CN110458193A - 垃圾分类处理方法、装置及系统、计算机设备与可读介质 - Google Patents

Abstract

本发明提供一种垃圾分类处理方法、装置及系统、计算机设备与可读介质，涉及云计算领域。其方法包括：采集垃圾的特征信息；所述垃圾的特征信息包括所述垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类。本发明通过采用上述技术方案，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够有效地保证垃圾分类的准确性。

Description

垃圾分类处理方法、装置及系统、计算机设备与可读介质

【技术领域】

本发明涉及计算机应用技术领域，尤其涉及一种垃圾分类处理方法、装置及系统、计算机设备与可读介质。

【背景技术】

随着经济的迅速发展、人口的不断增长以及人民生活水平的日益提高，生活垃圾的产生量也急剧增加，给环境造成了很大的负担，影响了可持续发展的基础，制约了国民经济的进一步发展。如何遵循无害化、减量化和资源化原则和目标，对这些垃圾进行处理，从根本上解决垃圾对环境的危害成为目前社会各界十分关注的问题。

现有技术中，针对不同的垃圾，需要采用不同的垃圾处理方式来处理，例如有些垃圾可以回收再利用，而有些垃圾需要填埋或者焚烧等处理。若有些需要特殊处理的化学垃圾，被误认为是需要填埋的垃圾，会导致非常严重的环境污染。所以在对垃圾处理前，务必要对垃圾进行有效地分类。因此，垃圾分类是垃圾处理中一项非常重要的工作。现有技术中，最常见的垃圾分类方法是由人工对垃圾物品进行分类。

但是，现有的垃圾分类过程中，人工分拣费时费力，垃圾分类的效率较低，且准确性也较差。

【发明内容】

本发明提供了一种垃圾分类处理方法、装置及系统、计算机设备与可读介质，用于提高垃圾分类的效率和准确性。

本发明提供一种垃圾分类处理方法，所述方法包括：

采集垃圾的特征信息；所述垃圾的特征信息包括所述垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类。

本发明提供一种垃圾分类处理装置，所述装置包括：

采集模块，用于采集垃圾的特征信息；所述垃圾的特征信息包括所述垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

分类模块，用于根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类。

本发明还提供一种垃圾分类系统，所述垃圾分类系统包括如上所述的垃圾分类装置；还包括X射线仪、摄像头、OCR文字识别仪器以及光谱分析仪中的至少一个、以及至少一个通信模块；

各所述通信模块，用于将对应的所述X射线仪、所述摄像头、所述OCR文字识别仪器或者所述光谱分析仪采集到的垃圾的特征信息，发送给所述垃圾分类装置。

本发明还提供一种计算机设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的垃圾分类处理方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的垃圾分类处理方法。

本发明的垃圾分类处理方法、装置及系统、计算机设备与可读介质，通过采集垃圾的特征信息；该垃圾的特征信息包括垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；根据垃圾的特征信息和预先训练的垃圾分类模型，获取垃圾的分类。本发明的技术方案，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够有效地保证垃圾分类的准确性。

【附图说明】

图1为本发明的垃圾分类处理方法实施例一的流程图。

图2为本发明的垃圾分类处理方法实施例二的流程图。

图3为本发明的垃圾分类处理方法实施例三的流程图。

图4为本发明的垃圾分类处理方法实施例四的流程图。

图5为本发明的垃圾分类处理装置实施例一的结构图。

图6为本发明的垃圾分类处理装置实施例二的结构图。

图7本发明的垃圾分类系统实施例的结构图。

图8为本发明的计算机设备实施例的结构图。

图9为本发明提供的一种计算机设备的示例图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

图1为本发明的垃圾分类处理方法实施例一的流程图。如图1所示，本实施例的垃圾分类处理方法，具体可以包括如下步骤：

S100、采集垃圾的特征信息；该垃圾的特征信息包括垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

S101、根据垃圾的特征信息和预先训练的垃圾分类模型，获取垃圾的分类。

本实施例的垃圾分类处理方法的执行主体为垃圾分类处理装置，该垃圾分类处理装置可以为一个电子实体、或者一个软件集成的应用，使用时，向该垃圾分类处理装置输入垃圾的特征信息，该垃圾分类处理装置便可以基于预先训练的垃圾分类模型，实现对该垃圾进行分类。

也就是说，本实施例的垃圾分类处理装置中嵌入有预先训练的垃圾分类模型，该垃圾分类模型能够基于采集到的垃圾的特征信息，实现对垃圾进行分类。

本实施例中，采集的垃圾的特征信息可以包括：垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个。

其中采集垃圾的轮廓图像具体可以通过获取X射线仪扫描的垃圾的轮廓图像而得到；

采集垃圾的外观图像具体可以通过获取摄像头拍摄的垃圾的外观图像而获得；

采集垃圾的外观上的文字信息可以通过获取光学字符识别(Optical CharacterRecognition；OCR)文字识别仪器对垃圾的外观进行识别得到的外观上的文字信息；

采集垃圾的成份信息可以通过获取光谱分析仪分析的垃圾的光谱信息，并进一步基于垃圾的光谱信息分析得到。光谱分析仪基于不同的物质，具有不同的光谱，可以分析出垃圾中所包括的不同的物质如元素，从而可以分析出垃圾的成份信息。进一步地，该光谱分析仪还可以进一步基于其他信息，推测垃圾的化学分子式等等。

本实施例中预先训练的垃圾分类模型在训练时，可以采用预设的数个分类的垃圾的特征信息进行训练，这样，在使用时，该垃圾的特征信息输入后，该垃圾分类模型可以输出该垃圾属于每个分类的概率。例如，若预设的分类的数量为N，则使用时，垃圾分类模型基于垃圾的特征信息输出的是一个1*N的向量，其中向量中的每个位置的值为该位置对应的垃圾分类的概率。其中N为任意正整数。例如，实际应用中，垃圾的分类可以包括纺织品垃圾、纸品垃圾、化学原料垃圾、易燃易爆垃圾、电子垃圾、餐饮垃圾等等，根据实际应用需求，可以粗略地按照垃圾的大类，仅包括几种分类，也可以按照垃圾的详细分类，丰富到上百种分类。

具体使用时，将垃圾的特征信息包括垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个，输入至预先训练的垃圾分类模型中，获取垃圾分类模型预测的概率最大的分类作为垃圾的分类。

需要说明的是，本实施例的垃圾分类模型在训练时是采用垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的哪些类型的信息进行训练的，在预测垃圾分类使用时，便可以采用对应的类型的信息进行垃圾分类预测。也就是说，训练时采用的信息的类型与预测时输入的信息的类型必须要保持一致。

进一步可选地，本实施例的垃圾分类处理方法，在步骤S101之后，

根据垃圾的特征信息和预先训练的垃圾分类模型，获取垃圾的分类之后，还可以包括如下步骤：

(a)判断垃圾的分类是否属于预设的第一类危险垃圾的分类；若是，执行步骤(b)；否则，暂不执行任何操作。

(b)发出报警信息。

本实施例的第一类危险垃圾可以为易燃易爆的垃圾、或者具有化学污染的垃圾等等危险垃圾。若垃圾分类模型预测到该垃圾为该第一类危险垃圾，此时该垃圾分类处理装置还可以设置有报警模块可以发出报警信息，便于工作人员及时对垃圾进行处理，避免垃圾带来的危害。

进一步地，本实施例的垃圾分类处理方法，在步骤S101之后，还可以包括显示垃圾的分类。也就是说，本实施例的垃圾分类处理装置还可以设置有显示模块，来显示该垃圾的分类，这样工作人员可以及时看到垃圾的分类信息，对于危险分类的垃圾，可以及时处理，避免垃圾带来的危害。

本实施例的垃圾分类处理方法，通过采集垃圾的特征信息；该垃圾的特征信息包括垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；根据垃圾的特征信息和预先训练的垃圾分类模型，获取垃圾的分类。本实施例的技术方案，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够有效地保证垃圾分类的准确性。

图2为本发明的垃圾分类处理方法实施例二的流程图。如图2所示，本实施例的垃圾分类处理方法，具体可以包括如下步骤：

S200、采集垃圾的特征信息；该垃圾的特征信息包括垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个；

S201、根据垃圾的特征信息和预先训练的垃圾分类模型，获取垃圾的分类；并作为初级分类；

本实施例的步骤S200和步骤S201的实现与上述图1所示实施例的步骤S100和S101，区别仅在于本实施例的垃圾的特征信息包括垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个，而不包括垃圾的成份信息，其余与上述图1所示实施例的步骤S100和S101相同，详细可以参考上述图1所示实施例的相关记载，在此不再赘述。

S202、判断垃圾的初级分类是否为预设的第二类危险垃圾的分类；若是，执行步骤S203；否则，结束。

本实施例的第二类危险垃圾可以为毒品垃圾、药品垃圾或者其他有害垃圾，可以进一步进行深度识别，以更加精准地识别垃圾的初级分类。

也就是说，对于不适于第二类危险垃圾的分类，此时仅仅经过初级分类即可输出分类结果。

S203、采集垃圾的光谱信息；并基于垃圾的光谱信息获取所述垃圾的成份信息；执行步骤S204；

该步骤的实现可以参考图1所示相关步骤的解释，在此不再赘述。

S204、根据垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和垃圾的成份信息、垃圾的初级分类以及预先训练的深度垃圾分类模型，获取垃圾的二级分类。

本实施例与上述图1所示实施例的区别在于：上述图1所示实施例中进行垃圾分类处理时，仅仅进行了一级分类，对应地仅采用一种垃圾分类模型。而本实施例的垃圾分类处理时，在上述图1所示实施例的技术方案的基础上，对于某些毒品、药品等有害垃圾，可以再采用一种深度垃圾分类模型，对垃圾进行二级分类，从而对于有害垃圾，实现更加精准地分类，以便于对有害垃圾进行精准处理，避免垃圾的危害。

同理，本实施例的深度垃圾分类模型在训练时，需要采用数条垃圾的特征信息来训练，每条垃圾的特征信息包括垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和垃圾的成份信息与垃圾的初级分类一起信息训练。具体地，对于垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个，训练时，包括有哪些，在垃圾分类预测时，也需要包括哪些。

本实施例的垃圾分类处理方法，通过采用上述技术方案，可以对有害垃圾进行二级分类，能够实现对有害垃圾进行更加精准地分类，以便于对有害垃圾进行精准处理，避免垃圾的危害。且本实施例的技术方案，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够对有害垃圾进行二级分类，进一步有效地保证了垃圾分类的准确性。

图3为本发明的垃圾分类处理方法实施例三的流程图。如图3所示，本实施例的垃圾分类处理方法，具体可以包括如下步骤：

S300、采集数条训练数据，各条训练数据中训练垃圾的特征信息以及训练垃圾的已知分类；各训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

S301、根据各条训练垃圾的特征信息以及对应的已知分类，训练垃圾分类模型。

同理，本实施例中，训练垃圾的各条特征信息包括训练垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个，训练时采用哪些特征训练的，进行垃圾分类预测时，便采用对应的特征信息进行预测即可。

具体训练时，将各条训练垃圾的特征信息输入至垃圾分类模型中，该垃圾分类模型可以基于已有的参数和输入的训练垃圾的特征信息，预测一个垃圾分类。然后判断预测的分类与已知分类是否一致，若不一致，调整垃圾分类模型的参数，使得垃圾分类模型预测的分类与已知分类趋于一致。采用数条训练垃圾的特征信息和对应的已知分类，按照上述方式，不断地对垃圾分类模型进行训练，直到训练次数达到预设次数阈值、或者连续预设轮数的训练中预测的分类始终与已知分类一致，此时训练结束，确定垃圾分类模型的参数，进而确定垃圾分类模型。

本实施例的训练垃圾可以为任何垃圾，如纺织品垃圾、纸品垃圾、化学原料垃圾、易燃易爆垃圾、电子垃圾、餐饮垃圾等等。

本实施例训练的垃圾分类模型，用于实现上述图1所示实施例的垃圾分类处理。

本实施例的垃圾分类处理方法的执行主体可以与上述图1一致，由垃圾分类处理装置一起来实现。即由垃圾分类处理装置先对垃圾分类模型和深度垃圾分类模型进行训练，然后由垃圾分类处理装置基于训练好的垃圾分类模型，采用上述图1所示实施例的技术方案，实现垃圾的一级分类。

或者本实施例的垃圾分类处理方法的执行主体，也可以不同于上述图1所示实施例的执行主体，为一个独立于垃圾分类处理装置的垃圾分类模型的训练装置。具体使用时，由垃圾分类模型的训练装置先训练该垃圾分类模型和深度垃圾分类模型，然后垃圾分类处理装置在对垃圾进行分类时，直接调用训练好的垃圾分类模型，采用上述图1所示实施例的技术方案，实现垃圾的分类。

本实施例的垃圾分类处理方法，通过采用上述方案训练的垃圾分类模型，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够有效地保证垃圾分类的准确性。

图4为本发明的垃圾分类处理方法实施例四的流程图。如图4所示，本实施例的垃圾分类处理方法，具体可以包括如下步骤：

S400、采集数条训练数据，各条训练数据中包括训练垃圾的特征信息、训练垃圾的初级分类以及训练垃圾的已知二级分类；训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和训练垃圾的成份信息；

S401、根据各条训练垃圾的特征信息、对应的初级分类以及已知二级分类，训练深度垃圾分类模型。

具体地，若上述图3所示实施例，在训练垃圾分类模型时，各训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个，此时，针对于毒品、药品等有害垃圾，还可以进一步采用本实施例的技术方案，训练一个深度垃圾分类模型，实现对垃圾的二级分类。

亦即，本实施例的训练垃圾的范围小于上述图3所示实施例的训练垃圾的范围，可以为毒品、药品等有害垃圾。

具体训练时，将各条训练垃圾的特征信息和初级分类输入至深度垃圾分类模型中，该深度垃圾分类模型可以基于已有的参数和输入的训练垃圾的特征信息和初级分类，预测一个垃圾的二级分类。然后判断预测的二级分类与已知二级分类是否一致，若不一致，调整深度垃圾分类模型的参数，使得深度垃圾分类模型预测的二级分类与已知二级分类趋于一致。采用数条训练垃圾的特征信息、初级分类和对应的二级已知分类，按照上述方式，不断地对深度垃圾分类模型进行训练，直到训练次数达到预设次数阈值、或者连续预设轮数的训练中预测的二级分类始终与已知二级分类一致，此时训练结束，确定深度垃圾分类模型的参数，进而确定深度垃圾分类模型。

若上述图3所示实施例的各条训练垃圾的特征信息未包括成份信息，此时，可以基于图3所示实施例训练的垃圾分类模型和图4所示实施例训练的深度垃圾分类模型，一起实现图2所示实施例的垃圾分类处理。

同理，本实施例的垃圾分类处理方法的执行主体可以与上述图2一致，由垃圾分类处理装置一起来实现。即由垃圾分类处理装置先对垃圾分类模型和深度垃圾分类模型进行训练，然后由垃圾分类处理装置还可以基于训练好的垃圾分类模型和深度垃圾分类模型，采用上述图2所示实施例的技术方案，实现垃圾的二级分类。

或者本实施例的垃圾分类处理方法的执行主体，也可以不同于上述图2所示实施例的执行主体，为一个独立于垃圾分类处理装置的垃圾分类模型的训练装置。具体使用时，由垃圾分类模型的训练装置先训练该垃圾分类模型和深度垃圾分类模型，然后垃圾分类处理装置在对垃圾进行分类时，直接调用训练好的垃圾分类模型和深度垃圾分类模型，采用上述图2所示实施例的技术方案，实现垃圾的二级分类。

本实施例的垃圾分类处理方法，通过采用上述方案训练的垃圾分类模型，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够有效地保证垃圾分类的准确性。

图5为本发明的垃圾分类处理装置实施例一的结构图。如图5所示，本实施例的垃圾分类处理装置，具体可以包括：

采集模块10用于采集垃圾的特征信息；垃圾的特征信息包括垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

分类模块11用于根据采集模块10采集的垃圾的特征信息和预先训练的垃圾分类模型，获取垃圾的分类。

本实施例的垃圾分类处理装置，通过采用上述模块实现垃圾分类处理的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图6为本发明的垃圾分类处理装置实施例二的结构图。如图6所示，本实施例的垃圾分类处理装置，在上述图5所示实施例的技术方案的基础上，进一步更加详细地介绍本发明的技术方案。

本实施例的垃圾分类处理装置中，采集模块10用于执行如下至少一种：

获取X射线仪扫描的垃圾的轮廓图像；

获取摄像头拍摄的垃圾的外观图像；

获取OCR文字识别仪器对垃圾的外观进行识别得到的外观上的文字信息；和

获取光谱分析仪分析的垃圾的光谱信息，并基于垃圾的光谱信息获取垃圾的成份信息。

可选地，本实施例的垃圾分类处理装置中，分类模块11用于：

将垃圾的特征信息输入至预先训练的垃圾分类模型中；

获取垃圾分类模型预测的概率最大的分类作为垃圾的分类。

进一步可选地，如图6所示，本实施例的垃圾分类处理装置中，还包括：

判断模块12用于判断分类模块11处理后的垃圾的分类是否属于预设的第一类危险垃圾的分类；

报警模块13用于若判断模块12确定垃圾的分类是第一类危险垃圾的分类，发出报警信息。

进一步可选地，如图6所示，本实施例的垃圾分类处理装置中，还包括：

显示模块14用于显示分类模块11处理后的垃圾的分类。

进一步可选地，如图6所示，本实施例的垃圾分类处理装置中，还包括训练模块15；

采集模块10还用于采集数条训练数据，各条训练数据中训练垃圾的特征信息以及训练垃圾的已知分类；各训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

训练模块15用于根据采集模块10采集的各条训练垃圾的特征信息以及对应的已知分类，训练垃圾分类模型。

进一步可选地，在本实施例的另一个场景中，判断模块12还用于若采集模块10采集的垃圾的特征信息中包括垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个时，将分类模块11得到的垃圾的分类作为初级分类，判断初级分类是否为预设的第二类危险垃圾的分类；

采集模块10还用于若初级分类是第二类危险垃圾的分类，采集垃圾的光谱信息；并基于垃圾的光谱信息获取垃圾的成份信息；

分类模块11还用于根据采集模块10采集的垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和垃圾的成份信息、初级分类以及预先训练的深度垃圾分类模型，获取垃圾的二级分类。

此时对应地，采集模块10还用于采集数条训练数据，各条训练数据中包括训练垃圾的特征信息、训练垃圾的初级分类以及训练垃圾的已知二级分类；训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和训练垃圾的成份信息；

训练模块11还用于根据各条训练垃圾的特征信息、对应的初级分类以及已知二级分类，训练深度垃圾分类模型。

可选地，本实施例的采集模块10和训练模块11还可以单独构成一种垃圾分类模型的训练装置，可以独立存在。

本实施例的垃圾分类处理装置，通过采用上述模块实现垃圾分类处理的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。

图7本发明的垃圾分类系统实施例的结构图。如图7所示，本实施例的垃圾分类系统，包括如上图5或者图6所示实施例的垃圾分类装置20；还包括X射线仪21、摄像头22、OCR文字识别仪器23以及光谱分析仪24中的至少一个、以及至少一个通信模块25；图7所示实施例中以同时包括X射线仪21、摄像头22、OCR文字识别仪器23以及光谱分析仪24为例。

各通信模块25，用于将对应的X射线仪21、摄像头22、OCR文字识别仪器23或者光谱分析仪24采集到的垃圾的特征信息，发送给垃圾分类装置。

进一步可选地，如图7所示，本实施例的垃圾分类系统还包括传输机构26以及分别用于存放各分类的垃圾的处理箱27；

传输机构26用于根据垃圾分类装置20得到的垃圾的分类，将垃圾传输至对应分类的处理箱27中；和/或

进一步可选地，如图7所示，本实施例的垃圾分类系统还包括存储模块28，用于存储X射线仪21、摄像头22、OCR文字识别仪器23以及光谱分析仪24采集到的垃圾的特征信息。此时对应地，可以由各通信模块25将X射线仪21、摄像头22、OCR文字识别仪器23以及光谱分析仪24采集到的垃圾的特征信息，传输至存储模块28中存储。当进行垃圾分类检测时，直接由存储模块28将采集的垃圾的特征信息输出至给垃圾分类装置20，以供垃圾分类装置20采用上述相关方法实施例的步骤，实现对垃圾的分类。

本实施例的垃圾分类系统，通过采用上述技术方案，可以对垃圾进行有效的分类，避免垃圾的危害。且本实施例的技术方案，可以智能化地、自动地实现垃圾的分类，全程不需要人工参与，能够有效地提高垃圾的分类效率，且能够有效地保证了垃圾分类的准确性。

图8为本发明的计算机设备实施例的结构图。如图8所示，本实施例的计算机设备，包括：一个或多个处理器30，以及存储器40，存储器40用于存储一个或多个程序，当存储器40中存储的一个或多个程序被一个或多个处理器30执行，使得一个或多个处理器30实现如上图1-图4所示实施例的垃圾分类处理方法。图8所示实施例中以包括多个处理器30为例。

例如，图9为本发明提供的一种计算机设备的示例图。图9示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图9显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图9所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。

总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。系统存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图6各实施例的功能。

具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如系统存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图6各实施例中的功能和/或方法。

计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的垃圾分类处理方法。

本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的垃圾分类处理方法。

本实施例的计算机可读介质可以包括上述图7所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。

随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。

本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (20)

1.一种垃圾分类处理方法，其特征在于，所述方法包括：

采集垃圾的特征信息；所述垃圾的特征信息包括所述垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类。

2.根据权利要求1所述的方法，其特征在于，采集垃圾的特征信息，包括如下至少一种：

获取X射线仪扫描的所述垃圾的轮廓图像；

获取摄像头拍摄的所述垃圾的外观图像；

获取OCR文字识别仪器对所述垃圾的外观进行识别得到的外观上的文字信息；和

获取光谱分析仪分析的所述垃圾的光谱信息，并基于所述垃圾的光谱信息获取所述垃圾的成份信息。

3.根据权利要求1所述的方法，其特征在于，根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类，包括：

将所述垃圾的特征信息输入至预先训练的垃圾分类模型中；

获取所述垃圾分类模型预测的概率最大的分类作为所述垃圾的分类。

4.根据权利要求1所述的方法，其特征在于，根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类之后，所述方法还包括：

判断所述垃圾的分类是否属于预设的第一类危险垃圾的分类；

若是，发出报警信息。

5.根据权利要求1所述的方法，其特征在于，根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类之后，所述方法还包括：

显示所述垃圾的分类。

6.根据权利要求1所述的方法，其特征在于，根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类之前，所述方法还包括：

采集数条训练数据，各条所述训练数据中训练垃圾的特征信息以及所述训练垃圾的已知分类；各所述训练垃圾的特征信息包括所述训练垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

根据各条所述训练垃圾的特征信息以及对应的所述已知分类，训练所述垃圾分类模型。

7.根据权利要求1或者2所述的方法，其特征在于，若所述垃圾的特征信息中包括所述垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个时，根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类之后，所述方法还包括：

将所述垃圾的分类作为初级分类，判断所述初级分类是否为预设的第二类危险垃圾的分类；

若是，采集所述垃圾的光谱信息；并基于所述垃圾的光谱信息获取所述垃圾的成份信息；

根据所述垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和所述垃圾的成份信息、所述初级分类以及预先训练的深度垃圾分类模型，获取所述垃圾的二级分类。

8.根据权利要求7所述的方法，其特征在于，根据所述垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和所述垃圾的成份信息、所述初级分类以及预先训练的深度垃圾分类模型，获取所述垃圾的二级分类之前，所述方法还包括：

采集数条训练数据，各条所述训练数据中包括训练垃圾的特征信息、所述训练垃圾的初级分类以及所述训练垃圾的已知二级分类；所述训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和所述训练垃圾的成份信息；

根据各条所述训练垃圾的特征信息、对应的所述初级分类以及所述已知二级分类，训练所述深度垃圾分类模型。

9.一种垃圾分类处理装置，其特征在于，所述装置包括：

采集模块，用于采集垃圾的特征信息；所述垃圾的特征信息包括所述垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

分类模块，用于根据所述垃圾的特征信息和预先训练的垃圾分类模型，获取所述垃圾的分类。

10.根据权利要求9所述的装置，其特征在于，所述采集模块，用于执行如下至少一种：

获取X射线仪扫描的所述垃圾的轮廓图像；

获取摄像头拍摄的所述垃圾的外观图像；

获取OCR文字识别仪器对所述垃圾的外观进行识别得到的外观上的文字信息；和

获取光谱分析仪分析的所述垃圾的光谱信息，并基于所述垃圾的光谱信息获取所述垃圾的成份信息。

11.根据权利要求9所述的装置，其特征在于，所述分类模块，用于：

将所述垃圾的特征信息输入至预先训练的垃圾分类模型中；

获取所述垃圾分类模型预测的概率最大的分类作为所述垃圾的分类。

12.根据权利要求9所述的装置，其特征在于，所述装置还包括：

判断模块，用于判断所述垃圾的分类是否属于预设的第一类危险垃圾的分类；

报警模块，用于若所述垃圾的分类是所述第一类危险垃圾的分类，发出报警信息。

13.根据权利要求9所述的装置，其特征在于，所述装置还包括：

显示模块，用于显示所述垃圾的分类。

14.根据权利要求12所述的装置，其特征在于，所述装置还包括训练模块；

所述采集模块，还用于采集数条训练数据，各条所述训练数据中训练垃圾的特征信息以及所述训练垃圾的已知分类；各所述训练垃圾的特征信息包括所述训练垃圾的轮廓图像、外观图像、外观上的文字信息以及成份信息中的至少一个；

所述训练模块，用于根据各条所述训练垃圾的特征信息以及对应的所述已知分类，训练所述垃圾分类模型。

15.根据权利要求14所述的装置，其特征在于：

所述判断模块，还用于若所述垃圾的特征信息中包括所述垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个时，将所述垃圾的分类作为初级分类，判断所述初级分类是否为预设的第二类危险垃圾的分类；

所述采集模块，还用于若所述初级分类是所述第二类危险垃圾的分类，采集所述垃圾的光谱信息；并基于所述垃圾的光谱信息获取所述垃圾的成份信息；

所述分类模块，还用于根据所述垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和所述垃圾的成份信息、所述初级分类以及预先训练的深度垃圾分类模型，获取所述垃圾的二级分类。

16.根据权利要求15所述的装置，其特征在于：

所述采集模块，还用于采集数条训练数据，各条所述训练数据中包括训练垃圾的特征信息、所述训练垃圾的初级分类以及所述训练垃圾的已知二级分类；所述训练垃圾的特征信息包括训练垃圾的轮廓图像、外观图像以及外观上的文字信息中的至少一个、和所述训练垃圾的成份信息；

所述训练模块，还用于根据各条所述训练垃圾的特征信息、对应的所述初级分类以及所述已知二级分类，训练所述深度垃圾分类模型。

17.一种垃圾分类系统，其特征在于，所述垃圾分类系统包括如上权利要求9-16任一所述的垃圾分类装置；还包括X射线仪、摄像头、OCR文字识别仪器以及光谱分析仪中的至少一个、以及至少一个通信模块；

各所述通信模块，用于将对应的所述X射线仪、所述摄像头、所述OCR文字识别仪器或者所述光谱分析仪采集到的垃圾的特征信息，发送给所述垃圾分类装置。

18.根据权利要求17的所述的系统，其特征在于，所述系统还包括传输机构以及分别用于存放各所述分类的垃圾的处理箱；

所述传输机构，用于根据垃圾的分类，将所述垃圾传输至对应所述分类的所述处理箱中；和/或

所述系统还包括存储模块，用于存储所述X射线仪、所述摄像头、所述OCR文字识别仪器以及所述光谱分析仪采集到的垃圾的特征信息。

19.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

20.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。