CN112434726A - —种基于深度学习的垃圾识别分类方法 - Google Patents
—种基于深度学习的垃圾识别分类方法 Download PDFInfo
- Publication number
- CN112434726A CN112434726A CN202011207834.1A CN202011207834A CN112434726A CN 112434726 A CN112434726 A CN 112434726A CN 202011207834 A CN202011207834 A CN 202011207834A CN 112434726 A CN112434726 A CN 112434726A
- Authority
- CN
- China
- Prior art keywords
- garbage
- data
- deep learning
- metal
- classification
- 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 285
- 238000013135 deep learning Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 39
- 229910052751 metal Inorganic materials 0.000 claims abstract description 77
- 239000002184 metal Substances 0.000 claims abstract description 77
- 229910052755 nonmetal Inorganic materials 0.000 claims abstract description 67
- 239000010814 metallic waste Substances 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 18
- 230000000704 physical effect Effects 0.000 claims description 15
- 239000010819 recyclable waste Substances 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000010791 domestic waste Substances 0.000 abstract description 12
- 239000002699 waste material Substances 0.000 abstract description 12
- 239000004033 plastic Substances 0.000 abstract description 8
- 229920003023 plastic Polymers 0.000 abstract description 8
- 239000011521 glass Substances 0.000 abstract description 7
- 239000000123 paper Substances 0.000 abstract description 5
- 238000000926 separation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005389 magnetism Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000010926 waste battery Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Processing Of Solid Wastes (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明公开了—种基于深度学习的垃圾识别分类方法,包括以下步骤,步骤1:将垃圾进行初步分类;步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取;通过对垃圾进行初步的分类,将垃圾中的金属和非金属分开,在进行分类识别时更加容易进行识别,减少了非金属垃圾对金属垃圾分类的影响,进而使可回收的金属垃圾分类更加精准;通过对非金属垃圾的数据检测,便于将非金属垃圾中含有的厨余生活垃圾进行识别分离,进而只剩下塑料、玻璃和纸张等可回收的非金属垃圾,当对非金属可回收垃圾进行分类时,同样减少了厨余生活垃圾的影响,进而使垃圾在基于深度学习进行识别分类时更加准确。
Description
技术领域
本发明属于垃圾分类技术领域,具体涉及—种基于深度学习的垃圾识别分类方法。
背景技术
垃圾分类,一般是指按一定规定或标准将垃圾分类储存、分类投放和分类搬运,从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值,力争物尽其用,减少垃圾处理量和处理设备,降低处理成本,减少土地资源的消耗,具有社会、经济、生态等几方面的效益;垃圾在分类储存阶段属于公众的私有品,垃圾经公众分类投放后成为公众所在小区或社区的区域性准公共资源,垃圾分类搬运到垃圾集中点或转运站后成为没有排除性的公共资源;从国内外各城市对生活垃圾分类的方法来看,大多都是根据垃圾的成分、产生量,结合本地垃圾的资源利用和处理方式等来进行分类的。
垃圾分类是对垃圾收集处置传统方式的改革,是对垃圾进行有效处置的一种科学管理方法,为了最大限度地实现垃圾资源利用,减少垃圾处置的数量,改善生存环境状态,需要将可回收垃圾进行再次利用,但是可回收垃圾中会掺杂有害垃圾,例如用于医药的塑料包装、存放化合物的金属或者玻璃瓶罐以及废弃电池等,这些垃圾中虽然含有塑料和金属等垃圾,但是也会包含有害物质,需要进行特殊的无害处理,这对垃圾进行分类时造成了较大的麻烦,特别是基于人工和设备的分类,对有害垃圾的识别效果很低,再加上厨余生活垃圾较为混乱,导致识别分类效率低,比较容易出错。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供—种基于深度学习的垃圾识别分类方法,以解决上述背景技术中提出的有害垃圾导致对垃圾进行分类时较为麻烦,特别是基于人工和设备的分类,对有害垃圾的识别效果很低,导致分类效率低,比较容易出错的问题。
为实现上述目的,本发明提供如下技术方案:—种基于深度学习的垃圾识别分类方法,包括以下步骤;
步骤1:将垃圾进行初步分类;
步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取;
步骤3:基于深度学习对数据采集模块所获取的数据进行分析检测;
步骤4:基于深度学习的识别结果进行垃圾分类;
步骤5:基于数据采集模块对已分类垃圾数据进行获取。
优选的,所述步骤1包括以下步骤;
步骤1.1:将待分类垃圾中的金属垃圾进行分类;
步骤1.2:将金属垃圾与非金属垃圾分别单独进行预处理。
优选的,所述步骤2包括以下步骤;
步骤2.1:基于数据采集模块对金属垃圾数据进行采集;
步骤2.2:基于数据采集模块对非金属垃圾的数据进行采集;
步骤2.3:将金属与非金属垃圾数据进行预处理。
优选的,所述步骤3包括以下步骤;
步骤3.1:基于深度学习对初始数据库训练分类模型;
步骤3.2:基于深度学习对数据采集模块的预处理数据进行数据检测;
步骤3.3:基于深度学习对数据进行识别和分类;
优选的,所述步骤4包括以下步骤;
步骤4.1:基于深度学习识别结果对金属垃圾中无害垃圾进行分类;
步骤4.2:基于深度学习识别结果对非金属垃圾中的生活厨余垃圾进行分类;
步骤4.3:基于深度学习识别结果对非金属垃圾中的可回收垃圾进行分类;
步骤4.4:基于深度学习识别结果对有害垃圾进行分类。
优选的,所述步骤5包括以下步骤;
步骤5.1:基于数据采集模块对有害可回收垃圾数据进行获取;
步骤5.2:基于数据采集模块对无害可回收垃圾数据进行获取;
步骤5.3:基于数据采集模块对生活厨余垃圾数据进行获取;
步骤5.4:基于数据采集模块将获取的各项数据传输到初始数据库。
优选的,所述步骤2.1包括以下步骤;
步骤2.1.1:基于数据采集模块对金属垃圾的图像特征数据进行采集;
步骤2.1.2:基于数据采集模块对金属垃圾的物理性质数据进行采集;
所述步骤2.2包括以下步骤;
步骤2.2.1:基于数据采集模块对非金属垃圾的图像特征数据进行采集,得到图像特征数据A1;
步骤2.2.2:基于数据采集模块对非金属垃圾的物理性质数据进行采集,得到物理性质数据A2;
步骤2.2.3:基于数据采集模块对非金属垃圾的化学性质数据进行采集,得到化学性质数据A3;
步骤2.2.4:根据公式Z=A1×B1+A2×B2+A3×B3计算总特征数据Z,其中B1为图像特征数据A1的权重系数,B2为物理性质数据A2的权重系数,B3为化学性质数据A3的权重系数。
优选的,所述步骤3.3包括以下步骤;
步骤3.3.1:将总特征数据Z与数据库中的已分类垃圾的特征值进行比对,选择与总特征数据Z最接近的已分类垃圾作为分类结果数据,将结果进行保存,并将非金属垃圾分类为可回收垃圾;
步骤3.3.2:基于深度学习对可回收垃圾进行再次检测。
优选的,所述步骤3.3.2包括以下步骤;
步骤3.3.2.1:基于深度学习将可回收垃圾分类为有害可回收垃圾;
步骤3.3.2.2:基于深度学习将可回收垃圾分类为无害可回收垃圾。
优选的,所述步骤5.4包括以下步骤;
步骤5.4.1:基于深度学习对已分类垃圾数据进行获取;
步骤5.4.2:基于已分类垃圾数据通过深度学习进行训练分类模型。
与现有技术相比,本发明提供了—种基于深度学习的垃圾识别分类方法,具备以下有益效果:
本发明通过对垃圾进行初步的分类,将垃圾中的金属和非金属分开,金属垃圾中主要含有常用金属和用于存放有害物质的金属瓶罐,在进行分类识别时更加容易进行识别,减少了非金属垃圾对金属垃圾分类的影响,进而使可回收的金属垃圾分类更加精准;通过对非金属垃圾的图像特征、物理性质和化学性质进行数据检测,便于将非金属垃圾中含有的厨余生活垃圾进行识别分离,进而只剩下塑料、玻璃和纸张等可回收的非金属垃圾,当对非金属可回收垃圾进行分类时,同样减少了厨余生活垃圾的影响,进而使垃圾在基于深度学习进行识别分类时更加准确。
该装置中未涉及部分均与现有技术相同或可采用现有技术加以实现,本发明结构科学合理,使用安全方便,为人们提供了很大的帮助。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制,在附图中:
图1为本发明提出的—种基于深度学习的垃圾识别分类方法的程序框图;
图2为本发明提出的—种基于深度学习的垃圾识别分类方法中垃圾数据采集的程序框图;
图3为本发明提出的—种基于深度学习的垃圾识别分类方法中深度学习程序框图;
图4为本发明提出的—种基于深度学习的垃圾识别分类方法中深度学习的判断逻辑图;
图5为本发明提出的—种基于深度学习的垃圾识别分类方法中垃圾数据的框图;
图6为本发明提出的—种基于深度学习的垃圾识别分类方法中已分类垃圾的框图;
图7为本发明提出的—种基于深度学习的垃圾识别分类方法中垃圾处理的整体流程框图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
实施例一
请参阅图1-7,本发明提供一种技术方案:—种基于深度学习的垃圾识别分类方法,包括以下步骤;
步骤1:将垃圾进行初步分类,首先将金属与非金属垃圾进行分离,减少非金属垃圾对金属垃圾进一步分类的影响;
步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取,通过数据采集模块获取分别进行识别的数据,例如外形特征、放射性和磁性等;
步骤3:基于深度学习对数据采集模块所获取的数据进行分析检测,针对数据采集模块获取的数据进行模拟分析,达到快速识别的效果;
步骤4:基于深度学习的识别结果进行垃圾分类,根据不同的检测结果将同一类别的垃圾进行分类收集;
步骤5:基于数据采集模块对已分类垃圾数据进行获取,对已经识别分类的数据进行获取,对初始数据库进行更新,进而增加识别的准确性。
本发明的工作原理及使用流程:使用时,通过对垃圾进行初步的分类,将垃圾中的金属和非金属分开,金属垃圾中主要含有常用金属和用于存放有害物质的金属瓶罐,在进行分类识别时更加容易进行识别,减少了非金属垃圾对金属垃圾分类的影响,进而使可回收的金属垃圾分类更加精准。
实施例二
请参阅图1-7,本发明提供一种技术方案:—种基于深度学习的垃圾识别分类方法,包括以下步骤;
步骤1:将垃圾进行初步分类,首先将金属与非金属垃圾进行分离,减少非金属垃圾对金属垃圾进一步分类的影响;
步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取,通过数据采集模块获取分别进行识别的数据,例如外形特征、放射性和磁性等;
步骤3:基于深度学习对数据采集模块所获取的数据进行分析检测,针对数据采集模块获取的数据进行模拟分析,达到快速识别的效果;
步骤4:基于深度学习的识别结果进行垃圾分类,根据不同的检测结果将同一类别的垃圾进行分类收集;
步骤5:基于数据采集模块对已分类垃圾数据进行获取,对已经识别分类的数据进行获取,对初始数据库进行更新,进而增加识别的准确性。
本发明中,优选的,步骤1包括以下步骤;
步骤1.1:将待分类垃圾中的金属垃圾进行分类;
步骤1.2:将金属垃圾与非金属垃圾分别单独进行预处理,减少金属与非金属之间的识别干扰。
本发明中,优选的,步骤2包括以下步骤;
步骤2.1:基于数据采集模块对金属垃圾数据进行采集;
步骤2.2:基于数据采集模块对非金属垃圾的数据进行采集;
步骤2.3:将金属与非金属垃圾数据进行预处理,将金属垃圾与非金属垃圾的数据进行翻译转换。
本发明的工作原理及使用流程:使用时,通过对垃圾进行初步的分类,将垃圾中的金属和非金属分开,金属垃圾中主要含有常用金属和用于存放有害物质的金属瓶罐,在进行分类识别时更加容易进行识别,减少了非金属垃圾对金属垃圾分类的影响,进而使可回收的金属垃圾分类更加精准;通过对非金属垃圾进行数据检测,便于将非金属垃圾中含有的厨余生活垃圾进行识别分离,进而只剩下塑料、玻璃和纸张等可回收的非金属垃圾,当对非金属可回收垃圾进行分类时,同样减少了厨余生活垃圾的影响,进而使垃圾在基于深度学习进行识别分类时更加准确。
实施例三
请参阅图1-7,本发明提供一种技术方案:—种基于深度学习的垃圾识别分类方法,包括以下步骤;
步骤1:将垃圾进行初步分类,首先将金属与非金属垃圾进行分离,减少非金属垃圾对金属垃圾进一步分类的影响;
步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取,通过数据采集模块获取分别进行识别的数据,例如外形特征、放射性和磁性等;
步骤3:基于深度学习对数据采集模块所获取的数据进行分析检测,针对数据采集模块获取的数据进行模拟分析,达到快速识别的效果;
步骤4:基于深度学习的识别结果进行垃圾分类,根据不同的检测结果将同一类别的垃圾进行分类收集;
步骤5:基于数据采集模块对已分类垃圾数据进行获取,对已经识别分类的数据进行获取,对初始数据库进行更新,进而增加识别的准确性。
本发明中,优选的,步骤1包括以下步骤;
步骤1.1:将待分类垃圾中的金属垃圾进行分类;
步骤1.2:将金属垃圾与非金属垃圾分别单独进行预处理,减少金属与非金属之间的识别干扰。
本发明中,优选的,步骤2包括以下步骤;
步骤2.1:基于数据采集模块对金属垃圾数据进行采集;
步骤2.2:基于数据采集模块对非金属垃圾的数据进行采集;
步骤2.3:将金属与非金属垃圾数据进行预处理,将金属垃圾与非金属垃圾的数据进行翻译转换。
本发明中,优选的,步骤3包括以下步骤;
步骤3.1:基于深度学习对初始数据库训练分类模型;
步骤3.2:基于深度学习对数据采集模块的预处理数据进行数据检测;
步骤3.3:基于深度学习对数据进行识别和分类;
步骤3.1包括以下步骤;
步骤3.1.1:编写预处理策略;
步骤3.1.2:基于ResNet基础网络进行训练并利用损失函数进行反馈优化,将数据采集模块的预处理数据进行检测后,根据检测结果类别将垃圾分为有害垃圾、可回收垃圾和生活厨余垃圾。
本发明中,优选的,步骤4包括以下步骤;
步骤4.1:基于深度学习识别结果对金属垃圾中无害垃圾进行分类;
步骤4.2:基于深度学习识别结果对非金属垃圾中的生活厨余垃圾进行分类;
步骤4.3:基于深度学习识别结果对非金属垃圾中的可回收垃圾进行分类;
步骤4.4:基于深度学习识别结果对有害垃圾进行分类,将有害垃圾分离开进行无害,然后再进行回收利用,减少有害残留对人和环境的污染。
本发明的工作原理及使用流程:使用时通过对垃圾进行初步的分类,将垃圾中的金属和非金属分开,金属垃圾中主要含有常用金属和用于存放有害物质的金属瓶罐,在进行分类识别时更加容易进行识别,减少了非金属垃圾对金属垃圾分类的影响,进而使可回收的金属垃圾分类更加精准;通过对非金属垃圾进行数据检测,便于将非金属垃圾中含有的厨余生活垃圾进行识别分离,进而只剩下塑料、玻璃和纸张等可回收的非金属垃圾,当对非金属可回收垃圾进行分类时,同样减少了厨余生活垃圾的影响,进而使垃圾在基于深度学习进行识别分类时更加准确,同时将有害垃圾分离开进行无害,然后再进行回收利用,减少有害残留对人和环境的污染。
实施例四
请参阅图1-7,本发明提供一种技术方案:—种基于深度学习的垃圾识别分类方法,包括以下步骤;
步骤1:将垃圾进行初步分类,首先将金属与非金属垃圾进行分离,减少非金属垃圾对金属垃圾进一步分类的影响;
步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取,通过数据采集模块获取分别进行识别的数据,例如外形特征、放射性和磁性等;
步骤3:基于深度学习对数据采集模块所获取的数据进行分析检测,针对数据采集模块获取的数据进行模拟分析,达到快速识别的效果;
步骤4:基于深度学习的识别结果进行垃圾分类,根据不同的检测结果将同一类别的垃圾进行分类收集;
步骤5:基于数据采集模块对已分类垃圾数据进行获取,对已经识别分类的数据进行获取,对初始数据库进行更新,进而增加识别的准确性。
本发明中,优选的,步骤1包括以下步骤;
步骤1.1:将待分类垃圾中的金属垃圾进行分类;
步骤1.2:将金属垃圾与非金属垃圾分别单独进行预处理,减少金属与非金属之间的识别干扰。
本发明中,优选的,步骤2包括以下步骤;
步骤2.1:基于数据采集模块对金属垃圾数据进行采集;
步骤2.2:基于数据采集模块对非金属垃圾的数据进行采集;
步骤2.3:将金属与非金属垃圾数据进行预处理,将金属垃圾与非金属垃圾的数据进行翻译转换。
本发明中,优选的,步骤3包括以下步骤;
步骤3.1:基于深度学习对初始数据库训练分类模型;
步骤3.2:基于深度学习对数据采集模块的预处理数据进行数据检测;
步骤3.3:基于深度学习对数据进行识别和分类;
步骤3.1包括以下步骤;
步骤3.1.1:编写预处理策略;
步骤3.1.2:基于ResNet基础网络设计Loss数据公式,将数据采集模块的预处理数据进行检测后,根据检测结果类别将垃圾分为有害垃圾、可回收垃圾和生活厨余垃圾。
本发明中,优选的,步骤4包括以下步骤;
步骤4.1:基于深度学习识别结果对金属垃圾中无害垃圾进行分类;
步骤4.2:基于深度学习识别结果对非金属垃圾中的生活厨余垃圾进行分类;步骤4.3:基于深度学习识别结果对非金属垃圾中的可回收垃圾进行分类;
步骤4.4:基于深度学习识别结果对有害垃圾进行分类,将有害垃圾分离开进行无害,然后再进行回收利用,减少有害残留对人和环境的污染。
本发明中,优选的,步骤5包括以下步骤;
步骤5.1:基于数据采集模块对有害可回收垃圾数据进行获取;
步骤5.2:基于数据采集模块对无害可回收垃圾数据进行获取;
步骤5.3:基于数据采集模块对生活厨余垃圾数据进行获取;
步骤5.4:基于数据采集模块将获取的各项数据传输到初始数据库,对已经识别分类的数据进行获取,对初始数据库进行更新,进而增加识别的准确性。
本发明中,优选的,步骤2.1包括以下步骤;
步骤2.1.1:基于数据采集模块对金属垃圾的图像特征数据进行采集;
步骤2.1.2:基于数据采集模块对金属垃圾的物理性质数据进行采集;
步骤2.2包括以下步骤;
步骤2.2.1:基于数据采集模块对非金属垃圾的图像特征数据进行采集,得到图像特征数据A1;
步骤2.2.2:基于数据采集模块对非金属垃圾的物理性质数据进行采集,得到物理性质数据A2;
步骤2.2.3:基于数据采集模块对非金属垃圾的化学性质数据进行采集,得到化学性质数据A3;
步骤2.2.4:根据公式Z=A1×B1+A2×B2+A3×B3计算总特征数据Z,其中B1为图像特征数据A1的权重系数,B2为物理性质数据A2的权重系数,B3为化学性质数据A3的权重系数,通过对非金属垃圾的图像特征、物理性质和化学性质进行数据检测,便于将非金属垃圾中含有的厨余生活垃圾进行识别分离。
本发明中,优选的,步骤3.3包括以下步骤;
步骤3.3.1:将总特征数据Z与数据库中的已分类垃圾的特征值进行比对,选择与总特征数据Z最接近的已分类垃圾作为分类结果数据,将结果进行保存,并将非金属垃圾分类为可回收垃圾;
步骤3.3.2:基于深度学习对可回收垃圾进行再次检测,对可回收中的有害垃圾进行检测,便于对有害垃圾进行单独处理。
本发明中,优选的,步骤3.3.2包括以下步骤;
步骤3.3.2.1:基于深度学习将可回收垃圾分类为有害可回收垃圾;
步骤3.3.2.2:基于深度学习将可回收垃圾分类为无害可回收垃圾,有害可回收垃圾主要包括用于医学的金属、玻璃和塑料制品,以及生活中常见的废电池、废日光灯和水银温度计等,根据其具有的特殊性特征便于进行识别,将可回收垃圾进行细分,将可以回收的有害垃圾进行无害处理后继续利用。
本发明中,优选的,步骤5.4包括以下步骤;
步骤5.4.1:基于深度学习对已分类垃圾数据进行获取;
步骤5.4.2:基于已分类垃圾数据通过深度学习进行训练分类模型,学习新的算法,训练新的分类模型,使初始数据库进行更新,保证了识别的准确多样性。
本发明的工作原理及使用流程:使用时,通过对垃圾进行初步的分类,将垃圾中的金属和非金属分开,金属垃圾中主要含有常用金属和用于存放有害物质的金属瓶罐,在进行分类识别时更加容易进行识别,减少了非金属垃圾对金属垃圾分类的影响,进而使可回收的金属垃圾分类更加精准;通过对非金属垃圾的图像特征、物理性质和化学性质进行数据检测,便于将非金属垃圾中含有的厨余生活垃圾进行识别分离,进而只剩下塑料、玻璃和纸张等可回收的非金属垃圾,当对非金属可回收垃圾进行分类时,同样减少了厨余生活垃圾的影响,进而使垃圾在基于深度学习进行识别分类时更加准确,将有害垃圾分离开进行无害,然后再进行回收利用,减少有害残留对人和环境的污染,对已经识别分类的数据进行获取,学习新的算法,训练新的分类模型,使初始数据库进行更新,保证了识别的准确多样性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习的垃圾识别分类方法,其特征在于:包括以下步骤;
步骤1:将垃圾进行初步分类;
步骤2:基于数据采集模块分别对初步分类后的垃圾的数据进行获取;
步骤3:基于深度学习对数据采集模块所获取的数据进行分析检测;
步骤4:基于深度学习的识别结果进行垃圾分类;
步骤5:基于数据采集模块对已分类垃圾数据进行获取。
2.根据权利要求1所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤1包括以下步骤;
步骤1.1:将待分类垃圾中的金属垃圾进行分类;
步骤1.2:将金属垃圾与非金属垃圾分别单独进行预处理。
3.根据权利要求1所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤2包括以下步骤;
步骤2.1:基于数据采集模块对金属垃圾数据进行采集;
步骤2.2:基于数据采集模块对非金属垃圾的数据进行采集;
步骤2.3:将金属与非金属垃圾数据进行预处理。
4.根据权利要求1所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤3包括以下步骤;
步骤3.1:基于深度学习对初始数据库训练分类模型;
步骤3.2:基于深度学习对数据采集模块的预处理数据进行数据检测;
步骤3.3:基于深度学习对数据进行识别和分类。
5.根据权利要求1所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤4包括以下步骤;
步骤4.1:基于深度学习识别结果对金属垃圾中无害垃圾进行分类;
步骤4.2:基于深度学习识别结果对非金属垃圾中的生活厨余垃圾进行分类;
步骤4.3:基于深度学习识别结果对非金属垃圾中的可回收垃圾进行分类;
步骤4.4:基于深度学习识别结果对有害垃圾进行分类。
6.根据权利要求1所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤5包括以下步骤;
步骤5.1:基于数据采集模块对有害可回收垃圾数据进行获取;
步骤5.2:基于数据采集模块对无害可回收垃圾数据进行获取;
步骤5.3:基于数据采集模块对生活厨余垃圾数据进行获取;
步骤5.4:基于数据采集模块将获取的各项数据传输到初始数据库。
7.根据权利要求3所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤2.1包括以下步骤;
步骤2.1.1:基于数据采集模块对金属垃圾的图像特征数据进行采集;
步骤2.1.2:基于数据采集模块对金属垃圾的物理性质数据进行采集;
所述步骤2.2包括以下步骤;
步骤2.2.1:基于数据采集模块对非金属垃圾的图像特征数据进行采集,得到图像特征数据A1;
步骤2.2.2:基于数据采集模块对非金属垃圾的物理性质数据进行采集,得到物理性质数据A2;
步骤2.2.3:基于数据采集模块对非金属垃圾的化学性质数据进行采集,得到化学性质数据A3;
步骤2.2.4:根据公式Z=A1×B1+A2×B2+A3×B3计算总特征数据Z,其中B1为图像特征数据A1的权重系数,B2为物理性质数据A2的权重系数,B3为化学性质数据A3的权重系数。
8.根据权利要求4所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤3.3包括以下步骤;
步骤3.3.1:将总特征数据Z与数据库中的已分类垃圾的特征值进行比对,选择与总特征数据Z最接近的已分类垃圾作为分类结果数据,将结果进行保存,并将非金属垃圾分类为可回收垃圾;
步骤3.3.2:基于深度学习对可回收垃圾进行再次检测。
9.根据权利要求8所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤3.3.2包括以下步骤;
步骤3.3.2.1:基于深度学习将可回收垃圾分类为有害可回收垃圾;
步骤3.3.2.2:基于深度学习将可回收垃圾分类为无害可回收垃圾。
10.根据权利要求6所述的—种基于深度学习的垃圾识别分类方法,其特征在于:所述步骤5.4包括以下步骤;
步骤5.4.1:基于深度学习对已分类垃圾数据进行获取;
步骤5.4.2:基于已分类垃圾数据通过深度学习进行训练分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207834.1A CN112434726A (zh) | 2020-11-03 | 2020-11-03 | —种基于深度学习的垃圾识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207834.1A CN112434726A (zh) | 2020-11-03 | 2020-11-03 | —种基于深度学习的垃圾识别分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434726A true CN112434726A (zh) | 2021-03-02 |
Family
ID=74695121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011207834.1A Pending CN112434726A (zh) | 2020-11-03 | 2020-11-03 | —种基于深度学习的垃圾识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434726A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115424095A (zh) * | 2022-11-03 | 2022-12-02 | 湖北信通通信有限公司 | 基于废旧物资的质量分析方法及装置 |
CN117150361A (zh) * | 2023-09-06 | 2023-12-01 | 浙江立创信息技术服务有限公司 | 垃圾分类的方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103552788A (zh) * | 2013-11-07 | 2014-02-05 | 邱泽国 | 集群式垃圾自动识别总成及其自动分类垃圾桶 |
CN108190306A (zh) * | 2018-01-02 | 2018-06-22 | 珠海格力电器股份有限公司 | 一种垃圾桶及其控制方法 |
CN109606991A (zh) * | 2019-01-11 | 2019-04-12 | 郑州大学 | 智能垃圾桶及基于深度学习的垃圾分类方法 |
CN110626661A (zh) * | 2019-10-10 | 2019-12-31 | 重庆特斯联智慧科技股份有限公司 | 一种可回收垃圾分类系统及方法 |
-
2020
- 2020-11-03 CN CN202011207834.1A patent/CN112434726A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103552788A (zh) * | 2013-11-07 | 2014-02-05 | 邱泽国 | 集群式垃圾自动识别总成及其自动分类垃圾桶 |
CN108190306A (zh) * | 2018-01-02 | 2018-06-22 | 珠海格力电器股份有限公司 | 一种垃圾桶及其控制方法 |
CN109606991A (zh) * | 2019-01-11 | 2019-04-12 | 郑州大学 | 智能垃圾桶及基于深度学习的垃圾分类方法 |
CN110626661A (zh) * | 2019-10-10 | 2019-12-31 | 重庆特斯联智慧科技股份有限公司 | 一种可回收垃圾分类系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115424095A (zh) * | 2022-11-03 | 2022-12-02 | 湖北信通通信有限公司 | 基于废旧物资的质量分析方法及装置 |
CN117150361A (zh) * | 2023-09-06 | 2023-12-01 | 浙江立创信息技术服务有限公司 | 垃圾分类的方法、系统及存储介质 |
CN117150361B (zh) * | 2023-09-06 | 2024-04-26 | 浙江立创信息技术服务有限公司 | 垃圾分类的方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092914B (zh) | 基于图像识别的垃圾分类方法、装置和系统 | |
CN112434726A (zh) | —种基于深度学习的垃圾识别分类方法 | |
CN106670122A (zh) | 用于生活垃圾的自动识别分拣回收系统 | |
CN107697501B (zh) | 垃圾回收方法和系统 | |
CN108190290A (zh) | 一种垃圾分类装置及其应用方法 | |
CN206701754U (zh) | 用于生活垃圾的自动识别分拣回收系统 | |
CN110834835A (zh) | 一种基于互联网大数据的智能垃圾分类处理方法及系统 | |
CN108357818A (zh) | 自动分拣的垃圾桶 | |
CN113469264A (zh) | 一种垃圾自动分类模型的构建方法、垃圾分拣方法和系统 | |
CN110065746B (zh) | 一种基于物联网的航运垃圾分类系统 | |
CN108639633A (zh) | 一种生活垃圾回收方法 | |
CN110963200A (zh) | 一种垃圾分类处理系统 | |
CN105800198A (zh) | 一种基于网络云平台的智能分类垃圾桶 | |
CN204210972U (zh) | 一种废弃物智能分类回收模组 | |
CN109978266A (zh) | 一种资源回收的路线规划方法 | |
Shreya et al. | Technical solutions for waste classification and management: A mini-review | |
CN110817186A (zh) | 一种垃圾分类系统装置 | |
CN112558564A (zh) | 一种农村牧区垃圾分类管理系统 | |
CN111392296A (zh) | 一种用于垃圾转运站的智慧收运系统 | |
CN205010827U (zh) | 一种废弃物分类回收箱 | |
Gangwani et al. | A comprehensive study on waste segregation techniques | |
CN115457317A (zh) | 一种基于空间遗忘通道注意力卷积神经网络的生活垃圾分类方法 | |
CN114117933A (zh) | 一种基于光谱识别技术的干垃圾深度分选方法与装置 | |
Qu | Application of Artificial Intelligence in Waste Classification Management at University | |
CN113173354A (zh) | 一种智能垃圾分类站的语音提示系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |