CN110813792B - 一种智能垃圾识别分类方法 - Google Patents

一种智能垃圾识别分类方法 Download PDF

Info

Publication number
CN110813792B
CN110813792B CN201911133358.0A CN201911133358A CN110813792B CN 110813792 B CN110813792 B CN 110813792B CN 201911133358 A CN201911133358 A CN 201911133358A CN 110813792 B CN110813792 B CN 110813792B
Authority
CN
China
Prior art keywords
detected
garbage
areas
iteration
classification method
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.)
Active
Application number
CN201911133358.0A
Other languages
English (en)
Other versions
CN110813792A (zh
Inventor
楚红雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Kerui Xinfei Intelligent Technology Co ltd
Original Assignee
Suzhou Kerui Xinfei Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Kerui Xinfei Intelligent Technology Co ltd filed Critical Suzhou Kerui Xinfei Intelligent Technology Co ltd
Publication of CN110813792A publication Critical patent/CN110813792A/zh
Application granted granted Critical
Publication of CN110813792B publication Critical patent/CN110813792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/38—Collecting or arranging articles in groups
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/0054—Sorting of waste or refuse

Landscapes

  • Image Analysis (AREA)

Abstract

一种智能垃圾识别分类方法，包括以下步骤：S1、采集图像信息，估算待检测物体体积和畸变系数；S2、判断待检测物体是否为规则物体；S3、测量待检测物体的真实质量；S4、处理图像，获取待检测物体的种类；S5、获取待检测物体种类的密度，计算待检测物体的质量。S6、如果待检测物体的真实质量和计算所得的质量误差不大于阈值，将待检测物体分类为可回收垃圾，否则返回S4进行迭代；S7、设置最大迭代次数，如果每次迭代检测都未成功，则认为待检测物体为不可回收垃圾；S8、将待检测物体送入对应的种类回收区。本发明减少了垃圾回收中心的工作人员的分类回收工作，提高了垃圾分类回收的效率，降低了垃圾分类回收的成本。

Description

一种智能垃圾识别分类方法
技术领域
本发明涉及一种室外清扫机器人领域和垃圾分类领域，具体涉及一种智能垃圾识别分类方法。
背景技术
为了有效地减缓对资源的消耗，对可回收垃圾进行分类回收再利用，我国已于多年前展开垃圾分类回收工作。政府部门虽然出台了一系列的鼓励政策促进废品分类回收，但是苦于目前市面上没有很好的技术手段对废品进行回收和分类，实际上起到的效果并不明显。
现有的垃圾分类装置分类对象不明确，不能对垃圾进行精确分类，不利于垃圾的循环利用。
发明内容
本发明所要解决的技术问题是提供能够对垃圾进行智能识别分类的方法，可提供垃圾回收效率。
为了解决上述技术问题，本发明提供的技术方案是一种智能垃圾识别分类方法。具体包括：
S1、使用双目摄相机采集图像信息，估算待检测物体A的体积和畸变系数
Figure 186089DEST_PATH_IMAGE001
。
S2、判断待检测物体A是否为规则物体。
S3、使用质量测量装置测量待检测物体A的真实质量
Figure 308504DEST_PATH_IMAGE002
。
S4、使用改进的
Figure 453177DEST_PATH_IMAGE003
处理图像，获取待检测物体A的种类，记为
Figure 504310DEST_PATH_IMAGE004
（
Figure 429541DEST_PATH_IMAGE005
为迭代次数）。
S5、查询事先建立的垃圾图像集及其对应的密度的数据库；从数据库中获取
Figure 591532DEST_PATH_IMAGE004
的密度
Figure 357756DEST_PATH_IMAGE006
，计算待检测物体A的质量
Figure 579790DEST_PATH_IMAGE007
。
S6、如果待检测物体A的真实质量
Figure 664420DEST_PATH_IMAGE002
和计算所得的质量
Figure 692419DEST_PATH_IMAGE007
误差不大于阈值时，将待检测物体A分类为
Figure 811685DEST_PATH_IMAGE004
，否则返回S4，进行迭代。
S7、设置最大迭代次数为5次，如果5次的检测都未成功，则认为待检测物体A为不可回收垃圾。
S8、将待检测物体A送入对应的种类回收区。
所述步骤S1中，待检测物体A的体积使用下式积分获得：
Figure 703155DEST_PATH_IMAGE008
其中，Ｓ为被测物体表面在
Figure 540661DEST_PATH_IMAGE009
平面上的投影，被测物体表面上任意一点d的坐标为
Figure 106772DEST_PATH_IMAGE010
。
进一步地，获取待检测物体A的最大外切长方体体积：
Figure 80544DEST_PATH_IMAGE011
，其中
Figure 644381DEST_PATH_IMAGE012
分别为待检测物体A的最大长宽高。
进一步地，畸变系数
Figure 205068DEST_PATH_IMAGE001
可通过下式计算：
Figure 574870DEST_PATH_IMAGE013
所述S2中，根据畸变系数
Figure 668728DEST_PATH_IMAGE001
确定A是否为规则物体。当
Figure 403466DEST_PATH_IMAGE014
时，待检测物体A为规则物体；当
Figure 949985DEST_PATH_IMAGE015
时，待检测物体A为不规则物体。
所述S3中，使用改进的
Figure 294116DEST_PATH_IMAGE003
，使用18层
Figure 304797DEST_PATH_IMAGE016
的卷积层网络，以两个
Figure 210436DEST_PATH_IMAGE016
的卷积网络串接在一起作为一个残差模块，直接将输入信息传输到输出层，保护信息的完整性，并通过反馈网络进行参数修正，如果修正后的结果满足正确性需求，则输出模型，如果不满足，则继续修正模型。
所述步骤S4中，查询数据库获取
Figure 547047DEST_PATH_IMAGE004
的密度
Figure 134017DEST_PATH_IMAGE006
，所述数据库包含常见的生活垃圾及其密度。
进一步地，如果A为规则物体，令
Figure 264784DEST_PATH_IMAGE017
，其中
Figure 92057DEST_PATH_IMAGE005
为迭代次数，
Figure 347589DEST_PATH_IMAGE007
为待检测物体A的质量，
Figure 800567DEST_PATH_IMAGE006
为待检测物体A的密度，
Figure 723524DEST_PATH_IMAGE018
为待检测物体A的估计体积。
进一步的，如果待检测物体A为不规则物体，令
Figure 469501DEST_PATH_IMAGE019
。
所述步骤S5中，质量测量模块为HX711-TTL232，其工作电压为5V，使用RS-232通讯，它可以将被测量的变化转换为电阻值的变化，该测量模块应当与垃圾箱或者垃圾清扫机器人的主控制器合理连接，以方便对待检测物体的实时称重，设测得待检测物体A的质量为
Figure 274646DEST_PATH_IMAGE002
。
所述步骤S6中，如果待检测物体A为规则物体，质量
Figure 265735DEST_PATH_IMAGE007
和实际称得的质量
Figure 43199DEST_PATH_IMAGE002
的误差判断方式如下：
Figure 523858DEST_PATH_IMAGE020
如果A为规则物体，
Figure 19562DEST_PATH_IMAGE021
时，将物品A判断为
Figure 50228DEST_PATH_IMAGE004
，否则返回步骤S4，进行迭代。
进一步地，如果A为不规则物体，如果
Figure 947777DEST_PATH_IMAGE022
，将A归类为
Figure 599338DEST_PATH_IMAGE004
，否则返回步骤S4，进行迭代。
所述步骤S7中，进行物体种类分类迭代时，待检测物品A的种类判断，应当为排除上一次分类后的物品。
所述步骤S8中，最终的垃圾种类回收区分为可回收垃圾区和不可回收垃圾区，其中可回收垃圾区分为：废纸区、塑料区、玻璃区、金属区和布料区。
本发明专利提供一种智能垃圾识别分类方法，减少了垃圾回收中心的工作人员的分类回收工作，提高了垃圾分类回收的效率，降低了垃圾分类回收的成本。
需要理解的是发明专利上述概括说明和下面的详细说明都是示例性和解释性的，用于进一步说明所要求的发明。
附图说明
图1，为本发明的一个示例的示意性流程图。
图2，为本发明申请提供的一种改进的
Figure 316758DEST_PATH_IMAGE003
训练流程图。
具体实施方式
针对上述技术方案，本发明现举较佳实施例对其进行具体说明。本发明的智能垃圾识别分类方法，参考图1本发明原理流程图，其步骤如下：
S1、使用双目摄相机采集待检测物体A的图像信息，估算待检测物体A的体积和畸变系数
Figure 649651DEST_PATH_IMAGE001
。
S2、判断待检测物体A是否为规则物体。
S3、使用质量测量装置测量待检测物体A的真实质量
Figure 900241DEST_PATH_IMAGE002
。
S4、使用改进的
Figure 660387DEST_PATH_IMAGE003
处理图像，获取待检测物体A的种类，记为
Figure 927420DEST_PATH_IMAGE004
（
Figure 64003DEST_PATH_IMAGE005
为迭代次数）。
S5、查询数据库获取
Figure 670565DEST_PATH_IMAGE004
的密度
Figure 103077DEST_PATH_IMAGE006
，计算待检测物体A的质量
Figure 795090DEST_PATH_IMAGE007
。
S6、如果待检测物体A的真实质量
Figure 797681DEST_PATH_IMAGE002
和计算所得的质量
Figure 258749DEST_PATH_IMAGE007
误差不大于阈值时，将待检测物体A分类为
Figure 360697DEST_PATH_IMAGE004
，否则返回S4，进行迭代。
S7、设置最大迭代次数为5次，如果5次的检测都未成功，则认为待检测物体A为不可回收垃圾。
S8、将识别后的待检测物体A送入对应的种类回收区。
在各步骤之前，需先行建立数据库，该数据库包括日常垃圾图像集及其对应的密度。该数据库中的垃圾种类不仅包括废纸、塑料、玻璃、金属和布料所属的可回收垃圾，而且还应包括不可回收垃圾。下面对各个步骤进行具体说明。
在步骤S1中，使用双目相机获取待检测物体A的图像信息，双目相机应当水平安装。
假设左右相机的像平面位于同一平面上，并且双目相机获取的两幅图像是行对准的，那么对于三维空间中的一个点
Figure 38541DEST_PATH_IMAGE023
，其在左右两幅图像中的行坐标分别为
Figure 579244DEST_PATH_IMAGE024
、
Figure 894818DEST_PATH_IMAGE025
，则有：
Figure 433247DEST_PATH_IMAGE026
其中，Z为三维空间点
Figure 834273DEST_PATH_IMAGE023
与摄像机之间的距离，
Figure 178666DEST_PATH_IMAGE027
为摄像机的焦距，
Figure 861931DEST_PATH_IMAGE028
为左右两个摄像机的中心距，定义
Figure DEST_PATH_IMAGE029
为视差值。为了得到场景的三维信息，还需要计算空间点
Figure 508944DEST_PATH_IMAGE023
的X 坐标与 Y 坐标，假设
Figure 459583DEST_PATH_IMAGE030
为
Figure 279771DEST_PATH_IMAGE023
对应的图像坐标，相机的主点为
Figure 68474DEST_PATH_IMAGE031
，X 方向的等效焦距和Y 方向的等效焦距分别为
Figure 948705DEST_PATH_IMAGE032
，则有：
Figure 324323DEST_PATH_IMAGE033
Figure 948202DEST_PATH_IMAGE034
进一步的， 由于左右摄像机拍摄的是同一场景，那么左右镜头拍摄图像的顶点存在一一对应的关系，再根据双目立体视觉测距的原理，就可以计算得到各个顶点的三维信息；最后根据两点之间的距离计算公式，就可得到待检测物体A在三维空间中的最大长宽高
Figure 594340DEST_PATH_IMAGE012
，则令
Figure 645473DEST_PATH_IMAGE035
，
Figure 508387DEST_PATH_IMAGE036
是待测物体A最大三维长方体体积。
采用积分法对待测物体A进行实际体积估算。设被测物体A表面在
Figure 670378DEST_PATH_IMAGE009
平面上的投影区域为Ｓ，把三维坐标统一到以物体底面为
Figure 433672DEST_PATH_IMAGE009
面的世界坐标系下。则被测物体表面上任意一点的坐标为
Figure 390127DEST_PATH_IMAGE010
，则被测物体的估算体积可以表示为：
Figure 740337DEST_PATH_IMAGE008
进一步的，畸变系数
Figure 706019DEST_PATH_IMAGE001
可以表示为：
Figure 887601DEST_PATH_IMAGE013
畸变系数
Figure 782001DEST_PATH_IMAGE001
为大于零的系数，其值介于
Figure DEST_PATH_IMAGE037
。判断待检测物体A的畸变系数
Figure 291611DEST_PATH_IMAGE001
，当
Figure 795405DEST_PATH_IMAGE014
时，判断待检测物体A为规则物体；当
Figure 533292DEST_PATH_IMAGE015
时，判断待检测物体A为不规则物体。
所述S3中，质量测量模块型号规格为HX711-TTL232，其工作电压为5V，使用RS-232通讯，它可以将被测量的变化转换为电阻值的变化，该测量模块应当与垃圾箱或者垃圾清扫机器人的主控制器合理连接，以方便对待检测物体的实时称重，设测得待检测物体A的质量为
Figure 97128DEST_PATH_IMAGE002
。
所述S4中，使用的深度学习神经网络为改进的
Figure 218668DEST_PATH_IMAGE003
，首先对神经网络进行学习训练，以方便训练出适合检测出垃圾种类的模型。
参看图2，其为改进的
Figure RE-685506DEST_PATH_IMAGE003
训练流程图。其流程如下：步骤S31中，获取待训练数据集，该数据集是日常生活垃圾的图像集，种类不仅包括所述的废纸、塑料、玻璃、金属和布料所属的可回收垃圾，而且还应包括不可回收垃圾。
步骤S32中，对图像进行预处理，得到
Figure 620010DEST_PATH_IMAGE038
的灰度图像，以便于进一步提取图像的特征信息。
步骤S33中，训练模型初始化参数的设置可以是随机数，也可以是根据经验设置的经验参数。
步骤S34中，Conv1：对输入图像使用64个
Figure DEST_PATH_IMAGE039
的卷积核进行卷积，步长为2，而后进行
Figure 793896DEST_PATH_IMAGE016
最大池化，步长为2。
步骤S34中，Conv2：对图像使用64个
Figure 340415DEST_PATH_IMAGE016
的卷积核进行卷积，卷积层数为4层。
步骤S34中，Conv3：对图像使用128个
Figure 186011DEST_PATH_IMAGE016
的卷积核进行卷积，卷积层数为4层。
步骤S34中，Conv4：对图像使用256个
Figure 632911DEST_PATH_IMAGE016
的卷积核进行卷积，卷积层数为4层。
步骤S34中，Conv5：对图像使用512个
Figure 600867DEST_PATH_IMAGE016
的卷积核进行卷积，卷积层数为4层。
步骤S34中，Conv6：对图像使用
Figure 634682DEST_PATH_IMAGE040
核进行平均池化，全连接层为1000层。
步骤S34中，改进的
Figure 283969DEST_PATH_IMAGE003
使用
Figure 86840DEST_PATH_IMAGE016
的卷积层网络，以两个
Figure 656056DEST_PATH_IMAGE016
的卷积网络串接在一起作为一个残差模块，直接将输入信息绕道传输到输出层，保护信息的完整性，使用的卷积网络层数为18层。
步骤S35中，改进的
Figure 177167DEST_PATH_IMAGE003
在训练未达到需求时，将数据信息反馈给模型初始化程序，对初始化模型进行优化；训练到满足所需要的精确度后，输出模型。
步骤S36中，通过训练得到的模型输出，得到改进的
Figure 630146DEST_PATH_IMAGE003
，用作物体的识别。
所述S5中，查询数据库获取
Figure 287523DEST_PATH_IMAGE004
的密度
Figure 33500DEST_PATH_IMAGE006
，所述数据库包含常见的生活垃圾及其密度。
进一步的，如果A为规则物体，
Figure 41907DEST_PATH_IMAGE017
，其中
Figure 32997DEST_PATH_IMAGE005
为迭代次数，
Figure 810460DEST_PATH_IMAGE007
为待检测物体A的估算质量。
进一步的，如果待检测物体A为不规则物体，
Figure 730268DEST_PATH_IMAGE019
。
所述S6中，如果待检测物体A为规则物体，估算质量
Figure 288288DEST_PATH_IMAGE007
和实际称得的质量
Figure 817490DEST_PATH_IMAGE002
的误差判断方式如下：
Figure 449459DEST_PATH_IMAGE020
当A为规则物体时，如果
Figure 304283DEST_PATH_IMAGE041
，将物品A判断为
Figure 84020DEST_PATH_IMAGE004
，否则返回S4，进行迭代；
进一步的，当A为不规则物体时，如果
Figure 915447DEST_PATH_IMAGE022
，将A归类为
Figure 667503DEST_PATH_IMAGE004
，否则返回S4，进行迭代。
所述S7中，进行物体种类分类迭代时，待检测物品A的种类判断，应当为排除上一次分类后的物品。
所述S8中，最终的垃圾种类回收区分为可回收垃圾区和不可回收垃圾区，其中可回收垃圾区分为：废纸区、塑料区、玻璃区、金属区和布料区。
本发明专利提供一种智能垃圾识别分类方法，减少了垃圾回收中心的工作人员的分类回收工作，提高了垃圾分类回收的效率，降低了垃圾分类回收的成本。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。

Claims (6)

1.一种智能垃圾识别分类方法，其特征在于首先建立数据库，所述数据库包括垃圾图像集及其对应的密度；然后通过以下步骤对垃圾识别分类：S1、通过双目摄像机采集待测物体图像信息，确定待测物体的估算体积及畸变系数；首先获取待检测物体的估算体积
Figure 171130DEST_PATH_IMAGE001
，
Figure 436895DEST_PATH_IMAGE002
其中，Ｓ为被测物体表面在
Figure 934872DEST_PATH_IMAGE003
平面上的投影面积，Z为被测物体表面任意一三维空间点
Figure 644202DEST_PATH_IMAGE004
与摄像机之间的距离，所述三维空间点d的坐标设置为
Figure 283256DEST_PATH_IMAGE005
；
计算待检测物体最大外切长方体体积
Figure 165761DEST_PATH_IMAGE006
；
Figure 455929DEST_PATH_IMAGE007
Figure 398477DEST_PATH_IMAGE008
为畸变系数；
S2、根据畸变系数大小判断待检测物体是否为规则物体；当畸变系数k介于
Figure 23362DEST_PATH_IMAGE009
时，待检测物体为规则物体；当畸变系数介于
Figure 443979DEST_PATH_IMAGE010
时，待检测物体为不规则物体；S3、测量待检测物体的真实质量；S4、处理图像获取待检测物体的种类；S5、从数据库中获取待检测物体种类的密度，计算待检测物体的质量；S6、计算待检测物体的真实质量和计算所得的质量之间误差，如果误差不大于设定的阈值，将待检测物体分类为可回收垃圾，否则返回S4进行迭代；S7、设置最大迭代次数，如果每次迭代检测都未成功，则认为待检测物体为不可回收垃圾；S8、将识别好的待检测物体送入对应的种类回收区。
2.根据权利要求1所述的一种智能垃圾识别分类方法，其特征在于在所述步骤S4中对带训练的垃圾图像集进行神经网络学习训练，训练出适合识别出垃圾种类的模型以识别待检测物体的种类。
3.根据权利要求1所述的一种智能垃圾识别分类方法，其特征在于，所述步骤S5中，待检测物体的估算质量通过下述方法计算，根据垃圾种类选取对应的密度
Figure 854232DEST_PATH_IMAGE011
，当检测物体为规则物体时，
Figure 656097DEST_PATH_IMAGE012
，当检测物体为不规则物体时，
Figure 581327DEST_PATH_IMAGE013
，
Figure 743319DEST_PATH_IMAGE014
为待检测物体的估算质量。
4.根据权利要求3所述的一种智能垃圾识别分类方法，其特征在于，所述步骤S6中，检测物体的质量
Figure 804815DEST_PATH_IMAGE014
和步骤S3实际称得的质量
Figure 276117DEST_PATH_IMAGE015
的误差判断方式如下：
Figure 688644DEST_PATH_IMAGE016
当检测物体为规则物体时，如果
Figure 654326DEST_PATH_IMAGE017
，将检测物体归类为可回收垃圾，否则返回步骤S4，进行迭代；当检测物体为不规则物体时，如果
Figure 835908DEST_PATH_IMAGE018
，将检测物体归类为可回收垃圾，否则返回S4，进行迭代。
5.根据权利要求1所述的一种智能垃圾识别分类方法，其特征在于所述步骤S7中，每次迭代应当排除上一次分类后的物品。
6.根据权利要求1所述的一种智能垃圾识别分类方法，其特征在于，所述步骤S8中，最终的垃圾种类回收区分为可回收垃圾区和不可回收垃圾区，其中可回收垃圾区分为废纸区、塑料区、玻璃区、金属区和布料区。
CN201911133358.0A 2019-04-04 2019-11-19 一种智能垃圾识别分类方法 Active CN110813792B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910269347 2019-04-04
CN2019102693479 2019-04-04

Publications (2)

Publication Number Publication Date
CN110813792A CN110813792A (zh) 2020-02-21
CN110813792B true CN110813792B (zh) 2021-09-14

Family

ID=69556599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911133358.0A Active CN110813792B (zh) 2019-04-04 2019-11-19 一种智能垃圾识别分类方法

Country Status (1)

Country Link
CN (1) CN110813792B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113191176A (zh) * 2020-06-08 2021-07-30 阿里巴巴集团控股有限公司 数据处理方法和装置
CN112270673A (zh) * 2020-11-11 2021-01-26 珠海格力智能装备有限公司 垃圾的处理方法和垃圾的处理装置
CN112623555B (zh) * 2020-12-24 2022-10-04 杭州益趣科技有限公司 测量垃圾密度判断垃圾种类和分类准确率的方法及装置
CN112849815A (zh) * 2020-12-30 2021-05-28 深兰人工智能芯片研究院（江苏）有限公司 机械手的控制方法、装置、智能垃圾桶及存储介质
CN113680685A (zh) * 2021-08-24 2021-11-23 安徽自然美环境科技有限公司 一种基于可回收的垃圾分类处理系统
CN115701818B (zh) * 2023-01-04 2023-05-09 江苏汉邦智能系统集成有限公司 基于人工智能的智能垃圾分类控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093546A (zh) * 2007-07-11 2007-12-26 苏州大学 一种数字图像轮廓形态的识别方法
CN106022386A (zh) * 2016-05-26 2016-10-12 北京新长征天高智机科技有限公司 一种计算机识别与人工交互结合的生活垃圾目标识别系统
CN106494789A (zh) * 2016-11-14 2017-03-15 上海理工大学 垃圾分类统计装置、设备及系统
CN108665616A (zh) * 2018-05-15 2018-10-16 刘晓东 一种垃圾的回收方法及回收装置
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3572832B2 (ja) * 1996-12-09 2004-10-06 オムロン株式会社 パターン読取装置
WO1999064853A1 (fr) * 1998-06-12 1999-12-16 Hitachi, Ltd. Procede et dispositif de triage des metaux
WO2013110143A1 (en) * 2012-01-27 2013-08-01 Lighthouse One Pty Ltd Method and apparatus for geometric measurement of articles
WO2015021473A1 (en) * 2013-08-09 2015-02-12 Postea, Inc. Apparatus, systems and methods for enrollment of irregular shaped objects
CN104457574A (zh) * 2014-12-11 2015-03-25 天津大学 一种非接触式测量不规则物体体积的装置和测量方法
CN208019118U (zh) * 2017-12-29 2018-10-30 深圳时代装饰股份有限公司 室内装修垃圾分类回收箱
CN108416804A (zh) * 2018-02-11 2018-08-17 深圳市优博讯科技股份有限公司 获取目标物体体积的方法、装置、终端设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093546A (zh) * 2007-07-11 2007-12-26 苏州大学 一种数字图像轮廓形态的识别方法
CN106022386A (zh) * 2016-05-26 2016-10-12 北京新长征天高智机科技有限公司 一种计算机识别与人工交互结合的生活垃圾目标识别系统
CN106494789A (zh) * 2016-11-14 2017-03-15 上海理工大学 垃圾分类统计装置、设备及系统
CN108665616A (zh) * 2018-05-15 2018-10-16 刘晓东 一种垃圾的回收方法及回收装置
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

Also Published As

Publication number Publication date
CN110813792A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110813792B (zh) 一种智能垃圾识别分类方法
CN109344894B (zh) 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
CN107833236B (zh) 一种动态环境下结合语义的视觉定位系统和方法
CN113450408B (zh) 一种基于深度相机的非规则物体位姿估计方法及装置
WO2022037387A1 (zh) 一种视觉感知算法的评测方法及装置
US20140379588A1 (en) System and method for waste managment
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN111353985B (zh) 一种基于深度相机的机场自助托运行李的检测方法
CN112329747B (zh) 基于视频识别和深度学习的车辆参数检测方法及相关装置
CN109544522A (zh) 一种钢板表面缺陷检测方法及系统
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN112862757A (zh) 一种基于计算机视觉技术的重量评估系统及实现方法
CN111996883B (zh) 一种检测公路路面宽度的方法
CN110298330B (zh) 一种输电线路巡检机器人单目检测与定位方法
CN116342895B (zh) 基于ai处理的提升再生资源分拣效率的方法及系统
CN110110752A (zh) 一种垃圾识别和分类方法、装置及终端设备
CN116385243B (zh) 一种智能化垃圾分类收运管理方法及系统
CN112183460A (zh) 一种智能识别环境卫生的方法及装置
CN116030013A (zh) 多目标多类别破损缺陷检测方法、系统及计算机存储介质
US20220167813A1 (en) Smart industrial vacuum cleaner to reduce foreign object debris
CN111401370A (zh) 一种垃圾图像识别及任务指派管理的方法，模型及系统
CN111353409B (zh) 容器识别方法、装置和机器人
CN117253176B (zh) 基于视频分析与计算机视觉的安全生产Al智能检测方法
CN113610362B (zh) 一种基于深度学习流水线产品追溯方法及系统
CN110503067B (zh) 汽车漆面伤痕检测用装置

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
GR01 Patent grant
GR01 Patent grant