CN111126138A - 垃圾分类ai图像识别方法 - Google Patents
垃圾分类ai图像识别方法 Download PDFInfo
- Publication number
- CN111126138A CN111126138A CN201911129890.5A CN201911129890A CN111126138A CN 111126138 A CN111126138 A CN 111126138A CN 201911129890 A CN201911129890 A CN 201911129890A CN 111126138 A CN111126138 A CN 111126138A
- Authority
- CN
- China
- Prior art keywords
- garbage
- classification
- data
- picture
- pictures
- 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 83
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000007418 data mining Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 12
- 239000010806 kitchen waste Substances 0.000 claims description 10
- 239000002699 waste material Substances 0.000 claims description 10
- 239000011521 glass Substances 0.000 claims description 9
- 239000010893 paper waste Substances 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 208000025174 PANDAS Diseases 0.000 claims description 4
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 4
- 235000016496 Panda oleosa Nutrition 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 240000000220 Panda oleosa Species 0.000 claims 1
- 238000004064 recycling Methods 0.000 abstract description 3
- 238000003708 edge detection Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种垃圾分类AI图像识别方法，包括如下具体步骤：1)获得垃圾物品分类图片数据：2)对原始垃圾物品分类图片数据进行数据清洗，对于合规的图片存储进入数据仓库；3)对数据仓库的图片进行数据挖掘，挖掘适合送标的图片载入标注系统；4)通过标注系统的标注使得每张图片具有相应的类型，并因此做成训练集；5)将训练集载入到机器学习模型中进行训练；6)垃圾物品图片上传服务器，服务器生成分析结果并传送回。本发明通过学习使得机器不断提高垃圾分类能力，实现在垃圾分类投放、回收、分拣过程中的准确化、智能化、自动化操作，减轻人工操作，使垃圾分类做到减量化、资源化、无害化，确保垃圾分类效果。
Description
【技术领域】
本发明涉及垃圾回收技术领域，特别是涉及一种垃圾分类AI图像识别方法。
【背景技术】
垃圾分类(英文名为Garbage classification)，一般是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。垃圾在分类储存阶段属于公众的私有品，垃圾经公众分类投放后成为公众所在小区或社区的区域性准公共资源，垃圾分类搬运到垃圾集中点或转运站后成为没有排除性的公共资源。从国内外各城市对生活垃圾分类的方法来看，大致都是根据垃圾的成分、产生量，结合本地垃圾的资源利用和处理方式来进行分类的。
不过，不是所有人都知道垃圾到底该如何去分，缺乏长期的教育引导，导致大多数人面对摆在眼前的垃圾，很难做好准确的分类。近年各种政策倡导和绿色环保的主流风向，如何更科学地向居民推广普及垃圾分类，确实是各大城市亟待解决的问题。
图像识别技术是以图像的主要特征为基础的，每个图像都有它的特征，在图像识别过程中，知觉机制必须排除输入的多余信息，抽出关键的信息。人类在进行图像识别时，在大脑里必定有一个负责整合信息的机制，它能把分阶段获得的信息整理成一个完整的知觉映象。AI图像识别方法就是基于人类图像识别的特点，编制模拟人类图像识别活动的计算机程序。
在垃圾处理线上，采用人工分拣垃圾费时费力，工作环境差，采用自动化的工业机器人分拣可以解决这个问题，但是，工业机器人也需要设置完善的垃圾识别和分类系统。
【发明内容】
本发明的目的是提供一种利用物联网、互联网融合技术，并集成垃圾分类AI图像识别技术实现在垃圾分类投放、回收、分拣过程中的智能化、自动化操作，减轻人工操作，使垃圾分类做到减量化、资源化、无害化，确保垃圾分类效果的垃圾分类AI图像识别方法。
为实现上述目的，本发明提出了一种垃圾分类AI图像识别方法，包括如下具体步骤：1)获得垃圾物品分类图片数据：2)对原始垃圾物品分类图片数据进行数据清洗，提取图片的初步特征，去掉不合规的图片，对于合规的图片存储进入数据仓库；3)对数据仓库的图片进行数据挖掘，挖掘适合送标的图片载入标注系统；4)通过标注系统的标注使得每张图片具有相应的类型，并因此做成训练集；5)将训练集载入到机器学习模型中进行训练，得到模型文件，并将模型做成最终的Restful服务上线服务；6)用户通过工业机器人或手机公众号拍摄垃圾物品分类图片上传服务器，服务器自动识别上传的垃圾物品分类图片并生成分析结果并传送回工业机器人或手机。
作为优选，所述的步骤2)数据清洗过程中，首先使用Pandas将所有的图片进行进行元信息获取并记录，形成表头包括如下内容：网络来源、文件名称、文件字段、文件路径以及文件的大小；其次去掉不合规的图片时过滤掉分辨率在224*224以下的所有图片。
作为优选，所述的步骤2)数据清洗过程中，对于垃圾物品的位置并不在正中间的图片，采用Canny边缘能检测算法获得图片的边缘数据，并根据边缘数据求得质心来得到垃圾物品的偏差数据，使用偏移截图的方式获取集中于垃圾物品的视野图片。
作为优选，所述的垃圾物品分类采用如下分类：厨余垃圾、塑料包装纸、废弃纸巾与厕纸、废弃纸盒、废弃玻璃，5类分类数据导入到标注系统作为标签进行标注，同一张图片可以进行多选标注。
作为优选，所述的步骤5)中，使用卷积神经网络进行机器学习，包括用卷积层进行残差学习，所述的卷积层层数为2层以上，所述的机器学习使用Pytorch框架。
作为优选，所述的步骤6)中，用户将拍摄的厨余垃圾分类照片提交服务器，服务器自动识别分析此照片中含有的厨余垃圾概率、可回收物的概率、有害垃圾概率，服务器综合鉴定分类效果，生成分类结果信息，并根据分类结果信息自动评分。
本方案使用深度学习来进行垃圾分类，经过数据清洗，数据挖掘，数据标注，机器学习以及模型评测和模型的服务化，将一系列数据转化为可用的机器学习模型；获得垃圾的原始图片数据后，使用原始数据经过数据清洗，提取图片的初步特征，去掉不合规的图片，再经过数据仓库对于合规的图片进行入库的存储，后面又经过数据挖掘的过程，挖掘适合送标的图片载入标注系统，通过标注系统的标注使得每张图片具有相应的类型而因此做成训练集。之后将训练集载入到机器学习模型中进行训练，得到模型文件，并将模型做成最终的Restful服务上线发布。
本方案将收集的海量数据进行清洗工作，其中使用Airflow平台作为批量处理和清洗的工具，使用Python语言作为整个处理过程中的脚本语言，使用Hadoop平台作为分布式处理的承载平台，使用HDFS作为高性能分布式文件存储系统，使用Hive作为数据库；首先使用Pandas将所有的图片进行进行元信息获取并记录，形成表头包括如下内容：网络来源、文件名称、文件字段、文件路径以及文件的大小；其次去掉不合规的图片时过滤掉分辨率在224*224以下的所有图片。
由于很多图片垃圾桶的位置并不在正中间，在获得元信息之后使用Canny边缘能检测算法获得图片的边缘数据，并根据边缘数据求得质心来得到垃圾桶的偏差数据，使用偏移截图的方式获取集中于垃圾桶的视野图片；Canny边缘检测算法一直是边缘检测的经典算法。下面详细介绍Canny边缘检测算法的原理以及编程实现。
Canny边缘检测基本原理：(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘的位置。(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。(3)类似与Marr(LoG)边缘检测方法，也属于先平滑后求导数的方法。Canny的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：(1)好的检测-算法能够尽可能多地标识出图像中的实际边缘；(2)好的定位-标识出的边缘要尽可能与实际图像中的实际边缘尽可能接近；(3)最小响应-图像中的边缘只能标识一次，并且可能存在的图像雜訊不应标识为边缘。
Canny边缘检测算法的步骤：(1)去噪；(2)用一阶偏导的有限差分来计算梯度的幅值和方向；(3)对梯度幅值进行非极大值抑制；(4)用双阈值算法检测和连接边缘。
深度学习使用卷积神经网络进行机器学习，网络结构如表1；同时，深度学习包括深度残差学习，根据多层的神经网络理论上可以拟合任意函数，那么可以利用一些层来拟合函数。问题是直接拟合H(x)还是残差函数，拟合残差函数F(x)＝H(x)-x更简单。虽然理论上两者都能得到近似拟合，但是后者学习起来显然更容易。这种残差形式是由退化问题激发的。如果增加的层被构建为同等函数，那么理论上，更深的模型的训练误差不应当大于浅层模型，但是出现的退化问题表面，求解器很难去利用多层网络拟合同等函数。但是，残差的表示形式使得多层网络近似起来要容易的多，如果同等函数可被优化近似，那么多层网络的权重就会简单地逼近0来实现同等映射，即F(x)＝0。实际情况中，同等映射函数可能不会那么好优化，但是对于残差学习，求解器根据输入的同等映射，也会更容易发现扰动，总之比直接学习一个同等映射函数要容易的多。根据实验，可以发现学习到的残差函数通常响应值比较小，同等映射(shortcut)提供了合理的前提条件。用来学习残差的网络层数应当大于1，否则退化为线性。我们实验了layers＝2或3，更多的层也是可行的。
表1：
服务器，可使用Flask进行后端服务的编写，设计如下的API：
1./trash
Method:POST
Body:File
该接口直接使得数据推送图片进行预测，返回类型如下：
{"kitchen_waste":0.3074577823281288,"plastic":0.3078551758080721,"tissue":0.12185076624155045,"box":0.04797407053411007,"glass":0.0039720318745821714}
kitchen_waste代表厨余垃圾概率
plastic代表塑料包装纸垃圾概率
tissue代表厕纸类面巾纸类垃圾概率
box代表纸盒类垃圾概率
glass代表玻璃类垃圾概率
2./trashbyurl
Method:POST
Body:Image URL
推送图片文件的url进行识别
该接口直接使得数据推送图片进行预测，返回类型如下：
{"kitchen_waste":0.3074577823281288,"plastic":0.3078551758080721,"tissue":0.12185076624155045,"box":0.04797407053411007,"glass":0.0039720318745821714}
kitchen_waste代表厨余垃圾概率
plastic代表塑料包装纸垃圾概率
tissue代表厕纸类面巾纸类垃圾概率
box代表纸盒类垃圾概率
glass代表玻璃类垃圾概率
本发明的有益效果是：通过学习使得机器不断提高垃圾分类能力，实现在垃圾分类投放、回收、分拣过程中的准确化、智能化、自动化操作，减轻人工操作，使垃圾分类做到减量化、资源化、无害化，确保垃圾分类效果。
【附图说明】
图1是本发明获得的原始图片。
图2是发明Canny边缘检测算法获取的图片。
【具体实施方式】
下面结合附图对本发明进行进一步说明。
一种垃圾分类AI图像识别方法，包括如下具体步骤：1)获得垃圾物品分类图片数据：2)对原始垃圾物品分类图片数据进行数据清洗，提取图片的初步特征，去掉不合规的图片，对于合规的图片存储进入数据仓库；3)对数据仓库的图片进行数据挖掘，挖掘适合送标的图片载入标注系统；4)通过标注系统的标注使得每张图片具有相应的类型，并因此做成训练集；5)将训练集载入到机器学习模型中进行训练，得到模型文件，并将模型做成最终的Restful服务上线服务；6)用户通过工业机器人或手机公众号拍摄垃圾物品分类图片上传服务器，服务器自动识别上传的垃圾物品分类图片并生成分析结果并传送回工业机器人或手机；
步骤2)数据清洗过程中，首先使用Pandas将所有的图片进行进行元信息获取并记录，形成表头包括如下内容：网络来源、文件名称、文件字段、文件路径以及文件的大小；其次去掉不合规的图片时过滤掉分辨率在224*224以下的所有图片；
步骤2)数据清洗过程中，对于垃圾物品的位置并不在正中间的图片，采用Canny边缘能检测算法获得图片的边缘数据，并根据边缘数据求得质心来得到垃圾物品的偏差数据，使用偏移截图的方式获取集中于垃圾物品的视野图片，如图1、图2所示；
垃圾物品分类采用如下分类：厨余垃圾、塑料包装纸、废弃纸巾与厕纸、废弃纸盒、废弃玻璃，5类分类数据导入到标注系统作为标签进行标注，同一张图片可以进行多选标注；
步骤5)中，使用卷积神经网络进行机器学习，包括用卷积层进行残差学习，所述的卷积层层数为2层以上，所述的机器学习使用Pytorch框架；
步骤6)中，个人用户将拍摄的厨余垃圾分类照片提交服务器，服务器自动识别分析此照片中含有的厨余垃圾概率、可回收物的概率、有害垃圾概率，服务器综合鉴定分类效果，生成分类结果信息，并根据分类结果信息自动评分；
工业机器人将拍摄的垃圾照片提交服务器，服务器自动识别分析此照片中含有的垃圾种类，生成分类结果信息，并根据分类结果信息返回信息给工业机器人，作为工业机器人分拣依据。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (6)
1.一种垃圾分类AI图像识别方法，其特征在于，包括如下具体步骤：
1)获得垃圾物品分类图片数据：
2)对原始垃圾物品分类图片数据进行数据清洗，提取图片的初步特征，去掉不合规的图片，对于合规的图片存储进入数据仓库；
3)对数据仓库的图片进行数据挖掘，挖掘适合送标的图片载入标注系统；
4)通过标注系统的标注使得每张图片具有相应的类型，并因此做成训练集；
5)将训练集载入到机器学习模型中进行训练，得到模型文件，并将模型做成最终的Restful服务上线服务；
6)用户通过工业机器人或手机公众号拍摄垃圾物品分类图片上传服务器，服务器自动识别上传的垃圾物品分类图片并生成分析结果并传送回工业机器人或手机。
2.根据权利要求1所述的垃圾分类AI图像识别方法，其特征在于：所述的步骤2)数据清洗过程中，首先使用Pandas将所有的图片进行进行元信息获取并记录，形成表头包括如下内容：网络来源、文件名称、文件字段、文件路径以及文件的大小；其次去掉不合规的图片时过滤掉分辨率在224*224以下的所有图片。
3.根据权利要求1所述的垃圾分类AI图像识别方法，其特征在于：所述的步骤2)数据清洗过程中，对于垃圾物品的位置并不在正中间的图片，采用Canny边缘能检测算法获得图片的边缘数据，并根据边缘数据求得质心来得到垃圾物品的偏差数据，使用偏移截图的方式获取集中于垃圾物品的视野图片。
4.根据权利要求1所述的垃圾分类AI图像识别方法，其特征在于：所述的垃圾物品分类采用如下分类：厨余垃圾、塑料包装纸、废弃纸巾与厕纸、废弃纸盒、废弃玻璃，5类分类数据导入到标注系统作为标签进行标注，同一张图片可以进行多选标注。
5.根据权利要求4所述的垃圾分类AI图像识别方法，其特征在于：所述的步骤5)中，使用卷积神经网络进行机器学习，包括用卷积层进行残差学习，所述的卷积层层数为2层以上，所述的机器学习使用Pytorch框架。
6.根据权利要求1所述的垃圾分类AI图像识别方法，其特征在于：所述的步骤6)中，用户将拍摄的厨余垃圾分类照片提交服务器，服务器自动识别分析此照片中含有的厨余垃圾概率、可回收物的概率、有害垃圾概率，服务器综合鉴定分类效果，生成分类结果信息，并根据分类结果信息自动评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911129890.5A CN111126138A (zh) | 2019-11-18 | 2019-11-18 | 垃圾分类ai图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911129890.5A CN111126138A (zh) | 2019-11-18 | 2019-11-18 | 垃圾分类ai图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111126138A true CN111126138A (zh) | 2020-05-08 |
Family
ID=70495792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911129890.5A Pending CN111126138A (zh) | 2019-11-18 | 2019-11-18 | 垃圾分类ai图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126138A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN111881105A (zh) * | 2020-07-30 | 2020-11-03 | 北京智能工场科技有限公司 | 业务数据的标注模型及其模型训练方法 |
| CN111881106A (zh) * | 2020-07-30 | 2020-11-03 | 北京智能工场科技有限公司 | 基于ai检验的数据标注和处理方法 |
| CN111994513A (zh) * | 2020-08-06 | 2020-11-27 | 苏州中科先进技术研究院有限公司 | 智能分类垃圾桶中垃圾种类实时监测方法及装置 |
| CN112613413A (zh) * | 2020-12-25 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
| CN112732962A (zh) * | 2021-01-12 | 2021-04-30 | 南京大学 | 基于深度学习与Flink的线上实时预测垃圾图片类别方法 |
| CN113610193A (zh) * | 2021-09-08 | 2021-11-05 | 北京科技大学 | 一种再生资源识别模型建立方法及再生资源识别方法 |
| CN113998338A (zh) * | 2021-11-23 | 2022-02-01 | 浙江理工大学 | 智能垃圾分类系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
| CN109948506A (zh) * | 2019-03-14 | 2019-06-28 | 南通大学 | 一种基于深度学习的多角度垃圾分类云平台 |
| CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
| CN110427869A (zh) * | 2019-07-30 | 2019-11-08 | 东莞弓叶互联科技有限公司 | 一种用于垃圾处理的远端视觉分选识别方法 |
-
2019
- 2019-11-18 CN CN201911129890.5A patent/CN111126138A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019109771A1 (zh) * | 2017-12-05 | 2019-06-13 | 南京南瑞信息通信科技有限公司 | 基于多核异构并行计算的电力人工智能视觉分析系统 |
| CN109948506A (zh) * | 2019-03-14 | 2019-06-28 | 南通大学 | 一种基于深度学习的多角度垃圾分类云平台 |
| CN110427869A (zh) * | 2019-07-30 | 2019-11-08 | 东莞弓叶互联科技有限公司 | 一种用于垃圾处理的远端视觉分选识别方法 |
| CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
Non-Patent Citations (1)
| Title |
|---|
| （印度）桑塔努·帕塔纳亚克（SANTANU PATTANAYAK）: "《视频中人的动作分析与识别》", 机械工业出版社, pages: 77 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111881105A (zh) * | 2020-07-30 | 2020-11-03 | 北京智能工场科技有限公司 | 业务数据的标注模型及其模型训练方法 |
| CN111881106A (zh) * | 2020-07-30 | 2020-11-03 | 北京智能工场科技有限公司 | 基于ai检验的数据标注和处理方法 |
| CN111881105B (zh) * | 2020-07-30 | 2024-02-09 | 北京智能工场科技有限公司 | 业务数据的标注模型及其模型训练方法 |
| CN111881106B (zh) * | 2020-07-30 | 2024-03-29 | 北京智能工场科技有限公司 | 基于ai检验的数据标注和处理方法 |
| CN111994513A (zh) * | 2020-08-06 | 2020-11-27 | 苏州中科先进技术研究院有限公司 | 智能分类垃圾桶中垃圾种类实时监测方法及装置 |
| 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 |
| CN112613413A (zh) * | 2020-12-25 | 2021-04-06 | 平安国际智慧城市科技股份有限公司 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
| CN112732962A (zh) * | 2021-01-12 | 2021-04-30 | 南京大学 | 基于深度学习与Flink的线上实时预测垃圾图片类别方法 |
| CN112732962B (zh) * | 2021-01-12 | 2023-10-13 | 南京大学 | 基于深度学习与Flink的线上实时预测垃圾图片类别方法 |
| CN113610193A (zh) * | 2021-09-08 | 2021-11-05 | 北京科技大学 | 一种再生资源识别模型建立方法及再生资源识别方法 |
| CN113998338A (zh) * | 2021-11-23 | 2022-02-01 | 浙江理工大学 | 智能垃圾分类系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126138A (zh) | 垃圾分类ai图像识别方法 | |
| CN107766371B (zh) | 一种文本信息分类方法及其装置 | |
| CN113158956B (zh) | 一种基于改进型yolov5网络的垃圾检测与识别方法 | |
| CN108932945B (zh) | 一种语音指令的处理方法及装置 | |
| CN107205016B (zh) | 物联网设备的检索方法 | |
| CN108897778B (zh) | 一种基于多源大数据分析的图像标注方法 | |
| CN110751137A (zh) | 一种自动求解数学题的方法和系统 | |
| CN110929760A (zh) | 一种基于计算机视觉的垃圾分类软件 | |
| EP2639745A1 (en) | Object identification in images or image sequences | |
| CN106126619A (zh) | 一种基于视频内容的视频检索方法及系统 | |
| CN102880873A (zh) | 基于图像分割和语义提取实现人员行为识别的系统及方法 | |
| CN111090763A (zh) | 一种图片自动标签方法及装置 | |
| CN101398846A (zh) | 基于局部颜色空间特征的图像语义概念检测的方法 | |
| CN110516768A (zh) | 一种垃圾分类管理的方法、装置及人工智能机器人 | |
| CN113052005B (zh) | 一种用于家居服务的垃圾分拣方法和垃圾分拣装置 | |
| CN113003054A (zh) | 垃圾分类方法 | |
| CN110738131A (zh) | 基于深度学习神经网络的垃圾分类管理方法及装置 | |
| CN111046655B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
| Song et al. | Optimization of CNN-based garbage classification model | |
| Kumar et al. | An efficient classification of kitchen waste using deep learning techniques | |
| CN114049368A (zh) | 一种“iid+参树网”智能工业设计软件 | |
| CN105335446A (zh) | 一种基于词矢量的短文本分类模型生成方法与分类方法 | |
| CN102945255A (zh) | 跨媒体多视角非完美标签学习方法 | |
| CN113743382B (zh) | 一种货架陈列检测方法、装置及系统 | |
| Yang | Waste Classification Based On Yolov4 |
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 |