CN111414926A - 一种智能垃圾分类方法、装置、存储介质和机器人 - Google Patents
一种智能垃圾分类方法、装置、存储介质和机器人 Download PDFInfo
- Publication number
- CN111414926A CN111414926A CN201910007993.8A CN201910007993A CN111414926A CN 111414926 A CN111414926 A CN 111414926A CN 201910007993 A CN201910007993 A CN 201910007993A CN 111414926 A CN111414926 A CN 111414926A
- Authority
- CN
- China
- Prior art keywords
- garbage
- garbage classification
- classification
- intelligent
- prediction model
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能垃圾分类方法,通过获取原始垃圾视频流,并在原始垃圾视频流中以预设间隔抽取图像帧,然后将图像帧输入至垃圾分类预测模型中进行分析,输出图像帧对应的垃圾分类预测结果,其中垃圾分类预测模型为神经网络模型,利用大量垃圾分类图像做样本集,对垃圾分类预测模型进行大数据训练学习,提高模型的分类识别精确度,从而提高了垃圾识别的准确率,并且提高了识别分类效率,同时,当有新型垃圾出现时,通过采集新型垃圾样本图像扩充样本集,对模型进行二次训练学习,能够适应不断增加的新型垃圾的快速识别需求,是一种垃圾分类准确度高、分类效率高的智能垃圾分类方法。
Description
技术领域
本发明涉及垃圾分类领域,尤其是一种智能垃圾分类方法、装置、存储介质和机器人。
背景技术
当前,城市卫生治理工作中的垃圾分类,主要通过物理+人工的方式进行,一般将垃圾分为可回收垃圾、厨余垃圾、有害垃圾和其它垃圾,而将垃圾进行分类的工作主要通过物理和人工两种方式进行分类,物理方式比如结合重量材料等特性,通过不同垃圾的体积、重量、硬度、是否可燃烧等物理特性,并综合应用震动、风动、压缩等物理方式,对垃圾进行分类,人工方式为通过人为视判,将不同垃圾按可回收,不可回收等维度,分门别类的装入不同的垃圾桶,进而进行分类。
但是现有的分类手段存在分类不准确、分类效率不高并且无法应对新型垃圾的问题。在使用物理特性进行垃圾分类的过程中,对物理特性相似的垃圾,不容易精确区分,如塑料袋与可降解纸袋,两者质地相似,难以区分。在人工进行垃圾分类的过程中,需要通过视验,才能准确的将垃圾合理归类,这一环节一方面占用了大量的人力时间,会明显降低了社会运行效率,另一方面,也加重了人的负担。另外在使用物理分类的时候,对新出现在新型垃圾,特别是物理特性相似的新型垃圾,较难进行精确分类。因此需要结合现在神经网络技术提出一种新的垃圾分类技术,提高垃圾分类准确度和分类效率,解放人力,提高生产效率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的是提供一种垃圾分类准确度和分类效率高的智能垃圾分类方法。
另外本发明还提供一种智能垃圾分类装置、存储介质和机器人。
本发明所采用的技术方案是:
第一方面,本发明提供一种智能垃圾分类方法,包括步骤:
获取原始垃圾视频流,并在所述原始垃圾视频流中以预设间隔抽取图像帧;
将所述图像帧输入至训练好的垃圾分类预测模型中进行分析,输出当前图像帧对应的垃圾分类预测结果;
所述垃圾分类预测模型为神经网络模型,通过垃圾样本分类图像组成的样本集进行模型训练。
进一步地,所述垃圾样本分类图像组成的样本集的分类包括以下至少一种:废纸、塑料、玻璃、金属、布料、有害垃圾和其它垃圾。
进一步地,所述垃圾分类预测模型包括8层,具体为:4个卷积层、3个最大池化层和1个softmax层,所述卷积层每2个之间为一个最大池化层。
进一步地,每个最大池化层后面接一个ReLU激活函数。
进一步地,所述垃圾分类预测模型的损失函数为均方误差函数,表示如下:
其中,MSE表示均方误差,i=1,...n表示样本空间,yi表示预测值,yp i表示真实值。
进一步地,所述垃圾分类预测模型中还包括至少一层恒等连接的残差块。
进一步地,还包括步骤:根据所述垃圾分类预测结果,驱动机械臂进行垃圾分拣。
第二方面,本发明还提供一种智能垃圾分类装置包括:
原始垃圾视频获取模块,用于获取原始垃圾视频流;
图像帧抽取模块,用于在所述原始垃圾视频流中以预设间隔抽取图像帧;
垃圾分类识别模块,用于将所述图像帧输入至垃圾分类预测模型中进行分析,输出所述图像帧对应的垃圾分类预测结果,所述垃圾分类预测模型为神经网络模型,通过垃圾样本分类图像组成的样本集进行模型训练。
第三方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的智能垃圾分类方法。
第四方面,本发明还提供一种智能垃圾分类的机器人,所述机器人通过如第一方面任一项所述的智能垃圾分类方法进行垃圾分拣。
本发明的有益效果是:
本发明通过获取原始垃圾视频流,并在原始垃圾视频流中以预设间隔抽取图像帧,然后将图像帧输入至垃圾分类预测模型中进行分析,输出图像帧对应的垃圾分类预测结果,其中垃圾分类预测模型为神经网络模型,利用大量垃圾分类图像做样本集,对垃圾分类预测模型进行大数据训练学习,提高模型的分类识别精确度,从而提高了垃圾识别的准确率,并且提高了识别分类效率,同时,当有新型垃圾出现时,通过采集新型垃圾样本图像扩充样本集,对模型进行二次训练学习,能够适应不断增加的新型垃圾的快速识别需求,是一种垃圾分类准确度高、分类效率高的智能垃圾分类方法。
附图说明
图1是本发明一种实施方式的智能垃圾分类方法的实现流程图;
图2是本发明一种实施方式的智能垃圾分类方法的垃圾分类预测模型示意图;
图3是本发明一种实施方式的智能垃圾分类方法的残差块示意图;
图4是本发明一种实施方式的智能垃圾分类方法的机械臂分拣示意图;
图5是本发明一种实施方式的智能垃圾分类装置结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明实施例一提供一种智能垃圾分类方法,图1为本发明实施例提供的智能垃圾分类方法的实现流程图,如图1所示,该方法可以包括以下步骤:
S1:获取原始垃圾视频,即对待分类的垃圾进行视频获取生成原始垃圾视频。
S2:抽取图像帧,对步骤S1得到的原始垃圾视频,以预设间隔进行图像帧抽取,形成待分类垃圾的图像帧。
S3:进行垃圾分类识别,将步骤S2中的图像帧,输入到训练好的垃圾分类预测模型中进行分析,输出当前图像帧对应的垃圾分类预测结果。
S4:根据步骤S4中的垃圾分类预测结果,驱动机械臂进行垃圾分拣。
具体的,垃圾分类预测模型为神经网络模型,其预先通过垃圾样本分类图像进行模型训练,其中垃圾分类样本图像为预先采集的大量不同类型的垃圾图像样本,其组成样本集对垃圾分类预测模型进行训练,得到预测准确度最高的模型参数。
如图2所示,为本实施例的垃圾分类预测模型示意图,图中示出了,垃圾分类预测模型采用4个卷积层(Convolutional Layer)、3个最大池化层(Max Pooling Layer)和1个softmax层构成一个8层网络,其中2个卷积层之间包括一个最大池化层,即最大池化层间隔排列,算法网络的输入层输入的是一个59×61×61×31×k大小的长方形,其中k是代表图像的通道数,输入图像之后,图像将进入第一个卷积层进行处理,其卷积核大小是5*5,得到输出之后接最大池化层,最大池化层输出之后接一个ReLU激活函数,后面的卷积层和最大池化层的操作都类似,而且每一个最大池化层输出后均存在ReLU的激活函数,因为ReLU函数有更强的拟合能力和效果。
模型的输入为垃圾样本分类图像组成的样本集中的样本,例如一次训练流程中,从样本集中输入一张需要识别的彩色垃圾图像(例如像素大小为500*500)至输入层,这幅图像具有四个通道ARGB,分别为透明度通道A、红通道R、绿通道G和蓝通道B,四个通道ARGB分别对应了四幅相同大小的图像,一共使用10000个卷积核,记为w1到w10000,首先用卷积核w1在ARGB图像四幅上进行卷积操作,此时可以得到隐含层的第一幅图像,设定这幅隐含层的图像左上角的第一个像素是四幅输入图像中左上角5*5区域内像素的加权求和,以此类推,计算其他卷积核,这样隐含层即对应10000幅“隐含层图像”,因此每幅图像对是对原始图像中不同特征的响应,按照这样的结构将响应在8层神经网络中继续传递下去,然后使用最大池化层的max-pooling操作进一步提高系统的鲁棒性。
本实施例中垃圾分类预测模型的损失函数为均方误差函数,表示如下:
其中,MSE表示均方误差,i=1,...n表示样本空间,yi表示预测值,yp i表示真实值。
本实施例中垃圾分类预测模型还包括至少一层恒等连接的残差块,来减轻梯度弥散的问题,如图3所示,为本实施例的残差块示意图,由于多层神经网络有梯度弥散的问题,如模型的层数越深,梯度弥散的情况会很严重,导致浅层部分的网络权重参数得不到很好的训练,因此需要设置残差块将深层的梯度传递,使得浅层的网络层参数能够的得到有效的训练。图中所示残差块,即shortcut connections前馈神经网络有个恒等连接,就是右边的连线,这可以将初始信息一直保留到最后,从而也能提高模型的效果。
下面介绍本实施例垃圾样本分类图像组成的样本集的分类,具体的包括以下几种:废纸、塑料、玻璃、金属、布料、有害垃圾和其它垃圾等。
具体的有:
1)废纸:包括报纸、期刊、图书、各种包装纸、办公用纸、广告纸和纸盒等。
2)塑料:包括各种塑料袋、塑料包装物、一次性塑料餐盒和餐具、牙刷、杯子、矿泉水瓶和牙膏皮等。
3)玻璃:包括各种玻璃瓶、碎玻璃片、镜子、灯泡和暖瓶等。
4)金属物:包括易拉罐和罐头盒等。
5)布料:包括废弃衣服、桌布、洗脸巾、书包、鞋,厨余垃圾包括剩菜剩饭、骨头、菜根菜叶和果皮等。
6)有害垃圾:包括废电池、废日光灯管、废水银温度计和过期药品等。
7)其他垃圾:包括砖瓦陶瓷、渣土、卫生间废纸和废弃纸巾等。
本实施例中垃圾分类预测模型可根据输入的垃圾图像帧,对图像帧对应的垃圾进行识别分类,并输出垃圾分类预测结果,并且对新型垃圾,可采集新型垃圾的样本照片扩充样本集,对垃圾分类预测模型进行二次训练,使其经过学习之后,能够识别新型垃圾,完成对新型垃圾的快速识别。
如图4所示,为本实施例中机械臂分拣示意图,图中包括垃圾分拣工作台1、摄像头2,机械臂3、垃圾4和垃圾存放处5,其中机械臂3接收垃圾分类预测模型输出的垃圾分类预测结果,根据三维空间定位,确定特定垃圾在垃圾分类工作台上的空间位置,然后驱动机械臂3对不同垃圾进行分拣,将对应位置的垃圾4分拣到对应的垃圾存放处5的位置,完成垃圾分类识别分拣工作。
图中示出了一个摄像头和一个机械臂仅作工作过程示意用,并不限制摄像头和机械臂的数量,如果为了更高效的分类,使用多个摄像头和多个机械臂进行分拣,也属于本实施例的保护范围。
本实施例驱动机械臂根据垃圾分类预测结果进行垃圾分拣,可以24小时不间断工作,完成替代目前低效的人工分类,提高了分类效率。
而且本实施例是基于计算机视觉的分类方法,具有视觉上的高度准确性、高效性,例如对于一些物理特性相近的垃圾,如石头和废旧钢铁,其在质量上均表现为重物,但其在视觉上的差异化程度较高,使用本实施例的智能垃圾分类方法可轻松实现分类,但一些具有欺骗性的、经过视觉包装后的垃圾,如旧布料和以旧布料包装的废旧钢铁,则不属于本实施例研究解决的范畴。
实施例二:
本发明实施例二提供一种智能垃圾分类装置,如图5所示,为本实施例的智能垃圾分类装置结构框图,包括:
原始垃圾视频获取模块,用于获取原始垃圾视频流;
图像帧抽取模块,用于在原始垃圾视频流中以预设间隔抽取图像帧;
垃圾分类识别模块,用于将图像帧输入至垃圾分类预测模型中进行分析,输出图像帧对应的垃圾分类预测结果,其中垃圾分类预测模型为神经网络模型,通过垃圾样本分类图像组成的样本集进行模型训练。
另一方面,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
另一方面,本发明还提供一种智能垃圾分类的机器人,机器人为包括机械臂在内的能够通过如实施例一任一项智能垃圾分类方法进行垃圾分拣的机械设备。
本发明通过获取原始垃圾视频流,并在原始垃圾视频流中以预设间隔抽取图像帧,然后将图像帧输入至垃圾分类预测模型中进行分析,输出图像帧对应的垃圾分类预测结果,其中垃圾分类预测模型为神经网络模型,利用大量垃圾分类图像做样本集,对垃圾分类预测模型进行大数据训练学习,提高模型的分类识别精确度,从而提高了垃圾识别的准确率,并且提高了识别分类效率,同时,当有新型垃圾出现时,通过采集新型垃圾样本图像扩充样本集,对模型进行二次训练学习,能够适应不断增加的新型垃圾的快速识别需求,是一种垃圾分类准确度高、分类效率高的智能垃圾分类方法。
以上各实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种智能垃圾分类方法,其特征在于,包括步骤:
获取原始垃圾视频流,并在所述原始垃圾视频流中以预设间隔抽取图像帧;
将所述图像帧输入至训练好的垃圾分类预测模型中进行分析,输出当前图像帧对应的垃圾分类预测结果;
所述垃圾分类预测模型为神经网络模型,通过垃圾样本分类图像组成的样本集进行模型训练。
2.根据权利要求1所述的一种智能垃圾分类方法,其特征在于,所述垃圾样本分类图像组成的样本集的分类包括以下至少一种:废纸、塑料、玻璃、金属、布料、有害垃圾和其它垃圾。
3.根据权利要求1所述的一种智能垃圾分类方法,其特征在于,所述垃圾分类预测模型包括8层,具体为:4个卷积层、3个最大池化层和1个softmax层,所述卷积层每2个之间为一个最大池化层。
4.根据权利要求3所述的一种智能垃圾分类方法,其特征在于,每个最大池化层后面接一个ReLU激活函数。
6.根据权利要求1所述的一种智能垃圾分类方法,其特征在于,所述垃圾分类预测模型中还包括至少一层恒等连接的残差块。
7.根据权利要求1所述的一种智能垃圾分类方法,其特征在于,还包括步骤:根据所述垃圾分类预测结果,驱动机械臂进行垃圾分拣。
8.一种智能垃圾分类装置,其特征在于,包括:
原始垃圾视频获取模块,用于获取原始垃圾视频流;
图像帧抽取模块,用于在所述原始垃圾视频流中以预设间隔抽取图像帧;
垃圾分类识别模块,用于将所述图像帧输入至垃圾分类预测模型中进行分析,输出所述图像帧对应的垃圾分类预测结果,所述垃圾分类预测模型为神经网络模型,通过垃圾样本分类图像组成的样本集进行模型训练。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的智能垃圾分类方法。
10.一种智能垃圾分类的机器人,其特征在于,所述机器人通过如权利要求1至7任一项所述的智能垃圾分类方法进行垃圾分拣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007993.8A CN111414926A (zh) | 2019-01-04 | 2019-01-04 | 一种智能垃圾分类方法、装置、存储介质和机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007993.8A CN111414926A (zh) | 2019-01-04 | 2019-01-04 | 一种智能垃圾分类方法、装置、存储介质和机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111414926A true CN111414926A (zh) | 2020-07-14 |
Family
ID=71494083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910007993.8A Pending CN111414926A (zh) | 2019-01-04 | 2019-01-04 | 一种智能垃圾分类方法、装置、存储介质和机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414926A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115968A (zh) * | 2020-08-10 | 2020-12-22 | 北京智行者科技有限公司 | 一种智能清扫车垃圾识别方法及系统 |
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 |
CN114937179A (zh) * | 2022-07-27 | 2022-08-23 | 深圳市海清视讯科技有限公司 | 垃圾图像分类方法、装置、电子设备及存储介质 |
CN116385243A (zh) * | 2023-06-06 | 2023-07-04 | 启迪数字环卫(合肥)集团有限公司 | 一种智能化垃圾分类收运管理方法及系统 |
CN117522388A (zh) * | 2023-11-08 | 2024-02-06 | 永昊环境科技(集团)有限公司 | 一种用于城市环境的智能环卫处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
CN106651887A (zh) * | 2017-01-13 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的图像像素分类方法 |
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 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
CN108994855A (zh) * | 2018-08-15 | 2018-12-14 | 深圳市烽焌信息科技有限公司 | 垃圾定期清理方法及机器人 |
WO2019000929A1 (zh) * | 2017-06-30 | 2019-01-03 | 京东方科技集团股份有限公司 | 垃圾分类回收方法、垃圾分类设备以及垃圾分类回收系统 |
-
2019
- 2019-01-04 CN CN201910007993.8A patent/CN111414926A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
CN106651887A (zh) * | 2017-01-13 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于卷积神经网络的图像像素分类方法 |
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 |
CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
WO2019000929A1 (zh) * | 2017-06-30 | 2019-01-03 | 京东方科技集团股份有限公司 | 垃圾分类回收方法、垃圾分类设备以及垃圾分类回收系统 |
CN108994855A (zh) * | 2018-08-15 | 2018-12-14 | 深圳市烽焌信息科技有限公司 | 垃圾定期清理方法及机器人 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115968A (zh) * | 2020-08-10 | 2020-12-22 | 北京智行者科技有限公司 | 一种智能清扫车垃圾识别方法及系统 |
CN112115968B (zh) * | 2020-08-10 | 2024-04-19 | 北京智行者科技股份有限公司 | 一种智能清扫车垃圾识别方法及系统 |
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 |
CN114937179A (zh) * | 2022-07-27 | 2022-08-23 | 深圳市海清视讯科技有限公司 | 垃圾图像分类方法、装置、电子设备及存储介质 |
CN116385243A (zh) * | 2023-06-06 | 2023-07-04 | 启迪数字环卫(合肥)集团有限公司 | 一种智能化垃圾分类收运管理方法及系统 |
CN116385243B (zh) * | 2023-06-06 | 2023-08-11 | 启迪数字环卫(合肥)集团有限公司 | 一种智能化垃圾分类收运管理方法及系统 |
CN117522388A (zh) * | 2023-11-08 | 2024-02-06 | 永昊环境科技(集团)有限公司 | 一种用于城市环境的智能环卫处理方法 |
CN117522388B (zh) * | 2023-11-08 | 2024-04-12 | 永昊环境科技(集团)有限公司 | 一种用于城市环境的智能环卫处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414926A (zh) | 一种智能垃圾分类方法、装置、存储介质和机器人 | |
CN106845408B (zh) | 一种复杂环境下的街道垃圾识别方法 | |
CN107480643B (zh) | 一种智能垃圾分类处理的机器人 | |
CN108038853B (zh) | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 | |
CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN112364944B (zh) | 一种基于深度学习的生活垃圾分类方法 | |
CN103853724B (zh) | 多媒体数据分类方法及装置 | |
CN106682628B (zh) | 一种基于多层深度特征信息的人脸属性分类方法 | |
CN209289269U (zh) | 一种基于双目立体视觉定位识别的智能垃圾分类机器人 | |
Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
CN109961070A (zh) | 一种输电线路智能化图像监测中区分雾体浓度的方法 | |
CN112233173A (zh) | 一种视力障碍人士室内物品寻找与定位的方法 | |
CN105426924B (zh) | 一种基于图像中层特征的场景分类方法 | |
CN114005081A (zh) | 一种烟丝异物智能检测装置及方法 | |
CN110033487A (zh) | 基于深度联想感知算法的受遮挡蔬果采收方法 | |
CN108438833A (zh) | 物料姿态校正投放装置及圆柱形物料特征属性的识别方法 | |
CN108492296A (zh) | 基于超像素分割的小麦麦穗智能计数系统及方法 | |
CN105844213A (zh) | 一种绿色果实识别方法 | |
Meng et al. | X-DenseNet: deep learning for garbage classification based on visual images | |
CN107958253A (zh) | 一种图像识别的方法和装置 | |
CN103679144B (zh) | 一种基于计算机视觉的复杂环境下果蔬识别方法 | |
CN111462162A (zh) | 一种特定类别图片的前景分割算法 | |
Aishwarya et al. | A waste management technique to detect and separate non-biodegradable waste using machine learning and YOLO algorithm | |
CN103903265A (zh) | 检测工业产品包装破损的方法 | |
Xiang et al. | An edge detection algorithm based-on Sobel operator for images captured by binocular microscope |
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 |