CN110598800A - 一种基于人工智能的垃圾分类识别方法 - Google Patents
一种基于人工智能的垃圾分类识别方法 Download PDFInfo
- Publication number
- CN110598800A CN110598800A CN201910899894.5A CN201910899894A CN110598800A CN 110598800 A CN110598800 A CN 110598800A CN 201910899894 A CN201910899894 A CN 201910899894A CN 110598800 A CN110598800 A CN 110598800A
- Authority
- CN
- China
- Prior art keywords
- garbage
- garbage classification
- classification model
- training
- data set
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于人工智能的垃圾分类识别方法，涉及图像处理技术领域；建立数据集，对数据集中的垃圾图片进行预处理；由卷积深度神经网络构成垃圾分类模型，使用步骤预处理后的数据集训练垃圾分类模型；将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果；本发明方法通过建立的深度神经网络训练垃圾图集完成垃圾识别模型的建立，利用建立的垃圾识别模型对投放的垃圾进行准确识别，可以提高用户垃圾分类的效率，节约时间和成本。
Description
技术领域
本发明公开一种基于人工智能的垃圾分类识别方法，涉及图像处理技术领域。
背景技术
垃圾分类，指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。随着对垃圾回收分类的要求变得越来越严格，需要对日常生活垃圾进行准确分类，但是由于日常垃圾多种多样，普通居民很难做到准确区分垃圾类别。
本发明公开了一种基于人工智能的垃圾分类识别方法，建立数据集，对数据集中的垃圾图片进行预处理；由卷积深度神经网络构成垃圾分类模型，使用步骤预处理后的数据集训练垃圾分类模型；将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果；本发明方法通过建立的深度神经网络训练垃圾图集完成垃圾识别模型的建立，利用建立的垃圾识别模型对投放的垃圾进行准确识别，可以提高用户垃圾分类的效率，节约时间和成本。
发明内容
本发明针对现有技术的问题，提供一种基于人工智能的垃圾分类识别方法，利用建立的垃圾识别模型对投放的垃圾进行准确识别，可以提高用户垃圾分类的效率，节约时间和成本。
本发明提出的具体方案是：
一种基于人工智能的垃圾分类识别方法，步骤如下：
S1建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
S2对数据集中的垃圾图片进行预处理；
S3由卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
S4使用步骤S2中预处理后的数据集训练步骤S3中的垃圾分类模型；
S5将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
所述的方法中S1中将数据集按照一定比例划分成训练测试集和验证集。
所述的方法中S4中使用10折交叉验证方法将训练测试集划分为测试集和训练集，利用划分后的测试集和训练集训练垃圾分类模型，使用验证集根据代价函数计算垃圾分类模型的代价，根据代价选择最优的垃圾分类模型。
所述的方法中具体步骤为：
S401使用十折交叉验证法对训练测试集进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
S402使用训练集和测试集训练垃圾分类模型；
S403使用验证集根据代价函数计算垃圾分类模型的代价；
S404根据代价进行反向传播修改垃圾分类模型的参数直到得到最优的垃圾分类模型。
所述的方法中S3中对垃圾分类模型使用batch-normal、prelu激活函数、dropout方法中一种或几种进行优化。
所述的方法中S2中对数据集中进行图片降噪、二值化、字符切分以及归一化的预处理。
所述的方法中S5中利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
一种基于人工智能的垃圾分类识别系统，包括数据集建立模块、图片预处理模块、垃圾分类模型建立模块、训练模块及垃圾分类模块，
数据集建立模块建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
图片预处理模块对数据集中的垃圾图片进行预处理；
垃圾分类模型建立模块利用卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
训练模块使用图片预处理模块中预处理后的数据集训练垃圾分类模型建立模块中的垃圾分类模型；
垃圾分类模块将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
本发明的有益之处是：
本发明提供一种基于人工智能的垃圾分类识别方法，建立数据集，对数据集中的垃圾图片进行预处理；由卷积深度神经网络构成垃圾分类模型，使用步骤预处理后的数据集训练垃圾分类模型；将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果；本发明方法通过建立的深度神经网络训练垃圾图集完成垃圾识别模型的建立，利用建立的垃圾识别模型对投放的垃圾进行准确识别，可以提高用户垃圾分类的效率，节约时间和成本。
附图说明
图1是本发明方法流程示意图。
具体实施方式
本发明提供一种基于人工智能的垃圾分类识别方法，步骤如下：
S1建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
S2对数据集中的垃圾图片进行预处理；
S3由卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
S4使用步骤S2中预处理后的数据集训练步骤S3中的垃圾分类模型；
S5将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
同时提供一种基于人工智能的垃圾分类识别系统，包括数据集建立模块、图片预处理模块、垃圾分类模型建立模块、训练模块及垃圾分类模块，
数据集建立模块建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
图片预处理模块对数据集中的垃圾图片进行预处理；
垃圾分类模型建立模块利用卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
训练模块使用图片预处理模块中预处理后的数据集训练垃圾分类模型建立模块中的垃圾分类模型；
垃圾分类模块将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
利用本发明方法，对垃圾进行分类，具体过程为：
S1建立数据集：收集大量生活常见垃圾照片，并对垃圾照片标注与之对应的垃圾类型，构成数据集；
S2对数据集中进行图片降噪、二值化、字符切分以及归一化的预处理；
S3由卷积深度神经网络构成垃圾分类模型：第一层由两层3x3x64/1的卷积层和一层3x3/2的池化层组成，第二层为两层3x3/1的卷积层和一层3x3/2的池化层组成，第三层由四层3x3x512/1的卷积层和一层3x3/2的池化层组成，第四层由四层3x3x512/1的卷积层和一层3x3/2的池化层组成，第五层由四层全连接层组成，对上述垃圾分类模型进行优化，使用batch-normal、prelu激活函数、dropout等方法中一种或几种组合防止过拟合、梯度消失、梯度爆炸等问题的出现；
S4使用步骤S2中预处理后的数据集训练步骤S3中的垃圾分类模型；
S5利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，使用多层卷积和池化对垃圾图片进行特征提取并使用四层的全连接层进行分类，输出分类结果。
在上述过过程中，S1中将数据集按照一定比例划分成训练测试集和验证集，
S4中使用10折交叉验证方法将训练测试集划分为测试集和训练集，利用划分后的测试集和训练集训练垃圾分类模型，使用验证集根据代价函数计算垃圾分类模型的代价，根据代价选择最优的垃圾分类模型，具体步骤为：
S401使用十折交叉验证法对训练测试集进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
S402使用训练集和测试集训练垃圾分类模型；
S403使用投票法进行投票得到预测结果，使用验证集根据softmax代价函数计算神经网络垃圾分类模型的代价；
S404根据代价进行反向传播修改垃圾分类模型的参数直到得到最优的垃圾分类模型，
S5利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，使用多层卷积和池化对垃圾图片进行特征提取并使用四层的全连接层进行分类，输出分类结果。
同样利用本发明系统进行垃圾分类时，具体过程为：
数据集建立模块建立数据集：收集大量生活常见垃圾照片，并对垃圾照片标注与之对应的垃圾类型，构成数据集；
图片预处理模块对数据集中进行图片降噪、二值化、字符切分以及归一化的预处理；
垃圾分类模型建立模块利用卷积深度神经网络构成垃圾分类模型：第一层由两层3x3x64/1的卷积层和一层3x3/2的池化层组成，第二层为两层3x3/1的卷积层和一层3x3/2的池化层组成，第三层由四层3x3x512/1的卷积层和一层3x3/2的池化层组成，第四层由四层3x3x512/1的卷积层和一层3x3/2的池化层组成，第五层由四层全连接层组成，对上述垃圾分类模型进行优化，使用batch-normal、prelu激活函数、dropout等方法中一种或几种组合防止过拟合、梯度消失、梯度爆炸等问题的出现；
训练模块使用预处理后的数据集训练垃圾分类模型；
垃圾分类模块利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，使用多层卷积和池化对垃圾图片进行特征提取并使用四层的全连接层进行分类，输出分类结果。
在上述过过程中，数据集建立模块中将数据集按照一定比例划分成训练测试集和验证集，
训练模块中使用10折交叉验证方法将训练测试集划分为测试集和训练集，利用划分后的测试集和训练集训练垃圾分类模型，使用验证集根据代价函数计算垃圾分类模型的代价，根据代价选择最优的垃圾分类模型，具体步骤为：
训练模块使用十折交叉验证法对训练测试集进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
使用训练集和测试集训练垃圾分类模型；
使用投票法进行投票得到预测结果，使用验证集根据softmax代价函数计算神经网络垃圾分类模型的代价；
根据代价进行反向传播修改垃圾分类模型的参数直到得到最优的垃圾分类模型，
垃圾分类模块利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，使用多层卷积和池化对垃圾图片进行特征提取并使用四层的全连接层进行分类，输出分类结果。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种基于人工智能的垃圾分类识别方法，其特征是步骤如下：
S1建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
S2对数据集中的垃圾图片进行预处理；
S3由卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
S4使用步骤S2中预处理后的数据集训练步骤S3中的垃圾分类模型；
S5将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
2.根据权利要求1所述的方法，其特征是S1中将数据集按照一定比例划分成训练测试集和验证集。
3.根据权利要求2所述的方法，其特征是S4中使用10折交叉验证方法将训练测试集划分为测试集和训练集，利用划分后的测试集和训练集训练垃圾分类模型，使用验证集根据代价函数计算垃圾分类模型的代价，根据代价选择最优的垃圾分类模型。
4.根据权利要求3所述的方法，其特征是具体步骤为：
S401使用十折交叉验证法对训练测试集进行划分和验证，训练测试集中的十分之一作为测试集，剩余的十分之九作为训练集；
S402使用训练集和测试集训练垃圾分类模型；
S403使用验证集根据代价函数计算垃圾分类模型的代价；
S404根据代价进行反向传播修改垃圾分类模型的参数直到得到最优的垃圾分类模型。
5.根据权利要求1-4任一所述的方法，其特征是S3中对垃圾分类模型使用batch-normal、prelu激活函数、dropout方法中一种或几种进行优化。
6.根据权利要求5所述的方法，其特征是S2中对数据集中进行图片降噪、二值化、字符切分以及归一化的预处理。
7.根据权利要求6所述的方法，其特征是S5中利用opencv读取待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
8.一种基于人工智能的垃圾分类识别系统，其特征是包括数据集建立模块、图片预处理模块、垃圾分类模型建立模块、训练模块及垃圾分类模块，
数据集建立模块建立数据集：收集垃圾照片，并对垃圾照片进行类别标注，构成数据集；
图片预处理模块对数据集中的垃圾图片进行预处理；
垃圾分类模型建立模块利用卷积深度神经网络构成垃圾分类模型：第一层由两层卷积层和一层池化层组成，第二层由两层卷积层和一层池化层组成，第三层由四层卷积层和一层池化层组成，第四层由四层卷积层和一层池化层组成，第五层由四层全连接层组成；
训练模块使用图片预处理模块中预处理后的数据集训练垃圾分类模型建立模块中的垃圾分类模型；
垃圾分类模块将待分类的垃圾照片预处理后输入到训练后的垃圾分类模型，输出分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910899894.5A CN110598800A (zh) | 2019-09-23 | 2019-09-23 | 一种基于人工智能的垃圾分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910899894.5A CN110598800A (zh) | 2019-09-23 | 2019-09-23 | 一种基于人工智能的垃圾分类识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598800A true CN110598800A (zh) | 2019-12-20 |
Family
ID=68862689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910899894.5A Pending CN110598800A (zh) | 2019-09-23 | 2019-09-23 | 一种基于人工智能的垃圾分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598800A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126333A (zh) * | 2019-12-30 | 2020-05-08 | 齐齐哈尔大学 | 一种基于轻量卷积神经网络的垃圾分类方法 |
| 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 |
| 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 |
| CN111169848A (zh) * | 2020-02-27 | 2020-05-19 | 东北大学秦皇岛分校 | 一种智能分类回收垃圾的装置及方法 |
| 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 |
| CN111498331A (zh) * | 2020-04-30 | 2020-08-07 | 昆明理工大学 | 基于深度学习的垃圾视觉识别方法、装置及分类回收装置 |
| 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 |
| CN111517034A (zh) * | 2020-05-09 | 2020-08-11 | 安徽工程大学 | 一种自动分类垃圾桶及其分类方法和系统 |
| CN111652052A (zh) * | 2020-04-21 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种疫情防控方法、设备及介质 |
| 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 |
| CN111709477A (zh) * | 2020-06-16 | 2020-09-25 | 浪潮集团有限公司 | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 |
| CN111753662A (zh) * | 2020-05-25 | 2020-10-09 | 济南浪潮高新科技投资发展有限公司 | 一种交通事故处理方法、设备及介质 |
| CN111846693A (zh) * | 2020-07-21 | 2020-10-30 | 宁波瑞勤信息技术有限公司 | 基于实名制的智能垃圾分类投放监督和控制系统 |
| CN112287751A (zh) * | 2020-09-21 | 2021-01-29 | 深圳供电局有限公司 | 励磁涌流识别方法、装置、计算机设备和存储介质 |
| CN112620165A (zh) * | 2020-12-11 | 2021-04-09 | 江西理工大学 | 垃圾分类方法 |
| 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 |
| CN112784983A (zh) * | 2021-01-28 | 2021-05-11 | 邱戴飞 | 基于深度神经网络的身份信息预测模型训练方法及装置 |
| CN112949509A (zh) * | 2021-03-08 | 2021-06-11 | 三一智造(深圳)有限公司 | 一种基于人工智能的垃圾分类方法 |
| 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 |
| CN114511750A (zh) * | 2022-04-20 | 2022-05-17 | 科大天工智能装备技术（天津）有限公司 | 一种垃圾分类方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140293069A1 (en) * | 2013-04-02 | 2014-10-02 | Microsoft Corporation | Real-time image classification and automated image content curation |
| 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 |
| CN106934404A (zh) * | 2017-03-10 | 2017-07-07 | 深圳市瀚晖威视科技有限公司 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
| CN109598303A (zh) * | 2018-12-03 | 2019-04-09 | 江西洪都航空工业集团有限责任公司 | 一种基于城市场景的垃圾检测方法 |
-
2019
- 2019-09-23 CN CN201910899894.5A patent/CN110598800A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140293069A1 (en) * | 2013-04-02 | 2014-10-02 | Microsoft Corporation | Real-time image classification and automated image content curation |
| 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 |
| CN106934404A (zh) * | 2017-03-10 | 2017-07-07 | 深圳市瀚晖威视科技有限公司 | 一种基于cnn卷积神经网络的图像火焰识别系统 |
| CN109598303A (zh) * | 2018-12-03 | 2019-04-09 | 江西洪都航空工业集团有限责任公司 | 一种基于城市场景的垃圾检测方法 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN111126333A (zh) * | 2019-12-30 | 2020-05-08 | 齐齐哈尔大学 | 一种基于轻量卷积神经网络的垃圾分类方法 |
| CN111126333B (zh) * | 2019-12-30 | 2022-07-26 | 齐齐哈尔大学 | 一种基于轻量卷积神经网络的垃圾分类方法 |
| CN111169848A (zh) * | 2020-02-27 | 2020-05-19 | 东北大学秦皇岛分校 | 一种智能分类回收垃圾的装置及方法 |
| 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 |
| 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 |
| CN111652052A (zh) * | 2020-04-21 | 2020-09-11 | 济南浪潮高新科技投资发展有限公司 | 一种疫情防控方法、设备及介质 |
| CN111498331B (zh) * | 2020-04-30 | 2022-02-01 | 昆明理工大学 | 基于深度学习的垃圾视觉识别方法、装置及分类回收装置 |
| CN111498331A (zh) * | 2020-04-30 | 2020-08-07 | 昆明理工大学 | 基于深度学习的垃圾视觉识别方法、装置及分类回收装置 |
| CN111517034A (zh) * | 2020-05-09 | 2020-08-11 | 安徽工程大学 | 一种自动分类垃圾桶及其分类方法和系统 |
| CN111753662A (zh) * | 2020-05-25 | 2020-10-09 | 济南浪潮高新科技投资发展有限公司 | 一种交通事故处理方法、设备及介质 |
| CN111709477A (zh) * | 2020-06-16 | 2020-09-25 | 浪潮集团有限公司 | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 |
| 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 |
| CN111846693A (zh) * | 2020-07-21 | 2020-10-30 | 宁波瑞勤信息技术有限公司 | 基于实名制的智能垃圾分类投放监督和控制系统 |
| CN112287751A (zh) * | 2020-09-21 | 2021-01-29 | 深圳供电局有限公司 | 励磁涌流识别方法、装置、计算机设备和存储介质 |
| CN112287751B (zh) * | 2020-09-21 | 2024-05-07 | 深圳供电局有限公司 | 励磁涌流识别方法、装置、计算机设备和存储介质 |
| CN112620165A (zh) * | 2020-12-11 | 2021-04-09 | 江西理工大学 | 垃圾分类方法 |
| 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 |
| CN112784983A (zh) * | 2021-01-28 | 2021-05-11 | 邱戴飞 | 基于深度神经网络的身份信息预测模型训练方法及装置 |
| CN112949509A (zh) * | 2021-03-08 | 2021-06-11 | 三一智造(深圳)有限公司 | 一种基于人工智能的垃圾分类方法 |
| 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 |
| CN114511750A (zh) * | 2022-04-20 | 2022-05-17 | 科大天工智能装备技术（天津）有限公司 | 一种垃圾分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598800A (zh) | 一种基于人工智能的垃圾分类识别方法 | |
| CN105574550A (zh) | 一种车辆识别方法及装置 | |
| Wang et al. | Deep proposal and detection networks for road damage detection and classification | |
| CN101887523B (zh) | 利用图片文字与局部不变特征检测图像垃圾邮件的方法 | |
| CN101604322B (zh) | 一种决策级文本自动分类融合方法 | |
| CN108664996A (zh) | 一种基于深度学习的古文字识别方法及系统 | |
| CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
| CN102156871A (zh) | 基于类别相关的码本和分类器投票策略的图像分类方法 | |
| CN113076994A (zh) | 一种开集域自适应图像分类方法及系统 | |
| CN111460927A (zh) | 对房产证图像进行结构化信息提取的方法 | |
| CN114937179B (zh) | 垃圾图像分类方法、装置、电子设备及存储介质 | |
| CN113963147B (zh) | 一种基于语义分割的关键信息提取方法及系统 | |
| Roy et al. | Script identification from handwritten document | |
| CN106649849A (zh) | 文本信息库建立方法和装置、以及搜索方法、装置和系统 | |
| CN112733936A (zh) | 一种基于图像识别的可回收垃圾分类方法 | |
| CN111694959A (zh) | 基于面部表情和文本信息的网络舆情多模态情感识别方法及系统 | |
| CN107392463B (zh) | 一种城市功能区识别方法、模块、装置及其存储装置 | |
| WO2020071558A1 (ja) | 帳票レイアウト解析装置、その解析プログラムおよびその解析方法 | |
| CN106228166A (zh) | 字符图像的识别方法 | |
| CN104142960A (zh) | 互联网数据分析系统 | |
| CN101655911B (zh) | 基于免疫抗体网络的模式识别方法 | |
| CN111488911A (zh) | 基于Mask R-CNN与GAN的图像实体抽取方法 | |
| CN114581710A (zh) | 图像识别方法、装置、设备、可读存储介质及程序产品 | |
| Akhlaghi et al. | Farsi handwritten phone number recognition using deep learning | |
| CN104966109A (zh) | 医疗化验单图像分类方法及装置 |
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: 20191220 |
|
| RJ01 | Rejection of invention patent application after publication |