CN110427896A - 一种基于卷积神经网络的垃圾分类智能系统 - Google Patents
一种基于卷积神经网络的垃圾分类智能系统 Download PDFInfo
- Publication number
- CN110427896A CN110427896A CN201910725458.6A CN201910725458A CN110427896A CN 110427896 A CN110427896 A CN 110427896A CN 201910725458 A CN201910725458 A CN 201910725458A CN 110427896 A CN110427896 A CN 110427896A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- classification
- rubbish
- module
- 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
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 74
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013145 classification model Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 44
- 238000013461 design Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000002365 multiple layer Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明公开了一种基于卷积神经网络的垃圾分类智能系统,该系统图像处理模块、卷积神经网络模块、结果显示模块。首先,搭建垃圾分类数据库,对卷积神经网络模型进行训练。然后,用户使用手机扫描待识别垃圾进行图像采集,系统采用目标检测技术自动框定待识别垃圾,经图像处理模块预处理后送至卷积神经网络模块,运用卷积神经网络模型进行垃圾分类并由结果显示模块显示分类结果。最后,分类结果将存入本地分类记录,用户可随时查阅,同时此模块允许用户对分类结果进行反馈,反馈结果经确认后上传数据库并更新训练数据集,用以再次训练分类模型。通过上述方案,本发明达到了有利于帮助用户进行智能垃圾分类的目的,具有很高的实用价值和推广价值。
Description
技术领域
本发明属于图像识别技术领域,具体地讲,是涉及一种基于卷积神经网络的垃圾分类智能系统。
背景技术
随着中国经济的快速发展以及垃圾问题的日益严峻,垃圾分类势在必行。上海作为中国经济最发达的城市之一,2019年7月1日已经率先开始强制施行垃圾分类。按照条例,在上海生活垃圾分为可回收物、有害垃圾、湿垃圾、干垃圾四类,由于分类方式比较繁琐,普通居民在没有针对性学习过垃圾分类的情况下,对于突然到来的垃圾分类新政策显得有些措手不及,而垃圾分类不正确可能将面临处罚的规定也对居民造成了很大的心理压力,由此可见,发明一种能帮助居民智能识别垃圾的方法显得尤为重要和具有重大现实意义。
垃圾分类是一个全球性的热点话题,然而现有的垃圾分类方法大多注重垃圾桶的硬件电路设计,其识别技术集成在垃圾桶内部,系统更多地进行垃圾投放正确与否的判断,无法在扔垃圾前为居民提供正确的垃圾分类提示;或是应用于工业废料的垃圾分类方法,其实际应用场合无法适用到普通居民的生活垃圾分类中;抑或是需要依附特定硬件进行图像采集和识别的垃圾分类方法,均无法为普通居民提供一个方便且普遍适用的垃圾分类方法。
卷积神经网络(CNN)是近年来广受欢迎的一种深度学习算法。卷积神经网络是一种前馈神经网络,基本结构由输入层、卷积层(convolutional layer)、池化层(poolinglayer,也称为取样层)、全连接层及输出层构成。该算法在图像分类识别方面表现十分出色。目前现有专利中采用的卷积神经网络模型大多采用sigmoid激活函数及tanh激活函数,然而这两种激活函数的导数都小于1,多层叠加后导数将呈现指数级变小,很可能出现梯度消失的问题。而本发明通过运用图像处理和卷积神经网络技术,利用Relu激活函数导数为1的特性提高收敛速度,从而快速实现对垃圾类别的识别,极大地提高普通居民垃圾分类的效率,为人们的生活提供便利。
发明内容
本发明的目的在于提供一种基于卷积神经网络的垃圾分类智能系统,主要解决现有技术中存在的垃圾分类过程中人为识别垃圾类别的困难,从而难以实现对垃圾的高效精准分类的问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于卷积神经网络的垃圾分类智能系统,包括位于APP客户端的图像处理模块和结果显示模块,以及位于服务器端的卷积神经网络模块;
所述图像处理模块用于实现图像采集和图像处理;
所述卷积神经网络模块用于实现模型学习训练和模型运算;
所述结果显示模块用于显示垃圾分来结果、用户反馈分类错误和用户可查询本地分类记录;
基于上述系统实现垃圾分类具体步骤为:
(S1)在服务器端通过卷积神经网络模块构建垃圾分类数据库,数据库中存放已标注分类标签的包含各种垃圾图片的训练数据集,搭建卷积神经网络模型,使用训练数据集进行学习训练,代价函数选用交叉熵函数,优化器选用Aadm;
(S2)在App客户端,用户通过手机摄像头采集待识别垃圾图像;
(S3)对采集到的垃圾图像进行图像预处理后通过网络提交至位于服务器端的卷积神经网络模块;
(S4)卷积神经网络模块将图像处理模块提交的垃圾图像输入卷积神经网络模型进行垃圾分类,并输出分类结果,通过网络将分类结果传至位于客户端App的结果显示模块;
(S5)通过网络将分类结果回传至位于客户端App的结果显示模块,用户通过手机参考结果,如果对结果有异议,可使用反馈功能进行反馈,反馈结果经确认后上传数据库并更新训练数据集,用以再次训练分类模型,如果对结果无异议,反馈的分类结果将存入本地,用户可随时查阅。
进一步地,所述步骤(S1)中搭建的卷积神经网络模型主要包括输入层、两个卷积层、两个池化层、全连接层以及输出层;学习训练时,输入层为垃圾数据库中构成训练数据集的各种已标注垃圾类别的垃圾图片,卷积层1和卷积层2进行卷积运算完成对特征的提取,Relu激活函数给卷积神经网络提供非线性建模能力,最大池化层用于特征降维、降低网络训练参数及过拟合程度,输出层起到分类器的作用。
进一步地,所述步骤(S3)中对采集到的垃圾图像的预处理步骤包括:通过高斯滤波除去白噪声;通过双三次插值进行图像缩放,缩放尺寸统一为500×500;将图像的RGB三通道分量分别进行正则化,即将该分量中所有元素减去均值并除以标准差。
具体地,所述步骤(S5)对数据库中的训练数据集进行实时更新是通过在数据库中设定更新数据量的阈值及更新数据量的计数变量m,即当更新数据量到达阈值时,卷积神经网络模型针对更新数据再进行训练学习,同时将m清0重新开始计数,直到再次达到阈值时又进行更新数据的学习,再次将m清0并重复以上步骤,不断提升该模型的鲁棒性和性能。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过卷积神经网络模型进行垃圾分类,选用tf.layers.conv2d卷积函数可以从头到尾训练模型,激活函数(activation)和偏差(bias)自动实现,选用Relu函数作为激活函数加快收敛速度,加入dropout参数防止过拟合,运用softmax函数对通过手机摄像头采集的垃圾图像输出分类结果,并且输出的结果具有较高分类准确率,从而有利于帮助用户进行智能垃圾分类。
(2)本发明具有数据库实时更新功能。用户若对卷积神经网络模型输出的分类结果有异议,可使用反馈功能进行反馈,反馈信息所针对的图片经过管理员确认无误后存入垃圾分类数据库,进行数据库中训练数据集的实时更新,卷积神经网络模型也会设定更新的数据累积变量及阈值,当变量到达阈值时将对数据库的更新数据再进行训练学习,使模型的性能及鲁棒性不断提升。
(3)本发明具有历史记录查询功能。每次卷积神经网络模型输出的分类结果将存入本地分类记录,用户可随时查阅,即对于用户先前已经识别过的垃圾分类情况将保存在本地记录,用户下次再扔相同物品时若忘记垃圾的分类类别,可直接查询历史记录了解垃圾的分类情况,不需要再次进行识别,提升了用户进行垃圾分类的效率。
(4)本发明通过所述实时显示功能,用户上传的垃圾图像经服务器端卷积神经网络模型分类后,实时显示在App中,操作简单易于使用。
附图说明
图1为本发明的系统结构框图。
图2为图1的实现方法流程图。
图3为本发明卷积神经网络结果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图3所示,一种基于卷积神经网络的垃圾分类智能系统,包括位于APP客户端的图像处理模块和结果显示模块,以及位于服务器端的卷积神经网络模块;其服务器端采用MySQL+Java Web+Python+Tomcat+Volley方案实现。
前期准备:
在服务器端通过卷积神经网络模块构建垃圾分类数据库,数据库中存放已标注分类标签的包含各种垃圾图片的训练数据集,搭建卷积神经网络模型,使用训练数据集进行学习训练,代价函数选用交叉熵函数,优化器选用Aadm。
具体过程如下:
(1)图像处理模块:
首先通过手机扫描物品进行图像采集,在App中通过高斯滤波除去图像白噪声,然后通过双三次插值进行图像缩放,缩放尺寸统一为500×500。最后将图像的RGB三通道分量分别进行正则化,即将该分量中所有元素减去均值并除以标准差。处理之后的垃圾图像送入卷积神经网络分类模型进行分类,输出分类结果。
(2)卷积神经网络模块:
卷积神经网络模块以卷积神经网络模型为核心,选择TensorFlow1.6作为深度学习框架,代码实现环境为Python3.6。首先导入需要的包和库,并定义网络参数。根据代码实际运行效果,定义学习效率(learning_rate)参数λ=0.005,防止过拟合参数dropout=0.8,其次导入在服务器端预先搭建好的垃圾数据库。
接下来构建卷积神经网络模型,主要包括输入层、两个卷积层、两个池化层、全连接层以及输出层。第一个卷积层主要提取一些低级的特征如图形的边缘、线条和角等层级的特征,第二个卷积层能从低级特征中迭代提取更复杂的特征进行深度学习。第一个池化层利用图像局部相关性的原理,对图像进行子抽样,可以减少数据处理量同时保留有用信息,第二个池化层进一步缩小最后全连接层中节点的个数,从而达到减少整个神经网络中参数,提高模型性能的目的。
卷积函数是构建卷积神经网络的重要支架,本发明选用tf.layers.conv2d卷积函数,因为layers模块是用于深度学习的更高层次封装的API,相比于tf.nn.conv2d函数,layers更适合从头到尾训练模型,因为激活函数(activation)和偏差(bias)自动实现,更能满足本发明的设计要求。而tf.nn.conv2d更适合加载已经预训练好的模型,因为filter滤波器由tf.Variable生成,在加载预训练的权值时更快,并且需要显示地创建placeholder并进行相关计算。所以综上考虑,选择tf.layers.conv2d卷积函数。
激活函数对于卷积神经网络非常重要,如果不用激活函数,每一层输出都是上层输入的线性函数,无论神经网络有多少层,输出都是输入的线性组合。本发明激活函数选用Relu函数(f(x)=max(0,x)),能给神经网络提供非线性建模能力。由于sigmoid激活函数和tanh激活函数的导数都小于1,多层叠加后导数将呈现指数级变小,选择不当将会出现导致梯度消失的问题,然而若激活函数的导数大于1将会导致梯度爆炸,选择导数为1最好,而激活函数Relu正好满足这个要求,并且它的收敛速度相对其他激活函数较快,满足本发明的设计要求。
接下来进行卷积神经网络模型具体设计。定义卷积层1,共16个filter(卷积核),核大小为5×5,步幅strides为1,进行低级特征的提取,当输入图片与卷积核不匹配时把边界填充(padding)全部补为0,因为对图片扩展并补0不会丢失任何信息,激活函数选用Relu函数(f(x)=max(0,x)),进行卷积核权值对应相乘求和并加上偏差值后送到激活函数中,输出卷积特征平面,定义最大池化层1的核大小为2×2,步幅strides为2,对卷积后的特征平面进行特征值降维处理;接下来定义卷积层2,共36个filter(卷积核),核大小为3×3,步幅strides为1,将上面经过第一个池化层后的输出作为卷积层2的输入,进行复杂特征的提取,并把边界填充(padding)全部补为0,进行卷积核权值对应相乘求和并加上偏差值后送到卷积层2的激活函数中,输出卷积特征平面,将该特征平面作为池化层2的输入,并定义最大池化层2的核大小为2×2,步幅strides为2,对输入特征值降维并进一步缩小最后全连接层中节点的个数,降低网络参数;最后定义全连接层、dropout层及输出层,并使用softmax函数对输出进行分类,本发明分为四类输出,即可回收物、有害垃圾、湿垃圾、干垃圾。
接下来训练及评估模型。首先将预先搭建好的数据库分为两部分,一部分作为训练集,剩余部分作为测试集。由于dropout参数对训练集和测试集的作用不同,所以需要创建两个计算图。接下来定义代价函数和优化器。因发明为分类问题,所以代价函数选用交叉熵(Cross Entropy)函数;优化器选用Adam,它能利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习速率,其优点是经过偏置校正后,每一次迭代学习速率都有个确定的范围,使得参数比较平稳。评估模型时不执行dropout,然后初始化参数并进行模型的训练,计算批量代价函数及训练的精度,最后进行模型的测试,查看卷积神经网络模型的分类效果并进行实际应用。
其中Adam优化器算法运算过程为:
定义初始化参数向量为θ,学习效率为λ,矩估计的指数衰减速率ρ1和ρ2在区间[0,1)内,为避免分母为0,设小参数δ为一个较小值,一般取10-7,初始化一阶和二阶矩变量s=0,r=0,初始化时间步t=0,t+1→t。更新偏一阶矩估计:为t时间步的梯度,更新偏二阶矩估计: 修正一阶矩偏差修正二阶矩偏差计算参数更新更新参数为:θ+Δθ→θ。
(3)结果显示模块:
依据卷积神经网络模型传来的分类结果,使用ARCore SDK实现AR功能,将分类结果显示在扫描界面识别框上方。用户点击框体可进入垃圾分类详细介绍页面,在详细介绍页面有反馈按钮,用户若对分类结果有异议,可使用反馈功能进行反馈,反馈信息经过管理员确认后存入垃圾分类数据库,同时向用户推送消息,进行数据库的实时更新,卷积神经网络模型针对数据库更新数据再进行训练学习。
用户未反馈的分类结果将存入本地,用户可直接搜索垃圾分类历史记录。在更新垃圾分类数据库信息时,相应地同时更新存入用户本地的历史分类记录,用户下次再扔相同物品时若忘记垃圾的分类类别,可直接查询历史记录了解垃圾的分类情况,不需要再次进行识别,提升用户进行垃圾分类的效率;用户反馈的分类结果修改后也将一并存入本地。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (4)
1.一种基于卷积神经网络的垃圾分类智能系统,其特征在于,包括位于APP客户端的图像处理模块和结果显示模块,以及位于服务器端的卷积神经网络模块;
所述图像处理模块用于实现图像采集和图像处理;
所述卷积神经网络模块用于实现模型学习训练和模型运算;
所述结果显示模块用于显示垃圾分来结果、用户反馈分类错误和用户可查询本地分类记录;
基于上述系统实现垃圾分类具体步骤为:
(S1)在卷积神经网络中搭建垃圾分类数据库,对卷积神经网络模型进行训练;
(S2)在App客户端,用户通过手机摄像头采集待识别垃圾图像;
(S3)对采集到的垃圾图像进行图像预处理后通过网络提交至位于服务器端的卷积神经网络模块;
(S4)卷积神经网络模块将图像处理模块提交的垃圾图像输入卷积神经网络模型进行垃圾分类,并输出分类结果;
(S5)通过网络将分类结果回传至位于客户端App的结果显示模块,用户通过手机参考结果,如果对结果有异议,可使用反馈功能进行反馈,反馈结果经确认后上传数据库并更新训练数据集,用以再次训练分类模型,如果对结果无异议,反馈的分类结果将存入本地,用户可随时查阅。
2.根据权利要求1所述的一种基于卷积神经网络的垃圾分类智能系统,其特征在于,所述步骤(S1)中搭建的卷积神经网络模型主要包括输入层、两个卷积层、两个池化层、全连接层以及输出层;学习训练时,输入层为垃圾数据库中构成训练数据集的各种已标注垃圾类别的垃圾图片,卷积层1和卷积层2进行卷积运算完成对特征的提取,Relu激活函数给卷积神经网络提供非线性建模能力,最大池化层用于特征降维、降低网络训练参数及过拟合程度,输出层起到分类器的作用。
3.根据权利要求1所述的一种基于卷积神经网络的垃圾分类智能系统,其特征在于,所述步骤(S3)中对采集到的垃圾图像的预处理步骤包括:通过高斯滤波除去白噪声;通过双三次插值进行图像缩放,缩放尺寸统一为500×500;将图像的RGB三通道分量分别进行正则化,即将该分量中所有元素减去均值并除以标准差。
4.根据权利要求1所述的一种基于卷积神经网络的垃圾分类智能系统,其特征在于,所述步骤(S5)对数据库中的训练数据集进行实时更新是通过在数据库中设定更新数据量的阈值及更新数据量的计数变量m,即当更新数据量到达阈值时,卷积神经网络模型针对更新数据再进行训练学习,同时将m清0重新开始计数,直到再次达到阈值时又进行更新数据的学习,再次将m清0并重复以上步骤,不断提升该模型的鲁棒性和性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725458.6A CN110427896A (zh) | 2019-08-07 | 2019-08-07 | 一种基于卷积神经网络的垃圾分类智能系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725458.6A CN110427896A (zh) | 2019-08-07 | 2019-08-07 | 一种基于卷积神经网络的垃圾分类智能系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427896A true CN110427896A (zh) | 2019-11-08 |
Family
ID=68414554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725458.6A Pending CN110427896A (zh) | 2019-08-07 | 2019-08-07 | 一种基于卷积神经网络的垃圾分类智能系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427896A (zh) |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110942004A (zh) * | 2019-11-20 | 2020-03-31 | 深圳追一科技有限公司 | 基于神经网络模型的手写识别方法、装置及电子设备 |
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 |
CN111079639A (zh) * | 2019-12-13 | 2020-04-28 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
CN111104914A (zh) * | 2019-12-23 | 2020-05-05 | 威海海洋职业学院 | 一种基于卷积神经网络的城市视觉污染物识别方法及系统 |
CN111126138A (zh) * | 2019-11-18 | 2020-05-08 | 施博凯 | 垃圾分类ai图像识别方法 |
CN111144496A (zh) * | 2019-12-27 | 2020-05-12 | 齐齐哈尔大学 | 一种基于混合卷积神经网络的垃圾分类方法 |
CN111145169A (zh) * | 2019-12-31 | 2020-05-12 | 成都理工大学 | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 |
CN111160412A (zh) * | 2019-12-11 | 2020-05-15 | 浙江大学医学院附属第一医院 | 一种基于神经网络的用于医疗垃圾分类的方法 |
CN111160438A (zh) * | 2019-12-24 | 2020-05-15 | 浙江大学 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
CN111157967A (zh) * | 2019-12-30 | 2020-05-15 | 杭州立宸科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111268317A (zh) * | 2020-03-03 | 2020-06-12 | 深圳壹账通智能科技有限公司 | 垃圾分类处理方法、装置、终端及存储介质 |
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 |
CN111498326A (zh) * | 2020-04-03 | 2020-08-07 | 成都禧来科技有限公司 | 一种基于二类识别模型的垃圾自动分类机 |
CN111582395A (zh) * | 2020-05-13 | 2020-08-25 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类系统 |
CN111582336A (zh) * | 2020-04-23 | 2020-08-25 | 海信集团有限公司 | 一种基于图像识别垃圾种类的装置及方法 |
CN111695641A (zh) * | 2020-06-22 | 2020-09-22 | 中国银行股份有限公司 | 一种垃圾分类的方法及装置 |
CN111814750A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的智能垃圾分类方法及系统 |
CN112257761A (zh) * | 2020-10-10 | 2021-01-22 | 天津大学 | 一种基于机器学习的分析图像中食物营养成分的方法 |
CN112370240A (zh) * | 2020-12-01 | 2021-02-19 | 創啟社會科技有限公司 | 视障辅助智能眼镜、系统及其控制方法 |
CN112669142A (zh) * | 2021-01-05 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 高维行为数据的建模方法、装置、设备及可读存储介质 |
CN112733882A (zh) * | 2020-12-22 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 基于深度学习的气缸套表面缺陷检测方法及系统和设备 |
CN112733936A (zh) * | 2021-01-08 | 2021-04-30 | 北京工业大学 | 一种基于图像识别的可回收垃圾分类方法 |
CN112749747A (zh) * | 2021-01-13 | 2021-05-04 | 上海交通大学 | 垃圾分类质量评估方法及系统 |
CN112949668A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 基于深度学习的垃圾检测系统 |
CN113060436A (zh) * | 2021-02-03 | 2021-07-02 | 宁波环链大数据有限公司 | 一种基于图像识别的厨余垃圾投递检测方法与系统 |
CN113076439A (zh) * | 2021-03-16 | 2021-07-06 | 四川九通智路科技有限公司 | 一种基于垃圾识别的垃圾分类系统和方法 |
CN113343838A (zh) * | 2021-06-03 | 2021-09-03 | 安徽大学 | 一种基于cnn神经网络的智能垃圾识别方法及装置 |
CN113731832A (zh) * | 2021-11-04 | 2021-12-03 | 南京信息工程大学 | 一种用于垃圾转运站的垃圾分拣处理方法和系统 |
CN114355907A (zh) * | 2021-12-22 | 2022-04-15 | 东风汽车集团股份有限公司 | 一种基于云端的智能化垃圾识别和清扫方法、系统 |
CN117111013A (zh) * | 2023-08-22 | 2023-11-24 | 南京慧尔视智能科技有限公司 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
CN117744956A (zh) * | 2024-02-20 | 2024-03-22 | 中节能建设工程设计院有限公司 | 一种生活固废处理智能监管系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092914A (zh) * | 2017-03-23 | 2017-08-25 | 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 |
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 |
CN108288077A (zh) * | 2018-04-17 | 2018-07-17 | 天津和或节能科技有限公司 | 废纸分类器建立装置及方法、废纸分类系统及方法 |
CN109018773A (zh) * | 2018-08-06 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 垃圾分类方法、装置及存储介质 |
CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
-
2019
- 2019-08-07 CN CN201910725458.6A patent/CN110427896A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092914A (zh) * | 2017-03-23 | 2017-08-25 | 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 |
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 |
CN108288077A (zh) * | 2018-04-17 | 2018-07-17 | 天津和或节能科技有限公司 | 废纸分类器建立装置及方法、废纸分类系统及方法 |
CN109018773A (zh) * | 2018-08-06 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 垃圾分类方法、装置及存储介质 |
CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111126138A (zh) * | 2019-11-18 | 2020-05-08 | 施博凯 | 垃圾分类ai图像识别方法 |
CN110942004A (zh) * | 2019-11-20 | 2020-03-31 | 深圳追一科技有限公司 | 基于神经网络模型的手写识别方法、装置及电子设备 |
CN112949668A (zh) * | 2019-12-10 | 2021-06-11 | 东北大学秦皇岛分校 | 基于深度学习的垃圾检测系统 |
CN111160412A (zh) * | 2019-12-11 | 2020-05-15 | 浙江大学医学院附属第一医院 | 一种基于神经网络的用于医疗垃圾分类的方法 |
CN111079639A (zh) * | 2019-12-13 | 2020-04-28 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
CN111079639B (zh) * | 2019-12-13 | 2023-09-19 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
CN111104914B (zh) * | 2019-12-23 | 2023-07-14 | 威海海洋职业学院 | 一种基于卷积神经网络的城市视觉污染物识别方法及系统 |
CN111104914A (zh) * | 2019-12-23 | 2020-05-05 | 威海海洋职业学院 | 一种基于卷积神经网络的城市视觉污染物识别方法及系统 |
CN111160438A (zh) * | 2019-12-24 | 2020-05-15 | 浙江大学 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
WO2021129236A1 (zh) * | 2019-12-24 | 2021-07-01 | 浙江大学 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
US11835489B2 (en) | 2019-12-24 | 2023-12-05 | Zhejiang University | Acoustic garbage classification method using one-dimensional convolutional neural network (1D-CNN) |
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 |
CN111144496A (zh) * | 2019-12-27 | 2020-05-12 | 齐齐哈尔大学 | 一种基于混合卷积神经网络的垃圾分类方法 |
CN111157967A (zh) * | 2019-12-30 | 2020-05-15 | 杭州立宸科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111157967B (zh) * | 2019-12-30 | 2023-09-29 | 杭州智爱时刻科技有限公司 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
CN111145169A (zh) * | 2019-12-31 | 2020-05-12 | 成都理工大学 | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 |
CN111268317A (zh) * | 2020-03-03 | 2020-06-12 | 深圳壹账通智能科技有限公司 | 垃圾分类处理方法、装置、终端及存储介质 |
CN111498326A (zh) * | 2020-04-03 | 2020-08-07 | 成都禧来科技有限公司 | 一种基于二类识别模型的垃圾自动分类机 |
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 |
CN111582336A (zh) * | 2020-04-23 | 2020-08-25 | 海信集团有限公司 | 一种基于图像识别垃圾种类的装置及方法 |
CN111582336B (zh) * | 2020-04-23 | 2023-11-03 | 海信集团有限公司 | 一种基于图像识别垃圾种类的装置及方法 |
CN111582395A (zh) * | 2020-05-13 | 2020-08-25 | 金陵科技学院 | 一种基于卷积神经网络的产品质量分类系统 |
CN111695641A (zh) * | 2020-06-22 | 2020-09-22 | 中国银行股份有限公司 | 一种垃圾分类的方法及装置 |
CN111814750A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的智能垃圾分类方法及系统 |
CN112257761A (zh) * | 2020-10-10 | 2021-01-22 | 天津大学 | 一种基于机器学习的分析图像中食物营养成分的方法 |
CN112370240A (zh) * | 2020-12-01 | 2021-02-19 | 創啟社會科技有限公司 | 视障辅助智能眼镜、系统及其控制方法 |
CN112733882A (zh) * | 2020-12-22 | 2021-04-30 | 郑州金惠计算机系统工程有限公司 | 基于深度学习的气缸套表面缺陷检测方法及系统和设备 |
CN112669142B (zh) * | 2021-01-05 | 2024-02-20 | 深圳前海微众银行股份有限公司 | 高维行为数据的建模方法、装置、设备及可读存储介质 |
CN112669142A (zh) * | 2021-01-05 | 2021-04-16 | 深圳前海微众银行股份有限公司 | 高维行为数据的建模方法、装置、设备及可读存储介质 |
CN112733936A (zh) * | 2021-01-08 | 2021-04-30 | 北京工业大学 | 一种基于图像识别的可回收垃圾分类方法 |
CN112749747B (zh) * | 2021-01-13 | 2022-11-11 | 上海交通大学 | 垃圾分类质量评估方法及系统 |
CN112749747A (zh) * | 2021-01-13 | 2021-05-04 | 上海交通大学 | 垃圾分类质量评估方法及系统 |
CN113060436A (zh) * | 2021-02-03 | 2021-07-02 | 宁波环链大数据有限公司 | 一种基于图像识别的厨余垃圾投递检测方法与系统 |
CN113076439A (zh) * | 2021-03-16 | 2021-07-06 | 四川九通智路科技有限公司 | 一种基于垃圾识别的垃圾分类系统和方法 |
CN113343838A (zh) * | 2021-06-03 | 2021-09-03 | 安徽大学 | 一种基于cnn神经网络的智能垃圾识别方法及装置 |
CN113731832A (zh) * | 2021-11-04 | 2021-12-03 | 南京信息工程大学 | 一种用于垃圾转运站的垃圾分拣处理方法和系统 |
CN113731832B (zh) * | 2021-11-04 | 2022-02-15 | 南京信息工程大学 | 一种用于垃圾转运站的垃圾分拣处理方法和系统 |
CN114355907A (zh) * | 2021-12-22 | 2022-04-15 | 东风汽车集团股份有限公司 | 一种基于云端的智能化垃圾识别和清扫方法、系统 |
CN114355907B (zh) * | 2021-12-22 | 2024-01-19 | 东风汽车集团股份有限公司 | 一种基于云端的智能化垃圾识别和清扫方法、系统 |
CN117111013A (zh) * | 2023-08-22 | 2023-11-24 | 南京慧尔视智能科技有限公司 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
CN117111013B (zh) * | 2023-08-22 | 2024-04-30 | 南京慧尔视智能科技有限公司 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
CN117744956A (zh) * | 2024-02-20 | 2024-03-22 | 中节能建设工程设计院有限公司 | 一种生活固废处理智能监管系统及方法 |
CN117744956B (zh) * | 2024-02-20 | 2024-04-30 | 中节能建设工程设计院有限公司 | 一种生活固废处理智能监管系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427896A (zh) | 一种基于卷积神经网络的垃圾分类智能系统 | |
CN105184312B (zh) | 一种基于深度学习的文字检测方法及装置 | |
CN104615983B (zh) | 基于递归神经网络和人体骨架运动序列的行为识别方法 | |
CN106982359B (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
CN109871781A (zh) | 基于多模态3d卷积神经网络的动态手势识别方法及系统 | |
CN106504064A (zh) | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 | |
CN109816009A (zh) | 基于图卷积的多标签图像分类方法、装置及设备 | |
CN107844784A (zh) | 人脸识别方法、装置、计算机设备和可读存储介质 | |
CN106599925A (zh) | 一种基于深度学习的植物叶片识别系统与方法 | |
CN110222634A (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
CN110083700A (zh) | 一种基于卷积神经网络的企业舆情情感分类方法及系统 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN106709482A (zh) | 基于自编码器的人物亲缘关系识别方法 | |
CN110222717A (zh) | 图像处理方法和装置 | |
CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
CN110532431A (zh) | 短视频关键词提取方法、装置及存储介质 | |
CN110232326A (zh) | 一种三维物体识别方法、装置及存储介质 | |
CN110689093A (zh) | 一种复杂场景下的图像目标精细分类方法 | |
CN106980831A (zh) | 基于自编码器的自亲缘关系识别方法 | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN113255804A (zh) | 基于图像变化检测的垃圾溯源方法、装置 | |
CN110751072A (zh) | 基于知识嵌入图卷积网络的双人交互识别方法 | |
CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 | |
CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191108 |
|
RJ01 | Rejection of invention patent application after publication |