CN111186656A - 一种目标垃圾分类方法及智能垃圾桶 - Google Patents
一种目标垃圾分类方法及智能垃圾桶 Download PDFInfo
- Publication number
- CN111186656A CN111186656A CN202010026686.7A CN202010026686A CN111186656A CN 111186656 A CN111186656 A CN 111186656A CN 202010026686 A CN202010026686 A CN 202010026686A CN 111186656 A CN111186656 A CN 111186656A
- Authority
- CN
- China
- Prior art keywords
- image
- garbage
- classification
- intelligent
- target
- 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 185
- 238000000034 method Methods 0.000 title claims abstract description 57
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 42
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 42
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims 3
- 239000002994 raw material Substances 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
- B65F1/0053—Combination of several receptacles
- B65F1/006—Rigid receptacles stored in an enclosure or forming part of it
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/14—Other constructional features; Accessories
- B65F1/16—Lids or covers
- B65F1/1623—Lids or covers with means for assisting the opening or closing thereof, e.g. springs
- B65F1/1638—Electromechanically operated lids
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F1/00—Refuse receptacles; Accessories therefor
- B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
- B65F2001/008—Means for automatically selecting the receptacle in which refuse should be placed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/138—Identification means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/172—Solar cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标垃圾分类方法及智能垃圾桶，目标垃圾分类方法包括，利用摄像模块获取目标图像；目标图像输入图像预处理模块中进行图像分割和聚类，并从目标图像的背景中提取出完整的垃圾物品图像作为分割图像；分割图像输入识别模块进行图像识别生成识别结果；分类模块接收识别结果完成垃圾分类。智能垃圾桶包括，通过红外对射传感器判断垃圾的投放，传输信号给树莓派，控制摄像头进行垃圾图像的采集，摄像头将采集到的垃圾图像信息返回给树莓派处理器，树莓派处理器垃圾图像进行识别和分类后，通过舵机控制模块来控制舵机驱动转轴打开对应垃圾舱室，从而达到垃圾智能分类效果。
Description
技术领域
本发明涉及自适应的智能分类垃圾桶的技术领域，尤其涉及一种目标垃圾分类方法及智能垃圾桶。
背景技术
近年来发达国家很早的时候就开始重视和研究垃圾分类的问题。日本是目前垃圾分类最成功的国家之一，日本的每个特别区政府官网上都有垃圾分类表，总共分为15个大类，对每一类垃圾都有详细的处理要求。在美国，已经建成约114座垃圾电站,总容量达2650兆瓦,位居世界第一。而我国全年城市垃圾以8％-10％的速度在增长，预计在2030年会达到4.09亿吨，2050年将达到5.28亿吨，全国约三分之二的城市被垃圾围城，因此中国的垃圾分类迫在眉睫。垃圾桶的主要类型有多彩样垃圾桶、感应性垃圾桶、自动压缩式垃圾桶、扫描式垃圾桶以及智能分类垃圾桶等。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种目标垃圾分类方法及智能垃圾桶，有效地解决了人们垃圾分类意识薄弱、分类难的问题。
为解决上述技术问题，本发明提供如下技术方案：利用摄像模块获取目标图像；所述目标图像输入图像预处理模块中进行图像分割和聚类，并从所述目标图像的背景中提取出完整的垃圾物品图像作为分割图像；所述分割图像输入识别模块进行图像识别生成识别结果；分类模块接收所述识别结果完成垃圾分类。
作为本发明所述的一种目标垃圾分类方法的一种优选方案，其中：所述图像预处理模块基于DBSCAN的SLIC超像素分割方法，包括，所述目标图像内均匀分布设定初始种子点；在所述种子点的n*n邻域内，移动超像素中心到所述种子点中梯度最小的点上进行调整所述种子点位置；对应每个所述超像素中心，在其2n*2n范围内，若一像素点到所述超像素中心的距离小于原来属于的所述超像素中心的距离，则判断所述像素点属于对应的所述超像素中心，根据判断结果分配标签；度量距离，对于搜索到的每个像素点，计算它和当前所述像素点的颜色距离以及空间距离，由于所述每个像素点可能会被多个所述像素点搜索到，取最小值对应的所述像素点为当前所述像素点的聚类中心；迭代优化，直至所述每个像素点聚类中心不再发生变化；计算各个超像素颜色中心与其邻域像素的中心的距离；使用所述DBSCAN算法将超像素块进行聚类，从背景中提取出完整的垃圾物品的图像为最终所述分割图像。
作为本发明所述的一种目标垃圾分类方法的一种优选方案，其中：所述识别模块基于深度学习中的Resnet50模型进行图像样本的训练和预测，包括，将网络模型除最后三层外的其它所有层的参数进行微调；利用ImageNet图像数据库中的图像作为垃圾图像数据集进行训练；将训练完成的所述网络模型移植到树莓派中；由所述树莓派完成识别的过程。
作为本发明所述的一种目标垃圾分类方法的一种优选方案，其中：所述训练包括，利用ImageNet中的10万张图片对所述Resnet50模型全部的层网络进行训练，获取全部层的参数值；所述数据集将最后3层网络进行独立训练，并结合所述参数值，调整所述最后3层的参数，获得训练完成的所述网络模型。
作为本发明所述的一种目标垃圾分类方法的一种优选方案，其中：所述分类模块基于深度学习中的目标垃圾分析策略进行图像样本的分类识别包括，利用图像纹理分割策略锁定垃圾的大小、位置；对锁定的所述垃圾进行采样处理，保留主要特征，提交至所述树莓派中；所述树莓派结合所述图像样本和所述网络模型分析判断锁定的所述垃圾种类，并输出结果。
作为本发明所述的一种智能垃圾桶的一种优选方案，其中：摄像模块，用于拍摄获取目标图像；树莓派处理器，与所述摄像模块连接，用于接收所述目标图像进行处理、识别和分类，并生成分类结果；舵机控制器，用于接收所述分类结果，并发送信号控制转轴转动挡板打开相应的分类舱室，完成垃圾的分类。
作为本发明所述的一种智能垃圾桶的一种优选方案，其中：所述树莓派处理器包括构成集成电路板的图像预处理模块、识别模块和分类模块，所述图像预处理模块用于处理由所述摄像模块上传的所述目标图像生成分割图像；所述识别模块用于识别所述分割图像生成识别结果；所述分类模块用于根据所述识别结果生成分类结果。
作为本发明所述的一种智能垃圾桶的一种优选方案，其中：太阳能电池板、智能桶盖、智能分类器、底座、分类舱室，所述智能桶盖的一端和所述智能分类器的一端互相连接，所述智能分类器的另一端和所述分类舱室连接在一起，所述分类舱室的另一端和所述底座连接在一起，所述底座内设有集成电路板，所述集成电路板上放置树莓派处理器和电池；所述树莓派处理器和所述舵机控制器、所述电池互相连接，所述舵机控制器和所述智能分类器的转轴连接，所述电池和所述智能桶盖上方的太阳能电池板连接。
作为本发明所述的一种智能垃圾桶的一种优选方案，其中：所述智能桶盖还包括一个摄像头，所述摄像头位于所述智能桶盖内部的上方，并与所述树莓派处理器相连；所述智能分类器还包括一排红外对射传感器和挡板，所述红外对射传感器位于所述智能分类器的两侧，并与所述树莓派处理器相连；所述分类舱室还包括把手和独立舱室，所述独立舱室共三个，所述把手位于所述独立舱室的外部上方。
本发明的有益效果：本发明通过铺设太能电池，利用太阳能供电，绿色环保，有效节约能源，采用树莓派处理器、红外传感器、摄像头等低成本常规部件，不仅节省制作成本还减少了人工分类垃圾的成本；摄像头拍摄到的图片，结合训练好的深度学习图像识别算法模型，能够准确、高效的对垃圾进行分类，有效解决了人们垃圾分类意识薄弱、分类难的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明所述的目标垃圾分类方法的流程示意图；
图2为本发明所述的目标垃圾分类方法的识别过程示意图；
图3为本发明所述的目标垃圾分类方法的训练模型示意图；
图4为本发明所述的目标垃圾分类方法的未分割图像示意图；
图5为本发明例所述的目标垃圾分类方法的分割后的图像示意图；
图6为本发明所述的目标垃圾分类方法的分割、聚类后的图像示意图；
图7为本发明所述的实现目标垃圾分类的智能垃圾桶的模块结构分布示意图；
图8为本发明所述的实现目标垃圾分类的智能垃圾桶的模块结构网络分布示意图；
图9为本发明所述的智能垃圾桶的整体结构示意图；
图10为本发明所述的智能垃圾桶的智能桶盖结构示意图；
图11为本发明所述的智能垃圾桶的智能分类器结构示意图；
图12为本发明所述的智能垃圾桶的分类舱室结构示意图；
图13为本发明所述的智能垃圾桶的集成电路板结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，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的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
现有的智能垃圾桶，在识别垃圾图像时并没有考虑到图像背景的问题，因而识别的准确率较低背景与物体间的颜色对比度的大小，干扰了后续垃圾识别的准确率，实用性不高；而本发明方法采用基于深度学习策略，结合DBSCAN的SLIC超像素分割算法对图像进行预处理，在SLIC算法的基础上进行了改进，使用了基于DBSCAN的SLIC超像素分割算法来对图像进行分块，提高识别率，高效、准确的实现目标垃圾分类。
参照图1～图6，为本发明的第一个实施例，提供了一种目标垃圾分类方法，包括以下步骤：
S1：利用摄像模块100获取目标图像。其中需要说明的是：
垃圾投入后，摄像模块100对目标垃圾进行拍照处理，获取垃圾的图像。
S2：目标图像输入图像预处理模块200中进行图像分割和聚类，并从目标图像的背景中提取出完整的垃圾物品图像作为分割图像。本步骤需要说明的是，图像预处理模块200基于DBSCAN的SLIC超像素分割方法，包括：
目标图像内均匀分布设定初始种子点；
在种子点的n*n邻域内，移动超像素中心到种子点中梯度最小的点上进行调整种子点位置；
对应每个超像素中心，在其2n*2n范围内，若一像素点到超像素中心的距离小于原来属于的超像素中心的距离，则判断像素点属于对应的超像素中心，根据判断结果分配标签；
度量距离，对于搜索到的每个像素点，计算它和当前像素点的颜色距离以及空间距离，由于每个像素点可能会被多个像素点搜索到，取最小值对应的像素点为当前像素点的聚类中心；
迭代优化，直至每个像素点聚类中心不再发生变化；
计算各个超像素颜色中心与其邻域像素的中心的距离；
使用DBSCAN算法将超像素块进行聚类，从背景中提取出完整的垃圾物品的图像为最终分割图像。
S3：分割图像输入识别模块300进行图像识别生成识别结果。参照图3，本步骤还需要说明的是，识别模块300基于深度学习中的Resnet50模型进行图像样本的训练和预测，包括：
将网络模型除最后三层外的其它所有层的参数进行微调；
利用ImageNet图像数据库中的图像作为垃圾图像数据集进行训练；
将训练完成的网络模型移植到树莓派中；
由树莓派完成识别的过程。
进一步的，训练包括：
利用ImageNet中的10万张图片对Resnet50模型全部的层网络进行训练，获取全部层的参数值；
数据集将最后3层网络进行独立训练，并结合参数值，调整最后3层的参数，获得训练完成的网络模型。
S4：分类模块400接收识别结果完成垃圾分类。参照图2，其中还需要说明的是，分类模块400基于深度学习中的目标垃圾分析策略进行图像样本的分类识别包括：
利用图像纹理分割策略锁定垃圾的大小、位置；
对锁定的垃圾进行采样处理，保留主要特征，提交至树莓派中；
树莓派结合图像样本和网络模型分析判断锁定的垃圾种类，并输出结果。
较佳的，参照图2和图3，本发明方法采用深度学习中的Resnet50网络策略进行图像样本的训练和预测，利用ImageNet中的10万张图片对全部50层网络进行训练，得到各层的参数值；使用垃圾图像的数据集重新对最后的3层网络进行训练；结合之前的训练参数，调整最后3层的参数，从而完成整个模型的训练(使用10万张图片进行训练，可以教会这个模型更好的学习提取图像中的特征，教会这个模型如何更好的进行分类)；利用垃圾图像数据集进行训练，教会这个模型如何区别垃圾图像，并最终对垃圾图像进行分类(因为垃圾图像数据集较少，如果一开始就用垃圾图像进行训练，较少的数据集无法更好的教会模型如何提取特征、如何进行分类，故先使用大量的数据集对模型进行训练，这样效果更好)。本发明方法相较于现有智能垃圾桶分类方法，利用了ImageNet大型图像数据库中的10万张图像进行Fine turning(精细筛选)，弥补现有垃圾图像数据集不足的问题，将整个网络除最后三层外的其他所有层的参数进行微调，参数微调后的模型泛化性能更强，特征提取效果更好，网络分类的准确度更高。
具体的，参照图4、图5和图6，图4为采集图像原图，图5为通过传统的SLIC超像素分割算法分割得到的超像素块迭代优化，图6为将分割后的超像素块进一步使用DBSCAN算法聚类得到更大的块，将相似的图像块合并获得最终分割图像；本发明方法相较于普通的SLIC算法，在图像众多像素点中选择其中的几个像素点构建聚类中心超像素中心，计算这几个像素点与周围像素点的距离，判断周围像素点属于哪个聚类中心，从而将图像分成块，不断迭代直到误差收敛即每个像素点聚类中心不再发生变化获得超像素块，在对原始图像进行分割后，采用DBSCAN聚类算法，对被分割的超像素进行聚类，从而产生最终的分割图像，利用超像素的特性较好的保留了图像中物体边缘信息，实现目标垃圾分析的策略。
优选的是，对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。传统的技术方案：在垃圾识别方面存在识别不准确、识别准确率不高、续航较差的问题。传统的智能垃圾桶大多采用wifi模块与控制中心相连，由主控中心对垃圾进行识别然后反馈给垃圾桶进行分类。如果wifi出现问题，智能垃圾桶就会失效。另外，主控中心存在宕机的可能性，一旦主控中心宕机，则整座城市的智能垃圾桶将会全部无法使用。为验证本方法相对于传统方法具有更高的识别率，更好的续航，更强的耐用性。本实例中将采用传统的智能垃圾桶和本方案中的智能垃圾桶进行垃圾投放测试对比。测试环境：将传统的智能垃圾桶即采用传统的深度学习方案进行垃圾识别，使用一台服务器作为本次测试的主控中心，同时垃圾桶采用wifi模块与主控中心连接与本方案的智能垃圾桶加入了预处理步骤与微调步骤，采用树莓派作为独立的处理器进行识别进行垃圾投放测试。准备了各类垃圾约200余件，两个垃圾桶每次各随机投放50件，一共测试10次，测试结果如下表所示：
表1：识别正确率对比表。
参照表1，能够看出传统垃圾桶的识别率为75％，本发明方案的垃圾桶识别率为85％，识别准确率高了10％，验证了本发明方法更能高效、准确的实现目标垃圾分类；同时，测试过程中，当wifi信号连接较差时，传统的智能垃圾桶已经无法进行工作，而本方案的智能垃圾桶，在采用了树莓派处理器的深度学习策略，并结合了太阳能电池板的情况下，每个智能垃圾桶都能够独立运行，不会受限于wifi的连接情况；且在同样只使用电池作为能源的情况下，结合了太阳能电池板的智能垃圾桶续航时间明显更长。
实施例2
智能分类垃圾桶能够实现城市垃圾的自动、快速、准确检测，在源头将垃圾分类投放，并通过分类的清运和回收使之重新变成资源。当前彩式垃圾桶外观多彩化、做工精细化，但无实用性；感应式垃圾桶由电路芯片控制，只要有物理接近感应区范围内，桶盖便会自动开启，几秒后便会自动关闭，方便卫生，但垃圾分类有效性较差；扫描式垃圾桶通过识别垃圾袋上的二维码进行垃圾识别与分类，但识别率较低；针对以上几种现有智能垃圾桶能实现的功能单一、结构较复杂并且垃圾分类识别率较低的问题，本发明方法提供了一种能实现目标垃圾分类的智能垃圾桶，对投入的目标垃圾能快速准确分拣、分类，提高垃圾处理的效率。
参照图1～图13，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于智能垃圾桶的目标垃圾分类方法，包括：
S1：利用红外对射传感器501b扫描判断是否有垃圾投入桶内，若桶内有投入的垃圾时，红外对射传感器501b发送信号给树莓派处理器500。
S2：树莓派处理器500接收信号并传递给摄像头102a，对投入的垃圾进行拍照采样。
S3：采样完成，将获取的图片以数据形式传输给树莓派处理器500，对其进行识别处理。
S4：树莓派处理器500完成识别分类，输出结果数据，发送信号给舵机控制器600，控制转轴501a转动挡板501c打开相对应的分类舱室601，将投入的垃圾放置到独立舱室601b中，完成垃圾分类。
较佳的是，参照图1和图9，本发明相较于现有智能垃圾桶配备wifi模块与主控中心连接，由主控中心完成垃圾的识别的特点；本发明方法利用树莓派作为处理器识别垃圾，并结合太阳能电池板，由锂电池和太阳能电池板为系统进行供电，增强续航能力，使得每个垃圾桶都能够独立运行，不仅实现了垃圾智能分类的功能，还实现了双供电系统。
进一步的，本实施例以现有智能垃圾桶垃圾分类的人工成本为例，与本发明能实现目标垃圾分类的智能垃圾桶相对比，发现现有智能垃圾桶的普及率为90％，其中，人工分类垃圾成本中废品收购价格：废纸0.50元/kg，废塑料0.80元/kg，废玻璃0.2元/kg，废金属平均0.5元/kg；生活垃圾收运和处理成本费用为65元/t；垃圾自行分类后的后续处理、处置投资及运行费用按调查后的正常费用计算：处理成本为35元/t，投资成本55元/t；垃圾人工分类的后续处理、处置投资及运行费用按调查后的正常费用计算：处理成本为45元/t，投资成本65元/t；分拣工人日平均分拣0.5t/人，管理人员按工人总数10％计算，分拣工人年平均工资1万元/人，管理人员年平均工资1.5万元/人；分拣工具及分拣劳动保护用品每年为1000元/人；计算结果显示，自行分类回收后再填埋，总费用为137837.7万元，人工分类回收再填埋，总费用为165900万元。现有智能垃圾桶需人工分类才能实现垃圾分类，本发明的智能垃圾桶能实现目标垃圾自行分类，故而人工分类的垃圾处理费用远高于自行分类处理后的垃圾处理费用，采用本发明方法不仅减少了人工分类垃圾成本，提高了经济效益，还降低了人工使用率，提高生活质量。
优选的是，本发明方法通过树莓派采用深度学习策略实现垃圾的智能识别，利用深度学习中的Resnet50模型，在电脑上完成训练模型(只需要最开始的时候训练一次，后续不需要再训练)；将训练模型移植到树莓派中，由树莓派完成智能识别；深度学习策略主要是面向彩色图像纹理分割的目标垃圾分析策略，由于垃圾的大小是不固定的，而利用图像的纹理分割方案可以高效的锁定垃圾所在的位置和其大小；利用采样对图像进行分类识别，可以保留主要特征，同时减少维度和计算量，防止过拟合并提高模型的泛化能力；本发明方法通过采用深度学习策略，实现了对垃圾的快速准确分拣，提高了垃圾处理的效率。
实施例3
参照图7～图13，为本发明的第三个实施例，该实施例不同于第一个实施例和第二个实施例的是，提供了一种智能垃圾桶，包括摄像模块100、图像预处理模块200、识别模块300、分类模块400、树莓派处理器500、舵机控制器600，参照图7和图8，摄像模块100用于拍摄获取目标图像；图像预处理模块200用于处理由摄像模块100上传的目标图像生成分割图像；识别模块300用于识别分割图像生成识别结果；分类模块400用于根据识别结果生成分类结果；树莓派处理器500与摄像模块100连接，用于接收目标图像进行处理、识别和分类，并生成分类结果；舵机控制器600用于接收分类结果，并发送信号控制转轴转动挡板打开相应的分类舱室601，完成垃圾的分类。
参照图9，智能垃圾桶还包括太阳能电池板101、智能桶盖102、智能分类器501、底座502、集成电路板502a、分类舱室601，智能桶盖102的一端和智能分类器501的一端互相连接，智能分类器501的另一端和分类舱室601连接在一起，分类舱室601的另一端和底座502连接在一起，参照图13，底座502内设有集成电路板502a，集成电路板502a上放置树莓派处理器500和电池503；树莓派处理器500和舵机控制器600、电池503互相连接，舵机控制器600和智能分类器501的转轴501a连接，电池503和智能桶盖102上方的太阳能电池板101连接。
参照图10，智能桶盖102还包括一个摄像头102a，摄像头102a位于智能桶盖102内部的上方，并与树莓派处理器500相连；参照图11，智能分类器501还包括一排红外对射传感器501b和挡板501c，红外对射传感器501b位于智能分类器501的两侧，并与树莓派处理器500相连；参照图12，分类舱室601还包括把手601a和独立舱室601b，独立舱室601b共三个，把手601a位于独立舱室601b的外部上方。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时，本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种目标垃圾分类方法，其特征在于：包括，
利用摄像模块(100)获取目标图像；
所述目标图像输入图像预处理模块(200)中进行图像分割和聚类，并从所述目标图像的背景中提取出完整的垃圾物品图像作为分割图像；
所述分割图像输入识别模块(300)进行图像识别生成识别结果；
分类模块(400)接收所述识别结果完成垃圾分类。
2.如权利要求1所述的目标垃圾分类方法，其特征在于：所述图像预处理模块(200)基于DBSCAN的SLIC超像素分割方法，包括，
所述目标图像内均匀分布设定初始种子点；
在所述种子点的n*n邻域内，移动超像素中心到所述种子点中梯度最小的点上进行调整所述种子点位置；
对应每个所述超像素中心，在其2n*2n范围内，若一像素点到所述超像素中心的距离小于原来属于的所述超像素中心的距离，则判断所述像素点属于对应的所述超像素中心，根据判断结果分配标签；
度量距离，对于搜索到的每个像素点，计算它和当前所述像素点的颜色距离以及空间距离，由于所述每个像素点可能会被多个所述像素点搜索到，取最小值对应的所述像素点为当前所述像素点的聚类中心；
迭代优化，直至所述每个像素点聚类中心不再发生变化；
计算各个超像素颜色中心与其邻域像素的中心的距离；
使用所述DBSCAN算法将超像素块进行聚类，从背景中提取出完整的垃圾物品的图像为最终所述分割图像。
3.如权利要求1或2所述的目标垃圾分类方法，其特征在于：所述识别模块(300)基于深度学习中的Resnet50模型进行图像样本的训练和预测，包括，
将网络模型除最后三层外的其它所有层的参数进行微调；
利用ImageNet图像数据库中的图像作为垃圾图像数据集进行训练；
将训练完成的所述网络模型移植到树莓派中；
由所述树莓派完成识别的过程。
4.如权利要求3所述的目标垃圾分类方法，其特征在于：所述训练包括，
利用ImageNet中的10万张图片对所述Resnet50模型全部的层网络进行训练，获取全部层的参数值；
所述数据集将最后3层网络进行独立训练，并结合所述参数值，调整所述最后3层的参数，获得训练完成的所述网络模型。
5.如权利要求1或3所述的目标垃圾分类方法，其特征在于：所述分类模块(400)基于深度学习中的目标垃圾分析策略进行图像样本的分类识别包括，
利用图像纹理分割策略锁定垃圾的大小、位置；
对锁定的所述垃圾进行采样处理，保留主要特征，提交至所述树莓派中；
所述树莓派结合所述图像样本和所述网络模型分析判断锁定的所述垃圾种类，并输出结果。
6.一种智能垃圾桶，其特征在于：包括，
摄像模块(100)，用于拍摄获取目标图像；
树莓派处理器(500)，与所述摄像模块(100)连接，用于接收所述目标图像进行处理、识别和分类，并生成分类结果；
舵机控制器(600)，用于接收所述分类结果，并发送信号控制转轴转动挡板打开相应的分类舱室(601)，完成垃圾的分类。
7.如权利要求6所述的智能垃圾桶，其特征在于：所述树莓派处理器(500)包括构成集成电路板(502a)的图像预处理模块(200)、识别模块(300)和分类模块(400)，
所述图像预处理模块(200)用于处理由所述摄像模块(100)上传的所述目标图像生成分割图像；
所述识别模块(300)用于识别所述分割图像生成识别结果；
所述分类模块(400)用于根据所述识别结果生成分类结果。
8.如权利要求6或7所述的智能垃圾桶，其特征在于：包括，太阳能电池板(101)、智能桶盖(102)、智能分类器(501)、底座(502)、分类舱室(601)，
所述智能桶盖(102)的一端和所述智能分类器(501)的一端互相连接，所述智能分类器(501)的另一端和所述分类舱室(601)连接在一起，所述分类舱室(601)的另一端和所述底座(502)连接在一起，所述底座(502)内设有集成电路板(502a)，所述集成电路板(502a)上放置树莓派处理器(500)和电池(503)；
所述树莓派处理器(500)和所述舵机控制器(600)、所述电池(503)互相连接，所述舵机控制器(600)和所述智能分类器(501)的转轴(501a)连接，所述电池(503)和所述智能桶盖(102)上方的太阳能电池板(101)连接。
9.如权利要求8所述的智能垃圾桶，其特征在于：包括，
所述智能桶盖(102)还包括一个摄像头(102a)，所述摄像头(102a)位于所述智能桶盖(102)内部的上方，并与所述树莓派处理器(500)相连；
所述智能分类器(501)还包括一排红外对射传感器(501b)和挡板(501c)，所述红外对射传感器(501b)位于所述智能分类器(501)的两侧，并与所述树莓派处理器(500)相连；
所述分类舱室(601)还包括把手(601a)和独立舱室(601b)，所述独立舱室(601b)共三个，所述把手(601a)位于所述独立舱室(601b)的外部上方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010026686.7A CN111186656A (zh) | 2020-01-10 | 2020-01-10 | 一种目标垃圾分类方法及智能垃圾桶 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010026686.7A CN111186656A (zh) | 2020-01-10 | 2020-01-10 | 一种目标垃圾分类方法及智能垃圾桶 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111186656A true CN111186656A (zh) | 2020-05-22 |
Family
ID=70703475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010026686.7A Pending CN111186656A (zh) | 2020-01-10 | 2020-01-10 | 一种目标垃圾分类方法及智能垃圾桶 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111186656A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111731718A (zh) * | 2020-07-16 | 2020-10-02 | 长江师范学院 | 一种智能分类处理垃圾桶及其操作方法 |
| CN111767822A (zh) * | 2020-06-23 | 2020-10-13 | 浙江大华技术股份有限公司 | 垃圾检测方法以及相关设备、装置 |
| CN111931597A (zh) * | 2020-07-20 | 2020-11-13 | 苏州富鑫林光电科技有限公司 | 基于人工智能的垃圾分选方法及系统、存储介质、设备 |
| CN113213005A (zh) * | 2021-04-26 | 2021-08-06 | 长春工程学院 | 一种自动化垃圾分类处理装置 |
| CN113478485A (zh) * | 2021-07-06 | 2021-10-08 | 上海商汤智能科技有限公司 | 机器人及其控制方法、装置、电子设备、存储介质 |
| CN114013856A (zh) * | 2021-11-05 | 2022-02-08 | 东北林业大学 | 垃圾智能识别自动分类回收装置及其实时计量监控系统 |
| CN114104552A (zh) * | 2021-12-21 | 2022-03-01 | 北京石油化工学院 | 一种资源回收优化方法、系统及存储介质 |
| CN114545813A (zh) * | 2022-01-12 | 2022-05-27 | 北京交通大学 | 智能分拣垃圾桶 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
| CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
| 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 |
| CN109928107A (zh) * | 2019-04-08 | 2019-06-25 | 江西理工大学 | 一种自动分类系统 |
| CN110228673A (zh) * | 2019-04-17 | 2019-09-13 | 华南师范大学 | 一种智能分类垃圾桶 |
| CN209582589U (zh) * | 2019-01-25 | 2019-11-05 | 李�昊 | 一种基于机器视觉的分类垃圾桶 |
| CN110498152A (zh) * | 2019-09-18 | 2019-11-26 | 福州大学 | 一种基于ai的智能分类垃圾桶及其方法 |
| CN110555466A (zh) * | 2019-08-13 | 2019-12-10 | 创新奇智(南京)科技有限公司 | 一种可动态增加的级联识别网络算法 |
| CN110589282A (zh) * | 2019-08-16 | 2019-12-20 | 喻鑫童 | 基于机器学习的智能垃圾分类方法和垃圾自动分拣装置 |
-
2020
- 2020-01-10 CN CN202010026686.7A patent/CN111186656A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
| CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
| 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 |
| CN209582589U (zh) * | 2019-01-25 | 2019-11-05 | 李�昊 | 一种基于机器视觉的分类垃圾桶 |
| CN109928107A (zh) * | 2019-04-08 | 2019-06-25 | 江西理工大学 | 一种自动分类系统 |
| CN110228673A (zh) * | 2019-04-17 | 2019-09-13 | 华南师范大学 | 一种智能分类垃圾桶 |
| CN110555466A (zh) * | 2019-08-13 | 2019-12-10 | 创新奇智(南京)科技有限公司 | 一种可动态增加的级联识别网络算法 |
| CN110589282A (zh) * | 2019-08-16 | 2019-12-20 | 喻鑫童 | 基于机器学习的智能垃圾分类方法和垃圾自动分拣装置 |
| CN110498152A (zh) * | 2019-09-18 | 2019-11-26 | 福州大学 | 一种基于ai的智能分类垃圾桶及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 颜志国等: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017, 东南大学出版社 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767822A (zh) * | 2020-06-23 | 2020-10-13 | 浙江大华技术股份有限公司 | 垃圾检测方法以及相关设备、装置 |
| CN111767822B (zh) * | 2020-06-23 | 2023-04-25 | 浙江大华技术股份有限公司 | 垃圾检测方法以及相关设备、装置 |
| CN111731718A (zh) * | 2020-07-16 | 2020-10-02 | 长江师范学院 | 一种智能分类处理垃圾桶及其操作方法 |
| CN111931597A (zh) * | 2020-07-20 | 2020-11-13 | 苏州富鑫林光电科技有限公司 | 基于人工智能的垃圾分选方法及系统、存储介质、设备 |
| CN111931597B (zh) * | 2020-07-20 | 2024-06-04 | 苏州富鑫林光电科技有限公司 | 基于人工智能的垃圾分选方法及系统、存储介质、设备 |
| CN113213005A (zh) * | 2021-04-26 | 2021-08-06 | 长春工程学院 | 一种自动化垃圾分类处理装置 |
| CN113478485A (zh) * | 2021-07-06 | 2021-10-08 | 上海商汤智能科技有限公司 | 机器人及其控制方法、装置、电子设备、存储介质 |
| CN114013856A (zh) * | 2021-11-05 | 2022-02-08 | 东北林业大学 | 垃圾智能识别自动分类回收装置及其实时计量监控系统 |
| CN114104552A (zh) * | 2021-12-21 | 2022-03-01 | 北京石油化工学院 | 一种资源回收优化方法、系统及存储介质 |
| CN114545813A (zh) * | 2022-01-12 | 2022-05-27 | 北京交通大学 | 智能分拣垃圾桶 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111186656A (zh) | 一种目标垃圾分类方法及智能垃圾桶 | |
| CN109201514B (zh) | 垃圾分类回收方法、垃圾分类装置以及垃圾分类回收系统 | |
| CN111144496B (zh) | 一种基于混合卷积神经网络的垃圾分类方法 | |
| CN110458082B (zh) | 一种城市管理案件分类识别方法 | |
| CN109919243A (zh) | 一种基于cnn的废钢铁种类自动识别方法及装置 | |
| CN102842032B (zh) | 基于多模式组合策略的移动互联网色情图像识别方法 | |
| CN100568264C (zh) | 印章鉴别控制方法 | |
| CN108182455A (zh) | 一种垃圾图像智能分类的方法、装置及智能垃圾桶 | |
| CN102346847B (zh) | 一种支持向量机的车牌字符识别方法 | |
| CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| CN106874954A (zh) | 一种信息获取的方法以及相关装置 | |
| CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
| Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
| CN106169081A (zh) | 一种基于不同照度的图像分类及处理方法 | |
| CN108090906A (zh) | 一种基于区域提名的宫颈图像处理方法及装置 | |
| CN114937179B (zh) | 垃圾图像分类方法、装置、电子设备及存储介质 | |
| IL296647B1 (en) | Electronic methods and devices for automatic waste management | |
| CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN112364944B (zh) | 一种基于深度学习的生活垃圾分类方法 | |
| CN101957913A (zh) | 一种基于信息融合技术的指纹识别方法及装置 | |
| CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读系统和方法 | |
| CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
| CN117315380B (zh) | 一种基于深度学习的肺炎ct图像分类方法及系统 | |
| CN110135327A (zh) | 一种基于多区域特征学习模型的驾驶员行为识别方法 | |
| CN101655909A (zh) | 匹配程度计算装置及方法 |
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 |