CN112364758B - 基于多目标图像识别的垃圾分类回收方法及系统 - Google Patents

基于多目标图像识别的垃圾分类回收方法及系统 Download PDF

Info

Publication number
CN112364758B
CN112364758B CN202011243443.5A CN202011243443A CN112364758B CN 112364758 B CN112364758 B CN 112364758B CN 202011243443 A CN202011243443 A CN 202011243443A CN 112364758 B CN112364758 B CN 112364758B
Authority
CN
China
Prior art keywords
garbage
image
sardine
flagfish
population
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
CN202011243443.5A
Other languages
English (en)
Other versions
CN112364758A (zh
Inventor
任心贵
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.)
Centran Technology Co ltd
Original Assignee
Centran Technology Co ltd
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 Centran Technology Co ltd filed Critical Centran Technology Co ltd
Priority to CN202011243443.5A priority Critical patent/CN112364758B/zh
Publication of CN112364758A publication Critical patent/CN112364758A/zh
Application granted granted Critical
Publication of CN112364758B publication Critical patent/CN112364758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于多目标图像识别的垃圾分类回收方法及系统，所述方法包括：采集待识别垃圾图像，对图像进行预处理；采用改进的旗鱼优化算法计算图像最优的阈值分割组合；通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别。本发明采用改进的旗鱼优化算法进行多阈值分割寻优，可以一次性识别多种垃圾。

Description

基于多目标图像识别的垃圾分类回收方法及系统
技术领域
本发明涉及垃圾分类技术领域，具体涉及一种基于多目标图像识别的垃圾分类回收方法及系统。
背景技术
随着现代人们生活水平的提高和各项消费的增加，城市垃圾产生最日益增多，环境污染问题日益严重，垃圾的回收利用也成为了可持续发展战略的重要组成部分。由于垃圾中往往混合有多种类别的物件，在对垃圾进行回收利用之前，首先需要对垃圾进行分类，以根据不同类别的垃圾进行分别回收和处理。垃圾分类在源头将垃圾分类投放。
现阶段生活垃圾分类主要是基于经验或者人工监督分类的方式，基于图像识别的智能垃圾分类技术也得到一定的发展，但是目前基于图像的垃圾分类大多是基于单个垃圾，当图像中垃圾数量较多时识别的准确率降低，不利于垃圾的正确分类回收。
发明内容
有鉴于此，本发明提出了一种垃圾分类回收方法及系统，用于解决基于图像的垃圾分类技术在图像中垃圾数量较多时无法有效同时识别多个垃圾的问题。
本发明第一方面，公开一种基于多目标图像识别的垃圾分类回收方法，所述方法包括：
采集待识别垃圾图像，对图像进行预处理；
采用改进的旗鱼优化算法计算图像最优的阈值分割组合；
通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；
通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别。
优选的，所述采用改进的智能优化算法计算最优的阈值分割组合具体包括：
S01、旗鱼算法初始化，包括设置旗鱼种群数量NSF、沙丁鱼种群数量NS，解空间维度D、最大迭代次数T；获取图像的灰度值范围，在所述灰度值范围内随机初始化种群位置，其中旗鱼种群用XSF表示，沙丁鱼种群用表示XS；
S02、通过适应度函数分别计算旗鱼和沙丁鱼个体的适应度值，并且保存最优适应度值和位置；
S03、进行旗鱼位置更新，位置更新公式为：
其中，分别为第t次、t+1次迭代时旗鱼位置，/>第t次迭代时旗鱼的最佳位置
λt＝(2*rand(0,1)-1)*PD，PD代表猎物群的密度，
S04、根据旗鱼的攻击力度AP，进行沙丁鱼的位置更新：
AP＝A*(1-2*t*e)
A1、A2为警觉系数，AP代表旗鱼的攻击力度，A、e为常数，当AP>0.5时，更新沙丁鱼全部位置，当AP≤0.5时，更新沙丁鱼部分位置，所述部分位置的范围定义如下：
α＝NS*AP，β＝dt*AP
其中α代表要更新沙丁鱼的数量，β表示要更新的维度数量，1<dt<D；
S05、分别计算适应度，如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼位置赋值给旗鱼；
S06、返回步骤S02，迭代运算直到达到设定迭代次数，输出最优位置作为最优的阈值分割组合。
优选的，沙丁鱼位置更新公式中，警觉系数A1、A2为：
其中，a1、a2∈[0,2]，k是[1,NS]之间的随机整数，且k≠i，fi、fk分别为第i、k只灰狼的适应度值；sumf为整个种群的适应度之和，ε为常数meand为种群在第d维的平均位置。
优选的，所述适应度函数的目标为图像背景和多个目标之间的类间方差最大，计算公式为：
μT为整个图像的灰度平均值，μk为第k个目标区域的灰度平均值，ωk为第k个目标区域可能出现的概率。
优选的，所述方法还包括：
通过语音播报从图像中识别出的各类垃圾及对应的垃圾回收类别，统计图像中各类垃圾对应的垃圾回收类别的众数，提醒用户取出与所述众数类别不同的少数类重新进行垃圾回收分类。
本发明第二方面，公开一种基于多目标图像识别的垃圾分类回收系统，所述系统包括：
图像获取模块：采集待识别垃圾图像，对图像进行预处理；
阈值计算模块：采用改进的旗鱼优化算法计算图像最优的阈值分割组合；
目标提取模块：通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；
识别分类模块：通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别；
语音提醒模块：通过语音播报从图像中识别出的各类垃圾及对应的垃圾回收类别，统计图像中各类垃圾对应的垃圾回收类别的众数，提醒用户取出与所述众数类别不同的少数类重新进行垃圾回收分类。
优选的，所述阈值计算模块具体包括：
初始化单元：用于旗鱼算法初始化，包括设置旗鱼种群数量NSF、沙丁鱼种群数量NS，解空间维度D、最大迭代次数T；获取图像的灰度值范围，在所述灰度值范围内随机初始化种群位置，其中旗鱼种群用XSF表示，沙丁鱼种群用表示XS；
适应度计算单元：用于通过适应度函数分别计算旗鱼和沙丁鱼个体的适应度值，并且保存最优适应度值和位置；
位置更新单元：进行旗鱼位置更新，位置更新公式为：
其中，分别为第t次、t+1次迭代时旗鱼位置，/>第t次迭代时旗鱼的最佳位置；
λt＝(2*rand(0,1)-1)*PD，PD代表猎物群的密度，
根据旗鱼的攻击力度AP，进行沙丁鱼的位置更新：
AP＝A*(1-2*t*e)
A1、A2为警觉系数，AP代表旗鱼的攻击力度，A、e为常数，当AP>0.5时，更新沙丁鱼全部位置，当AP≤0.5时，更新沙丁鱼部分位置，所述部分位置的范围定义如下：
α＝NS*AP，β＝dt*AP
其中α代表要更新沙丁鱼的数量，β表示要更新的维度数量，1<dt<D；
分别计算适应度，如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼位置赋值给旗鱼；
输出单元：迭代运算直到达到设定迭代次数，输出最优位置作为最优的阈值分割组合。
本发明相对于现有技术具有以下有益效果：
1)本发明采用改进的旗鱼优化算法进行多阈值分割寻优，在旗鱼优化算法中引入警觉系数，沙丁鱼的位置更新时合理平衡搜索范围与收敛速度的关系，寻找图像最优的阈值分割组合，提取出多个目标区域进行多目标识别；
2)本发明基于多阈值分割，可一次性识别多种垃圾，并统计图像中各类垃圾对应的垃圾回收类别的众数，可快速挑选出与所述众数类别不同的垃圾，提高垃圾分类效率，用户只需要将当前少数类的垃圾挑选出来重新分类即可，不需要将每个垃圾单独分类，提高垃圾分类效率，方便快捷。
附图说明
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，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于多目标图像识别的垃圾分类回收方法流程示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术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方式，都属于本发明保护的范围。
如图1所示，本发明公开一种基于多目标图像识别的垃圾分类回收方法，所述方法包括：
S1、采集待识别垃圾图像，对图像进行预处理；
S2、采用改进的旗鱼优化算法计算图像最优的阈值分割组合；具体步骤包括：
S01、旗鱼算法初始化，包括设置旗鱼种群数量NSF、沙丁鱼种群数量NS，解空间维度D、最大迭代次数T；获取图像的灰度值范围，在所述灰度值范围内随机初始化种群位置，其中旗鱼种群用XSF表示，沙丁鱼种群用表示XS；
S02、通过适应度函数分别计算旗鱼和沙丁鱼个体的适应度值，并且保存最优适应度值和位置；
所述适应度函数的目标为图像背景和多个目标之间的类间方差最大，计算公式为：
μT为整个图像的灰度平均值，μk为第k个目标区域的灰度平均值，ωk为第k个目标区域可能出现的概率。
S03、进行旗鱼位置更新，位置更新公式为：
其中，分别为第t次、t+1次迭代时旗鱼位置，/>第t次迭代时旗鱼的最佳位置；
λt＝(2*rand(0,1)-1)*PD，PD代表猎物群的密度，
S04、根据旗鱼的攻击力度AP，进行沙丁鱼的位置更新：
AP＝A*(1-2*t*e)
A1、A2为警觉系数，警觉系数A1、A2为：
其中，a1、a2∈[0,2]，k是[1,NS]之间的随机整数，且k≠i，fi、fk分别为第i、k个个体的适应度值；sumf为整个种群的适应度之和，ε为常数，meand为沙丁鱼种群在第d维的平均位置；
AP代表旗鱼的攻击力度，A、e为常数，当AP>0.5时，更新沙丁鱼全部位置，当AP≤0.5时，更新沙丁鱼部分位置，所述部分位置的范围定义如下：
α＝NS*AP，β＝dt*AP
其中α代表要更新沙丁鱼的数量，β表示要更新的维度数量，1<dt<D；
本发明采用改进的旗鱼优化算法进行多阈值分割寻优，在旗鱼优化算法中引入警觉系数A1、A2，并基于旗鱼攻击位置和沙丁鱼种群的平均位置改进了沙丁鱼位置更新公式，可以合理平衡旗鱼攻击沙丁鱼时沙丁鱼的位置更新步长，既能扩大搜索范围避免陷入局部最优，又能避免步长过大错过最优位置。可实现搜索范围与收敛速度的合理平衡，寻找图像最优的阈值分割组合，从而提取出多个目标区域实现多目标精准识别。
S05、分别计算适应度，如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼位置赋值给旗鱼；
S06、返回步骤S02，迭代运算直到达到设定迭代次数，输出最优位置作为最优的阈值分割组合。
S3、通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；
S4、通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别。
S5、通过语音播报从图像中识别出的各类垃圾及对应的垃圾回收类别，统计图像中各类垃圾对应的垃圾回收类别的众数，提醒用户取出与所述众数类别不同的少数类重新进行垃圾回收分类。
本发明基于多阈值分割，可一次性准确识别出多种垃圾，并统计图像中各类垃圾对应的垃圾回收类别的众数，可快速挑选出与所述众数类别不同的垃圾，提高垃圾分类效率，用户只需要将当前少数类的垃圾挑选出来重新分类即可，不需要将每个垃圾单独分类，提高垃圾分类效率，方便快捷。
与所述方法实施例相对应，本发明还提出一种基于多目标图像识别的垃圾分类回收系统，所述系统包括：
图像获取模块：采集待识别垃圾图像，对图像进行预处理；
阈值计算模块：采用改进的旗鱼优化算法计算图像最优的阈值分割组合；
目标提取模块：通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；
识别分类模块：通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别；
语音提醒模块：通过语音播报从图像中识别出的各类垃圾及对应的垃圾回收类别，统计图像中各类垃圾对应的垃圾回收类别的众数，提醒用户取出与所述众数类别不同的少数类重新进行垃圾回收分类。
所述阈值计算模块具体包括：
初始化单元：用于旗鱼算法初始化，包括设置旗鱼种群数量NSF、沙丁鱼种群数量NS，解空间维度D、最大迭代次数T；获取图像的灰度值范围，在所述灰度值范围内随机初始化种群位置，其中旗鱼种群用XSF表示，沙丁鱼种群用表示XS；
适应度计算单元：用于通过适应度函数分别计算旗鱼和沙丁鱼个体的适应度值，并且保存最优适应度值和位置；
位置更新单元：进行旗鱼位置更新，位置更新公式为：
其中，分别为第t次、t+1次迭代时旗鱼位置，/>第t次迭代时旗鱼的最佳位置；
λt＝(2*rand(0,1)-1)*PD，PD代表猎物群的密度，
根据旗鱼的攻击力度AP，进行沙丁鱼的位置更新：
AP＝A*(1-2*t*e)
A1、A2为警觉系数，AP代表旗鱼的攻击力度，A、e为常数，当AP>0.5时，更新沙丁鱼全部位置，当AP≤0.5时，更新沙丁鱼部分位置，所述部分位置的范围定义如下：
α＝NS*AP，β＝dt*AP
其中α代表要更新沙丁鱼的数量，β表示要更新的维度数量，1<dt<D；
分别计算适应度，如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼位置赋值给旗鱼；
输出单元：迭代运算直到达到设定迭代次数，输出最优位置作为最优的阈值分割组合。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于多目标图像识别的垃圾分类回收方法，其特征在于，所述方法包括：
采集待识别垃圾图像，对图像进行预处理；
采用改进的旗鱼优化算法计算图像最优的阈值分割组合；所述采用改进的旗鱼优化算法计算最优的阈值分割组合具体包括：
S01、旗鱼优化算法初始化，包括设置旗鱼种群数量NSF、沙丁鱼种群数量NS，解空间维度D、最大迭代次数T；获取图像的灰度值范围，在所述灰度值范围内随机初始化种群位置，其中旗鱼种群用XSF表示，沙丁鱼种群用XS表示；
S02、通过适应度函数分别计算旗鱼和沙丁鱼个体的适应度值，并且保存最优适应度值和位置；
S03、进行旗鱼位置更新，位置更新公式为：
其中，分别为第t次、t+1次迭代时旗鱼位置，/>第t次迭代时旗鱼的最佳位置；
λt＝(2*rand(0,1)-1)*PD，PD代表猎物群的密度，
S04、根据旗鱼的攻击力度AP，进行沙丁鱼的位置更新：
AP＝A*(1-2*t*e)
A1、A2为警觉系数，AP代表旗鱼的攻击力度，A、e为常数，当AP>0.5时，更新沙丁鱼全部位置，当AP≤0.5时，更新沙丁鱼部分位置，所述部分位置的范围定义如下：
α＝NS*AP，β＝dt*AP
其中α代表要更新沙丁鱼的数量，β表示要更新的维度数量，1<dt<D；
S05、分别计算适应度，如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼位置赋值给旗鱼；
S06、返回步骤S02，迭代运算直到达到设定迭代次数，输出最优位置作为最优的阈值分割组合；
通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；
通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别。
2.根据权利要求1所述基于多目标图像识别的垃圾分类回收方法，其特征在于，所述垃圾回收类别包括可回收垃圾、有害垃圾、干垃圾、湿垃圾。
3.根据权利要求1所述基于多目标图像识别的垃圾分类回收方法，其特征在于，沙丁鱼位置更新公式中，警觉系数A1、A2为：
其中，a1、a2∈[0,2]，k是[1,NS]之间的随机整数，且k≠i，fi、fk分别为第i、k只灰狼的适应度值；sumf为整个种群的适应度之和，ε为常数，meand为种群在第d维的平均位置。
4.根据权利要求3所述基于多目标图像识别的垃圾分类回收方法，其特征在于，所述适应度函数的目标为图像背景和多个目标之间的类间方差最大，计算公式为：
μT为整个图像的灰度平均值，μk为第k个目标区域的灰度平均值，ωk为第k个目标区域可能出现的概率。
5.根据权利要求1所述基于多目标图像识别的垃圾分类回收方法，其特征在于，所述方法还包括：
语音播报从图像中识别出的各类垃圾及对应的垃圾回收类别，统计图像中各类垃圾对应的垃圾回收类别的众数，提醒用户取出与所述众数类别不同的少数类重新进行垃圾回收分类。
6.一种基于多目标图像识别的垃圾分类回收系统，其特征在于，所述系统包括：
图像获取模块：采集垃圾图像，对图像进行预处理；
阈值计算模块：采用改进的旗鱼优化算法计算图像最优的阈值分割组合；
目标提取模块：通过所述阈值分割组合对图像进行多阈值分割，提取出多个目标区域；
识别分类模块：通过训练好的神经网络模型识别所述目标区域，根据识别出的垃圾种类判断所属的垃圾回收类别；
语音提醒模块：通过语音播报从图像中识别出的各类垃圾及对应的垃圾回收类别，统计图像中各类垃圾对应的垃圾回收类别的众数，提醒用户取出与所述众数类别不同的少数类重新进行垃圾回收分类；
所述阈值计算模块具体包括：
初始化单元：用于旗鱼优化算法初始化，包括设置旗鱼种群数量NSF、沙丁鱼种群数量NS，解空间维度D、最大迭代次数T；获取图像的灰度值范围，在所述灰度值范围内随机初始化种群位置，其中旗鱼种群用XSF表示，沙丁鱼种群用XS表示；
适应度计算单元：用于通过适应度函数分别计算旗鱼和沙丁鱼个体的适应度值，并且保存最优适应度值和位置；
位置更新单元：进行旗鱼位置更新，位置更新公式为：
其中，分别为第t次、t+1次迭代时旗鱼位置，/>第t次迭代时旗鱼的最佳位置；
λt＝(2*rand(0,1)-1)*PD，PD代表猎物群的密度，
根据旗鱼的攻击力度AP，进行沙丁鱼的位置更新：
AP＝A*(1-2*t*e)
A1、A2为警觉系数，AP代表旗鱼的攻击力度，A、e为常数，当AP>0.5时，更新沙丁鱼全部位置，当AP≤0.5时，更新沙丁鱼部分位置，所述部分位置的范围定义如下：
α＝NS*AP，β＝dt*AP
其中α代表要更新沙丁鱼的数量，β表示要更新的维度数量，1<dt<D；
分别计算适应度，如果沙丁鱼的位置优于旗鱼的位置，将沙丁鱼位置赋值给旗鱼；
输出单元：迭代运算直到达到设定迭代次数，输出最优位置作为最优的阈值分割组合。
CN202011243443.5A 2020-11-10 2020-11-10 基于多目标图像识别的垃圾分类回收方法及系统 Active CN112364758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011243443.5A CN112364758B (zh) 2020-11-10 2020-11-10 基于多目标图像识别的垃圾分类回收方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011243443.5A CN112364758B (zh) 2020-11-10 2020-11-10 基于多目标图像识别的垃圾分类回收方法及系统

Publications (2)

Publication Number Publication Date
CN112364758A CN112364758A (zh) 2021-02-12
CN112364758B true CN112364758B (zh) 2024-06-25

Family

ID=74510129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011243443.5A Active CN112364758B (zh) 2020-11-10 2020-11-10 基于多目标图像识别的垃圾分类回收方法及系统

Country Status (1)

Country Link
CN (1) CN112364758B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177954B (zh) * 2021-04-28 2022-07-26 中南大学 一种图像处理方法和装置
CN113435625B (zh) * 2021-05-25 2022-03-25 国网河北省电力有限公司衡水供电分公司 电力系统动态经济调度优化方法及设备
CN113744292A (zh) * 2021-09-16 2021-12-03 安徽世绿环保科技有限公司 一种垃圾分类站垃圾投放扫描系统
CN115993345A (zh) * 2022-08-11 2023-04-21 贵州电网有限责任公司 一种基于isfo-vmd-kelm的sf6分解组分co2浓度反演的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016049215A2 (en) * 2014-09-23 2016-03-31 Quixey, Inc. Dynamic entity inference for developer integration of entity-based external functionality
SG11201707296QA (en) * 2016-11-11 2018-06-28 Huawei Tech Co Ltd Storage system and system garbage collection method
CN107092914B (zh) * 2017-03-23 2021-01-05 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
CN107054937A (zh) * 2017-03-23 2017-08-18 广东数相智能科技有限公司 一种基于图像识别的垃圾分类提示装置和系统
CN107705306B (zh) * 2017-10-26 2020-07-03 中原工学院 一种基于多特征矩阵低秩分解的织物疵点检测方法
CN110773455A (zh) * 2019-11-28 2020-02-11 华中科技大学 一种基于红外视觉的垃圾智能分拣装置及方法
CN111268317B (zh) * 2020-03-03 2023-02-03 深圳壹账通智能科技有限公司 垃圾分类处理方法、装置、终端及存储介质
CN111753844B (zh) * 2020-06-30 2022-10-04 烟台艾睿光电科技有限公司 一种干湿垃圾分类方法、分类箱和分拣系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于机器视觉的大型生活垃圾焚烧过程诊断方法研究;黄帅;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第07期);B027-771 *
结合梯度与非局部均值的图像分割方法研究;郭宇;《中国优秀硕士学位论文全文数据库信息科技辑》(第03期);I138-1270 *

Also Published As

Publication number Publication date
CN112364758A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112364758B (zh) 基于多目标图像识别的垃圾分类回收方法及系统
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN108171136A (zh) 一种多任务卡口车辆以图搜图的系统及方法
CN109583305A (zh) 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法
CN111597887B (zh) 一种行人再识别方法及系统
CN109410184B (zh) 基于稠密对抗网络半监督学习的直播色情图像检测方法
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN105469080B (zh) 一种人脸表情识别方法
CN105404886A (zh) 特征模型生成方法和特征模型生成装置
CN105975932A (zh) 基于时间序列shapelet的步态识别分类方法
CN105306296A (zh) 一种基于lte信令的数据过滤处理方法
CN101493887A (zh) 基于半监督学习和哈希索引的眉毛图像分割方法
CN111931953A (zh) 一种废旧手机多尺度特征深度森林识别方法
CN106491322A (zh) 基于OpenCV图像识别的盲人拐杖控制系统及方法
CN106570475A (zh) 一种紫砂壶印章检索方法
CN112784754A (zh) 一种车辆再识别方法、装置、设备及存储介质
CN104361135A (zh) 一种图像检索方法
CN116032741A (zh) 一种设备识别方法、装置、电子设备和计算机存储介质
CN111428064A (zh) 小面积指纹图像快速索引方法、装置、设备及存储介质
CN114495220A (zh) 一种目标身份识别方法、装置以及存储介质
CN115496948A (zh) 一种基于深度学习的网络监督细粒度图像识别方法和系统
CN114048344A (zh) 一种相似人脸搜索方法、装置、设备和可读存储介质
CN106651924A (zh) 一种侧抑制的随机分形搜索模板匹配方法
CN113744292A (zh) 一种垃圾分类站垃圾投放扫描系统
Shelton et al. Comparison of Genetic-based Feature Extraction Methods for Facial Recognition.

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 325204 Zhangzhai Village, Tangxia Town, Rui'an City, Wenzhou City, Zhejiang Province (50 meters north of Yijia International Plaza)

Applicant after: Zhejiang Bofeng Digital Technology Co.,Ltd.

Address before: 441000 room 004, 5 / F, building 1, Wushang super life hall, No. 36, Changhong South Road, Xiangcheng District, Xiangyang City, Hubei Province

Applicant before: Hubei Huili Network Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240403

Address after: 509 Kangrui Times Square, Keyuan Business Building, 39 Huarong Road, Gaofeng Community, Dalang Street, Longhua District, Shenzhen, Guangdong Province, 518000

Applicant after: Shenzhen Litong Information Technology Co.,Ltd.

Country or region after: China

Address before: 325204 Zhangzhai Village, Tangxia Town, Rui'an City, Wenzhou City, Zhejiang Province (50 meters north of Yijia International Plaza)

Applicant before: Zhejiang Bofeng Digital Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right

Effective date of registration: 20240522

Address after: 219, 2nd Floor, Teaching Building Section II (Science and Technology Park Building A), West Campus of Beijing University of Chemical Technology, No. 98 Zizhuyuan Road, Haidian District, Beijing, 100000

Applicant after: CENTRAN TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: 509 Kangrui Times Square, Keyuan Business Building, 39 Huarong Road, Gaofeng Community, Dalang Street, Longhua District, Shenzhen, Guangdong Province, 518000

Applicant before: Shenzhen Litong Information Technology Co.,Ltd.

Country or region before: China

GR01 Patent grant