CN110210635A - 一种能识别废弃物的智能分类回收系统 - Google Patents
一种能识别废弃物的智能分类回收系统 Download PDFInfo
- Publication number
- CN110210635A CN110210635A CN201910486981.8A CN201910486981A CN110210635A CN 110210635 A CN110210635 A CN 110210635A CN 201910486981 A CN201910486981 A CN 201910486981A CN 110210635 A CN110210635 A CN 110210635A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- waste
- rubbish
- identification
- 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
- 239000002699 waste material Substances 0.000 title claims abstract description 43
- 238000011084 recovery Methods 0.000 title claims abstract description 15
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 6
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 6
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 4
- 241001137251 Corvidae Species 0.000 abstract 1
- 235000015108 pies Nutrition 0.000 abstract 1
- 238000004064 recycling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 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
- B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
-
- 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
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mechanical Engineering (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开一种能识别废弃物的智能分类回收系统,包括视觉库模块,用于将采集的垃圾图像样本构建为废弃物图像数据集;图像采集模块包括若干个固定的摄像头,每个摄像头固定采集一类或多类物品的图像;废弃物识别模块,用于将采集的图像传输给树莓派等微处理器平台进行图像处理及识别;模型训练模块:用于将采集的样本图像上传至云服务器并定期训练及更新垃圾分类模型;控制中心,用于通过控制舵机带动弹片将分类后的废弃物弹入相应的垃圾存储箱中,同时获取弹入垃圾的重量信息,并根据垃圾的重量结算金额;本发明利用卷积神经网络通过建立的垃圾分类数据集,并以此数据集训练一个垃圾分类模型,从而达到精确分类识别垃圾的效果。
Description
技术领域
本发明涉及废弃物分类回收与返利领域,特别是涉及一种能识别废弃物的智能分类回收系统。
背景技术
人们在日常生活中,几乎每天都会制造垃圾。据数据显示,平均每个人每天制造1.2公斤垃圾,一年大概制造440公斤垃圾,我国人口庞大,每天制造的垃圾更是以万吨来计算。庞大数量的垃圾如果不能很好地利用处理,就会导致资源的损失,环境的破坏。反之,如果合理使用就会尽其所用,变废为宝。据数据显示,如果全国城市垃圾中的废纸和玻璃有20%被回收利用,那么每年可节约270万吨标准煤,相应减少二氧化碳排放690万吨。由此看来,垃圾处理就显得非常重要了,垃圾处理一般采用收集,分类,回收,最后统一处理的办法。在环境问题愈加严峻的背景下,为创建资源节约型和环境友好型社会,提高公民的环保意识,我们研究小组决定研制一套废物回收返利的系统,通过机器来准确识别可回收废物,并分类收集,保护环境,使废物二次利用。
目前,国内垃圾分类的方法多采用在社区内设置垃圾分类智能回收装置,并在垃圾分类智能回收装置的多个垃圾仓上分别标出:可回收垃圾、不可回收垃圾,或者生活垃圾、化工垃圾、有毒垃圾、其他垃圾等。但在实际执行过程中,主要依靠居民的自觉性来推动垃圾分类,缺乏行之有效的激励措施或者监督措施,很少有居民会对垃圾进行分类投放,大多是将混合投放。因此,目前的垃圾分类回收效果差,需要清洁管理部门需对垃圾分类智能回收装置中的垃圾进行二次分拣,环卫工人工作量大,也不能对居民垃圾分类投放产生积极推动作用。
发明内容
本发明的目的是提供一种能识别废弃物的智能分类回收系统,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了如下方案:本发明公开一种能识别废弃物的智能分类回收系统,包括视觉库模块,用于将采集的大量垃圾图像样本构建为垃圾废弃物图像数据集;图像采集模块包括若干个固定的摄像头(1),每个摄像头(1)固定采集一类或多类物品的图像,用于对垃圾进行图像采样;废弃物识别模块,用于将采集的图像传输给树莓派等微处理器平台进行图像处理及识别;模型训练模块:用于将实时采集的样本图像上传至云服务器并定期训练及更新垃圾分类模型;电机驱动模块,用于传送垃圾,便于垃圾图像的采集;控制中心,用于通过控制舵机带动弹片将分类后的废弃物弹入相应的垃圾存储箱中,同时获取弹入垃圾的重量信息,并根据垃圾的重量结算金额;本发明利用卷积神经网络通过建立的垃圾分类数据集,并以此数据集训练一个垃圾分类模型,从而达到精确分类识别垃圾的效果。
优选的,所述电源模块将12V转成5V和3.3V为树莓派和其他各模块供电。
优选的,所述电机驱动模块的电机驱动采用双MOS桥两路驱动,MOS管采用内阻低、性能稳定的LR7843,增加总线驱动芯片74HC08。
优选的,采集不同种类废弃物作为样本,然后提取图像的深度特征;首先搭建一个预训练的多层卷积神经网络,然后去掉该网络的最后两个全连接层,再加上新的两个全连接层,冻结其他层的权重并对最后两个全连接层进行训练,最后将训练好的的整个网络作为分类模型。
优选的,包括如下步骤
S1、构建识别图像样本数据集Im=[Im1;Im2;¢¢¢;ImN],并制作相应的样本标签La=[La1;La2;¢¢¢;LaN],其中N表示有N类识别图像,Imi(i=1;2;¢¢¢;N)表示第i类识别图像的集合,Lai表示第i类识别图像的标签集合;
S2、将样本数据集分为训练集部分Tr和测试集部分Te;
S3、搭建一个多层的卷积神经网络,其中,前n层分别用L1~Ln表示;每层均包含卷积层和池化层,最后两层为全连接层,分别用fc(-1)和fc(-2)表示;
S4、利用垃圾分类图像样本进行卷积神经网络地训练:将识别图像训练集输入搭建好的网络中,计算整个卷积神经网络的输出值,即输入图像所对应的垃圾分类类别的概率值。
优选的,步骤S2具体为,针对样本数据集中每类识别图像,设其样本总数为n,从中随机抽取m张图像构建训练集,其余n-m张图像构建测试集,则有:Tr=[Tr1;Tr2;¢¢¢;TrN],Te=[Te1;Te2;¢¢¢;TeN],其中,Tri表示第i类识别图像的训练集合,所述训练集合包含了m张图像,Tei表示第i类识别图像的测试集合,所述测试集合包含n-m张图像。
优选的,步骤S4具体为,假设第l层为卷积层,则在卷积层中输出的新的像素点可由公式计算得出:
其中,f(·)代表激活函数,代表上一层特征图像的某个像素值,代表卷积层,*代表卷积运算,代表上一层的输入值,考虑到本层输出可以与上一层多个特征图像关联,Mj代表参数与上一层的特征图像的子集,代表偏置层,上标表示第l层;
假设第l层为池化层,则第l层第j个特征图的计算公式为:
其中,表示的池化参数,表示第l-1层第j个特征图,dn(·)表示池化函数;
假设第l层为全连接层,则第l层第j个特征图的计算公式为:
其中,xl-1表示第l-1层所有特征图的加权结果。
本发明公开了以下技术效果:
1、本发明利用卷积神经网络通过深度学习算法训练好一个模型从而达到精确识别物体的效果;基于人工智能的垃圾回收处理系统,不需要用户自行分类,提高了准确性,更具有实效性、可执行性。
2、将居民的废弃物进行分类回收处理并给予一定的奖励金,一方面带动了大众环保的积极性,另一方面缩短了废弃物分类回收二次利用的产业链从而降低了成本。
3、本系统具有消费成本低、可执行性强、可推广度高等优点,可与材料加工厂合作将回收来的材料二次利用降低生产成本,符合绿色环保、节能减排的时代要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图;
图2为电源模块原理图;
图3为电机驱动模块原理图;
图4为本发明的结构示意图;
其中,摄像头1,导轨2,传送带3,废弃物收集箱4,弹簧弹片5,漏斗6,按压装置7。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-4所示,本发明提供一种能识别废弃物的智能分类回收系统,建立视觉库模块:采集不同种类废弃物作为样本,然后提取图像的深度特征;首先搭建一个预训练的多层卷积神经网络,然后去掉该网络的最后两个全连接层,再加上新的两个全连接层,冻结其他层的权重并对最后两个全连接层进行训练,最后将训练好的的整个网络作为分类模型。具体步骤如下:
S1、构建识别图像样本数据集Im=[Im1;Im2;¢¢¢;ImN],并制作相应的样本标签La=[La1;La2;¢¢¢;LaN],其中N表示有N类识别图像,Imi(i=1;2;¢¢¢;N)表示第i类识别图像的集合,Lai表示第i类识别图像的标签集合。
S2、将图像样本数据集分为训练集部分Tr和测试集部分Te。针对图像样本数据集中每类识别图像,设其样本总数为n,从中随机抽取m张图像构建训练集,其余n-m张图像构建测试集,则有:Tr=[Tr1;Tr2;¢¢¢;TrN],Te=[Te1;Te2;¢¢¢;TeN],其中,Tri表示第i类识别图像的训练集合,它包含了m张图像,Tei表示第i类识别图像的测试集合,它包含n-m张图像。
S3、搭建一个多层的卷积神经网络,其中,前n层分别用L1~Ln表示;每层均包含卷积层和池化层,最后两层为全连接层,分别用fc(-1)和fc(-2)表示;
S4、利用识别图像样本进行卷积神经网络训练。首先,将识别图像训练集输入搭建好的网络中,前向计算卷积神经网络每个神经元的输出值。假设第l层为卷积层,则在卷积层中输出的新的像素点可由公式计算得出:
其中,f(·)代表激活函数,代表上一层特征图像的某个像素值,代表卷积层,*代表卷积运算,代表上一层的输入值,考虑到本层输出可以与上一层多个特征图像关联,Mj代表参数与上一层的特征图像的子集,代表偏置层,上标表示第l层。
假设第l层为池化层,则第l层第j个特征图的计算公式为:
其中,表示的池化参数,表示第l-1层第j个特征图,dn(·)表示池化函数。
假设第l层为全连接层,则第l层第j个特征图的计算公式为:
其中,xl-1表示第l-1层所有特征图的加权结果。
再利用Google的深度学习框架Tensorflow下的Tensorboard来仿真期望值和实际检测值的误差曲线。搭建卷积神经网络模型,创建数据集;数据集采集的样本包含玻璃、金属、塑料、硬纸盒、软纸共5个类别的图像,每个类别包含500张图像,总共2500张,所有图片放进一个文件夹,分好类别。
在投入模型训练之前,通过程序随机选取数据集中80%的图片作为训练样本,剩下的20%作为测试样本,然后对图像进行预处理。将模型训练后保存的数据上传至Tensorboard,查看准确率和损失率曲线对应点坐标数据的文件,然后读取下载的数据文件重新绘制计算图分别得到训练集和验证集的准确率和损失率随着迭代步数增加变化的曲线图,重新绘制的曲线图和Tensorboard上的曲线图是一致的。
用openmv摄像头1采集图像,对五大类的废弃物进行分类回收,分别是玻璃、金属、塑料、硬纸盒、软纸。整个系统的工作方式如下:首次使用时,用户从用户界面上获取二维码从而扫码关注我们的微信公众号,进行注册;注册之后使用则可通过微信扫码或微信小程序直接操作,更为方便快捷。在用户界面上进行登录(已注册登录的用户不用二次登录),登录后将废弃物零散地倒入垃圾入口,经过导轨2利用按压装置7和漏斗6将废弃物零散地分布在传送带3上,传送带3的一侧每隔50cm安装一个摄像头1,一共5个摄像头1对每个废弃物进行图像采集,传输给树莓派利用视觉库模块中训练好的模型进行图像识别,并且将实时采集的图像保存到训练集和测试集当中,上传至Google等云服务器上并定期更新模型以保证更高的分类精度。随着传送带3的运动每一个垃圾都会经过摄像头1识别,当摄像头1识别到属于本单元的物体时候,通过舵机带动弹簧弹片5将垃圾弹出传送带3,进入对应的废弃物收集箱4。当废弃物完成分类后,通过前后的质量之差来计算出本次投放可回收废物的质量,从而计算出奖励金,反馈给废弃物投放者。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种能识别废弃物的智能分类回收系统,其特征在于:包括视觉库模块,用于将采集的大量垃圾样本搭建废弃物图像数据中心;图像采集模块包括若干个固定的摄像头(1),每个摄像头(1)固定识别一类或多类物品,以及用于对垃圾进行图像采样;废弃物识别模块,用于将采集的图像传输给树莓派进行图像处理及识别;模型训练模块:用于将实时图像样本上传至云服务器定期训练更新;电机驱动模块,用于传送垃圾,便于垃圾图像的采集;控制中心,用于通过控制舵机带动弹片将分类后的废弃物弹入相应的垃圾存储箱中,同时获取弹入垃圾的重量信息,并根据垃圾的重量结算金额;电源模块:为整个系统提供电源;手机客户端,用于控制垃圾倒入垃圾箱内以及提现结算金额。
2.根据权利要求1所述的能识别废弃物的智能分类回收系统,其特征在于:所述电源模块将12V转成5V和3.3V为树莓派和其他各模块供电。
3.根据权利要求1所述的能识别废弃物的智能分类回收系统,其特征在于:所述电机驱动模块的电机采用双MOS桥两路驱动,MOS管采用内阻低、性能稳定的LR7843,增加总线驱动芯片74HC08。
4.一种能识别废弃物的智能分类回收系统的视觉库模块建立方法,其特征在于:采集不同种类废弃物作为样本,然后提取图像的深度特征;首先搭建一个预训练的多层卷积神经网络,然后去掉该网络的最后两个全连接层,再加上新的两个全连接层,冻结其他层的权重并对最后两个全连接层进行训练,最后将训练好的的整个网络作为分类模型。
5.根据权利要求4所述的能识别废弃物的智能分类回收系统视觉库模块建立方法,其特征在于:包括如下步骤
S1、构建识别图像样本数据集并制作相应的样本标签其中N表示有N类识别图像, 表示第i类识别图像的集合,Lai表示第i类识别图像的标签集合;
S2、将样本数据集分为训练集部分Tr和测试集部分Te;
S3、搭建一个多层的卷积神经网络,其中,前n层分别用L1~Ln表示;每层均包含卷积层和池化层,最后两层为全连接层,分别用fc(-1)和fc(-2)表示;
S4、利用垃圾分类图像样本进行卷积神经网络地训练:将识别图像训练集输入搭建好的网络中,计算整个卷积神经网络的输出值,即输入图像所对应的垃圾分类类别的概率值。
6.根据权利要求5所述的能识别废弃物的智能分类回收系统视觉库模块建立方法,其特征在于:步骤S2具体为,针对样本数据集中每类识别图像,设其样本总数为n,从中随机抽取m张图像构建训练集,其余n-m张图像构建测试集,则有:其中,Tri表示第i类识别图像的训练集合,所述训练集合包含了m张图像,Tei表示第i类识别图像的测试集合,所述测试集合包含n-m张图像。
7.根据权利要求5所述的能识别废弃物的智能分类回收系统视觉库模块建立方法,其特征在于:步骤S4具体为,假设第l层为卷积层,则在卷积层中输出的新的像素点可由公式计算得出:
其中,f(·)代表激活函数,代表上一层特征图像的某个像素值,代表卷积层,*代表卷积运算,代表上一层的输入值,考虑到本层输出可以与上一层多个特征图像关联,Mj代表参数与上一层的特征图像的子集,代表偏置层,上标表示第l层;
假设第l层为池化层,则第l层第j个特征图的计算公式为:
其中,表示的池化参数,表示第l-1层第j个特征图,dn(·)表示池化函数;
假设第l层为全连接层,则第l层第j个特征图的计算公式为:
其中,xl-1表示第l-1层所有特征图的加权结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486981.8A CN110210635A (zh) | 2019-06-05 | 2019-06-05 | 一种能识别废弃物的智能分类回收系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910486981.8A CN110210635A (zh) | 2019-06-05 | 2019-06-05 | 一种能识别废弃物的智能分类回收系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210635A true CN110210635A (zh) | 2019-09-06 |
Family
ID=67791017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910486981.8A Pending CN110210635A (zh) | 2019-06-05 | 2019-06-05 | 一种能识别废弃物的智能分类回收系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210635A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110606292A (zh) * | 2019-09-17 | 2019-12-24 | 蔡亦圣 | 基于人工智能的自动分类垃圾桶及分类方法 |
CN110689085A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
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 |
CN110803406A (zh) * | 2019-10-18 | 2020-02-18 | 宁波大学 | 基于深度学习的智能分类垃圾箱 |
CN110852263A (zh) * | 2019-11-11 | 2020-02-28 | 北京智能工场科技有限公司 | 一种基于人工智能的手机拍照识别垃圾分类方法 |
CN110921146A (zh) * | 2019-11-28 | 2020-03-27 | 蚌埠学院 | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其系统 |
CN110929760A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的垃圾分类软件 |
CN110937280A (zh) * | 2019-12-24 | 2020-03-31 | 浙江大学 | 一种基于视听结合的智能垃圾分类回收方法和终端 |
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 |
CN111222949A (zh) * | 2020-01-03 | 2020-06-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的社区废旧资源共享方法和系统 |
CN111310091A (zh) * | 2019-09-25 | 2020-06-19 | 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 |
CN111559586A (zh) * | 2020-04-29 | 2020-08-21 | 南京信息职业技术学院 | 一种家庭用智能垃圾分类识别系统及方法 |
CN111559588A (zh) * | 2020-05-18 | 2020-08-21 | 广东邮电职业技术学院 | 一种垃圾分类投放的智能垃圾桶及垃圾分类投放方法 |
CN112007933A (zh) * | 2020-08-15 | 2020-12-01 | 北京农学院 | 一种基于园林废弃物的可移动快速回收处理系统 |
CN112270378A (zh) * | 2020-11-13 | 2021-01-26 | 中山大学 | 一种基于计算机视觉的废玻璃人工智能分选方法 |
CN112560576A (zh) * | 2020-11-09 | 2021-03-26 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
CN112827846A (zh) * | 2021-01-04 | 2021-05-25 | 西安建筑科技大学 | 一种垃圾自动分类的装置及方法 |
CN113222186A (zh) * | 2021-03-24 | 2021-08-06 | 东北电力大学 | 一种智能垃圾分类系统 |
CN113581690A (zh) * | 2021-07-31 | 2021-11-02 | 浙江工业大学 | 一种基于图像识别的智能分类垃圾桶控制系统 |
CN113734649A (zh) * | 2021-09-17 | 2021-12-03 | 上海第二工业大学 | 一种垃圾分类装置及方法 |
CN113879724A (zh) * | 2021-09-23 | 2022-01-04 | 宁波大学 | 基于众包智能的垃圾分类系统 |
CN115271481A (zh) * | 2022-08-03 | 2022-11-01 | 武汉憬易达外仓国际物流有限公司 | 一种基于机器视觉的工业固废智能分类处理监测管理系统 |
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 |
CN117993898A (zh) * | 2024-04-03 | 2024-05-07 | 中兰环保科技股份有限公司 | 一种基于固废垃圾分类回收的碳汇减排评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204137866U (zh) * | 2014-08-06 | 2015-02-04 | 天津福莱迪科技发展有限公司 | 传送分类装置 |
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 |
CN206661712U (zh) * | 2017-03-17 | 2017-11-24 | 苏春兴 | 一种废旧饮料瓶的自识别分类装置 |
CN108182455A (zh) * | 2018-01-18 | 2018-06-19 | 齐鲁工业大学 | 一种垃圾图像智能分类的方法、装置及智能垃圾桶 |
WO2019000929A1 (zh) * | 2017-06-30 | 2019-01-03 | 京东方科技集团股份有限公司 | 垃圾分类回收方法、垃圾分类设备以及垃圾分类回收系统 |
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 |
CN208843027U (zh) * | 2018-08-07 | 2019-05-10 | 长江师范学院 | 一种基于计算机自主图像识别的自动分类处理垃圾桶 |
-
2019
- 2019-06-05 CN CN201910486981.8A patent/CN110210635A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204137866U (zh) * | 2014-08-06 | 2015-02-04 | 天津福莱迪科技发展有限公司 | 传送分类装置 |
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 |
CN206661712U (zh) * | 2017-03-17 | 2017-11-24 | 苏春兴 | 一种废旧饮料瓶的自识别分类装置 |
WO2019000929A1 (zh) * | 2017-06-30 | 2019-01-03 | 京东方科技集团股份有限公司 | 垃圾分类回收方法、垃圾分类设备以及垃圾分类回收系统 |
CN108182455A (zh) * | 2018-01-18 | 2018-06-19 | 齐鲁工业大学 | 一种垃圾图像智能分类的方法、装置及智能垃圾桶 |
CN208843027U (zh) * | 2018-08-07 | 2019-05-10 | 长江师范学院 | 一种基于计算机自主图像识别的自动分类处理垃圾桶 |
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 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110606292A (zh) * | 2019-09-17 | 2019-12-24 | 蔡亦圣 | 基于人工智能的自动分类垃圾桶及分类方法 |
CN111310091A (zh) * | 2019-09-25 | 2020-06-19 | 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 |
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 |
CN110689085A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
CN110689085B (zh) * | 2019-09-30 | 2023-04-18 | 天津大学 | 基于深度跨连接网络及损失函数设计的垃圾分类方法 |
CN110803406A (zh) * | 2019-10-18 | 2020-02-18 | 宁波大学 | 基于深度学习的智能分类垃圾箱 |
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 |
CN110929760A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的垃圾分类软件 |
CN110852263B (zh) * | 2019-11-11 | 2021-08-03 | 北京智能工场科技有限公司 | 一种基于人工智能的手机拍照识别垃圾分类方法 |
CN110852263A (zh) * | 2019-11-11 | 2020-02-28 | 北京智能工场科技有限公司 | 一种基于人工智能的手机拍照识别垃圾分类方法 |
CN110921146A (zh) * | 2019-11-28 | 2020-03-27 | 蚌埠学院 | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其系统 |
CN110937280B (zh) * | 2019-12-24 | 2021-11-16 | 浙江大学 | 一种基于视听结合的智能垃圾分类回收方法和终端 |
CN110937280A (zh) * | 2019-12-24 | 2020-03-31 | 浙江大学 | 一种基于视听结合的智能垃圾分类回收方法和终端 |
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 |
CN111222949A (zh) * | 2020-01-03 | 2020-06-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的社区废旧资源共享方法和系统 |
CN111559586A (zh) * | 2020-04-29 | 2020-08-21 | 南京信息职业技术学院 | 一种家庭用智能垃圾分类识别系统及方法 |
CN111559588A (zh) * | 2020-05-18 | 2020-08-21 | 广东邮电职业技术学院 | 一种垃圾分类投放的智能垃圾桶及垃圾分类投放方法 |
CN112007933A (zh) * | 2020-08-15 | 2020-12-01 | 北京农学院 | 一种基于园林废弃物的可移动快速回收处理系统 |
CN112560576A (zh) * | 2020-11-09 | 2021-03-26 | 华南农业大学 | 一种ai识图的垃圾分类与智能回收方法 |
CN112270378A (zh) * | 2020-11-13 | 2021-01-26 | 中山大学 | 一种基于计算机视觉的废玻璃人工智能分选方法 |
CN112827846A (zh) * | 2021-01-04 | 2021-05-25 | 西安建筑科技大学 | 一种垃圾自动分类的装置及方法 |
CN112827846B (zh) * | 2021-01-04 | 2023-08-22 | 西安建筑科技大学 | 一种垃圾自动分类的装置及方法 |
CN113222186A (zh) * | 2021-03-24 | 2021-08-06 | 东北电力大学 | 一种智能垃圾分类系统 |
CN113222186B (zh) * | 2021-03-24 | 2022-02-08 | 东北电力大学 | 一种智能垃圾分类系统 |
CN113581690A (zh) * | 2021-07-31 | 2021-11-02 | 浙江工业大学 | 一种基于图像识别的智能分类垃圾桶控制系统 |
CN113734649A (zh) * | 2021-09-17 | 2021-12-03 | 上海第二工业大学 | 一种垃圾分类装置及方法 |
CN113734649B (zh) * | 2021-09-17 | 2022-07-19 | 上海第二工业大学 | 一种垃圾分类装置及方法 |
CN113879724B (zh) * | 2021-09-23 | 2022-08-19 | 宁波大学 | 基于众包智能的垃圾分类系统 |
CN113879724A (zh) * | 2021-09-23 | 2022-01-04 | 宁波大学 | 基于众包智能的垃圾分类系统 |
CN115271481A (zh) * | 2022-08-03 | 2022-11-01 | 武汉憬易达外仓国际物流有限公司 | 一种基于机器视觉的工业固废智能分类处理监测管理系统 |
CN115271481B (zh) * | 2022-08-03 | 2024-02-23 | 余石平 | 一种基于机器视觉的工业固废智能分类处理监测管理系统 |
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 |
CN117993898A (zh) * | 2024-04-03 | 2024-05-07 | 中兰环保科技股份有限公司 | 一种基于固废垃圾分类回收的碳汇减排评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210635A (zh) | 一种能识别废弃物的智能分类回收系统 | |
CN109606991B (zh) | 智能垃圾桶及基于深度学习的垃圾分类方法 | |
Hasan et al. | Smart waste management and classification system for smart cities using deep learning | |
Sreelakshmi et al. | Capsule neural networks and visualization for segregation of plastic and non-plastic wastes | |
CN110116415A (zh) | 一种基于深度学习的瓶罐类垃圾识别分类机器人 | |
CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
CN108182455A (zh) | 一种垃圾图像智能分类的方法、装置及智能垃圾桶 | |
CN106250812A (zh) | 一种基于快速r‑cnn深度神经网络的车型识别方法 | |
CN107977677A (zh) | 一种应用于大规模城区重建中的多标签像素分类方法 | |
Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
CN111974704A (zh) | 基于计算机视觉的垃圾分类检测系统及方法 | |
CN111186656A (zh) | 一种目标垃圾分类方法及智能垃圾桶 | |
Pamintuan et al. | i-BIN: An intelligent trash bin for automatic waste segregation and monitoring system | |
CN110458082A (zh) | 一种城市管理案件分类识别方法 | |
Sirawattananon et al. | Designing of IoT-based smart waste sorting system with image-based deep learning applications | |
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 | |
CN113213016A (zh) | 一种基于ViT的垃圾识别分类算法及其装置和控制方法 | |
CN110321803A (zh) | 一种基于srcnn的交通标志识别方法 | |
CN115631080A (zh) | 一种基于垃圾分类回收服务的智慧社区构建方法 | |
Huiyu et al. | Automatic classifications and recognition for recycled garbage by utilizing deep learning technology | |
Faria et al. | Classification of organic and solid waste using deep convolutional neural networks | |
Mitra | Detection of waste materials using deep learning and image processing | |
Mittal et al. | Trash classification: classifying garbage using deep learning | |
CN112620165B (zh) | 垃圾分类方法 | |
CN116510901A (zh) | 一种生活垃圾智能分选系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |