CN112827846B - 一种垃圾自动分类的装置及方法 - Google Patents

一种垃圾自动分类的装置及方法 Download PDF

Info

Publication number
CN112827846B
CN112827846B CN202110004788.3A CN202110004788A CN112827846B CN 112827846 B CN112827846 B CN 112827846B CN 202110004788 A CN202110004788 A CN 202110004788A CN 112827846 B CN112827846 B CN 112827846B
Authority
CN
China
Prior art keywords
garbage
classification
resnet
scale
conveyor belt
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
CN202110004788.3A
Other languages
English (en)
Other versions
CN112827846A (zh
Inventor
何波
梁旭东
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202110004788.3A priority Critical patent/CN112827846B/zh
Publication of CN112827846A publication Critical patent/CN112827846A/zh
Application granted granted Critical
Publication of CN112827846B publication Critical patent/CN112827846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/38—Collecting or arranging articles in groups
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
    • B07C2501/0054—Sorting of waste or refuse
    • 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)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种垃圾自动分类的装置及方法，包括机体，机体内安装有微处理器，微处理器内部存储有训练好的改进后的ResNet‑50垃圾分类卷积神经网络模型；机体上有用于投放垃圾的投放口，投放口安装有摄像头进行图像采集，摄像头与微处理器输入端相连；机体上有四种不同类别的垃圾桶，分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有害垃圾垃圾桶和其他垃圾垃圾桶，用于实现不同类别的垃圾归类；机体上有传送带位于投放口正下方，传送带下方有驱动电机，用于传送带的运转；传送带与微处理器输出端相连，用于将微处理器输出的垃圾类别将其运输到对应桶内。本发明能够自动的、准确地及高效的实现垃圾的自动识别；并可以自动将垃圾归放至对应的垃圾桶中。

Description

一种垃圾自动分类的装置及方法
技术领域
本发明涉及垃圾自动分类技术领域，特别涉及一种垃圾自动分类的装置及方法。
背景技术
ResNet-50网络采用多个非常小的卷积核替换单一大尺寸的卷积核，其作用不仅可以减少ResNet-50网络的参数，同时可增加ResNet-50网络非线性激活函数数量，减少ResNet-50网络计算量。针对垃圾分类及识别的任务特征可知，垃圾分为四类，每类垃圾又包含很多不同种类的垃圾，如易拉罐，矿泉水瓶等，其本身包含了很多不同种类的特征，对分类及识别过程中的细节特征提取存在一定的难度。
现实中垃圾分类技术采用不同垃圾类别的垃圾桶并排摆放，其局限性在于，人们需自行判断垃圾类别并手动进行垃圾分类；现今一些相对智能的垃圾桶其功能仅限于：实现自动开盖、自动打包等，没有实现垃圾自动识别分类的功能。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种垃圾自动分类的装置及方法，能够自动的、准确地及高效的实现垃圾的自动识别；并可以自动将垃圾归放至对应的垃圾桶中，无需手动分类投放。
为了实现上述目的，本发明采用的技术方案是：
一种垃圾自动分类的装置，包括机体1，所述机体1内安装有微处理器2，所述微处理器2内部存储有训练好的改进后的ResNet-50垃圾分类卷积神经网络模型；所述机体1上有用于投放垃圾的投放口3，所述投放口3安装有摄像头4进行图像采集，所述摄像头4与微处理器2输入端相连；所述机体1上有四种不同类别的垃圾桶，分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有害垃圾垃圾桶和其他垃圾垃圾桶，用于实现不同类别的垃圾归类；所述机体1上有传送带5位于投放口3正下方，所述传送带5下方有驱动电机6，用于传送带5的运转；所述传送带5与微处理器2输出端相连，用于将微处理器2输出的垃圾类别将其运输到对应桶内。
所述四类垃圾桶上方均有对应的垃圾挡板7，垃圾挡板7位于传送带5一侧，传送带5另一侧设置有推板8，所述推板8下方有驱动电机9，用于实现将垃圾推进对应的垃圾桶内；所述机体1上设置有用于实时显示垃圾分类结果的显示屏，所述显示屏位于机体1外侧方便人们浏览。
所述微处理器2输出端与显示屏相连，便于显示改进后的ResNet-50垃圾分类卷积神经网络模型所识别的结果输出。
一种垃圾自动分类的装置的方法，包括以下步骤；
Step1：人们将垃圾通过投放口3丢入；
Step2：摄像头4自动进行拍照，完成图像采集；
Step3：图像信息传输给微处理器2，通过训练好的改进后的ResNet-50垃圾分类卷积神经网络模型，识别垃圾种类，并将识别出的种类信息传输给显示屏与传送带5下方的驱动电机6；
Step4：传送带5下面驱动电机6开始运转，通过传送带5将垃圾运输到对应类别的垃圾桶上方；
Step5：对应垃圾桶上方的驱动电机9开始运转，带动对应垃圾桶上方的挡板7将垃圾推入下方对应的垃圾桶中；
Step6：显示屏显示本次垃圾分类结果，完成本次垃圾自动识别分类过程。
所述Step3中具体的分类方法为，包括以下步骤；
步骤一：根据垃圾分类的任务，收集不同种类的的垃圾照片，并按照分类要求制作包含四大类共21875张照片的垃圾级数据集，分别为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾；
步骤二：对摄像头采集的数据图像进行预处理；
步骤三：对基于卷积神经网络ResNet-50模型根据设计需要进行改进，搭建改进后的网络模型；
步骤四：用步骤一制作的垃圾数据集在改进后的ResNet-50模型上进行训练，使模型能够实现对待检测垃圾图像的自主识别分类过程。
步骤五：模型实现垃圾分类的过程：垃圾图片输入改进后的网络模型，通过模型提取图片中垃圾特征，利用分类器将特征图进行分类，确定为何种垃圾类型，进行最终结果输出。
所述步骤三的建模过程为：
在ResNet-50网络的基础上引入了1x3卷积和3x1卷积以及多尺度池化，对于一个尺寸为H×W，通道数为D的卷积核，以通道数为C的特征图作为输入，使用F∈RH×W×C表示卷积核，M∈RU×V×C表示输入，尺寸为U×V，通道数为C的特征图，O∈RR×T×D代表输出特征图，则对于这层的第j个卷积，相应的输出特征映射通道可以表示为：
其中*是二维卷积算子，M:,:k是M的第k个通道的尺寸为U×V的特征图，代表F(j)的第k个通道的尺寸H×W的特征图；
在训练过程中，分别用3x3，1x3，3x1的卷积核对图像进行卷积运算，然后将三个输出进行相加得到输出，利用这样的卷积核来替代单一的卷积核进行运算，提升网络对图像特征的提取能力。
所述多尺度池化模块前端网络输出垃圾特征，多尺度池化模块利用不同尺度的池化层对输出特征进行多尺度特征提取，进而混合4种不同尺度的特征，以最左侧池化层突出显示的最粗糙级别是用于生成单个输出的全局池化，接下来的多尺度层把特征分成不同的子区域，并对不同的位置进行池化表达，不同层级的多尺度池化层产生的特征图大小不同，多尺度层的个数和每一层的特征大小都是可以调整的，所述多尺度池化模块具有4个层级，每一个层级的pooling kernel大小为1x1，2x2，3x3和6x6。
所述每一个多尺度层后面采用1x1卷积层来降低维度，如果有N个多尺度层，则每个层级后面的特征图个数为原始特征个数的1/N，把每一个层级的特征图通过双线性插值上采样到原始特征图的大小，最后所有的多尺度特征以及原始特征concatenate在一起作为最终的多尺度池化特征。
所述改进后的ResNet-50网络模型得到目标函数：
式中，x表示特征数据的输入，为ResNet模型预测结果的概率，w和b为ResNet模型训练得到的参数，esNet-50网络利用多个卷积层的特征稀疏性进行特征提取，网络每批次输入的样本图像数据被转换为稀疏特征，后进入ResNet-50网络的全连接层，图像特征经过softmax分类器后，将每行最大值对应的one-hot矩阵作为本次训练的分类结果；
在训练ResNet-50网络时把损失函数看作样本的真实类型(label)与ResNet-50网络预测结果的交叉熵，其计算公式为(3)：对于每批次样本，损失函数计算如式(4)所示：
对于每批次样本，损失函数计算如式(4)所示：
式中，tki为样本k属于类别i的概率，yki为样本k属于类别i的模型概率预测。
本发明的有益效果：
通过采用本发明的垃圾自动分类的装置，改善了我国现有的垃圾桶摆放现状，将现有的不同种类的垃圾桶替换为本发明的垃圾自动分类的装置，用改进后的卷积神经网络代替人们的手工判断分类，具有一定的市场潜力与价值。
通过采用上述改进后的ResNet-50卷积神经网络模型，并制作大量不同类别的垃圾数据集，对图像进行预处理，处理后搭建本发明所需的卷积神经网络模型，通过前期的模型训练，可以完成自主的垃圾分类识别，并且识别准确率达到94％。
附图说明
图1为本发明垃圾自动分类装置的三维示意图。
图2为本发明垃圾自动分类装置的主视图。
图3为本发明垃圾自动分类装置的左视图。
图4为本发明垃圾自动分类装置的俯视图。
图5为本发明垃圾自动分类装置中垃圾挡板的结构图。
图6位本发明改进后的ResNet-50卷积神经网络模型。
图7为本发明垃圾自动分类装置的工作流程图。
图8为多尺度池化模型示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1-图8所示：一种基于深度学习的目标检测及识别装置，包括投放口、投放口上的摄像头、传送带、四种不同类别的垃圾桶(可回收垃圾、厨余垃圾、有害垃圾和其他垃圾)、每个垃圾桶上方分别有对应的垃圾挡板(挡板一、挡板二、挡板三和挡板四)、显示屏。
垃圾自动分类装置的使用方法：
Step1：人们将垃圾通过投放口3丢入；
Step2：摄像头4自动进行拍照，完成图像采集；
Step3：图像信息传输给微处理器2，通过训练好的改进后的ResNet-50垃圾分类卷积神经网络模型，识别垃圾种类，并将识别出的种类信息传输给显示屏与传送带5下方的驱动电机6；
Step4：传送带5下面驱动电机6开始运转，通过传送带5将垃圾运输到对应类别的垃圾桶上方；
Step5：对应垃圾桶上方的驱动电机9开始运转，带动对应垃圾桶上方的挡板7将垃圾推入下方对应的垃圾桶中；
Step6：显示屏显示本次垃圾分类结果，完成本次垃圾自动识别分类过程。
如图6所示：本发明改进后的ResNet-50卷积神经网络模型，利用ResNet-50作为改进网络的骨架网络，在Conv3-x卷积层中引入多尺度池化模块，利用多尺度池化模块提取垃圾图像的多尺度信息混合4种不同尺度的特征，并与替代后的卷积核输出结果进行特征融合，增强网络对于图像特征的提取能力提升网络并融合图像的全局上下文信息，提升网络对于垃圾分类识别的精度。
如图7所示：目标检测分类结果共分为四大类；分别对应控制器的四个输入：
可回收垃圾→00
厨余垃圾→01
有害垃圾→10
其他垃圾→11
传送带全长2m，每个垃圾桶宽度40cm，互相间隔10cm，第一个桶距投放口10cm。
则：可回收垃圾桶距投放口50cm，厨余垃圾桶距投放口100cm，有害垃圾桶距投放口150cm，厨余垃圾桶距投放口200cm。
根据上述可得：
①当计算机检测结果为可回收垃圾时，输出00信号并作为控制器的输入，电机运转控制传送带运行50cm，后方挡板1将垃圾推入可回收垃圾桶里，分类结束。
②当计算机检测结果为厨余垃圾时，输出01信号并作为控制器的输入，电机运转控制传送带运行100cm，后方挡板2将垃圾推入厨余垃圾桶里，分类结束。
③当计算机检测结果为其他垃圾时，输出10信号并作为控制器的输入，电机运转控制传送带运行150cm，后方挡板3将垃圾推入其他垃圾桶里，分类结束。
④当计算机检测结果为有害垃圾时，输出11信号并作为控制器的输入，电机运转控制传送带运行200cm，后方挡板4将垃圾推入有害垃圾桶里，分类结束。
如图8所示：多尺度池化模块混合4种不同尺度的特征。以最左侧池化层突出显示的最粗糙级别是用于生成单个输出的全局池化。接下来的多尺度层把特征分成不同的子区域，并对不同的位置进行池化表达。不同层级的多尺度池化层产生的特征图大小不同。多尺度层的个数和每一层的特征大小都是可以调整的，这取决于送入多尺度池化模块特征的大小。这个结构不同大小的池化核来提取不同子区域的的特征。因此，多个层级的池化核应该保持合理的差距。我们的多尺度池化模块具有4个层级，每一个层级的pooling kernel大小为1x1，2x2，3x3和6x6。
为了控制全局特征的比例，我们在每一个多尺度层后面采用1x1卷积层来降低维度，如果有N个多尺度层，则每个层级后面的特征图个数为原始特征个数的1/N。然后我们直接把每一个层级的特征图通过双线性插值上采样到原始特征图的大小。最后所有的多尺度特征以及原始特征concatenate在一起作为最终的多尺度池化特征。
改进后的ResNet-50网络模型如附图6所示，我们对其训练时，期望得到目标函数：
式中，x表示特征数据的输入，为ResNet模型预测结果的概率，w和b为ResNet模型训练得到的参数。ResNet-50网络利用多个卷积层的特征稀疏性进行特征提取，网络每批次输入的样本图像数据被转换为稀疏特征，后进入ResNet-50网络的全连接层，图像特征经过softmax分类器后，将每行最大值对应的one-hot矩阵作为本次训练的分类结果。
在训练ResNet-50网络时把损失函数看作样本的真实类型(label)与ResNet-50网络预测结果的交叉熵，其计算公式为(3)：对于每批次样本，损失函数计算如式(4)所示：
对于每批次样本，损失函数计算如式(4)所示：
式中，tki为样本k属于类别i的概率，yki为样本k属于类别i的模型概率预测。

Claims (3)

1.一种垃圾自动分类的装置的使用方法，所述装置包括机体(1)，所述机体(1)内安装有微处理器(2)，所述微处理器(2)内部存储有训练好的改进后的ResNet-50垃圾分类卷积神经网络模型；所述机体(1)上有用于投放垃圾的投放口(3)，所述投放口(3)安装有摄像头(4)进行图像采集，所述摄像头(4)与微处理器(2)输入端相连；所述机体(1)上有四种不同类别的垃圾桶，分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有害垃圾垃圾桶和其他垃圾垃圾桶，用于实现不同类别的垃圾归类；所述机体(1)上有传送带(5)位于投放口(3)正下方，所述传送带(5)下方有驱动电机(6)，用于传送带(5)的运转；所述传送带(5)与微处理器(2)输出端相连，用于将微处理器(2)输出的垃圾类别将其运输到对应桶内；其特征在于，包括以下步骤；
Step1：人们将垃圾通过投放口(3)丢入；
Step2：摄像头(4)自动进行拍照，完成图像采集；
Step3：图像信息传输给微处理器(2)，通过训练好的改进后的ResNet-50垃圾分类卷积神经网络模型，识别垃圾种类，并将识别出的种类信息传输给显示屏与传送带(5)下方的驱动电机(6)；
Step4：传送带(5)下面驱动电机(6)开始运转，通过传送带(5)将垃圾运输到对应类别的垃圾桶上方；
Step5：对应垃圾桶上方的驱动电机(9)开始运转，带动对应垃圾桶上方的挡板7将垃圾推入下方对应的垃圾桶中；
Step6：显示屏显示本次垃圾分类结果，完成本次垃圾自动识别分类过程；
所述Step3中具体的分类方法为，包括以下步骤；
步骤一：根据垃圾分类的任务，收集不同种类的的垃圾照片，并按照分类要求制作包含四大类共21875张照片的垃圾级数据集，分别为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾；
步骤二：对摄像头采集的数据图像进行预处理；
步骤三：对基于卷积神经网络ResNet-50模型根据设计需要进行改进，搭建改进后的网络模型；
步骤四：用步骤一制作的垃圾数据集在改进后的ResNet-50模型上进行训练，使模型能够实现对待检测垃圾图像的自主识别分类过程。
步骤五：模型实现垃圾分类的过程：垃圾图片输入改进后的网络模型，通过模型提取图片中垃圾特征，利用分类器将特征图进行分类，确定为何种垃圾类型，进行最终结果输出；
所述步骤三为：
在ResNet-50网络的基础上引入了1x3卷积和3x1卷积以及多尺度池化，对于一个尺寸为H×W，通道数为D的卷积核，以通道数为C的特征图作为输入，使用F∈RH×W×C表示卷积核，M∈RU×V×C表示输入，尺寸为U×V，通道数为C的特征图，O∈RR×T×D代表输出特征图，则对于这层的第j个卷积，相应的输出特征映射通道可以表示为：
其中*是二维卷积算子，M:,:k是M的第k个通道的尺寸为U×V的特征图，代表F(j)的第k个通道的尺寸H×W的特征图；
在训练过程中，分别用3x3，1x3，3x1的卷积核对图像进行卷积运算，然后将三个输出进行相加得到输出，利用这样的卷积核来替代单一的卷积核进行运算，提升网络对图像特征的提取能力；
所述多尺度池化模块前端网络输出垃圾特征，多尺度池化模块利用不同尺度的池化层对输出特征进行多尺度特征提取，进而混合4种不同尺度的特征，以最左侧池化层突出显示的最粗糙级别是用于生成单个输出的全局池化，接下来的多尺度层把特征分成不同的子区域，并对不同的位置进行池化表达，不同层级的多尺度池化层产生的特征图大小不同，多尺度层的个数和每一层的特征大小都是可以调整的，所述多尺度池化模块具有4个层级，每一个层级的pooling kernel大小为1x1，2x2，3x3和6x6；
所述每一个多尺度层后面采用1x1卷积层来降低维度，如果有N个多尺度层，则每个层级后面的特征图个数为原始特征个数的1/N，把每一个层级的特征图通过双线性插值上采样到原始特征图的大小，最后所有的多尺度特征以及原始特征concatenate在一起作为最终的多尺度池化特征；
所述改进后的ResNet-50网络模型得到目标函数：
式中，x表示特征数据的输入，为ResNet模型预测结果的概率，w和b为ResNet模型训练得到的参数，esNet-50网络利用多个卷积层的特征稀疏性进行特征提取，网络每批次输入的样本图像数据被转换为稀疏特征，后进入ResNet-50网络的全连接层，图像特征经过softmax分类器后，将每行最大值对应的one-hot矩阵作为本次训练的分类结果；
在训练ResNet-50网络时把损失函数看作样本的真实类型(label)与ResNet-50网络预测结果的交叉熵，其计算公式为(3)：对于每批次样本，损失函数计算如式(4)所示：
对于每批次样本，损失函数计算如式(4)所示：
式中，tki为样本k属于类别i的概率，yki为样本k属于类别i的模型概率预测；
2.根据权利要求1所述的一种垃圾自动分类的装置的使用方法，其特征在于，所述四类垃圾桶上方均有对应的垃圾挡板(7)，垃圾挡板(7)位于传送带(5)一侧，传送带(5)另一侧设置有推板(8)，所述推板(8)下方有驱动电机(9)，用于实现将垃圾推进对应的垃圾桶内；所述机体(1)上设置有用于实时显示垃圾分类结果的显示屏，所述显示屏位于机体(1)外侧方便人们浏览。
3.根据权利要求1所述的一种垃圾自动分类的装置的使用方法，其特征在于，所述微处理器(2)输出端与显示屏相连，便于显示改进后的ResNet-50垃圾分类卷积神经网络模型所识别的结果输出。
CN202110004788.3A 2021-01-04 2021-01-04 一种垃圾自动分类的装置及方法 Active CN112827846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110004788.3A CN112827846B (zh) 2021-01-04 2021-01-04 一种垃圾自动分类的装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110004788.3A CN112827846B (zh) 2021-01-04 2021-01-04 一种垃圾自动分类的装置及方法

Publications (2)

Publication Number Publication Date
CN112827846A CN112827846A (zh) 2021-05-25
CN112827846B true CN112827846B (zh) 2023-08-22

Family

ID=75927479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110004788.3A Active CN112827846B (zh) 2021-01-04 2021-01-04 一种垃圾自动分类的装置及方法

Country Status (1)

Country Link
CN (1) CN112827846B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113753429A (zh) * 2021-09-16 2021-12-07 安徽世绿环保科技有限公司 一种垃圾分类站垃圾投放装置
CN113911603A (zh) * 2021-10-25 2022-01-11 中科深兰(福建)环境科技有限责任公司 一种有机质固废处理装置用铺料机构及其铺料方法
CN114511750A (zh) * 2022-04-20 2022-05-17 科大天工智能装备技术（天津）有限公司 一种垃圾分类方法及系统
CN114782762B (zh) * 2022-06-23 2022-08-26 南京信息工程大学 一种垃圾图像检测方法以及小区垃圾站

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5253765A (en) * 1993-01-14 1993-10-19 L.M.B. Electronics, Inc. Sorting and grading system
CN108182455A (zh) * 2018-01-18 2018-06-19 齐鲁工业大学 一种垃圾图像智能分类的方法、装置及智能垃圾桶
CN109948524A (zh) * 2019-03-18 2019-06-28 北京航空航天大学 一种基于空基监视的交通车辆密度估计方法
CN110210635A (zh) * 2019-06-05 2019-09-06 周皓冉 一种能识别废弃物的智能分类回收系统
CN110228673A (zh) * 2019-04-17 2019-09-13 华南师范大学 一种智能分类垃圾桶
CN110498152A (zh) * 2019-09-18 2019-11-26 福州大学 一种基于ai的智能分类垃圾桶及其方法
CN210022903U (zh) * 2019-05-09 2020-02-07 广州大学 一种垃圾分类装置
CN110861852A (zh) * 2019-11-28 2020-03-06 石家庄邮电职业技术学院(中国邮政集团公司培训中心) 一种基于视觉识别的自动分类垃圾桶及分类方法
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
CN111361877A (zh) * 2020-01-23 2020-07-03 杭州睿杨环境科技有限公司 一种智能垃圾分类终端处理器
CN111619992A (zh) * 2020-06-11 2020-09-04 中南林业科技大学 一种基于机器视觉的智能垃圾分类系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105414145B (zh) * 2015-10-30 2017-12-29 青岛迈迪科孵化器有限公司 一种医疗机构专用的医疗废物环保处理设备及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5253765A (en) * 1993-01-14 1993-10-19 L.M.B. Electronics, Inc. Sorting and grading system
CN108182455A (zh) * 2018-01-18 2018-06-19 齐鲁工业大学 一种垃圾图像智能分类的方法、装置及智能垃圾桶
CN109948524A (zh) * 2019-03-18 2019-06-28 北京航空航天大学 一种基于空基监视的交通车辆密度估计方法
CN110228673A (zh) * 2019-04-17 2019-09-13 华南师范大学 一种智能分类垃圾桶
CN210022903U (zh) * 2019-05-09 2020-02-07 广州大学 一种垃圾分类装置
CN110210635A (zh) * 2019-06-05 2019-09-06 周皓冉 一种能识别废弃物的智能分类回收系统
CN110498152A (zh) * 2019-09-18 2019-11-26 福州大学 一种基于ai的智能分类垃圾桶及其方法
CN110861852A (zh) * 2019-11-28 2020-03-06 石家庄邮电职业技术学院(中国邮政集团公司培训中心) 一种基于视觉识别的自动分类垃圾桶及分类方法
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
CN111361877A (zh) * 2020-01-23 2020-07-03 杭州睿杨环境科技有限公司 一种智能垃圾分类终端处理器
CN111619992A (zh) * 2020-06-11 2020-09-04 中南林业科技大学 一种基于机器视觉的智能垃圾分类系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度卷积神经网络的塑料垃圾分类研究;吴晓玲等;《塑料科技》;20200430(第04期);86-89页 *

Also Published As

Publication number Publication date
CN112827846A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN112827846B (zh) 一种垃圾自动分类的装置及方法
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
CN109344894B (zh) 基于多传感器融合和深度学习的垃圾分类识别方法及装置
CN110498152B (zh) 一种基于ai的智能分类垃圾桶及其方法
CN106238342B (zh) 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法
CN109201514B (zh) 垃圾分类回收方法、垃圾分类装置以及垃圾分类回收系统
CN108971190B (zh) 一种基于机器视觉的生活垃圾分拣方法
CN206139527U (zh) 全景视觉马铃薯分选和缺陷检测装置
CA2841721C (en) Package vision sort system and method
CN110210635A (zh) 一种能识别废弃物的智能分类回收系统
CN104148301A (zh) 基于云计算和图像识别的废旧塑料瓶分拣装置及方法
CN106056226A (zh) 生活垃圾智能分类回收云识别系统及方法
US20210214154A1 (en) Device for waste segregation and collection of segregated waste
CN206546593U (zh) 生活垃圾智能分类回收云识别系统
KR20220156603A (ko) 자동화된 폐기물 관리를 위한 방법 및 전자 장치
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
CN113145492A (zh) 一种用于梨外观品质视觉分级方法及分级生产线
CN113213016A (zh) 一种基于ViT的垃圾识别分类算法及其装置和控制方法
CN114955289A (zh) 智能垃圾分类回收及管理方法和智能分类垃圾桶
Jimeno et al. Development of smart waste bin segregation using image processing
CN206139529U (zh) 透明滚轴机构
Mittal et al. Trash classification: classifying garbage using deep learning
CN218743310U (zh) 一种多视觉融合的智能分选设备
CN116510901A (zh) 一种生活垃圾智能分选系统

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
GR01 Patent grant
GR01 Patent grant