),步长选择均为2。其卷积公式为:
(1)
式子中为垃圾图像矩阵中X行Y列的灰度值,则为卷积核。
②激励层中采用Relu激活函数取代了传统的Sigmoid函数,使其更容易分类并避免了梯度消失的问题。
③经交叉实验,选定Dropout层Dropout率为0.5,因为其产生的网络结构多、识别效果最优。
在的机器人分拣系统中,基于卷积神经网络完成垃圾目标的特征提取、分类器的创建、训练分类器和识别分类后,将得到的目标尺寸、中心坐标、轮廓特征以及OCR字符分类信息总和,并通过指令的形式传递给机械手臂完成分拣操作。
分拣操作中:
机器人分拣系统采用工业六轴机器人,第一次定位识别是基于轮廓特征的提取(形状),机械臂完成一轮分拣操作。再识别中,在第一次分类的基础上进行OCR字符识别,得到更精准的识别分类信息,机械臂完成第二轮的分拣操作,实现最终的识别分类。
Claims (8)
1.一种基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,包括:
垃圾图像采集系统,用图像采集设备获取瓶罐类垃圾目标的图像,并将采集的图像信息传递给数字图像处理与训练识别系统;
数字图像处理与训练识别系统,是基于卷积神经网络通过对垃圾目标图像样本训练集的特征提取、创建分类器和训练分类器来达到定位识别分类;
工业机器人分拣系统,是将从数字图像处理与训练识别系统得到的识别分类信息以指令的形式传递给机械手臂完成垃圾的分拣。
2.根据权利要求1所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,卷积神经网络由七部分组成,分别为:输入层、卷积层、激活函数层、池化层、Dropout层、全连接层和输出层。
3.根据权利要求2所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,卷积神经网络各组成部分的处理过程如下:
输入层:输入图像矩阵;
卷积层:进行离散卷积运算以一定的卷积核对图像进行特征提取,多次训练选定具有较高识别率的卷积核大小和卷积步长;
池化层:降低上一步的运算量,加强识别分类的效果;
激活层:加入激励函数进行非线性运算,提高数据处理效率;
Dropout层:加速运算、避免过拟合、提高鲁棒性,并提升模型泛化能力;
全连接层:加强特征和分类的效果;
输出层:将目标识别分类结果输出,输出结果包括识别目标的中心坐标、尺寸和分类信息。
4.根据权利要求1所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,定位识别分类的具体进程为:
特征提取:包括两次,第一次为基于垃圾目标的形状轮廓特征提取,得到垃圾目标的尺寸大小、二维坐标以及初步的识别分类信息;第二次为OCR字符特征提取,是在第一次的基础上再次进行识别定位,定位采取的方式一样,识别则采用OCR字符识别,从瓶身或是瓶盖识别其字符的种类,并进行识别分类;
创建分类器:在卷积神经网络特征提取的基础上,进行两次特征识别分类器的创建,由深度学习网络模型从底层到高层、自动地提取特征信息;
训练分类器:基于从不同垃圾种类的若干张垃圾样本图像获取的轮廓特征和OCR字符特征,进行多次的训练识别并分类。
5.根据权利要求4所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,训练分类器时各种类垃圾的样本图像不少于100张,进行的训练次数不少于300次。
6.根据权利要求3所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,卷积神经网络的卷积核大小为5*5,OCR字符特征提取卷积核大小为8*8,步长选择均为2,输入图像为12*12的图像矩阵,卷积公式为:
式子中为垃圾图像矩阵中X行Y列的灰度值,则为卷积核。
7.根据权利要求3所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,Dropout层的Dropout率为0.5。
8.根据权利要求3所述的基于深度学习的瓶罐类垃圾识别分类机器人,其特征在于,激励层中采用Relu激活函数取代了传统的Sigmoid函数,使其更容易分类并避免了梯度消失的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910507159.5A CN110116415A (zh) | 2019-06-12 | 2019-06-12 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910507159.5A CN110116415A (zh) | 2019-06-12 | 2019-06-12 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110116415A true CN110116415A (zh) | 2019-08-13 |
Family
ID=67524022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910507159.5A Pending CN110116415A (zh) | 2019-06-12 | 2019-06-12 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110116415A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110589282A (zh) * | 2019-08-16 | 2019-12-20 | 喻鑫童 | 基于机器学习的智能垃圾分类方法和垃圾自动分拣装置 |
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 |
CN110861853A (zh) * | 2019-11-29 | 2020-03-06 | 三峡大学 | 视觉与触觉相结合的智能垃圾分类方法 |
CN110924340A (zh) * | 2019-11-25 | 2020-03-27 | 武汉思睿博特自动化系统有限公司 | 一种用于智能捡垃圾的移动机器人系统与实现方法 |
CN111027639A (zh) * | 2019-12-24 | 2020-04-17 | 北华大学 | 一种基于云的垃圾分拣系统、方法、信息处理终端及存储介质 |
CN111079548A (zh) * | 2019-11-22 | 2020-04-28 | 华侨大学 | 基于目标高度信息和色彩信息的固废在线识别方法 |
CN111251296A (zh) * | 2020-01-17 | 2020-06-09 | 温州职业技术学院 | 一种适用于码垛电机转子的视觉检测系统 |
CN111444977A (zh) * | 2020-04-03 | 2020-07-24 | 成都禧来科技有限公司 | 一种实现垃圾自动分类的方法 |
CN111461000A (zh) * | 2020-03-31 | 2020-07-28 | 安徽理工大学 | 一种基于cnn和小波分析的办公室垃圾智能分类方法 |
CN111507325A (zh) * | 2020-03-16 | 2020-08-07 | 重庆大学 | 基于深度学习的工业视觉ocr识别系统及方法 |
CN111652214A (zh) * | 2020-05-26 | 2020-09-11 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的垃圾瓶分选方法 |
CN111805541A (zh) * | 2020-07-08 | 2020-10-23 | 南京航空航天大学 | 一种基于深度学习的中药饮片净选装置及净选方法 |
CN111844042A (zh) * | 2020-07-27 | 2020-10-30 | 苏州索亚机器人技术有限公司 | 基于视觉的垃圾分拣机器人 |
CN111931557A (zh) * | 2020-06-19 | 2020-11-13 | 广州图匠数据科技有限公司 | 瓶装饮品的规格识别方法、装置、终端设备及可读存介质 |
CN112016462A (zh) * | 2020-08-28 | 2020-12-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习模型的回收瓶分类方法 |
CN112938250A (zh) * | 2021-01-13 | 2021-06-11 | 北京轩昂环保科技股份有限公司 | 一种带有机械手的可分类垃圾车 |
CN113159343A (zh) * | 2021-04-28 | 2021-07-23 | 深圳市阳谷医疗系统有限公司 | 一种基于共享数据库的医疗垃圾净化处理系统 |
CN115019300A (zh) * | 2022-08-09 | 2022-09-06 | 成都运荔枝科技有限公司 | 用于自动化仓库货物识别的方法 |
CN115417025A (zh) * | 2022-08-12 | 2022-12-02 | 广州大学 | 分布式处理的智能垃圾分类方法、装置及存储介质 |
CN115423380A (zh) * | 2022-10-27 | 2022-12-02 | 浙江七巧连云生物传感技术股份有限公司 | 一种基于物联网的分类垃圾回收再利用智能管理平台 |
US11660762B2 (en) | 2018-05-11 | 2023-05-30 | Mp Zenrobotics Oy | Waste sorting robot |
US11851292B2 (en) | 2018-04-22 | 2023-12-26 | Mp Zenrobotics Oy | Waste sorting gantry robot |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4305562A1 (de) * | 1993-02-24 | 1994-09-01 | Bodenseewerk Geraetetech | Verfahren und Vorrichtung zum Sortieren von Verpackungsabfällen |
US20140050397A1 (en) * | 2011-04-01 | 2014-02-20 | Envac Optibag Ab | Method and system for identifying waste containers based on pattern |
CN105787506A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 基于图像识别与二维码识别技术的垃圾分类评价方法 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
CN107092926A (zh) * | 2017-03-30 | 2017-08-25 | 哈尔滨工程大学 | 基于深度学习的服务机器人物体识别算法 |
CN109308479A (zh) * | 2018-09-20 | 2019-02-05 | 云南师范大学 | 一种基于深度学习的校园垃圾自动分类回收方法 |
CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
CN109465809A (zh) * | 2018-12-17 | 2019-03-15 | 中北大学 | 一种基于双目立体视觉定位识别的智能垃圾分类机器人 |
CN210161172U (zh) * | 2019-06-12 | 2020-03-20 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
US20200342240A1 (en) * | 2017-10-24 | 2020-10-29 | Waterloo Controls Inc. | Systems and methods for detecting waste receptacles using convolutional neural networks |
-
2019
- 2019-06-12 CN CN201910507159.5A patent/CN110116415A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4305562A1 (de) * | 1993-02-24 | 1994-09-01 | Bodenseewerk Geraetetech | Verfahren und Vorrichtung zum Sortieren von Verpackungsabfällen |
US20140050397A1 (en) * | 2011-04-01 | 2014-02-20 | Envac Optibag Ab | Method and system for identifying waste containers based on pattern |
CN105787506A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 基于图像识别与二维码识别技术的垃圾分类评价方法 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
CN107092926A (zh) * | 2017-03-30 | 2017-08-25 | 哈尔滨工程大学 | 基于深度学习的服务机器人物体识别算法 |
US20200342240A1 (en) * | 2017-10-24 | 2020-10-29 | Waterloo Controls Inc. | Systems and methods for detecting waste receptacles using convolutional neural networks |
CN109308479A (zh) * | 2018-09-20 | 2019-02-05 | 云南师范大学 | 一种基于深度学习的校园垃圾自动分类回收方法 |
CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
CN109465809A (zh) * | 2018-12-17 | 2019-03-15 | 中北大学 | 一种基于双目立体视觉定位识别的智能垃圾分类机器人 |
CN210161172U (zh) * | 2019-06-12 | 2020-03-20 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11851292B2 (en) | 2018-04-22 | 2023-12-26 | Mp Zenrobotics Oy | Waste sorting gantry robot |
US11660762B2 (en) | 2018-05-11 | 2023-05-30 | Mp Zenrobotics Oy | Waste sorting robot |
CN110589282A (zh) * | 2019-08-16 | 2019-12-20 | 喻鑫童 | 基于机器学习的智能垃圾分类方法和垃圾自动分拣装置 |
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 |
CN111079548B (zh) * | 2019-11-22 | 2023-04-07 | 华侨大学 | 基于目标高度信息和色彩信息的固废在线识别方法 |
CN111079548A (zh) * | 2019-11-22 | 2020-04-28 | 华侨大学 | 基于目标高度信息和色彩信息的固废在线识别方法 |
CN110924340A (zh) * | 2019-11-25 | 2020-03-27 | 武汉思睿博特自动化系统有限公司 | 一种用于智能捡垃圾的移动机器人系统与实现方法 |
CN110861853B (zh) * | 2019-11-29 | 2021-10-19 | 三峡大学 | 视觉与触觉相结合的智能垃圾分类方法 |
CN110861853A (zh) * | 2019-11-29 | 2020-03-06 | 三峡大学 | 视觉与触觉相结合的智能垃圾分类方法 |
CN111027639A (zh) * | 2019-12-24 | 2020-04-17 | 北华大学 | 一种基于云的垃圾分拣系统、方法、信息处理终端及存储介质 |
CN111251296A (zh) * | 2020-01-17 | 2020-06-09 | 温州职业技术学院 | 一种适用于码垛电机转子的视觉检测系统 |
CN111251296B (zh) * | 2020-01-17 | 2021-05-18 | 温州职业技术学院 | 一种适用于码垛电机转子的视觉检测系统 |
CN111507325A (zh) * | 2020-03-16 | 2020-08-07 | 重庆大学 | 基于深度学习的工业视觉ocr识别系统及方法 |
CN111507325B (zh) * | 2020-03-16 | 2023-04-07 | 重庆大学 | 基于深度学习的工业视觉ocr识别系统及方法 |
CN111461000A (zh) * | 2020-03-31 | 2020-07-28 | 安徽理工大学 | 一种基于cnn和小波分析的办公室垃圾智能分类方法 |
CN111444977A (zh) * | 2020-04-03 | 2020-07-24 | 成都禧来科技有限公司 | 一种实现垃圾自动分类的方法 |
CN111652214A (zh) * | 2020-05-26 | 2020-09-11 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的垃圾瓶分选方法 |
CN111931557A (zh) * | 2020-06-19 | 2020-11-13 | 广州图匠数据科技有限公司 | 瓶装饮品的规格识别方法、装置、终端设备及可读存介质 |
CN111805541B (zh) * | 2020-07-08 | 2022-08-30 | 南京航空航天大学 | 一种基于深度学习的中药饮片净选装置及净选方法 |
CN111805541A (zh) * | 2020-07-08 | 2020-10-23 | 南京航空航天大学 | 一种基于深度学习的中药饮片净选装置及净选方法 |
CN111844042A (zh) * | 2020-07-27 | 2020-10-30 | 苏州索亚机器人技术有限公司 | 基于视觉的垃圾分拣机器人 |
CN112016462A (zh) * | 2020-08-28 | 2020-12-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习模型的回收瓶分类方法 |
CN112938250B (zh) * | 2021-01-13 | 2022-07-12 | 轩昂环保科技股份有限公司 | 一种带有机械手的可分类垃圾车 |
CN112938250A (zh) * | 2021-01-13 | 2021-06-11 | 北京轩昂环保科技股份有限公司 | 一种带有机械手的可分类垃圾车 |
CN113159343A (zh) * | 2021-04-28 | 2021-07-23 | 深圳市阳谷医疗系统有限公司 | 一种基于共享数据库的医疗垃圾净化处理系统 |
CN113159343B (zh) * | 2021-04-28 | 2022-01-25 | 深圳市阳谷医疗系统有限公司 | 一种基于共享数据库的医疗垃圾净化处理系统 |
CN115019300A (zh) * | 2022-08-09 | 2022-09-06 | 成都运荔枝科技有限公司 | 用于自动化仓库货物识别的方法 |
CN115417025A (zh) * | 2022-08-12 | 2022-12-02 | 广州大学 | 分布式处理的智能垃圾分类方法、装置及存储介质 |
CN115417025B (zh) * | 2022-08-12 | 2024-01-12 | 广州大学 | 分布式处理的智能垃圾分类方法、装置及存储介质 |
CN115423380A (zh) * | 2022-10-27 | 2022-12-02 | 浙江七巧连云生物传感技术股份有限公司 | 一种基于物联网的分类垃圾回收再利用智能管理平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110116415A (zh) | 一种基于深度学习的瓶罐类垃圾识别分类机器人 | |
Sun et al. | Research on the hand gesture recognition based on deep learning | |
CN111079674B (zh) | 一种基于全局和局部信息融合的目标检测方法 | |
CN106096602A (zh) | 一种基于卷积神经网络的中文车牌识别方法 | |
CN110210635A (zh) | 一种能识别废弃物的智能分类回收系统 | |
CN106919902B (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
CN106250812A (zh) | 一种基于快速r‑cnn深度神经网络的车型识别方法 | |
Zhang et al. | A multi-label waste detection model based on transfer learning | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN112295933B (zh) | 一种机器人快速分拣货物的方法 | |
CN210161172U (zh) | 一种基于深度学习的瓶罐类垃圾识别分类机器人 | |
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 | |
Xi et al. | Multi-task cost-sensitive-convolutional neural network for car detection | |
CN112733936A (zh) | 一种基于图像识别的可回收垃圾分类方法 | |
Feng et al. | Garbage disposal of complex background based on deep learning with limited hardware resources | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
CN111652214A (zh) | 一种基于深度学习的垃圾瓶分选方法 | |
Lu et al. | A cross-scale and illumination invariance-based model for robust object detection in traffic surveillance scenarios | |
Chen | Optimization of an intelligent sorting and recycling system for solid waste based on image recognition technology | |
Hwang et al. | Object Detection for Cargo Unloading System Based on Fuzzy C Means. | |
CN113344102B (zh) | 基于图像hog特征与elm模型的目标图像识别方法 | |
Shi et al. | A fast workpiece detection method based on multi-feature fused SSD | |
CN107392102A (zh) | 基于局部图像特征和多示例学习的家庭合照与非家庭合照分类方法 |
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 |