CN112613413A - 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 - Google Patents
易腐垃圾分类质量判定方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112613413A CN112613413A CN202011564946.2A CN202011564946A CN112613413A CN 112613413 A CN112613413 A CN 112613413A CN 202011564946 A CN202011564946 A CN 202011564946A CN 112613413 A CN112613413 A CN 112613413A
- Authority
- CN
- China
- Prior art keywords
- perishable
- garbage
- sample
- perishable garbage
- key frame
- 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 250
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003595 spectral effect Effects 0.000 claims abstract description 73
- 210000002569 neuron Anatomy 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 56
- 239000002699 waste material Substances 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000002156 mixing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013095 identification testing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010564 aerobic fermentation Methods 0.000 description 1
- 210000004027 cell Anatomy 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
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人工智能，提供一种易腐垃圾分类质量判定方法、装置及计算机可读存储介质，其中方法包括：获取易腐垃圾视频流；通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。本发明提高易腐垃圾分类质量判别判定的准确率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于视频图像识别与高光谱提取易腐垃圾分类质量的判定方法、装置、电子设备及计算机可读存储介质。
背景技术
生活垃圾分类是一项系统工程，最终目标是实现各类垃圾进入预定的处理渠道，实现生活垃圾的减量化、资源化、无害化，减轻城市在生活垃圾末端处理设施建设、运营方面的压力，实现城市可持续发展。
垃圾分类全流程物流管理涉及分类投放、分类收集、分类运输、分类处理四大环节，每个环节的分类实效都对后一环节及整个物流体系的有效运行带来影响，在实际运行中，经常发生进入处理设施的垃圾分类质量不好，不符合处理的要求，从而造成处理设施运营效率下降、环境污染增加等问题。
综合各类垃圾的分类难度及处理工艺要求，易腐垃圾分类质量管控问题尤为突出，各地在物流规划设计中易腐垃圾通常采用好氧发酵或厌氧产沼两种处理工艺，这两种工艺均要求进场垃圾具备较高的纯净度，才能达到处理技术工艺要求，保证设施正常运行。
目前，对易腐垃圾分类质量的判定采用的是单一实时流媒体图像识别技术，但是确有待提高，由于对摄像头硬件条件、拍摄环境、光线等其他因素影响导致采用单一实时流媒体图像识别技术方法的易腐垃圾分类质量判别准确率不高。
发明内容
本发明提供一种易腐垃圾分类质量判定方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高易腐垃圾分类质量判别判定的准确率。
为实现上述目的，本发明提供的一种易腐垃圾分类质量判定方法，所述方法包括：
获取易腐垃圾视频流；
通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
可选地，所述获取易腐垃圾视频流，包括如下步骤：
在易腐垃圾收运车的易腐垃圾倾倒口处设置摄像机；
通过所述摄像机实时拍摄倾倒的易腐垃圾视频流。
可选地，所述通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述所述关键帧图片中的物品，并对识别出的物品进行标注，包括如下步骤：
将易腐垃圾中未掺杂其他垃圾的易腐垃圾图片样本作为第一样本；
将易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本作为第二样本；
对所述第二样本进行标注，分别标注出其他垃圾的垃圾类型和位置；
将标注完成的第二样本与所述第一样本混合均匀，并将混合后的样本分为训练样本和测试样本；
通过所述训练样本和所述测试样本对构建的图像识别神经元网络模型进行训练；
通过训练好的图像识别神经元网络模型对所述关键帧图片进行图像识别，并将识别的物品进行标注。
可选地，所述通过所述训练样本和测试样本对构建的图像识别神经元网络模型进行训练，包括如下步骤：
将所述训练样本输入构建的图像识别神经元网络模型进行反复训练，其中，通过梯度下降的方式调整所述图像识别神经元网络模型的步长和精度；
当所述图像识别神经元网络模型的loss函数值趋于定值时，所述图像识别神经元网络模型停止训练；
将所述测试样本输入到已训练的神经元网络模型中进行识别测试，验证所述已训练的神经元网络模型的识别正确率。
可选地，所述标准参考光谱数据，包括如下步骤：
利用高光谱相机提取纯易腐垃圾的高光谱图片，获取所述纯易腐垃圾的高光谱数据，并作为所述标准参考光谱数据。
可选地，将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾，包括如下步骤：
将所述易腐垃圾的光谱数据转化成待测空间矢量，
同时将所述标准参考光谱数据转化为参考矢量；
计算所述待测空间矢量与所述参考矢量之间夹角，根据所述夹角确定确定易腐垃圾中是否含非易腐垃圾。
为了解决上述问题，本发明还提供一种易腐垃圾分类质量判定装置，所述装置包括：
视频流获取模块，用于获取易腐垃圾视频流；
关键帧图片获取模块，用于通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
物品识别标注模块，用于通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
光谱数据获取模块，用于通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
匹配模块，用于将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
可选地，所述物品识别标注模块，包括：
样本确定模块，用于将易腐垃圾中未掺杂其他垃圾的易腐垃圾图片样本作为第一样本；
将易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本作为第二样本；
第二样本标注模块，用于对所述第二样本进行标注，分别标注出其他垃圾的垃圾类型和位置；
样本混合模块，用于将标注完成的第二样本与所述第一样本混合均匀，并将混合后的样本分为训练样本和测试样本；
模型训练模块，用于通过所述训练样本和所述测试样本对预先构建的图像识别神经元网络模型进行训练；
物品标注模块，用于通过训练好的图像识别神经元网络模型对所述关键帧图片进行图像识别，并将识别的物品进行标注。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的易腐垃圾分类质量判定方法。
为了解决上述问题，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中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的易腐垃圾分类质量判定方法。
本发明实施例通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，识别所述关键帧图片中的物品，并对识别出的物品进行标注；通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。本发明通过图像识别技术和高光谱技术对易腐垃圾分类质量进行判定，从而提高易腐垃圾分类质量判别判定的准确率。
附图说明
图1为本发明一实施例提供的易腐垃圾分类质量判定方法的流程示意图；
图2为本发明一实施例提供的易腐垃圾分类质量判定装置的模块示意图；
图3为本发明一实施例提供的实现易腐垃圾分类质量判定方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种易腐垃圾分类质量判定方法。参照图1所示，为本发明一实施例提供的易腐垃圾分类质量判定方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，易腐垃圾分类质量判定方法包括：
S1：获取易腐垃圾视频流；
S2：通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
S3：通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
S4：通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
S5：将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
上述为本发明人工智能的易腐垃圾分类质量判定的基本过程，在获取垃圾倾倒实时视频流之前，还包括：通过车载GPS、电子围栏等技术，确定垃圾收运车辆进入垃圾投放点范围，当垃圾收运车进入立即投放点的范围是，通过电子围栏技术自动开启垃圾车的摄像机，将垃圾倾倒进入车辆全过程实时记录，并分析易腐垃圾分类质量。
其中，电子围栏，指给垃圾车设定经纬度的范围，当垃圾车进入设定的经纬度的范围，系统自动唤醒摄像机开始工作。地理围栏(Geo-fencing)是LBS的一种新应用，就是用一个虚拟的栅栏围出一个虚拟地理边界。当垃圾车进入、离开某个特定地理区域，或在该区域内活动时，系统可以接收自动通知和警告。地理围栏是LBS的一种。与LBS以某一区域为中心覆盖周边3公里或5公里半径的定位方式不同，地理围栏更侧重于对区域边界的界定，不再是以某点为圆心向外等距离画圆，而是准确勾勒出小区、写字楼等特定坐标的实际形状、区域及面积。
在步骤S1中，获取易腐垃圾视频流的方式，包括如下步骤：在易腐垃圾收运车的易腐垃圾倾倒口处设置摄像机；通过所述摄像机实时拍摄倾倒的易腐垃圾视频流。
在步骤S2中，通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片。其中，多媒体视频处理工具ffmpeg是可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序，并且ffmpeg具有非常强大的功能包括视频采集功能、视频格式转换、视频抓图、给视频加水印等。它提供了录制、转换以及流化音视频的完整解决方式，并包含了非常先进的音频/视频编解码库libavcodec。利用ffmpeg对所记录的视频进行格式转换，转换成用户所要的视频格式。在本发明的实施例中，利用ffmpeg对所获取的垃圾倾倒实时视频流进行处理，生成用户所需要的倾倒的易腐垃圾的关键帧图片，即：通过ffmpeg的视频截图功能对于选定的所获取的垃圾倾倒实时视频流，截取设定时间的缩略图，即：易腐垃圾的关键帧图片，其中设定时间一般可以实际需求，可以设定间隔时间2秒、3秒、5秒等截取缩略图。
在步骤S3中，通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，识别所述关键帧图片中的物品，并对识别出的物品进行标注，包括如下步骤：
S31：将易腐垃圾中未掺杂其他垃圾的易腐垃圾图片样本作为第一样本。
具体地，需要收集易腐垃圾没有掺杂其他垃圾的易腐垃圾图片样本，即：纯易腐垃圾高质量图片；收集足够多的数量的纯易腐垃圾的高质量图片。
S32：将易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本作为第二样本。
具体地，收集掺杂其他垃圾的易腐垃圾图片样本；其他垃圾包括餐盒、塑料袋、瓶子等，准备足够多数量易腐垃圾掺杂其他垃圾的高质量图片样本。
S33：对所述第二样本进行标注，分别标注出其他垃圾的垃圾类型和位置。
具体地，通过人工的方式对易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本进行标注，即：将第二样本中的餐盒、塑料袋、瓶子等物品标注，并且标注属于那种类型的垃圾，以及在样本中的具体位置。
S34：将标注完成的第二样本与所述第一样本混合均匀，并将混合后的样本分为训练样本和测试样本。
具体地，将上述标注的第二样本以及第一样本均匀混合，将混合后样本总数的70％的作为训练样本，剩下30％作为测试样本。
S35：构建所述图像识别神经元网络模型。
具体地，在本发明的实施例中，构建一个20层左右的图像识别神经元网络模型。在具体应用中，根据实际需求，构建合适的层数的图像识别神经元网络模型。
S36：通过所述训练样本和所述测试样本对构建的图像识别神经元网络模型进行训练。
具体地，所述通过所述训练样本和测试样本对构建的图像识别神经元网络模型进行训练，包括如下步骤：
S361：将所述训练样本输入构建的图像识别神经元网络模型进行反复训练，其中，通过梯度下降的方式调整所述图像识别神经元网络模型的步长和精度；
S362：当所述图像识别神经元网络模型的loss函数值趋于定值时，所述图像识别神经元网络模型停止训练；
S363：将所述测试样本输入到已训练的神经元网络模型中进行识别测试，验证所述已训练的神经元网络模型的识别正确率。
在本发明的实施例中，通过所述训练样本对图像识别神经元网络模型进行训练；通过所述测试样本对训练样本训练的图像识别神经元网络模型对进行识别测试，验证图像识别神经元网络模型的正确率。
具体地，在搭建的搭建20层左右的图像识别神经元网络模型，每次输入20张左右的训练样本进入神经元网络进行模型训练，反复训练N次，通过梯度下降的方式调整步长和精度，直到神经元网络loss函数值趋于一定值时停止；然后通过将测试样本输入已训练好的神经元网络模型进行识别测试，验证模型正确率，反复上述训练过程，不断调整模型精确度。
S37：通过训练好的图像识别神经元网络模型对所述关键帧图片进行图像识别，并将识别的物品进行标注。
在步骤S4中，通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据。
具体地，在每辆易腐垃圾收运车上提前配置高光谱摄像机，实时获取安装在易腐垃圾收运车辆垃圾倾倒口处的高光谱数据；其中，视频摄像机和高光谱摄像机是两种不同的摄像机，一辆垃圾收运车需要同时安装这两个摄像机。
S5：将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
具体地，所述标准参考光谱数据，包括如下步骤：利用高光谱相机提取纯易腐垃圾的高光谱图片，获取所述纯易腐垃圾的高光谱数据，并作为所述标准参考光谱数据。其中，纯易腐垃圾不含非易腐垃圾物品。
其中，将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾，包括如下步骤：
S51：将所述易腐垃圾的光谱数据转化成待测空间矢量；
S52：同时将所述标准参考光谱数据转化为参考矢量；
S53：计算所述待测空间矢量与所述参考矢量之间广义夹角，根据所述夹角确定确定易腐垃圾中是否含非易腐垃圾。其中，广义夹角越小,表明易腐垃圾的光谱数据与标准参考光谱数据匹配程度越高，广义夹角越大,表明易腐垃圾的光谱数据与标准参考光谱数据匹配程度越低。
具体地，将图像中每一个像元的n个光谱维响应当作n维空间矢量(待测矢量),也将参考光谱转化为参考矢量；通过计算待测矢量与参考矢量之间的广义夹角θ，θ来表征匹配程度,夹角越小，表明待测像元光谱与参考光谱匹配程度越高。
本发明实施例通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，识别所述关键帧图片中的物品，并对识别出的物品进行标注；通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。本发明通过图像识别技术和高光谱技术对易腐垃圾分类质量进行判定，从而提高易腐垃圾分类质量判别判定的准确率。
如图2所示，是本发明易腐垃圾分类质量判定装置的功能模块图。
本发明所述易腐垃圾分类质量判定装置100可以安装于电子设备中。根据实现的功能，所述车辆定损理赔装置可以包括视频流获取模块101、关键帧图片获取模块102、物品识别标注模块103、光谱数据获取模块104和匹配模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
视频流获取模块101，用于获取易腐垃圾视频流；
关键帧图片获取模块102，用于通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
物品识别标注模块103，用于通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
光谱数据获取模块104，用于通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
匹配模块105，用于将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
其中，视频流获取模块101中，在易腐垃圾收运车的易腐垃圾倾倒口处设置摄像机；通过所述摄像机实时拍摄倾倒的易腐垃圾视频流。
关键帧图片获取模块102中，通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片。其中，多媒体视频处理工具ffmpeg是可以用来记录、转换数字音频、视频，并能将其转化为流的开源计算机程序，并且ffmpeg具有非常强大的功能包括视频采集功能、视频格式转换、视频抓图、给视频加水印等。它提供了录制、转换以及流化音视频的完整解决方式，并包含了非常先进的音频/视频编解码库libavcodec。利用ffmpeg对所记录的视频进行格式转换，转换成用户所要的视频格式。在本发明的实施例中，利用ffmpeg对所获取的垃圾倾倒实时视频流进行处理，生成用户所需要的倾倒的易腐垃圾的关键帧图片，即：通过ffmpeg的视频截图功能对于选定的所获取的垃圾倾倒实时视频流，截取设定时间的缩略图，即：易腐垃圾的关键帧图片，其中设定时间一般可以实际需求，可以设定间隔时间2秒、3秒、5秒等截取缩略图。
物品识别标注模块103，包括：样本确定模块1031，用于将易腐垃圾中未掺杂其他垃圾的易腐垃圾图片样本作为第一样本；
将易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本作为第二样本。
具体地，收集易腐垃圾没有掺杂其他垃圾的易腐垃圾图片样本，即：纯易腐垃圾高质量图片；收集足够多的数量的纯易腐垃圾的高质量图片。收集掺杂其他垃圾的易腐垃圾图片样本；其他垃圾包括餐盒、塑料袋、瓶子等，准备足够多数量易腐垃圾掺杂其他垃圾的高质量图片样本。
第二样本标注模块1032，用于对所述第二样本进行标注，分别标注出其他垃圾的垃圾类型和位置。
具体地，通过人工的方式对易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本进行标注，即：将第二样本中的餐盒、塑料袋、瓶子等物品标注，并且标注属于那种类型的垃圾，以及在样本中的具体位置。
样本混合模块1033，用于将标注完成的第二样本与所述第一样本混合均匀，并将混合后的样本分为训练样本和测试样本。
具体地，将上述标注的第二样本以及第一样本均匀混合，将混合后样本总数的70％的作为训练样本，剩下30％作为测试样本。
模型构建模块1034，用于构建所述图像识别神经元网络模型。
具体地，在本发明的实施例中，构建一个20层左右的图像识别神经元网络模型。在具体应用中，根据实际需求，构建合适的层数的图像识别神经元网络模型。
模型训练模块1035，用于通过所述训练样本和所述测试样本对构建的图像识别神经元网络模型进行训练。
具体地，所述通过所述训练样本和测试样本对构建的图像识别神经元网络模型进行训练，包括：
将所述训练样本输入构建的图像识别神经元网络模型进行反复训练，其中，通过梯度下降的方式调整所述图像识别神经元网络模型的步长和精度；
当所述图像识别神经元网络模型的loss函数值趋于定值时，所述图像识别神经元网络模型停止训练；
将所述测试样本输入到已训练的神经元网络模型中进行识别测试，验证所述已训练的神经元网络模型的识别正确率。
在本发明的实施例中，通过所述训练样本对图像识别神经元网络模型进行训练；通过所述测试样本对训练样本训练的图像识别神经元网络模型对进行识别测试，验证图像识别神经元网络模型的正确率。
具体地，在搭建的搭建20层左右的图像识别神经元网络模型，每次输入20张左右的训练样本进入神经元网络进行模型训练，反复训练N次，通过梯度下降的方式调整步长和精度，直到神经元网络loss函数值趋于一定值时停止；然后通过将测试样本输入已训练好的神经元网络模型进行识别测试，验证模型正确率，反复上述训练过程，不断调整模型精确度。
物品标注模块1036，用于通过训练好的图像识别神经元网络模型对所述关键帧图片进行图像识别，并将识别的物品进行标注。
光谱数据获取模块104中，在每辆易腐垃圾收运车上提前配置高光谱摄像机，实时获取安装在易腐垃圾收运车辆垃圾倾倒口处的高光谱数据；其中，视频摄像机和高光谱摄像机是两种不同的摄像机，一辆垃圾收运车需要同时安装这两个摄像机。
匹配模块105中，所述标准参考光谱数据，包括：利用高光谱相机提取纯易腐垃圾的高光谱图片，获取所述纯易腐垃圾的高光谱数据，并作为所述标准参考光谱数据。其中，纯易腐垃圾不含非易腐垃圾物品。
其中，将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾，包括：
将所述易腐垃圾的光谱数据转化成待测空间矢量；
同时将所述标准参考光谱数据转化为参考矢量；
计算所述待测空间矢量与所述参考矢量之间广义夹角，根据所述夹角确定确定易腐垃圾中是否含非易腐垃圾。其中，广义夹角越小,表明易腐垃圾的光谱数据与标准参考光谱数据匹配程度越高，广义夹角越大,表明易腐垃圾的光谱数据与标准参考光谱数据匹配程度越低。
具体地，将图像中每一个像元的n个光谱维响应当作n维空间矢量(待测矢量),也将参考光谱转化为参考矢量；通过计算待测矢量与参考矢量之间的广义夹角θ，θ来表征匹配程度,夹角越小，表明待测像元光谱与参考光谱匹配程度越高。
本发明实施例通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，识别所述关键帧图片中的物品，并对识别出的物品进行标注；通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。本发明通过图像识别技术和高光谱技术对易腐垃圾分类质量进行判定，从而提高易腐垃圾分类质量判别判定的准确率。
如图3所示，是本发明实现易腐垃圾分类质量判定的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如易腐垃圾分类质量判定程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据稽核程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如数据稽核程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的易腐垃圾分类质量判定程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取易腐垃圾视频流；
通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明的实施例中，计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现易腐垃圾分类质量判定方法，具体方法如下：获取易腐垃圾视频流；
通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种易腐垃圾分类质量判定方法，其特征在于，所述方法包括：
获取易腐垃圾视频流；
通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
2.如权利要求1所述的易腐垃圾分类质量判定方法，其特征在于，所述获取易腐垃圾视频流，包括如下步骤：
在易腐垃圾收运车的易腐垃圾倾倒口处设置摄像机；
通过所述摄像机实时拍摄倾倒的易腐垃圾视频流。
3.如权利要求1所述的易腐垃圾分类质量判定方法，其特征在于，所述通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述所述关键帧图片中的物品，并对识别出的物品进行标注，包括如下步骤：
将易腐垃圾中未掺杂其他垃圾的易腐垃圾图片样本作为第一样本；
将易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本作为第二样本；
对所述第二样本进行标注，分别标注出其他垃圾的垃圾类型和位置；
将标注完成的第二样本与所述第一样本混合均匀，并将混合后的样本分为训练样本和测试样本；
通过所述训练样本和所述测试样本对预先构建的图像识别神经元网络模型进行训练；
通过训练好的图像识别神经元网络模型对所述关键帧图片进行图像识别，并将识别的物品进行标注。
4.如权利要求3所述的易腐垃圾分类质量判定方法，其特征在于，所述通过所述训练样本和测试样本对构建的图像识别神经元网络模型进行训练，包括如下步骤：
将所述训练样本输入构建的图像识别神经元网络模型进行反复训练，其中，通过梯度下降的方式调整所述图像识别神经元网络模型的步长和精度；
当所述图像识别神经元网络模型的loss函数值趋于定值时，所述图像识别神经元网络模型停止训练；
将所述测试样本输入到已训练的神经元网络模型中进行识别测试，验证所述已训练的神经元网络模型的识别正确率。
5.如权利要求1所述的易腐垃圾分类质量判定方法，其特征在于，所述标准参考光谱数据，包括如下步骤：
利用高光谱相机提取纯易腐垃圾的高光谱图片，获取所述纯易腐垃圾的高光谱数据，并作为所述标准参考光谱数据。
6.如权利要求5所述的易腐垃圾分类质量判定方法，其特征在于，将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾，包括如下步骤：
将所述易腐垃圾的光谱数据转化成待测空间矢量，同时将所述标准参考光谱数据转化为参考矢量；
计算所述待测空间矢量与所述参考矢量之间夹角，根据所述夹角确定确定易腐垃圾中是否含非易腐垃圾。
7.一种易腐垃圾分类质量判定装置，其特征在于，所述装置包括：
视频流获取模块，用于获取易腐垃圾视频流；
关键帧图片获取模块，用于通过多媒体视频处理工具对所述易腐垃圾视频流进行处理，获取所述易腐垃圾视频流的关键帧图片；
物品识别标注模块，用于通过预先训练的图像识别神经元网络模型对所述关键帧图片进行图像识别，以识别所述关键帧图片中的物品，并对识别出的物品进行标注；
光谱数据获取模块，用于通过高光谱相机提取有物品标注的关键帧图片的高光谱图像，根据所述高光谱图像，获取所述易腐垃圾的光谱数据；
匹配模块，用于将所述易腐垃圾的光谱数据与标准参考光谱数据进行匹配，确定易腐垃圾中是否含非易腐垃圾。
8.如权利要求7所述的易腐垃圾分类质量判定装置，其特征在于，所述物品识别标注模块，包括：
样本确定模块，用于将易腐垃圾中未掺杂其他垃圾的易腐垃圾图片样本作为第一样本；
将易腐垃圾中掺杂其他垃圾的易腐垃圾图片样本作为第二样本；
第二样本标注模块，用于对所述第二样本进行标注，分别标注出其他垃圾的垃圾类型和位置；
样本混合模块，用于将标注完成的第二样本与所述第一样本混合均匀，并将混合后的样本分为训练样本和测试样本；
模型训练模块，用于通过所述训练样本和所述测试样本对预先构建的图像识别神经元网络模型进行训练；
物品标注模块，用于通过训练好的图像识别神经元网络模型对所述关键帧图片进行图像识别，并将识别的物品进行标注。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的易腐垃圾分类质量判定方法。
10.一种计算机可读存储介质，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时实现如权利要求1至6中任一所述的易腐垃圾分类质量判定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011564946.2A CN112613413A (zh) | 2020-12-25 | 2020-12-25 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011564946.2A CN112613413A (zh) | 2020-12-25 | 2020-12-25 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112613413A true CN112613413A (zh) | 2021-04-06 |
Family
ID=75247895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011564946.2A Pending CN112613413A (zh) | 2020-12-25 | 2020-12-25 | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613413A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881632A (zh) * | 2015-04-28 | 2015-09-02 | 南京邮电大学 | 高光谱人脸识别方法 |
| CN106871569A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
| CN107133954A (zh) * | 2017-04-10 | 2017-09-05 | 北京环境特性研究所 | 基于数学形态学的光谱角度匹配方法 |
| CN107525780A (zh) * | 2017-07-26 | 2017-12-29 | 成都九维云联科技有限公司 | 基于光谱技术的物品腐败程度检测系统 |
| CN107704878A (zh) * | 2017-10-09 | 2018-02-16 | 南京大学 | 一种基于深度学习的高光谱数据库半自动化建立方法 |
| US20180137620A1 (en) * | 2015-05-15 | 2018-05-17 | Sony Corporation | Image processing system and method |
| CN108896494A (zh) * | 2018-05-04 | 2018-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于光谱和深度学习的物体识别仪 |
| CN109211835A (zh) * | 2018-10-11 | 2019-01-15 | 南京大学（溧水）生态环境研究院 | 一种基于光谱技术的厨余垃圾快速鉴定方法 |
| CN109271630A (zh) * | 2018-09-11 | 2019-01-25 | 成都信息工程大学 | 一种基于自然语言处理的智能标注方法及装置 |
| CN109858462A (zh) * | 2019-02-21 | 2019-06-07 | 武汉纺织大学 | 一种基于卷积神经网络的织物识别方法及系统 |
| CN109857878A (zh) * | 2018-12-27 | 2019-06-07 | 深兰科技（上海）有限公司 | 物品标注方法及装置、电子设备及存储介质 |
| CN110516570A (zh) * | 2019-08-15 | 2019-11-29 | 东莞弓叶互联科技有限公司 | 一种基于视觉的垃圾分类识别方法和装置 |
| CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
| CN110921146A (zh) * | 2019-11-28 | 2020-03-27 | 蚌埠学院 | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其系统 |
| CN111126138A (zh) * | 2019-11-18 | 2020-05-08 | 施博凯 | 垃圾分类ai图像识别方法 |
| CN111414926A (zh) * | 2019-01-04 | 2020-07-14 | 卓望数码技术（深圳）有限公司 | 一种智能垃圾分类方法、装置、存储介质和机器人 |
| CN111723772A (zh) * | 2020-06-30 | 2020-09-29 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
| CN112036500A (zh) * | 2020-09-04 | 2020-12-04 | 广东弓叶科技有限公司 | 基于深度图像及多光谱图像融合的垃圾分类方法及装置 |
| CN112044808A (zh) * | 2020-08-24 | 2020-12-08 | 华侨大学 | 一种生活垃圾识别系统 |
-
2020
- 2020-12-25 CN CN202011564946.2A patent/CN112613413A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881632A (zh) * | 2015-04-28 | 2015-09-02 | 南京邮电大学 | 高光谱人脸识别方法 |
| US20180137620A1 (en) * | 2015-05-15 | 2018-05-17 | Sony Corporation | Image processing system and method |
| CN106871569A (zh) * | 2016-12-30 | 2017-06-20 | 青岛海尔智能技术研发有限公司 | 冰箱内部食物的种类识别方法与冰箱 |
| CN107133954A (zh) * | 2017-04-10 | 2017-09-05 | 北京环境特性研究所 | 基于数学形态学的光谱角度匹配方法 |
| CN107525780A (zh) * | 2017-07-26 | 2017-12-29 | 成都九维云联科技有限公司 | 基于光谱技术的物品腐败程度检测系统 |
| CN107704878A (zh) * | 2017-10-09 | 2018-02-16 | 南京大学 | 一种基于深度学习的高光谱数据库半自动化建立方法 |
| CN108896494A (zh) * | 2018-05-04 | 2018-11-27 | 中国科学院遥感与数字地球研究所 | 一种基于光谱和深度学习的物体识别仪 |
| CN109271630A (zh) * | 2018-09-11 | 2019-01-25 | 成都信息工程大学 | 一种基于自然语言处理的智能标注方法及装置 |
| CN109211835A (zh) * | 2018-10-11 | 2019-01-15 | 南京大学（溧水）生态环境研究院 | 一种基于光谱技术的厨余垃圾快速鉴定方法 |
| CN109857878A (zh) * | 2018-12-27 | 2019-06-07 | 深兰科技（上海）有限公司 | 物品标注方法及装置、电子设备及存储介质 |
| CN111414926A (zh) * | 2019-01-04 | 2020-07-14 | 卓望数码技术（深圳）有限公司 | 一种智能垃圾分类方法、装置、存储介质和机器人 |
| CN109858462A (zh) * | 2019-02-21 | 2019-06-07 | 武汉纺织大学 | 一种基于卷积神经网络的织物识别方法及系统 |
| CN110516570A (zh) * | 2019-08-15 | 2019-11-29 | 东莞弓叶互联科技有限公司 | 一种基于视觉的垃圾分类识别方法和装置 |
| CN110542658A (zh) * | 2019-09-10 | 2019-12-06 | 中国烟草总公司郑州烟草研究院 | 一种基于高光谱成像技术的烟草非烟物质分类方法 |
| CN111126138A (zh) * | 2019-11-18 | 2020-05-08 | 施博凯 | 垃圾分类ai图像识别方法 |
| CN110921146A (zh) * | 2019-11-28 | 2020-03-27 | 蚌埠学院 | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其系统 |
| CN111723772A (zh) * | 2020-06-30 | 2020-09-29 | 平安国际智慧城市科技股份有限公司 | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 |
| CN112044808A (zh) * | 2020-08-24 | 2020-12-08 | 华侨大学 | 一种生活垃圾识别系统 |
| CN112036500A (zh) * | 2020-09-04 | 2020-12-04 | 广东弓叶科技有限公司 | 基于深度图像及多光谱图像融合的垃圾分类方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
| CN115187870B (zh) * | 2022-09-13 | 2023-01-03 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | RENet: Rectangular convolution pyramid and edge enhancement network for salient object detection of pavement cracks | |
| CN110569874A (zh) | 一种垃圾分类方法、装置、智能终端及存储介质 | |
| CN112395978A (zh) | 行为检测方法、装置及计算机可读存储介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN112699775A (zh) | 基于深度学习的证件识别方法、装置、设备及存储介质 | |
| CN112052850A (zh) | 车牌识别方法、装置、电子设备及存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| Tung et al. | Large-scale object detection of images from network cameras in variable ambient lighting conditions | |
| CN111723772B (zh) | 基于图像识别的易腐垃圾识别方法、装置及计算机设备 | |
| CN111695609A (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
| CN108038431A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
| CN113222063A (zh) | 快递纸箱垃圾分类方法、装置、设备及介质 | |
| CN111738212A (zh) | 基于人工智能的交通信号灯识别方法、装置、设备及介质 | |
| CN112580684A (zh) | 基于半监督学习的目标检测方法、装置及存储介质 | |
| AR et al. | Automatic waste detection by deep learning and disposal system design | |
| CN112613413A (zh) | 易腐垃圾分类质量判定方法、装置及计算机可读存储介质 | |
| CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
| CN111967438A (zh) | 垃圾收运监控方法、装置、设备及计算机可读存储介质 | |
| CN115265545A (zh) | 基于决策分析的地图匹配导航方法、装置、设备及存储介质 | |
| Leonard et al. | Power to the people: Applying citizen science and computer vision to home mapping for rural energy access | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| Sree et al. | Waste Management Detection Using Deep Learning | |
| CN113065607A (zh) | 图像检测方法、装置、电子设备及介质 | |
| CN113139452A (zh) | 基于目标检测的使用手机行为的检测方法 | |
| CN111008634B (zh) | 一种基于实例分割的字符识别方法及字符识别装置 |
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 |