CN110991479B - 一种基于深度学习识别的社区垃圾分类系统及方法 - Google Patents
一种基于深度学习识别的社区垃圾分类系统及方法 Download PDFInfo
- Publication number
- CN110991479B CN110991479B CN201911039458.7A CN201911039458A CN110991479B CN 110991479 B CN110991479 B CN 110991479B CN 201911039458 A CN201911039458 A CN 201911039458A CN 110991479 B CN110991479 B CN 110991479B
- Authority
- CN
- China
- Prior art keywords
- garbage
- combustion property
- deep learning
- absorption spectrum
- incineration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000002485 combustion reaction Methods 0.000 claims abstract description 100
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 61
- 238000013136 deep learning model Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 claims 10
- 238000003912 environmental pollution Methods 0.000 abstract description 7
- 230000002035 prolonged effect Effects 0.000 abstract description 7
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 abstract description 6
- 235000012255 calcium oxide Nutrition 0.000 abstract description 3
- 239000000292 calcium oxide Substances 0.000 abstract description 3
- 239000000126 substance Substances 0.000 description 7
- 239000000835 fiber Substances 0.000 description 6
- 239000004033 plastic Substances 0.000 description 6
- 229920003023 plastic Polymers 0.000 description 6
- 239000004753 textile Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000032258 transport Effects 0.000 description 2
- LOTKRQAVGJMPNV-UHFFFAOYSA-N 1-fluoro-2,4-dinitrobenzene Chemical compound [O-][N+](=O)C1=CC=C(F)C([N+]([O-])=O)=C1 LOTKRQAVGJMPNV-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000012298 atmosphere Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Incineration Of Waste (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种基于深度学习识别的社区垃圾分类系统包括：垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。本发明还提供了该系统的方法。本发明能够使得各垃圾成分含量值与焚烧设备相匹配，将垃圾进行充分燃烧，减少了环境污染；燃烧灰质得到减少，延长了焚烧设备的使用寿命。
Description
技术领域
本发明涉及垃圾分类处理技术领域，特别涉及一种基于深度学习识别的社区垃圾分类系统及方法。
背景技术
在社会生活中，城市生活垃圾的收集、运输和处理过程会产生大量的有害成分，从而对大气、土壤和水等造成污染，不仅严重破坏了城市景观，而且能够传播疾病，威胁人类的生命安全，城市生活垃圾是社会公害之一，是社会的重大环境问题。
目前，对于非可回收性质的垃圾，焚烧处理相比于填埋等其它处理方式，不仅具有不占用城市空间和污染危害小的优点，而且焚烧产生的热能还能用于供暖和发电等二次利用。但是，垃圾是一种成分多样、复杂且不稳定的混合态物质，若垃圾成分与垃圾焚烧设备不匹配，则会造成燃烧不充分的现象，从而增大尾气污染，此外，燃烧灰质的增加，也会影响焚烧设备的使用寿命。
因此，现有技术中迫切地需要一种基于深度学习识别的社区垃圾分类系统及方法，能够根据非可回收垃圾的燃烧性质对其进行再分类处理，使得所述垃圾成分与焚烧设备相匹配，减少了环境污染，延长了焚烧设备的使用寿命。
发明内容
(一)发明目的
为克服上述现有技术存在的至少一种缺陷，本发明提供了一种基于深度学习识别的社区垃圾分类系统及方法，使得各垃圾成分含量值与焚烧设备相匹配，能够减少环境污染，延长焚烧设备的使用寿命。
(二)技术方案
作为本发明的第一方面，本发明公开了一种基于深度学习识别的社区垃圾分类系统，包括：
垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。
一种可能的实施方式中，所述垃圾信息获取模块包括：分段光谱探测设备，用于向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理单元，用于通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取单元，用于将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
一种可能的实施方式中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定模块，用于将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
一种可能的实施方式中，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
一种可能的实施方式中，所述垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。
作为本发明的第二方面，本发明公开了一种基于深度学习识别的社区垃圾分类方法，包括以下步骤：
垃圾信息获取步骤，对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定步骤，将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析步骤，将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。
一种可能的实施方式中，所述垃圾信息获取步骤包括：分段光谱探测步骤，向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理步骤，通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取步骤，将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
一种可能的实施方式中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定步骤，将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
一种可能的实施方式中，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
一种可能的实施方式中，所述垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。
(三)有益效果
本发明提供的一种基于深度学习识别的社区垃圾分类系统及方法，通过垃圾信息获取模块获取到垃圾的吸收光谱特征向量，由垃圾成分测定模块将所述吸收光谱特征向量代入深度学习模型获得垃圾成分测定特征，燃烧性质分析模块根据垃圾成分测定特征获得垃圾的燃烧性质参数组，从而使得垃圾处理模块能够根据燃烧性质参数组将所述垃圾输送至对应的焚烧站内的焚烧设备处进行焚烧。使得各垃圾成分含量值与焚烧设备相匹配，将垃圾进行充分燃烧，能够减少环境污染；燃烧灰质相应减少，延长了焚烧设备的使用寿命。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
图1是本发明提供的一种基于深度学习识别的社区垃圾分类系统的结构示意图。
图2是本发明提供的一种基于深度学习识别的社区垃圾分类方法的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“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，均仅是为了便于描述本发明和简化描述，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保护范围的限制。
下面参考图1详细描述本发明提供的一种基于深度学习识别的社区垃圾分类系统的第一实施例。如图1所示，本实施例提供的社区垃圾分类系统主要包括有：垃圾信息获取模块、垃圾成分测定模块、燃烧性质分析模块和垃圾处理模块。
垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量。在垃圾信息获取模块中，可以对社区回收的垃圾进行吸收光谱探测，从而能够对回收的所述垃圾进行垃圾信息的了解，便于后续对垃圾作出相应的处理，比如可以根据对所述垃圾信息的了解判断出垃圾的成分，以及将所述垃圾运送至相应地点等。
垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征。在垃圾成分测定模块中，所述深度学习模型能够根据吸收光谱特征向量进行垃圾成分的测定，并输出垃圾成分测定特征。垃圾成分可以为有机残渣、塑料、纸质品、化纤纺织品、不可燃物和水分等，各垃圾成分含量值组成了垃圾成分测定特征。对各垃圾成分及其含量值的了解便于对垃圾作出适宜的处理，以减少环境污染。
燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组。在燃烧性质分析模块中，可以将每一垃圾的各垃圾成分含量值代入燃烧性质模型，从而测得每一垃圾的燃烧性质参数，进而可由若干垃圾的燃烧性质参数形成若干垃圾的燃烧性质参数组。
垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。由若干垃圾的燃烧性质参数组，了解到每一垃圾的燃烧性质，进而由每一垃圾的燃烧性质与各个焚烧站内的每一焚烧设备的适配性，判断所述垃圾应运送至某一焚烧设备处进行燃烧。根据垃圾的燃烧性质选择对应的焚烧设备进行焚烧，能够使得垃圾燃烧充分，减少尾气污染；燃烧灰质相应减少，延长焚烧设备的使用寿命。
其中，所述垃圾信息获取模块包括：分段光谱探测设备，用于向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理单元，用于通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取单元，用于将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。分段光谱探测设备可以向垃圾发送分布在红外波段(600-1000nm)区间内的探测红外光，探测红外光在上述红外波段区间被划分为若干光谱分段，每个光谱分段的跨度为5-10nm，进而利用红外成像的方式，接收并检测垃圾反射的探测红外光；由于不同成分的垃圾对各个光谱分段的吸收率不同，从而可以使得垃圾反射的探测红外光在各个光谱分段的强度分布即作为吸收光谱特征。在信息预处理单元中，对吸收光谱特征进行过滤处理，去除其中的干扰噪声。为消除在首尾波段产生的噪声，选择600.41—1001.09nm内的波段的吸收光谱特征进行处理；为消除暗电流带来的噪声，可以通过参考白板比较法进行黑白校正得到垃圾的反射率，公式为
其中，Rnorm为校正后的光谱图像，Rraw为原始图像光谱，Rdark为全暗参考图像，Rwhite为反射率为99％的标准参考白板得到的参考图像；由于垃圾形状大小各不相同，且部分表面发生强反射，故选择均匀、没有异常点和形状规则的区域作为垃圾图像分析的ROI，以减少噪声干扰。
主特征提取单元，针对由若干光谱分段上的强度值构成的吸收光谱特征进行主特征提取，并将其转换为有限维度的吸收光谱特征向量；可以将若干光谱分段中相邻的光谱分段合并为10个光谱段，并且针对每个光谱段提取其中代表性的强度值，作为一个维度的特征值，从而将完整的吸收光谱特征转换为10个维度的吸收光谱特征向量。
其中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定模块，用于将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。BP神经网络深度学习模型选用的网络结构可以为输入层、隐含层和输出层。输入层可以包括六个神经元，依次代表有机残渣、塑料、纸质品、化纤纺织品、不可燃物和水分的垃圾成分含量值及其对应的吸收光谱特征向量；隐含层位于输入层和输出层之间，隐含层存在若干层神经元；输出层可以输出以上各垃圾成分含量值组成的垃圾成分测定特征的有关信息。BP神经网络深度学习模型可以由正向传播过程和反向传播过程组成。正向传播过程，输入模式可以将上述各垃圾成分含量值及其对应的吸收光谱特征向量从输入层经隐含层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。
BP神经网络深度学习模型以若干(例如1000组)特定垃圾样本经上述过程进行训练，训练后的BP神经网络深度学习模型输入测定的吸收光谱特征向量，能够输出各垃圾成分含量值组成的垃圾成分测定特征。
其中，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA分别表示塑料、纸质品、化纤纺织品、有机残渣、不可燃物，以及水分的垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6分别表示塑料、纸质品、化纤纺织品、有机残渣、不可燃物以及水分对应的系数值。所述系数值可以利用神经网络模型或者回归模型进行测算；可以由若干垃圾的各垃圾成分含量值和燃烧性质参数计算出各垃圾成分对应的系数值；当塑料、纸质品、有机残渣和化纤纺织品四种垃圾成分含量值中只有一种变化时，其与燃烧性质参数之间的系数值按大小依次为塑料>纸质品>有机残渣>化纤纺织品>0，因此可以认为燃烧性质参数与上述四种垃圾成分含量值有关。
在燃烧性质分析模块中，可以由垃圾成分测定模块测得的每一垃圾内的各垃圾成分含量值，结合各垃圾成分对应的系数值，即可得到每一垃圾的燃烧性质参数LHV，进而能够得到若干垃圾形成的燃烧性质参数组。
其中，所述垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。在垃圾处理模块中，可以由所述若干垃圾形成的燃烧性质参数组，判断每一垃圾形成的燃烧性质参数是否处于若干焚烧站内的某一焚烧设备适配的燃烧性质参数值的适用范围之内，从而将处于某一焚烧站适用范围内的所述垃圾进行再分类和打包，并分别运输至该焚烧站的焚烧设备进行焚烧。根据各垃圾成分含量值选择对应的焚烧设备进行垃圾焚烧，各垃圾成分含量值与焚烧设备相匹配，使得垃圾燃烧更加充分，能够减少尾气污染，燃烧灰质得到减少，焚烧设备的使用寿命得到延长。
本发明通过垃圾信息获取模块获取到垃圾的吸收光谱特征向量，由垃圾成分测定模块将所述吸收光谱特征向量代入深度学习模型获得垃圾成分测定特征，燃烧性质分析模块根据垃圾成分测定特征获得垃圾的燃烧性质参数组，从而使得垃圾处理模块能够根据燃烧性质参数组将所述垃圾输送至对应的焚烧站内的焚烧设备处进行焚烧。本发明所述的一种基于深度学习识别的社区垃圾分类系统，能够使得各垃圾成分含量值与焚烧设备相匹配，将垃圾进行充分燃烧，减少环境污染；燃烧灰质得到减少，延长了焚烧设备的使用寿命。
下面参考图2详细描述本发明提供的一种基于深度学习识别的社区垃圾分类方法的第一实施例。如图2所示，本实施例提供的社区垃圾分类方法主要包括有：垃圾信息获取步骤、垃圾成分测定步骤、燃烧性质分析步骤和垃圾处理步骤。
垃圾信息获取步骤，对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定步骤，将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析步骤，将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。
其中，所述垃圾信息获取步骤包括：分段光谱探测步骤，向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理步骤，通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取步骤，将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
其中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定步骤，将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
其中，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
其中，所述垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。
本发明通过垃圾信息获取步骤获取到垃圾的吸收光谱特征向量，由垃圾成分测定步骤将所述吸收光谱特征向量代入深度学习模型获得垃圾成分测定特征，燃烧性质分析步骤根据垃圾成分测定特征获得垃圾的燃烧性质参数组，从而使得垃圾处理步骤能够根据燃烧性质参数组将所述垃圾输送至对应的焚烧站内的焚烧设备处进行焚烧。本发明所述的一种基于深度学习识别的社区垃圾分类方法，能够使得垃圾成分测定特征(即各垃圾成分含量值)与焚烧设备相匹配，将垃圾进行充分燃烧，减少环境污染；燃烧灰质得到减少，延长了焚烧设备的使用寿命。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于深度学习识别的社区垃圾分类系统，其特征在于，包括：
垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站；
所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定模块，用于将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
2.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述垃圾信息获取模块包括：分段光谱探测设备，用于向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理单元，用于通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取单元，用于将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
3.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
4.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。
5.一种基于深度学习识别的社区垃圾分类方法，其特征在于，包括：
垃圾信息获取步骤，对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定步骤，将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析步骤，将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站；
所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定步骤，将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
6.根据权利要求5所述的社区垃圾分类方法，其特征在于，所述垃圾信息获取步骤包括：分段光谱探测步骤，向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理步骤，通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取步骤，将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
7.根据权利要求5所述的社区垃圾分类方法，其特征在于，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
8.根据权利要求5所述的社区垃圾分类方法，其特征在于，所述垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911039458.7A CN110991479B (zh) | 2019-10-29 | 2019-10-29 | 一种基于深度学习识别的社区垃圾分类系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911039458.7A CN110991479B (zh) | 2019-10-29 | 2019-10-29 | 一种基于深度学习识别的社区垃圾分类系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991479A CN110991479A (zh) | 2020-04-10 |
| CN110991479B true CN110991479B (zh) | 2021-04-13 |
Family
ID=70082544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911039458.7A Active CN110991479B (zh) | 2019-10-29 | 2019-10-29 | 一种基于深度学习识别的社区垃圾分类系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991479B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113926734B (zh) * | 2021-11-01 | 2022-11-01 | 天津商业大学 | 一种排序式垃圾分类方法 |
| CN117688466B (zh) * | 2024-02-02 | 2024-04-30 | 佛山市绿能环保有限公司 | 一种垃圾品类抓取分类识别方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106051782A (zh) * | 2016-06-17 | 2016-10-26 | 光大环保技术研究院（深圳）有限公司 | 一种实时估算垃圾热值的方法 |
| US9785851B1 (en) * | 2016-06-30 | 2017-10-10 | Huron Valley Steel Corporation | Scrap sorting system |
| CN107967460A (zh) * | 2017-12-08 | 2018-04-27 | 重庆广睿达科技有限公司 | 一种基于深度神经网络的垃圾物焚烧识别方法及系统 |
| CN109249402A (zh) * | 2018-10-15 | 2019-01-22 | 深圳蓝胖子机器人有限公司 | 机器人、机器人自动回收垃圾方法、装置和存储介质 |
| CN110046723A (zh) * | 2019-04-19 | 2019-07-23 | 周旭东 | 一种城市生活垃圾焚烧发电系统 |
| CN110119662A (zh) * | 2018-03-29 | 2019-08-13 | 王胜春 | 一种基于深度学习的垃圾种类识别系统 |
| CN110118801A (zh) * | 2019-05-20 | 2019-08-13 | 成都市兴蓉再生能源有限公司 | 一种陈腐垃圾-原生垃圾协同焚烧混合物料热值测定方法 |
-
2019
- 2019-10-29 CN CN201911039458.7A patent/CN110991479B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106051782A (zh) * | 2016-06-17 | 2016-10-26 | 光大环保技术研究院（深圳）有限公司 | 一种实时估算垃圾热值的方法 |
| US9785851B1 (en) * | 2016-06-30 | 2017-10-10 | Huron Valley Steel Corporation | Scrap sorting system |
| CN107967460A (zh) * | 2017-12-08 | 2018-04-27 | 重庆广睿达科技有限公司 | 一种基于深度神经网络的垃圾物焚烧识别方法及系统 |
| CN110119662A (zh) * | 2018-03-29 | 2019-08-13 | 王胜春 | 一种基于深度学习的垃圾种类识别系统 |
| CN109249402A (zh) * | 2018-10-15 | 2019-01-22 | 深圳蓝胖子机器人有限公司 | 机器人、机器人自动回收垃圾方法、装置和存储介质 |
| CN110046723A (zh) * | 2019-04-19 | 2019-07-23 | 周旭东 | 一种城市生活垃圾焚烧发电系统 |
| CN110118801A (zh) * | 2019-05-20 | 2019-08-13 | 成都市兴蓉再生能源有限公司 | 一种陈腐垃圾-原生垃圾协同焚烧混合物料热值测定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 某城市生活垃圾低位热值预测模型比较与改进;苏肇基等;《广东化工》;20161231;第43卷(第329期);第187-188页 * |
| 高光谱成像的垃圾分类识别研究;赵冬娥等;《光谱学与光谱分析》;20190331;第39卷(第3期);第917-920页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991479A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991479B (zh) | 一种基于深度学习识别的社区垃圾分类系统及方法 | |
| Fang et al. | Artificial intelligence for waste management in smart cities: a review | |
| CN110479638B (zh) | 一种垃圾分类的方法及系统 | |
| CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| US20100222917A1 (en) | System and Method for Tagging Products for Use in Identification of the Components Therein | |
| Seredkin et al. | Development of a method of detection and classification of waste objects on a conveyor for a robotic sorting system | |
| CN110834835A (zh) | 一种基于互联网大数据的智能垃圾分类处理方法及系统 | |
| CN111027639A (zh) | 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 | |
| Gilerson et al. | Fluorescence component in the reflectance spectra from coastal waters. II. Performance of retrieval algorithms | |
| CN111260149A (zh) | 一种二噁英排放浓度预测方法 | |
| Tao et al. | Combination of hyperspectral imaging and machine learning models for fast characterization and classification of municipal solid waste | |
| CN110738131A (zh) | 基于深度学习神经网络的垃圾分类管理方法及装置 | |
| Raj et al. | AN IoT based waste segreggator for recycling biodegradable and non-biodegradable waste | |
| CN113076805A (zh) | 一种基于机器人的垃圾处理方法及系统 | |
| JP5377186B2 (ja) | 固体状廃棄物の種類毎の存在割合算出方法 | |
| CN110065746B (zh) | 一种基于物联网的航运垃圾分类系统 | |
| CN117522388B (zh) | 一种用于城市环境的智能环卫处理方法 | |
| Taneepanichskul et al. | Automatic identification and classification of compostable and biodegradable plastics using hyperspectral imaging | |
| Bassey et al. | The potential of NIR spectroscopy in the separation of plastics for pyrolysis | |
| Shreya et al. | Technical solutions for waste classification and management: A mini-review | |
| CN101726481A (zh) | 一种燃料种类在线辨识方法 | |
| Md et al. | Intelligent waste sorting bin for recyclable municipal solid waste | |
| CN111169861A (zh) | 生活垃圾自动识别分类设备 | |
| SAJID et al. | A new paradigm for waste classification based on YOLOv5 | |
| KR102226602B1 (ko) | 음식물 쓰레기 건조장치 및 그 방법 |
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 |