CN111428595B - 水底视觉垃圾清理机器人及其运作方法 - Google Patents

水底视觉垃圾清理机器人及其运作方法 Download PDF

Info

Publication number
CN111428595B
CN111428595B CN202010176992.9A CN202010176992A CN111428595B CN 111428595 B CN111428595 B CN 111428595B CN 202010176992 A CN202010176992 A CN 202010176992A CN 111428595 B CN111428595 B CN 111428595B
Authority
CN
China
Prior art keywords
garbage
maj
robot
nodes
unsupervised learning
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
CN202010176992.9A
Other languages
English (en)
Other versions
CN111428595A (zh
Inventor
翟懿奎
余翠琳
柯琪锐
周文略
甘俊英
应自炉
曾军英
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.)
Wuyi University
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN202010176992.9A priority Critical patent/CN111428595B/zh
Publication of CN111428595A publication Critical patent/CN111428595A/zh
Application granted granted Critical
Publication of CN111428595B publication Critical patent/CN111428595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/04—Control of altitude or depth
    • G05D1/06—Rate of change of altitude or depth
    • G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了水底视觉垃圾清理机器人及其运作方法，其中机器人包括机器人主体、通信模块、具有宽度学习网络的垃圾图像识别模块、路径规划模块和中央处理器；其中，宽度学习网络被配置为：具有m组无监督学习模块，自动编码器对进行特征提取，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；利用代价敏感型分类方法得到权重，并进行分类。解决了因分类时类别不平衡存在错分代价不等的情况而引发的代价敏感问题，提供了鲁棒性强且时效性好的垃圾图像识别模块。

Description

水底视觉垃圾清理机器人及其运作方法
技术领域
本发明涉及视觉机器人，特别是水底视觉垃圾清理机器人及其运作方法。
背景技术
环保问题是现代发展常关注的问题。对于河道水底垃圾清理一直是困扰清洁人员的问题。水底垃圾在水上难以看清位置，必须潜下水才能清理，但一旦水深过深，清理水底垃圾花费时间长，对潜水人员身体影响大，人力成本高。
基于机器人领域的快速发展，现有用水底机器人实现水底垃圾的清理，但如何快速确定水底垃圾的位置以进行垃圾的收集成为本领域的技术难题。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供水底视觉垃圾清理机器人及其运作方法，能快速有效地确定水底垃圾的位置。
本发明解决其问题所采用的技术方案是：
本发明第一方面，水底视觉垃圾清理机器人，包括：
机器人主体，所述机器人主体设置有摄像头、陆地移动部件、水底移动部件和垃圾收集机构；
通信模块，用于网络通信以及人机交互；
垃圾图像识别模块，用于根据所述摄像头拍摄的图像通过训练好的宽度学习网络识别出垃圾的位置；
路径规划模块，用于根据水路规划垃圾搜索路线以及根据垃圾的位置规划前进路径；
中央处理器，用于处理信息和发出控制指令；
其中，所述宽度学习网络被配置为：
将图像输入依次连接的m组无监督学习模块，并通过多个横向连接的自动编码器对每组无监督学习模块的输出进行特征提取，自动编码器中权重矩阵的转置作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；
通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；
利用代价敏感型分类方法得到权重，并进行分类。
根据本发明的第一方面，所述自动编码器的模型表示为
Figure BDA0002411159960000021
式中l1为范数，b是隐藏特征，x为输入的图像。
根据本发明的第一方面，每组无监督学习模块的输出为
Figure BDA0002411159960000022
且i＝1，...，m，其中g表示非线性激活函数，μj表示映射层的偏置。
根据本发明的第一方面，所述增强节点为
Figure BDA0002411159960000031
是权重矩阵，ηj是增强层的偏差。
根据本发明的第一方面，所述利用代价敏感型分类方法得到权重具体为：将[H，E]记为[Hmin，Emin；Hmaj，Emaj]，并令H1＝[Hmin，Emin]和H2＝[Hmaj，Emaj]，则权重为
Figure BDA0002411159960000032
且权重满足
Figure BDA0002411159960000033
ξ为用于调整目标输出矩阵Tc的正值，I为单位矩阵，Hc＝[kminH1；kmajH2]，Tc＝[kminTmin；kmajTmaj]，kmin＝C(min，min)+C(min，maj)，kmaj＝C(maj，min)+C(maj，maj)，C()表示代价。
根据本发明的第一方面，所述垃圾收集机构包括机械臂、收集仓和用于绞吸垃圾的绞吸机，所述绞吸机的绞吸管设置在所述机械臂上并与所述收集仓连通。
根据本发明的第一方面，所述陆地移动部件为车轮，所述水底移动部件为螺旋桨。
根据本发明的第一方面，水底视觉垃圾清理机器人，还包括水下定位模块。
本发明的第二方面，水底视觉垃圾清理机器人的运行方法，其特征在于，包括以下步骤：
根据水路规划垃圾搜索路线前进，在陆地通过陆地移动部件移动，在水底通过水底移动部件移动；
通过摄像头拍摄水底的图像搜索垃圾；
输入图像通过训练好的宽度学习网络识别出垃圾的第一位置；
根据垃圾的第一位置规划前进路径；
移动到垃圾前停止，拍摄包含垃圾的图像，再次通过训练好的宽度学习网络识别出垃圾的第二位置；
根据垃圾的第二位置控制垃圾收集机构收集垃圾；
其中，所述宽度学习网络被配置为：
将图像输入依次连接的m组无监督学习模块，并通过多个横向连接的自动编码器对每组无监督学习模块的输出进行特征提取，自动编码器的输出的转置作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；
通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；
利用代价敏感型分类方法得到权重，并进行分类。
上述技术方案至少具有以下的有益效果：解决了识别水底垃圾时因分类时类别不平衡存在错分代价不等的情况而引发的代价敏感问题，提高了分类效率和识别能力，提供了一个鲁棒性强且时效性好的垃圾图像识别模块，使机器人能快速有效地定位水底垃圾，从而提高水底垃圾收集的效率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例水底视觉垃圾清理机器人的结构图；
图2是宽度学习网络的处理流程图；
图3是本发明实施例水底视觉垃圾清理机器人的运行方法的流程图；
图4是宽度学习网络的结构图；
图5是自动编码器的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右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。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1和图2，本发明的一个实施例，提供了水底视觉垃圾清理机器人，包括：
机器人主体10，机器人主体10设置有摄像头11、陆地移动部件12、水底移动部件13和垃圾收集机构14；
通信模块20，用于网络通信以及人机交互；
垃圾图像识别模块30，用于根据摄像头11拍摄的图像通过训练好的宽度学习网络31识别出垃圾的位置；
路径规划模块40，用于根据水路规划垃圾搜索路线以及根据垃圾的位置规划前进路径；
中央处理器50，用于处理信息和发出控制指令；
参照图4，其中，宽度学习网络31被配置为：
将图像输入依次连接的m组无监督学习模块，并通过多个横向连接的自动编码器对每组无监督学习模块的输出进行特征提取，自动编码器中权重矩阵的转置作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；
通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；
利用代价敏感型分类方法得到权重，并进行分类。
在该实施例中，自动编码器是单隐藏层前馈神经网络，用作特征提取器，从每组无监督学习模块的输出进行特征提取，从而实现将输入的图像数据映射为高级特征。
参照图5，自动编码器按照确定性映射的方式定义此过程，如下：b＝g(xα+μ)，其中b是隐藏特征，α是权重，μ是偏差，g是激活函数；然后将得到的隐藏特征b映射到原始输入空间中的重构表示
Figure BDA0002411159960000071
如下所示：
Figure BDA0002411159960000072
其中β是权重矩阵，μ'是另一偏差，这里自动编码器的优化目标是最小化x和
Figure BDA0002411159960000073
之间的重构误差。通过从随机空间搜索路径来对α进行参数化，并且将其固定以使用等式b＝g(xα+μ)来提取隐藏特征b。进一步，自动编码器的模型表示为
Figure BDA0002411159960000074
式中l1为范数，b是隐藏特征，x为输入的图像。范数l1用于系数和紧凑潜在特征。
进一步，自动编码器中权重矩阵的转置
Figure BDA0002411159960000075
作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，每组无监督学习模块的输出为
Figure BDA0002411159960000076
且i＝1，...，m，其中g表示非线性激活函数，μj表示映射层的偏置。将所有特征节点所组成的特征节点集H，消除了正交初始化。
进一步，将特征节点集H作为非线性特征检测器，通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E，增强节点为
Figure BDA0002411159960000081
是权重矩阵，ηj是增强层的偏差。
进一步，代价敏感型分类方法通过利用构成代价矩阵的不同错误分类代价以解决数据不平衡问题。将[H，E]记为[Hmin，Emin；Hmaj，Emaj]，并令H1＝[Hmin，Emin]和H2＝[Hmaj，Emaj]，则权重为
Figure BDA0002411159960000082
且权重满足
Figure BDA0002411159960000083
ξ为用于调整目标输出矩阵Tc的正值，I为单位矩阵，Hc＝[kminH1；kmajH2]，Tc＝[kminTmin；kmajTmaj]，kmin＝C(min，min)+C(min，maj)，kmaj＝C(maj，min)+C(maj，maj)，C()表示代价，maj表示图像数据集分类中数据较多的类，min表示图像数据集分类中数据较少的类。在宽度学习网络的训练过程中，权重Wout会不断得到优化。
通过分类器分类好图像中垃圾的种类，从框定垃圾的最终框的中心坐标作为垃圾的坐标，并根据拍摄的像素和焦距计算得到垃圾的最终坐标。
解决了识别水底垃圾时因分类时类别不平衡存在错分代价不等的情况而引发的代价敏感问题，提高了分类效率和识别能力，提供了一个鲁棒性强且时效性好的垃圾图像识别模块30，使机器人能快速有效地定位水底垃圾，从而提高水底垃圾收集的效率。
进一步，垃圾收集机构14包括机械臂、收集仓和用于绞吸垃圾的绞吸机，绞吸机的绞吸管设置在机械臂上并与收集仓连通。
进一步，陆地移动部件12为车轮，水底移动部件13为螺旋桨。
进一步，水底视觉垃圾清理机器人，还包括水下定位模块。
另外，通过用于网络通信以及人机交互的通信模块20，机器人通过通信模块20将图像以及处理结果传输到控制端。需要说明的是，由于垃圾图像识别模块30需要处理过程复杂，计算量大；垃圾图像识别模块30可以设置在机器人的外部，为大型服务器，机器人通过通信模块20将拍摄的图像传输到垃圾图像识别模块30处理，垃圾图像识别模块30将结果返回。
参照图2和图3，本发明的另一个实施例，水底视觉垃圾清理机器人的运行方法，其特征在于，包括以下步骤：
步骤S100、由路径规划模块40根据水路采用A*算法规划垃圾搜索路线前进；通过水仓调节水位，实现潜浮，在陆地通过陆地移动部件12移动，当陆地移动部件12上的压力传感器无感受到压力时，即启动水底移动部件13；在水底通过水底移动部件13移动；具体地，陆地移动部件12为车轮，水底移动部件13为螺旋桨；
步骤S200、通过摄像头11拍摄水底的图像搜索垃圾；
步骤S300、输入图像通过训练好的宽度学习网络31识别出垃圾的第一位置；
步骤S400、由路径规划模块40根据垃圾的第一位置采用A*算法规划前进路径；
步骤S500、通过水底移动部件13移动到垃圾前停止，在移动的过程中通过采用usbl技术的水下定位模块确定机器人在水路地图中的位置，拍摄包含垃圾的图像，再次通过训练好的宽度学习网络31识别出垃圾的第二位置；
步骤S600、根据垃圾的第二位置控制机械臂移动到垃圾的位置，绞吸管的吸入口位于机械臂的末端，开启绞吸管的电机，绞吸管将垃圾吸入到收集仓内；需要说明的是，垃圾的第二位置通过xyz三维坐标系中的坐标表示，中央处理器50根据x轴坐标、y轴坐标和z轴坐标控制机械臂运动，根据坐标控制机械臂运动为自动化控制领域的现有技术，在此不再详述；
其中，宽度学习网络31被配置为：
将图像输入依次连接的m组无监督学习模块，并通过多个横向连接的自动编码器对每组无监督学习模块的输出进行特征提取，自动编码器的输出的转置作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；
通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；
利用代价敏感型分类方法得到权重，并进行分类。
本发明的另一个实施例，一种存储介质，存储介质存有可执行指令，可执行指令用于使视觉水底垃圾机器人按照上述的方法运行和清理水底垃圾。
存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (9)

1.水底视觉垃圾清理机器人，其特征在于，包括：
机器人主体，所述机器人主体设置有摄像头、陆地移动部件、水底移动部件和垃圾收集机构；
通信模块，用于网络通信以及人机交互；
垃圾图像识别模块，用于根据所述摄像头拍摄的图像通过训练好的宽度学习网络识别出垃圾的位置；
路径规划模块，用于根据水路规划垃圾搜索路线以及根据垃圾的位置规划前进路径；
中央处理器，用于处理信息和发出控制指令；
其中，所述宽度学习网络被配置为：
将图像输入依次连接的m组无监督学习模块，并通过多个横向连接的自动编码器对每组无监督学习模块的输出进行特征提取，自动编码器中权重矩阵的转置作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；
通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；
利用代价敏感型分类方法得到权重，并进行分类。
2.根据权利要求1所述的水底视觉垃圾清理机器人，其特征在于，所述自动编码器的模型表示为
Figure FDA0003212876120000011
式中l1为范数，b是隐藏特征，x为输入的图像。
3.根据权利要求1所述的水底视觉垃圾清理机器人，其特征在于，每组无监督学习模块的输出为
Figure FDA0003212876120000021
且j＝1，...，m，其中g表示非线性激活函数，μj表示映射层的偏置。
4.根据权利要求3所述的水底视觉垃圾清理机器人，其特征在于，所述增强节点为
Figure FDA0003212876120000022
Figure FDA0003212876120000025
是权重矩阵，ηj是增强层的偏差。
5.根据权利要求1所述的水底视觉垃圾清理机器人，其特征在于，所述利用代价敏感型分类方法得到权重具体为：将[H，E]记为[Hmin，Emin；Hmaj，Emaj]并令H1＝[Hmin，Emin]和H2＝[Hmaj，Emaj]则权重为
Figure FDA0003212876120000023
且权重满足
Figure FDA0003212876120000024
ξ为用于调整目标输出矩阵Tc的正值，I为单位矩阵，Hc＝[kminH1；kmajH2]，Tc＝[kminTmin；kmajTmaj]，kmin＝C(min，min)+C(min，maj)，kmaj＝C(maj，min)+C(maj，maj)C()表示代价。
6.根据权利要求1至5任一项所述的水底视觉垃圾清理机器人，其特征在于，所述垃圾收集机构包括机械臂、收集仓和用于绞吸垃圾的绞吸机，所述绞吸机的绞吸管设置在所述机械臂上并与所述收集仓连通。
7.根据权利要求6所述的水底视觉垃圾清理机器人，其特征在于，所述陆地移动部件为车轮，所述水底移动部件为螺旋桨。
8.根据权利要求7所述的水底视觉垃圾清理机器人，其特征在于，还包括水下定位模块。
9.水底视觉垃圾清理机器人的运行方法，其特征在于，包括以下步骤：
根据水路规划垃圾搜索路线前进，在陆地通过陆地移动部件移动，在水底通过水底移动部件移动；
通过摄像头拍摄水底的图像搜索垃圾；
输入图像通过训练好的宽度学习网络识别出垃圾的第一位置；
根据垃圾的第一位置规划前进路径；
移动到垃圾前停止，拍摄包含垃圾的图像，再次通过训练好的宽度学习网络识别出垃圾的第二位置；
根据垃圾的第二位置控制垃圾收集机构收集垃圾；
其中，所述宽度学习网络被配置为：
将图像输入依次连接的m组无监督学习模块，并通过多个横向连接的自动编码器对每组无监督学习模块的输出进行特征提取，自动编码器的输出的转置作为相邻的两组无监督学习模块间的横向连接，将无监督学习模块的输出作为特征节点，将所有特征节点所组成的特征集H；
通过激活函数从特征集H提取增强节点，将所有增强节点组成节点集E；
利用代价敏感型分类方法得到权重，并进行分类。
CN202010176992.9A 2020-03-13 2020-03-13 水底视觉垃圾清理机器人及其运作方法 Active CN111428595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010176992.9A CN111428595B (zh) 2020-03-13 2020-03-13 水底视觉垃圾清理机器人及其运作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010176992.9A CN111428595B (zh) 2020-03-13 2020-03-13 水底视觉垃圾清理机器人及其运作方法

Publications (2)

Publication Number Publication Date
CN111428595A CN111428595A (zh) 2020-07-17
CN111428595B true CN111428595B (zh) 2021-10-26

Family

ID=71546517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010176992.9A Active CN111428595B (zh) 2020-03-13 2020-03-13 水底视觉垃圾清理机器人及其运作方法

Country Status (1)

Country Link
CN (1) CN111428595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114987721A (zh) * 2022-05-26 2022-09-02 南方科技大学 一种水下清洁方法及其装置、电子设备、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2685374A1 (fr) * 1991-12-24 1993-06-25 Nicoloff Pierre Robot aspirateur autonome pour piscines.
CN109375633A (zh) * 2018-12-18 2019-02-22 河海大学常州校区 基于全局状态信息的河道清理路径规划系统及方法
CN109465809A (zh) * 2018-12-17 2019-03-15 中北大学 一种基于双目立体视觉定位识别的智能垃圾分类机器人
CN110135466A (zh) * 2019-04-23 2019-08-16 中国科学技术大学 一种污染物排放超标车辆判断方法及系统
CN110654740A (zh) * 2019-09-26 2020-01-07 五邑大学 自动进行垃圾分类的方法、装置及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200082167A1 (en) * 2018-09-07 2020-03-12 Ben Shalom System and method for trash-detection and management
CN110473130A (zh) * 2019-07-30 2019-11-19 五邑大学 一种基于深度学习的垃圾分类评价方法、装置和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2685374A1 (fr) * 1991-12-24 1993-06-25 Nicoloff Pierre Robot aspirateur autonome pour piscines.
CN109465809A (zh) * 2018-12-17 2019-03-15 中北大学 一种基于双目立体视觉定位识别的智能垃圾分类机器人
CN109375633A (zh) * 2018-12-18 2019-02-22 河海大学常州校区 基于全局状态信息的河道清理路径规划系统及方法
CN110135466A (zh) * 2019-04-23 2019-08-16 中国科学技术大学 一种污染物排放超标车辆判断方法及系统
CN110654740A (zh) * 2019-09-26 2020-01-07 五邑大学 自动进行垃圾分类的方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"小型水面垃圾清理机器人";杨云 等;《兵工自动化》;20180331;全文 *

Also Published As

Publication number Publication date
CN111428595A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111201451B (zh) 基于场景的激光数据和雷达数据进行场景中的对象检测的方法及装置
CN110232350B (zh) 一种基于在线学习的实时水面多运动目标检测跟踪方法
Wang et al. Real-time underwater onboard vision sensing system for robotic gripping
CN102236794B (zh) 3d场景中3d对象的识别和姿态确定
CN114384920A (zh) 一种基于局部栅格地图实时构建的动态避障方法
CN112733885A (zh) 点云识别模型的确定方法、点云识别的方法及装置
CN111428595B (zh) 水底视觉垃圾清理机器人及其运作方法
CN114937083B (zh) 一种应用于动态环境的激光slam系统及方法
CN113936210A (zh) 塔吊防撞方法
Yulin et al. Wreckage target recognition in side-scan sonar images based on an improved faster r-cnn model
CN112733971B (zh) 扫描设备的位姿确定方法、装置、设备及存储介质
Skaldebø et al. Dynamic positioning of an underwater vehicle using monocular vision-based object detection with machine learning
CN116664545A (zh) 一种基于深度学习的近海底栖生物定量检测方法及系统
CN116659516A (zh) 基于双目视差机制的深度立体注意力视觉导航方法及装置
WO2020194079A1 (en) Method and system for performing localization of an object in a 3d
CN114255385B (zh) 基于感知向量的光学遥感图像舰船检测方法及系统
CN112319468B (zh) 维持路肩间距的无人驾驶车道保持方法
Bhuvaneswari et al. A novel approach for underwater object detection through deep intense-net for ocean conservation systems
Agrafiotis Image-based bathymetry mapping for shallow waters
CN112733754A (zh) 红外夜视图像行人检测方法、电子设备及存储介质
CN114140497A (zh) 目标车辆3d实时追踪方法及系统
Bhattacharyya Hybrid metaheuristics for image analysis
CN117132914B (zh) 通用电力设备识别大模型方法及系统
CN113971755B (zh) 基于改进yolov3模型的全天候海面目标检测方法
CN116681935B (zh) 一种深海热液喷口自主识别定位方法及系统

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