CN111931597A - 基于人工智能的垃圾分选方法及系统、存储介质、设备 - Google Patents
基于人工智能的垃圾分选方法及系统、存储介质、设备 Download PDFInfo
- Publication number
- CN111931597A CN111931597A CN202010698730.9A CN202010698730A CN111931597A CN 111931597 A CN111931597 A CN 111931597A CN 202010698730 A CN202010698730 A CN 202010698730A CN 111931597 A CN111931597 A CN 111931597A
- Authority
- CN
- China
- Prior art keywords
- garbage
- image
- sorting
- rough
- unit
- 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.)
- Granted
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 258
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000003709 image segmentation Methods 0.000 claims abstract description 35
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000926 separation method Methods 0.000 claims description 10
- 239000002699 waste material Substances 0.000 claims description 7
- 238000007885 magnetic separation Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 239000004033 plastic Substances 0.000 description 5
- 229920003023 plastic Polymers 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 239000000123 paper Substances 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 239000013502 plastic waste Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 238000005406 washing 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明提供一种基于人工智能的垃圾分选方法，包括如下步骤：获取待分选垃圾进行粗分选后的粗分选结果；对粗分选结果的垃圾进行图像分割处理，得到单个垃圾图像；利用机器学习对分割处理后的单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。本发明还涉及一种基于人工智能的垃圾分选系统及存储介质、设备。本发明实现智能机械代替人工分选，不但有效降低了成本，而且提高了可回收资源的利用率；另外，对垃圾粗分类进行维度的规划，对提高后期识别精度起到良好的作用；在进行图像分割处理过程中，根据输送方式的不同，对图像分割进行整体规划，以得到精准的分割效果。
Description
技术领域
本发明涉及洗衣机的投放装置领域，尤其涉及一种基于人工智能的垃圾分选方法。
背景技术
垃圾的可循环可回收处理一直是环保工作的重点，目前在前端智能垃圾分类已经有了很多的尝试，智能垃圾桶即分选设备已经在多个城市的生活终端得到应用。然而，前端的垃圾分类智能起到粗分类的效果，要达到可循环应用的要求，还需要后端垃圾集中处理时候的智能分选。
跟前端不同的是，后端的垃圾分选处理考虑的有两个重点，一是回收收益高于回收成本，回收有利可图才能实现可持续性的发明而不是靠政策补贴来推动；二是回收的物体本身有价值，由其特性决定；比如：无色塑料的可回收价值远远高于有色塑料的回收价值。
根据垃圾分选的特性，现有的垃圾的后期分选处理主要靠人工混合机器的方式进行，其中，机器的主要作用是垃圾粉碎、金属磁选、空瓶分选及大小分类等，而人工主要作用是分选，如纸张、塑料、玻璃等等的进一步分选，通过人工进行的垃圾分选，费时费力。
发明内容
为了克服现有技术的不足，本发明提供一种基于人工智能的垃圾分选方法。
本发明通过将细分选垃圾处理从目前的机器加人工的处理模式变成了机械加人工智能相结合的处理模式，提高了可回收资源的利用率。
本发明提供一种基于人工智能的垃圾分选方法，包括如下步骤：
获取待分选垃圾进行粗分选后的粗分选结果；
对所述粗分选结果的垃圾进行图像分割处理，得到单个垃圾图像；
利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。
优选地，在步骤获取待分选垃圾进行粗分选后的粗分选结果之前，还包括如下步骤：
预设待分选垃圾的垃圾维度；
根据所述垃圾维度对待分选垃圾进行机械分选，并获得所述粗分选结果；其中，所述机械分选包括破碎、磁选、风选、尺寸选中的一种或多种。
优选地，在步骤对所述粗分选结果的垃圾进行图像分割处理中，还包括：
当所述粗分选结果的垃圾在机械上料传送单元上不连续传送时，利用不连续图像分割算法将单个垃圾与背景进行分割，得到单个垃圾图像；
当所述粗分选结果的垃圾在机械上料传送单元上连续传送时，利用连续图像分割算法将单个垃圾与背景进行分割，得到单个垃圾图像。
优选地，在当所述粗分选结果的垃圾在机械上料传送单元上连续传送时步骤中，还包括：
当垃圾出现重叠情况时：
利用图切算法将重叠的垃圾与背景进行分割；
利用场景分割算法将重叠的垃圾进行分割；
利用人工智能算法获得完整的单个垃圾图像；
当垃圾未出现重叠情况时：
利用动态背景图像分割算法将单个垃圾与背景进行分割，得到单个垃圾图像。
优选地，在步骤利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，以获得待分选垃圾的细分选结果中，还包括：
对待分选垃圾中的单个垃圾进行标定，获得垃圾分选样本；
调整网络模型参数，对所述垃圾分选样本进行训练，得到垃圾分选模型；
将待分选垃圾输入所述垃圾分选模型中，进行人工智能识别，得到待分选垃圾的细分选结果。
优选地，在步骤利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，以获得待分选垃圾的细分选结果之后，还包括：
利用下料传送单元将所述细分选结果进行下料输出；将未能识别的单个垃圾进行归类，以单独输出。
本发明还提供一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行一种基于人工智能的垃圾分选方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行一种基于人工智能的垃圾分选方法。
本发明还提供一种基于人工智能的垃圾分选系统，包括上料传送单元、图像获取单元、图像计算单元、机械细分选单元；其中，
所述上料传送单元，被配置用于将垃圾进行平铺；
所述图像获取单元，被配置用于获取待分选垃圾进行粗分选后的粗分选结果；
所述图像计算单元，被配置用于对所述粗分选结果的垃圾进行图像分割处理，得到单个垃圾图像；
所述机械细分选单元，被配置用于利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。
优选地，还包括机械粗分选单元与下料传送单元；其中，
所述机械粗分选单元，被配置用于预设待分选垃圾的垃圾维度，并根据所述垃圾维度对待分选垃圾进行机械分选，并获得所述粗分选结果；
所述下料传送单元，被配置用于根据所述细分选结果进行下料输出；将未能识别的单个垃圾进行归类，以单独输出；
所述图像计算单元包括不连续传送计算单元与连续传送计算单元；其中，
所述不连续传送计算单元，被配置用于当所述粗分选结果的垃圾在机械上料传送单元上不连续传送时，利用不连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像；
所述连续传送计算单元，被配置用于当所述粗分选结果的垃圾在机械上料传送单元上连续传送时，利用连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像。
相比现有技术，本发明的有益效果在于：
本发明公开了一种基于人工智能的垃圾分选方法，该方法通过获取待分选垃圾进行粗分选后的粗分选结果，再对粗分选后的垃圾进行图像分割处理，得到单个垃圾图像；最后利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果；该方法实现智能机械代替人工分选，不但有效降低了成本，而且提高了可回收资源的利用率，该方法提升垃圾回收的自身价值，实现可持续性发展的可能；另外，对垃圾粗分类进行维度的规划，对提高后期识别精度起到良好的作用；在进行图像分割处理过程中，根据输送方式的不同，对图像分割进行整体规划，以得到精准的分割效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的一种基于人工智能的垃圾分选方法的整体流程图；
图2为本发明的一种基于人工智能的垃圾分选方法的图像分割的逻辑图；
图3为本发明的一种基于人工智能的垃圾分选方法的粗分选的逻辑图；
图4为本发明的一种基于人工智能的垃圾分选方法的下料输出的逻辑图；
图5为本发明的一种基于人工智能的垃圾分选方法的机器学习的逻辑图；
图6a为本发明的一种基于人工智能的垃圾分选方法的连续传动的一个实施例的示意图；
图6b为本发明的一种基于人工智能的垃圾分选方法的连续传动的一个实施例的示意图；
图6c为本发明的一种基于人工智能的垃圾分选方法的连续传动的一个实施例的示意图；
图7为本发明的一种基于人工智能的垃圾分选系统的模块图；
附图说明：10、上料传送单元，20、图像获取单元，30、图像计算单元，40、机械细分选单元，50、机械粗分选单元，60、下料传送单元。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本发明提供一种基于人工智能的垃圾分选方法，该方法的主要分类对象为干垃圾；该方法基于粗分类，采用人工智能对待分选垃圾进行分类，实现了完整的从垃圾粗分选到最终的精确细分选的效果。
具体的，如图1所示，包括如下步骤：
S10、获取待分选垃圾进行粗分选后的粗分选结果。在一个实施例中，粗分选主要作用是通过机械及附属手段，对垃圾实现有效的分类，如建筑垃圾、金属、纸张、塑料瓶等进行分类。
具体的，如图3所示，在步骤S1之前包括如下步骤：
预设待分选垃圾的垃圾维度；
根据所述垃圾维度对待分选垃圾进行机械分选，并获得所述粗分选结果；其中，所述机械分选包括破碎、磁选、风选、尺寸选中的一种或多种。根据预先定义的垃圾维度进行分类，其所用的技术包括但不限于传统的粉碎、磁选、分选、尺寸选等技术，跟传统的粗分类技术相比，重点在于对垃圾维度的分类，分类的维度可灵活定义。例如：建筑垃圾是大类，还包括混凝土、砖头、纸板、钢筋灯细分类并可根据预设的垃圾维度灵活组合，最终结果由分类器管理形成特定维度的垃圾，包括但不限于建筑垃圾、塑料垃圾、纸张、金属等或者以上的任意组合。
S20、对所述粗分选结果的垃圾进行图像分割处理，得到单个垃圾图像。在一个实施例中，在步骤S10中获得粗分类结果后，特定维度的垃圾会通过上料传送单元进行识别前的处理，经过上料传送单元如皮带机，输出至图像获取单元，图像获取单元以相机为代表，对上料传送单元的物体进行实时的图像或者视频拍摄，并将结果储存并发送给图像处理单元，在进行图像识别之前还需要对所获取图像进行分割处理。
如图2所示，具体如下：
当所述粗分选结果的垃圾在机械上料传送单元上不连续传送时，利用不连续图像分割算法将单个垃圾与背景进行分割，得到单个垃圾图像。在步骤S10中粗分选后获得的垃圾在皮带机上不连续传送，单独的每个物体即垃圾需进行分割，不连续图像分割算法即为图像背景分割技术，利用图像处理，背景和移动物体的差别，将背景和物体所分离，结合光流算法和图切算法，得到分割后的单个垃圾。
当所述粗分选结果的垃圾在机械上料传送单元上连续传送时，利用连续图像分割算法将单个垃圾与背景进行分割，得到单个垃圾图像。在步骤S10中粗分选后获得的垃圾在皮带机上连续传送，连续传送的垃圾包括重叠与不重叠两种情况。
当垃圾出现重叠情况时，如图6a、6b、6c所示，利用图切算法将重叠的垃圾与背景进行分割。比如单个垃圾A与垃圾B出现重叠现象，优选利用图切算法将重叠的A、B垃圾图像与二者的背景图像进行分割，得到重叠的A、B重叠的垃圾图像与背景图像。
利用场景分割算法将重叠的垃圾进行分割；利用场景分割算法将重叠的垃圾A与B进行分割，得到如图6b所示的分割结果。
利用人工智能算法获得完整的单个垃圾图像；最后利用人工智能算法将不完整的单个垃圾A与B进行补全，得到完整的单个垃圾图像，如图6c所示。
需要说明的是：当重叠的垃圾包括多个，比如A、B、C等若干个垃圾重叠时，利用场景分割算法将若干个重叠的垃圾图像分割成不包括重叠部分的垃圾A、B、C。
当垃圾未出现重叠情况时，利用动态背景图像分割算法将单个垃圾与背景进行分割，得到单个垃圾图像。动态背景图像分割算法优选光流算法，得到单个垃圾图像。
需要解释的是：光流算法就是利用物体的移动信息在相机多次拍照之间找取不同，能够把移动物体和相对固定的背景区分开。
图切算法则是利用像素信息，在同一个拍照的里面，根据边缘信息提取背景和物体的差别。
需要说明的是：当粗分选结果的垃圾在上料传送单元上同时出现不连续传送或连续传送，图像计算单元与图像获取单元相结合可实时切换图像分割算法，得到单个垃圾图像。
S30、利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。
如图5所示，具体包括如下步骤：
对待分选垃圾中的单个垃圾进行标定，获得垃圾分选样本；
调整网络模型参数，对所述垃圾分选样本进行训练，得到垃圾分选模型；
将待分选垃圾输入所述垃圾分选模型中，进行人工智能识别，得到待分选垃圾的细分选结果。一般地，根据步骤S10之前的预设的垃圾维度设定机器学习的初始化模型，并根据图像输入调整模型参数实行训练结果。
优选的，对训练得到的垃圾分选模型进行精度判定，将待测试的待分选垃圾输入垃圾分选模型中，并计算本次测试的检测评价函数，若评价函数值达标则进行下一步；若评价函数值不达标则返回垃圾分选样本制作中，继续优化垃圾分选样本，直至评价函数值达标为止。
将待分选垃圾输入通过评价函数达标的垃圾分选模型中，进行人工智能识别，得到细分选的垃圾。
在步骤S30之后还包括步骤：
如图4所示，利用下料传送单元将所述细分选结果进行下料输出；将未能识别的单个垃圾进行归类，以单独输出。将步骤S30中获得的细分选结果垃圾利用下料传送单元将其进行输出。系统设计具备特定的冗余度，可根据识别精度的要求进行参数调整，对置信度低或者不在识别范围内的物体做为其他物体输出，进行人工复判或替他处理。本实施例中的下料单元包括但不限于机械手、皮带机、移动平台等。
本发明还提供一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行一种基于人工智能的垃圾分选方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行一种基于人工智能的垃圾分选方法。
本发明还提供一种基于人工智能的垃圾分选系统，如图7所示，包括上料传送单元10、图像获取单元20、图像计算单元30、机械细分选单元40；其中，
所述上料传送单元10，被配置用于将垃圾进行平铺；上料传送单元通过机械手段实现对待分选垃圾进行平铺。
所述图像获取单元20，被配置用于获取待分选垃圾进行粗分选后的粗分选结果；图像获取单元优选通过成像对平铺的垃圾进行拍照处理。
所述图像计算单元30，被配置用于对所述粗分选结果的垃圾进行图像分割处理，得到单个垃圾图像；图像计算单元对获取的图像进行处理，得到详细的分类结果。
所述机械细分选单元40，被配置用于利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。机械细分选单元根据分类结果对不同的垃圾采取对应的手段并通过下料传送单元进行最终的下料处理。
进一步地，还包括机械粗分选单元50与下料传送单元60；其中，
所述机械粗分选单元50，被配置用于预设待分选垃圾的垃圾维度，并根据所述垃圾维度对待分选垃圾进行机械分选，并获得所述粗分选结果；机械粗分选单元主要作用通过机械及附属手段，对垃圾实现有效的分类，如建筑垃圾、金属、纸张、塑料瓶等进行分类。
所述下料传送单元60，被配置用于将所述细分选结果进行下料输出；将未能识别的单个垃圾进行归类，以单独输出；
优选地，所述图像计算单元30包括不连续传送计算单元与连续传送计算单元；其中，
所述不连续传送计算单元，被配置用于当所述粗分选结果的垃圾在机械上料传送单元上不连续传送时，利用不连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像；
所述连续传送计算单元，被配置用于当所述粗分选结果的垃圾在机械上料传送单元上连续传送时，利用连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像。
具体的，所述连续传送计算单元包括重叠计算单元与不重叠计算单元；其中，所述重叠计算单元，被配置用于当垃圾出现重叠情况时：
利用图切算法将重叠的垃圾图像与背景图像进行分割；
利用场景分割算法将重叠的垃圾图像进行分割；
利用人工智能算法获得完整的单个垃圾图像；
所述不重叠计算单元，被配置用于当垃圾未出现重叠情况时：
利用动态背景图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像。
本发明提出来一种可实现、可控制成本的垃圾分类解决方案，结合了垃圾机械粗分类，传统图像处理及人工智能的算法，将后端垃圾处理从目前的机器处理及人工混合的方式变成了机械处理和人工智能结合的模式。区别与机器处理及人工混合，在目前的机械处理和人工智能结合的模式下，机械处理的主要母的是为了更好的为后期人工智能识别服务，更注重大分类的维度。该方法不仅有效降低了成本，而且提高了可回收资源的利用率。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.一种基于人工智能的垃圾分选方法，其特征在于，包括如下步骤：
获取待分选垃圾进行粗分选后的粗分选结果；
对所述粗分选结果的垃圾图像进行图像分割处理，得到单个垃圾图像；
利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。
2.如权利要求1所述的一种基于人工智能的垃圾分选方法，其特征在于，在步骤获取待分选垃圾进行粗分选后的粗分选结果之前，还包括如下步骤：
预设待分选垃圾的垃圾维度；
根据所述垃圾维度对待分选垃圾进行机械分选，并获得所述粗分选结果；其中，所述机械分选包括破碎、磁选、风选、尺寸选中的一种或多种。
3.如权利要求1所述的一种基于人工智能的垃圾分选方法，其特征在于，在步骤对所述粗分选结果的垃圾进行图像分割处理中，还包括：
当所述粗分选结果的垃圾在机械上料传送单元上不连续传送时，利用不连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像；
当所述粗分选结果的垃圾在机械上料传送单元上连续传送时，利用连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像。
4.如权利要求3所述的一种基于人工智能的垃圾分选方法，其特征在于，在当所述粗分选结果的垃圾在机械上料传送单元上连续传送时步骤中，还包括：
当垃圾出现重叠情况时：
利用图切算法将重叠的垃圾图像与背景图像进行分割；
利用场景分割算法将重叠的垃圾图像进行分割；
利用人工智能算法获得完整的单个垃圾图像；
当垃圾未出现重叠情况时：
利用动态背景图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像。
5.如权利要求1所述的一种基于人工智能的垃圾分选方法，其特征在于，在步骤利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，以获得待分选垃圾的细分选结果中，还包括：
对待分选垃圾中的单个垃圾进行标定，获得垃圾分选样本；
调整网络模型参数，对所述垃圾分选样本进行训练，得到垃圾分选模型；
将待分选垃圾输入所述垃圾分选模型中，进行人工智能识别，得到待分选垃圾的细分选结果。
6.如权利要求1所述的一种基于人工智能的垃圾分选方法，其特征在于，在步骤利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，以获得待分选垃圾的细分选结果之后，还包括：
利用下料传送单元根据所述细分选结果进行下料输出；将未能识别的单个垃圾进行归类，以单独输出。
7.一种电子设备，其特征在于，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行如权利要求1所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1所述的方法。
9.一种基于人工智能的垃圾分选系统，其特征在于，包括上料传送单元、图像获取单元、图像计算单元、机械细分选单元；其中，
所述上料传送单元，被配置用于将垃圾进行平铺；
所述图像获取单元，被配置用于获取待分选垃圾进行粗分选后的粗分选结果；
所述图像计算单元，被配置用于对所述粗分选结果的垃圾进行图像分割处理，得到单个垃圾图像；
所述机械细分选单元，被配置用于利用机器学习对分割处理后的所述单个垃圾图像进行图像识别处理，得到待分选垃圾的细分选结果。
10.如权利要求9所述的一种基于人工智能的垃圾分选系统，其特征在于，还包括机械粗分选单元与下料传送单元；其中，
所述机械粗分选单元，被配置用于预设待分选垃圾的垃圾维度，并根据所述垃圾维度对待分选垃圾进行机械分选，并获得所述粗分选结果；
所述下料传送单元，被配置用于根据所述细分选结果进行下料输出；将未能识别的单个垃圾进行归类，以单独输出；
所述图像计算单元包括不连续传送计算单元与连续传送计算单元；其中，
所述不连续传送计算单元，被配置用于当所述粗分选结果的垃圾在机械上料传送单元上不连续传送时，利用不连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像；
所述连续传送计算单元，被配置用于当所述粗分选结果的垃圾在机械上料传送单元上连续传送时，利用连续图像分割算法将单个垃圾图像与背景图像进行分割，得到单个垃圾图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010698730.9A CN111931597B (zh) | 2020-07-20 | 2020-07-20 | 基于人工智能的垃圾分选方法及系统、存储介质、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010698730.9A CN111931597B (zh) | 2020-07-20 | 2020-07-20 | 基于人工智能的垃圾分选方法及系统、存储介质、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931597A true CN111931597A (zh) | 2020-11-13 |
| CN111931597B CN111931597B (zh) | 2024-06-04 |
Family
ID=73312633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010698730.9A Active CN111931597B (zh) | 2020-07-20 | 2020-07-20 | 基于人工智能的垃圾分选方法及系统、存储介质、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931597B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092914A (zh) * | 2017-03-23 | 2017-08-25 | 广东数相智能科技有限公司 | 基于图像识别的垃圾分类方法、装置和系统 |
| CN107622231A (zh) * | 2017-09-08 | 2018-01-23 | 内蒙古大学 | 一种水天一体智能漂浮物收集系统及其收集方法 |
| 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 |
| CN110569874A (zh) * | 2019-08-05 | 2019-12-13 | 深圳大学 | 一种垃圾分类方法、装置、智能终端及存储介质 |
| CN110717426A (zh) * | 2019-09-27 | 2020-01-21 | 卓尔智联(武汉)研究院有限公司 | 基于域自适应学习的垃圾分类方法、电子设备及存储介质 |
| CN111003380A (zh) * | 2019-12-25 | 2020-04-14 | 深圳蓝胖子机器人有限公司 | 一种智能回收垃圾的方法、系统、设备 |
| CN111137602A (zh) * | 2020-02-23 | 2020-05-12 | 梁日全 | 一种基于人工智能的垃圾分类方法及垃圾分类系统 |
| CN111186656A (zh) * | 2020-01-10 | 2020-05-22 | 上海电力大学 | 一种目标垃圾分类方法及智能垃圾桶 |
-
2020
- 2020-07-20 CN CN202010698730.9A patent/CN111931597B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092914A (zh) * | 2017-03-23 | 2017-08-25 | 广东数相智能科技有限公司 | 基于图像识别的垃圾分类方法、装置和系统 |
| CN107622231A (zh) * | 2017-09-08 | 2018-01-23 | 内蒙古大学 | 一种水天一体智能漂浮物收集系统及其收集方法 |
| 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 |
| CN110569874A (zh) * | 2019-08-05 | 2019-12-13 | 深圳大学 | 一种垃圾分类方法、装置、智能终端及存储介质 |
| CN110717426A (zh) * | 2019-09-27 | 2020-01-21 | 卓尔智联(武汉)研究院有限公司 | 基于域自适应学习的垃圾分类方法、电子设备及存储介质 |
| CN111003380A (zh) * | 2019-12-25 | 2020-04-14 | 深圳蓝胖子机器人有限公司 | 一种智能回收垃圾的方法、系统、设备 |
| CN111186656A (zh) * | 2020-01-10 | 2020-05-22 | 上海电力大学 | 一种目标垃圾分类方法及智能垃圾桶 |
| CN111137602A (zh) * | 2020-02-23 | 2020-05-12 | 梁日全 | 一种基于人工智能的垃圾分类方法及垃圾分类系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931597B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102222176B1 (ko) | 인공지능 기반의 재활용 분류 시스템 | |
| US12006141B2 (en) | Systems and methods for detecting waste receptacles using convolutional neural networks | |
| JP6679188B1 (ja) | 廃棄物選別装置及び廃棄物選別方法 | |
| CN110884791A (zh) | 一种基于TensorFlow的视觉垃圾分类系统及分类方法 | |
| KR101270354B1 (ko) | 폐기물 재활용 분류 시스템 | |
| KR20190071387A (ko) | 재활용 쓰레기 자동 분류 장치 및 방법 | |
| CN112827846B (zh) | 一种垃圾自动分类的装置及方法 | |
| Flores et al. | Literature review of automated waste segregation system using machine learning: A comprehensive analysis | |
| JP2021137738A (ja) | 廃棄物選別装置 | |
| CN111144480A (zh) | 一种可回收垃圾视觉分类方法、系统、设备 | |
| CN110654740A (zh) | 自动进行垃圾分类的方法、装置及存储介质 | |
| CN111003380A (zh) | 一种智能回收垃圾的方法、系统、设备 | |
| CN111767804A (zh) | 基于人工智能的可回收垃圾图像分类方法及系统 | |
| CN112651318A (zh) | 基于图像识别的垃圾分类方法、装置和系统 | |
| Sree et al. | Waste Management Detection Using Deep Learning | |
| Ji et al. | Automatic sorting of low-value recyclable waste: a comparative experimental study | |
| Gill et al. | Garbage Classification Utilizing Effective Convolutional Neural Network | |
| Mittal et al. | Trash classification: classifying garbage using deep learning | |
| CN111931597A (zh) | 基于人工智能的垃圾分选方法及系统、存储介质、设备 | |
| CN116020771A (zh) | 一种基于多源信息融合的可回收垃圾精细分选系统 | |
| Sanathkumar et al. | Smart Waste Segregation | |
| Puthussery et al. | Green dream: A deep learning based real-time model for automatic waste segregation from video streams | |
| CN113120461A (zh) | 用于智慧城市的垃圾分类识别系统及方法 | |
| Karthika et al. | Machine Learning Powered Smart Dumpster Monitoring and Clearance System | |
| Chowdhury et al. | The Design and Implementation of an Autonomous Waste Sorting Machine Using Machine Learning Technique |
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 |