CN112733936A - 一种基于图像识别的可回收垃圾分类方法 - Google Patents
一种基于图像识别的可回收垃圾分类方法 Download PDFInfo
- Publication number
- CN112733936A CN112733936A CN202110026437.2A CN202110026437A CN112733936A CN 112733936 A CN112733936 A CN 112733936A CN 202110026437 A CN202110026437 A CN 202110026437A CN 112733936 A CN112733936 A CN 112733936A
- Authority
- CN
- China
- Prior art keywords
- image
- recyclable garbage
- neural network
- convolutional neural
- 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 74
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 239000004033 plastic Substances 0.000 claims description 6
- 229920003023 plastic Polymers 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 229910052751 metal Inorganic materials 0.000 claims description 5
- 239000000123 paper Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 239000002699 waste material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000010893 paper waste Substances 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process 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
- G06F18/21—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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别技术的可回收垃圾智能分类方法,属于计算机视觉领域;本方法面向可回收垃圾图像数据,基于卷积神经网络进行建模,利用卷积神经网络提取有效特征,并采用支持向量机分类器实现可回收垃圾的智能分类。主要包括:建立并预处理可回收垃圾图像库,采用数据增强的方式扩大数据规模;构建基于卷积神经网络的智能分类模型;利用可回收垃圾图像库训练分类模型;将目标图像输入至训练好的分类模型中进行判断,最终输出目标图像的所属类别,实现可回收垃圾的自动分类。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种基于图像识别技术的可回收 垃圾智能分类方法。
背景技术
随着人们生活水平的不断提高,产生的垃圾也越来越多,通过对垃圾进 行分类管理,能最大限度的实现垃圾资源回收利用,同时减少垃圾处理的数量, 可以通过垃圾分类再进行后端处理转化为新能源。日常生活中,我们会产生很多 可回收垃圾,例如,废塑料,废金属,废纸,废玻璃等,这些都是再生资源,它 们是适宜回收循环利用的资源。通过垃圾分类回收,可以提高垃圾的资源价值和 经济价值,力争物尽其用。
传统的垃圾分类依靠人工手动分类,这需要耗费大量的人力物力,分类 效率低。图像识别是实现垃圾分类的有效技术,基于神经网络模型的图像识别与 分类技术具有准确度高,泛化性能好等优点。
近年来在图像识别领域,卷积神经网络应用较广,并在数据充足时有稳 定的表现。对于字符检测和字符识别任务,卷积神经网络被用于判断输入的图像 是否包含字符,并从中剪取有效的字符片断。其中使用多个归一化指数函数直接 分类的卷积神经网络被用于谷歌街景图像的门牌号识别、包含条件随机场图模型 的卷积神经网络可以识别图像中的单词。
本项目将基于图像识别的深度学习技术应用于垃圾智能分类领域,针对 可回收垃圾的分类问题,提出解决方案,实现可回收垃圾的准确分类,改变目前 人工监督分类成本高的难题,提高垃圾分类管理效能、减少分类管理成本。
发明内容
本发明的目的是提供一种基于图像识别技术的可回收垃圾分类方法,实 现在垃圾分类回收、分拣过程中的智能化操作,解决了现有人工分类费时费力的 问题。
为达到上述发明目的,本发明提出了一种基于图像识别技术的可回收垃 圾分类方法,包括如图1所示的不同模块。
首先,建立K类可回收垃圾图像库,且每类所述可回收垃圾图像采集N 张图像数据,主要包括如下方面:
(1)通过多种渠道采集可回收垃圾图像。
(2)将收集到的垃圾图像进行筛选,筛选出如下4类:玻璃、金属、塑料、 纸类。
(3)将分好类的图像按筛选的类别进行标注,通过标注使每张图片具有相应 的类别标签。
其次,将分类的可回收垃圾图像按比例划分训练集与测试集,并分别进 行预处理,主要工作如下:
(1)将标注好的图像按照一定比例划分为训练集与测试集。
(2)将图像进行预处理,重新设置大小,统一输入图像大小。
(3)数据增强方法一:对输入的图像进行随机裁剪,通过裁剪不仅增加了图 像数据,同时也弱化了数据噪声,能够增强模型的稳定性。
(4)数据增强方法二:将随机裁剪后的图像分别进行垂直翻转和水平翻转, 以及随机旋转一定角度,该方法能够提升模型的泛化能力,使模型对各种形状的 垃圾图像均能有效的提取图像特征。
(5)对旋转变换后的图像进行归一化,使模型训练时,梯度对每张图片的作 用都是平均的。
第三,构建基于卷积神经网络的分类模型,主要工作如下:
(1)使用卷积神经网络进行学习,卷积神经网络的结构图如图2所示,包括 输入层,卷积层,激活函数层,池化层,全连接层,通过堆叠卷积神经网络,构 建特征提取网络。
(2)最后使用支持向量机分类器代替传统的softmax分类层,获得基于卷积 神经网络的分类模型。
第四,利用可回收垃圾图像训练集训练基于卷积神经网络的分类模型, 具体工作如下:
将预处理后的训练集图像利用搭建的卷积神经网络模型进行训练,模型 通过卷积神经网络进行特征提取,再利用支持向量机分类器进行分类。通过在训 练集上的学习过程,分类模型对可回收垃圾图像具有了较强的识别能力。
最后,将目标图像输入至预先训练好的分类模型中,最终输出目标图像 的类别,具体过程如下:
(1)将待识别目标图像输入至训练好的分类模型中,模型通过卷积神经网络 提取图像的关键特征,根据提取到的关键特征判断目标图像是属于哪种类别,最 后输出类别信息。
(2)使用测试集进行验证。通过测试集的验证可计算得到模型对可回收垃圾 图像的分类准确率。
本发明的有益效果是:本发明提供了一种基于图像识别技术的可回收垃 圾智能分类方法,通过采集图像,构建模型,训练模型,实现了较为精准的可回 收垃圾分类,使得垃圾分类更智能化,减轻了人工操作。
附图说明
图1为本发明提出的一种基于图像识别技术的可回收垃圾智能分类方法 结构图;
图2为本发明中卷积神经网络结构示意图;
图3为本发明中分类模块样例示意图。
具体实施方式
下面结合附图对本发明进行进一步说明。
如图1所示,一种基于图像识别技术的可回收垃圾智能分类方法,包括 以下步骤:
S1.建立K类可回收垃圾图像库,且每类所述可回收垃圾图像采集N张图像;
S2.将分类的可回收垃圾图像按比例划分训练集与测试集,并分别进行预处 理;
S3.构建基于卷积神经网络的分类模型;
S4.利用可回收垃圾图像训练集来训练基于卷积神经网络的分类模型;
S5.将目标图像输入至预先训练好的分类模型中,最终输出目标图像的类别。
进一步地,所述步骤S1中构建可回收垃圾图像库的具体方法为:
首先,通过多种方式采集到十万余张垃圾图像,构建垃圾图像库。
基于构建的垃圾图像库,从中筛选出四类可回收垃圾:玻璃、金属、塑 料、纸类,每类垃圾近2500张图像。
最后,对四类图像按筛选的类别进行标注,通过标注使每张图片对应相 应的类别标签。
所述步骤S2中对可回收垃圾图像进行预处理的具体方法为:
为了后文更好的进行说明,现介绍相关函数如下:
对采集到的可回收垃圾图像按7:3的比例随机划分为训练集与测试集,训 练集大约7000张图像,测试集大约3000张图像。
利用transforms.Resize()函数重新设置大小,统一输入图像大小;
利用transforms.RandomCrop(size)函数对输入的图像进行随机裁剪,设置 裁剪的大小(size)为300,将输入的图随机裁剪为300*300的图像;
利用transforms.RandomVerticalFlip()和transforms.RandomHorizontalFlip() 函数对随机裁剪后的图像分别依照默认的概率(0.5)进行垂直翻转和水平翻转;
利用transforms.RandomRotation()函数对翻转后的图像进行随机旋转一定 角度;
最后利用transforms.Normalize()和transforms.ToTensor()函数对旋转变换后的图像进行归一化,使模型训练时,梯度对每张图片的作用都是平均的。
经过数据预处理,使图像能够输入模型进行训练,同时训练集更加丰富, 使模型具有较好的泛化能力。
如图2所示,所述步骤S3中构建基于卷积神经网络的可回收垃圾分类模 型,具体为:
使用卷积神经网络进行学习,包括输入层,卷积层,激活函数层,池化 层,全连接层,通过堆叠卷积神经网络提取图像特征。
输入层:将预处理后的图像作为输入,输入到模型中;
卷积层:卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反 向传播算法优化得到的。卷积运算的目的是提取输入图像的不同特征,第一层卷 积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网络能从 低级特征中迭代提取更复杂的特征。
我们假设单一通道输入图像的空间坐标为(x,y),卷积核大小是p×q,卷 积核权重为w,图像亮度值是v,卷积过程就是卷积核所有权重与其在输入图像上 对应元素亮度之和,可以表示为:
激活函数层:增加神经网络模型的非线性,同时对于深层网络,很容易 出现梯度消失或过拟合的情况,使用Relu激活函数能缓解梯度消失以及过拟合 问题。
卷积之后,通常会加入偏置,并引入非线性激活函数,这里定义偏置为b, 激活函数是h(),经过激活函数后,得到的结果是,
h(z)=max(0,z)
池化层:通常在卷积层之后会得到维度很高的特征,将特征切成几个区 域,取其最大值或平均值,得到新的、降维后的特征表示。
全连接层:经过多个卷积层和池化层后,连接一个或多个全连接层。全 连接层中的每个神经元与其前一层的所有神经元进行全连接,可以整合卷积层或 池化层中具有类别区分性的局部信息。
对于第L层的第i个神经元,定义输入为a(L-1),aj(L-1)表示第j个神 经元,偏置为bi(L),它的输出计算方式是,
如图1所示,所述步骤S4中利用可回收垃圾图像训练集来训练基于卷积 神经网络的分类模型,具体方法为:
(1)将预处理后的训练集输入至模型进行训练,模型通过卷积神经网络进行 特征提取,再利用支持向量机分类器进行分类。
传统的卷积神经网络分类模型提取图像的特征后通常采用softmax分类 层进行分类,本发明不同于传统的卷积神经网络分类模型,使用SVM代替传统 分类模型中的softmax分类层。
支持向量机属于线性分类器,它将一系列的输入数据映射到类别上,通 过寻找超平面实现对样本的分类。
支持向量机的预测输出是f(x)=Wx+b,f(x)>0表示一类,f(x)<0表 示另一类,f(x)==0表示超平面,实现了二分类。
对于一个样本而言,其预测出来的结果是一个得分,通过优化损失函数, 分类器函数拟合这些样本,使大部分样本输出满足f(x)>0。若图像恰好落在分 类超平面,其得分等于0,离超平面越远,得分的绝对值也就越大,箭头方向指 向得分的正增长方向,表示正确的分类结果。
(2)通过在训练集上的训练过程,模型对可回收垃圾图像具有了较强的识别 能力。
所述步骤S5中将目标图像输入至预先训练好的分类模型中,最终输出目 标图像的类别,具体步骤为:
(1)将待识别目标图像输入至训练好的分类模型中,模型通过卷积神经网络 提取图像的关键特征,分类器根据提取到的关键特征判断目标图像是属于哪种类 别,最后输出类别信息。
(2)使用测试集进行验证,可计算得到模型对可回收垃圾图像的分类准确 率。
我们采用正确率(Accuracy)来对测试结果进行评价,通常,正确率越高, 分类模型越好。
Accuracy=(TP+TN)/(TP+FP+FN+TN)
其中,TP(True positives):被正确地划分为正例的个数,即实际为正例 且被分类器划分为正例的样本数;
FP(False positives):被错误地划分为正例的个数,即实际为负例但被分 类器划分为正例的样本数;
FN(False negatives):被错误地划分为负例的个数,即实际为正例但被分 类器划分为负例的样本数;
TN(True negatives):被正确地划分为负例的个数,即实际为负例且被分 类器划分为负例的样本数;
测试的结果如下表所示:
种类 | 玻璃 | 金属 | 塑料 | 纸类 | 总准确率 |
准确率 | 93.12 | 96.67 | 93.24 | 98.15 | 96.19 |
经过实验结果验证,本发明提出的方法能够对玻璃、金属、塑料、纸类 四种可回收垃圾实现准确分类。
Claims (6)
1.一种基于图像识别的可回收垃圾分类方法,其特征在于,包括以下步骤:
S1.建立K类可回收垃圾图像,且每类所述可回收垃圾图像采集N张图像;
S2.将分类的可回收垃圾图像按比例划分训练集与测试集,并分别进行预处理;
S3.构建基于卷积神经网络的分类模型;
S4.利用可回收垃圾图像训练集训练基于卷积神经网络的分类模型;
S5.将目标图像输入至预先训练好的分类模型中,最终输出目标图像的类别。
2.根据权利要求1所述的基于图像识别的可回收垃圾分类方法,其特征在于,所述步骤S1中建立K类可回收垃圾图像库,且每类所述可回收垃圾图像采集N张图像数据,包括如下方面:
(1)通过多种渠道采集可回收垃圾图像;
(2)将收集到的垃圾图像进行筛选,筛选出如下4类:玻璃、金属、塑料、纸类;
(3)将分好类的图像按筛选的类别进行标注,通过标注使每张图片具有相应的类别标签。
3.根据权利要求1所述的基于图像识别的可回收垃圾分类方法,其特征在于,所述步骤S2中将分类的可回收垃圾图像按比例划分训练集与测试集,并分别进行预处理:
(1)将标注好的图像按照一定比例划分为训练集与测试集;
(2)将图像进行预处理,重新设置大小,统一输入图像大小;
(3)数据增强方法一:对输入的图像进行随机裁剪,通过裁剪不仅增加了图像数据,同时弱化数据噪声,能够增强模型的稳定性;
(4)数据增强方法二:将随机裁剪后的图像分别进行垂直翻转和水平翻转,以及随机旋转一定角度,能够提升模型的泛化能力,使模型对各种形状的垃圾图像均能有效的提取图像特征;
(5)对旋转变换后的图像进行归一化,使模型训练时,梯度对每张图片的作用都是平均的。
4.根据权利要求1所述的基于图像识别的可回收垃圾分类方法,其特征在于,所述步骤S3中构建基于卷积神经网络的分类模型,工作如下:
(1)使用卷积神经网络进行学习,卷积神经网络的结构包括输入层、卷积层、激活函数层、池化层、全连接层,通过堆叠卷积神经网络,构建特征提取网络;
(2)最后使用支持向量机分类器代替传统的softmax分类层,获得基于卷积神经网络的分类模型。
5.根据权利要求1所述的基于图像识别的可回收垃圾分类方法,其特征在于,所述步骤S4中利用可回收垃圾图像训练集训练基于卷积神经网络的分类模型,具体工作如下:
将预处理后的训练集图像利用搭建的卷积神经网络模型进行训练,卷积神经网络模型通过卷积神经网络进行特征提取,再利用支持向量机分类器进行分类。通过在训练集上的学习过程,分类模型对可回收垃圾图像具有识别能力。
6.根据权利要求1所述的基于图像识别的可回收垃圾分类方法,其特征在于,所述步骤S5中将目标图像输入至预先训练好的分类模型中,最终输出目标图像的类别,具体过程如下:
(1)将待识别目标图像输入至训练好的分类模型中,模型通过卷积神经网络提取图像的关键特征,根据提取到的关键特征判断目标图像是属于哪种类别,最后输出类别信息;
(2)使用测试集进行验证;通过测试集的验证计算得到卷积神经网络模型对可回收垃圾图像的分类准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026437.2A CN112733936A (zh) | 2021-01-08 | 2021-01-08 | 一种基于图像识别的可回收垃圾分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110026437.2A CN112733936A (zh) | 2021-01-08 | 2021-01-08 | 一种基于图像识别的可回收垃圾分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733936A true CN112733936A (zh) | 2021-04-30 |
Family
ID=75589973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110026437.2A Pending CN112733936A (zh) | 2021-01-08 | 2021-01-08 | 一种基于图像识别的可回收垃圾分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733936A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113173349A (zh) * | 2021-05-06 | 2021-07-27 | 上海市格致中学 | 一种垃圾分类系统及方法 |
CN113343838A (zh) * | 2021-06-03 | 2021-09-03 | 安徽大学 | 一种基于cnn神经网络的智能垃圾识别方法及装置 |
CN113807347A (zh) * | 2021-08-20 | 2021-12-17 | 北京工业大学 | 一种基于目标检测技术的厨余垃圾杂质识别方法 |
CN113837099A (zh) * | 2021-09-26 | 2021-12-24 | 浙江力石科技股份有限公司 | 一种图像中垃圾的分类方法及装置 |
CN114612730A (zh) * | 2022-04-06 | 2022-06-10 | 哈尔滨工业大学 | 生活垃圾分类产生比例的检测方法及装置 |
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 |
CN118439283A (zh) * | 2024-06-26 | 2024-08-06 | 广东海清新环保科技有限公司 | 基于图像处理的智能垃圾桶分类区垃圾分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN111126333A (zh) * | 2019-12-30 | 2020-05-08 | 齐齐哈尔大学 | 一种基于轻量卷积神经网络的垃圾分类方法 |
CN111144496A (zh) * | 2019-12-27 | 2020-05-12 | 齐齐哈尔大学 | 一种基于混合卷积神经网络的垃圾分类方法 |
-
2021
- 2021-01-08 CN CN202110026437.2A patent/CN112733936A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
CN111144496A (zh) * | 2019-12-27 | 2020-05-12 | 齐齐哈尔大学 | 一种基于混合卷积神经网络的垃圾分类方法 |
CN111126333A (zh) * | 2019-12-30 | 2020-05-08 | 齐齐哈尔大学 | 一种基于轻量卷积神经网络的垃圾分类方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113173349A (zh) * | 2021-05-06 | 2021-07-27 | 上海市格致中学 | 一种垃圾分类系统及方法 |
CN113343838A (zh) * | 2021-06-03 | 2021-09-03 | 安徽大学 | 一种基于cnn神经网络的智能垃圾识别方法及装置 |
CN113807347A (zh) * | 2021-08-20 | 2021-12-17 | 北京工业大学 | 一种基于目标检测技术的厨余垃圾杂质识别方法 |
CN113837099A (zh) * | 2021-09-26 | 2021-12-24 | 浙江力石科技股份有限公司 | 一种图像中垃圾的分类方法及装置 |
CN114612730A (zh) * | 2022-04-06 | 2022-06-10 | 哈尔滨工业大学 | 生活垃圾分类产生比例的检测方法及装置 |
CN114612730B (zh) * | 2022-04-06 | 2023-08-29 | 哈尔滨工业大学 | 生活垃圾分类产生比例的检测方法及装置 |
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 |
CN118439283A (zh) * | 2024-06-26 | 2024-08-06 | 广东海清新环保科技有限公司 | 基于图像处理的智能垃圾桶分类区垃圾分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733936A (zh) | 一种基于图像识别的可回收垃圾分类方法 | |
CN111310861B (zh) | 一种基于深度神经网络的车牌识别和定位方法 | |
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
CN111144496B (zh) | 一种基于混合卷积神经网络的垃圾分类方法 | |
Bisen | Deep convolutional neural network based plant species recognition through features of leaf | |
Zhang et al. | A multi-label waste detection model based on transfer learning | |
Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
CN114937179B (zh) | 垃圾图像分类方法、装置、电子设备及存储介质 | |
CN111488917A (zh) | 一种基于增量学习的垃圾图像细粒度分类方法 | |
Yang et al. | Instance segmentation and classification method for plant leaf images based on ISC-MRCNN and APS-DCCNN | |
CN105335760A (zh) | 一种图像数字字符识别方法 | |
CN113807347A (zh) | 一种基于目标检测技术的厨余垃圾杂质识别方法 | |
CN110765285A (zh) | 基于视觉特征的多媒体信息内容管控方法及系统 | |
Chen et al. | A visual attention based convolutional neural network for image classification | |
Akhlaghi et al. | Farsi handwritten phone number recognition using deep learning | |
Alzyoud et al. | A semi smart adaptive approach for trash classification | |
Zhang et al. | Deep contextual stroke pooling for scene character recognition | |
Ying et al. | License plate detection and localization in complex scenes based on deep learning | |
Xiao et al. | An improved siamese network model for handwritten signature verification | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
CN116863418A (zh) | 一种基于CA_MixNet的道路限行车辆种属划分方法 | |
Rong et al. | Weakly supervised text attention network for generating text proposals in scene images | |
CN113344102A (zh) | 基于图像hog特征与elm模型的目标图像识别方法 | |
Teredesai et al. | GP-based secondary classifiers | |
Tan et al. | Multiscale region projection method to discriminate between printed and handwritten text on registration forms |
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 |