CN113051963A - 垃圾检测方法、装置、电子设备及计算机存储介质 - Google Patents

垃圾检测方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN113051963A
CN113051963A CN201911367141.6A CN201911367141A CN113051963A CN 113051963 A CN113051963 A CN 113051963A CN 201911367141 A CN201911367141 A CN 201911367141A CN 113051963 A CN113051963 A CN 113051963A
Authority
CN
China
Prior art keywords
garbage
detection
spam
category
image
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
Application number
CN201911367141.6A
Other languages
English (en)
Inventor
付余路
刘悦齐
罗刚毅
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.)
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT 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 China Mobile Communications Group Co Ltd, China Mobile Shanghai ICT Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201911367141.6A priority Critical patent/CN113051963A/zh
Publication of CN113051963A publication Critical patent/CN113051963A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • 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
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种垃圾检测方法、装置、电子设备及计算机存储介质。该垃圾检测方法，包括：利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；基于多种垃圾的垃圾成分信息，确定包括垃圾成分信息的原始图像；将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像。根据本发明实施例，提高垃圾检测的准确性。

Description

垃圾检测方法、装置、电子设备及计算机存储介质
技术领域
本发明属于垃圾检测技术领域，尤其涉及一种垃圾检测方法、装置、电子设备及计算机存储介质。
背景技术
随着人们对环境污染的关注，对各种垃圾(工业垃圾、厨余垃圾等)检测处理的需求也逐步加强。例如，工厂作为环境污染的源头之一，对工业垃圾的检测已成许多工厂的必然需求。工业垃圾，即工业生产工程过程产生的垃圾，一般情况下工业垃圾常指代工业固体废料，但实际要处理的是工业三废——工业废气、废水、废渣。对环境带来的危害难以想象，它们不但会毁坏植被、污染空气、污染土壤，严重影响人类的健康，而且会对我们的后代也产生持续的影响。
但是，目前垃圾处理相关技术中只能对单一种类的垃圾进行检测，而实际中的垃圾往往包含多种垃圾，导致垃圾检测准确性低下。例如，工业垃圾往往包含多种垃圾(金属废料、固体废渣、粉尘、废气以及废水等)，目前现有的技术更多的是针对固体废渣的检测，必然导致工业垃圾检测准确性低下。
因此，如何提高垃圾检测的准确性是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种垃圾检测方法、装置、电子设备及计算机存储介质，能够提高垃圾检测的准确性。
第一方面，提供了一种垃圾检测方法，包括：
利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；
基于多种垃圾的垃圾成分信息，确定包括垃圾成分信息的原始图像；
将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像。
可选地，输出多种垃圾中每种垃圾的类别图像之后，还包括：
基于类别图像、与类别图像对应的垃圾成分信息，确定检测信息；其中，检测信息包括多种垃圾中每种垃圾的物理状态和/或合规标识信息及类别。
可选地，当检测信息包括合规标识信息时，基于类别图像、与类别图像对应的垃圾成分信息，确定检测信息，包括：
检测类别图像对应的垃圾成分信息，生成警告信息；
基于警告信息和类别图像，确定检测信息。
可选地，垃圾检测设备包括工业相机和/或视频监控摄像头，以及，包括气体传感器、固体传感器或液体传感器中的至少一项。
可选地，利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息，包括：
控制垃圾检测设备检测垃圾检测管道内的垃圾，得到垃圾检测信号；
对垃圾检测信号进行第一处理得到垃圾成分信息。
可选地，对垃圾检测信号进行第一处理得到垃圾成分信息，包括：
对垃圾检测信号进行滤波、信号放大、信号模数转换及信号调制中的至少一项处理，得到垃圾成分信息。
可选地，将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像，包括：
将原始图像输入预设Faster R-CNN模型，输出多种工业垃圾中每种垃圾的类别图像。
可选地，将原始图像输入预设Faster R-CNN模型，输出多种工业垃圾中每种垃圾的类别图像，包括：
卷积原始图像，确定原始图像的特征图；
在特征图上确定预设数量个兴趣区域；
将各个兴趣区域映射到原始图像，得到对应的兴趣区域图像；
池化兴趣区域图像，得到类别图像。
第二方面，提供了一种垃圾检测装置，包括：
获取模块，用于利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；
确定模块，用于基于多种垃圾的垃圾成分信息，确定包括垃圾成分信息的原始图像；
输出模块，用于将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像。
可选地，该垃圾检测装置还包括：
检测信息确定模块，用于基于类别图像、与类别图像对应的垃圾成分信息，确定检测信息；其中，检测信息包括多种垃圾中每种垃圾的物理状态和/或合规标识信息及类别。
可选地，当检测信息包括合规标识信息时，检测信息确定模块用于检测类别图像对应的垃圾成分信息，生成警告信息；基于警告信息和类别图像，确定检测信息。
可选地，垃圾检测设备包括工业相机和/或视频监控摄像头，以及，包括气体传感器、固体传感器或液体传感器中的至少一项。
可选地，获取模块用于控制垃圾检测设备检测垃圾检测管道内的垃圾，得到垃圾检测信号；对垃圾检测信号进行第一处理得到垃圾成分信息。
可选地，获取模块用于对垃圾检测信号进行滤波、信号放大、信号模数转换及信号调制中的至少一项处理，得到垃圾成分信息。
可选地，输出模块用于将原始图像输入预设Faster R-CNN模型，输出多种工业垃圾中每种垃圾的类别图像。
可选地，输出模块用于卷积原始图像，确定原始图像的特征图；在特征图上确定预设数量个兴趣区域；将各个兴趣区域映射到原始图像，得到对应的兴趣区域图像；池化兴趣区域图像，得到类别图像。
第三方面，提供了一种电子设备，设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现第一方面或者第一方面任一可选的实现方式中的垃圾检测方法。
第四方面，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可选的实现方式中的垃圾检测方法。
本发明实施例的垃圾检测方法、装置、电子设备及计算机存储介质，能够提高垃圾检测的准确性。该垃圾检测方法先是利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；然后，基于多种垃圾的垃圾成分信息，确定包括垃圾成分信息的原始图像；最后，将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像，能够提高垃圾检测的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，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是本发明实施例提供的一种垃圾检测方法的流程示意图；
图2是本发明实施例提供的一种工业垃圾检测流程示意图；
图3是本发明实施例提供的一种数据传输模块处理流程示意图；
图4是本发明实施例提供的一种数据处理模块的架构示意图；
图5是本发明实施例提供的一种Faster R-CNN的架构示意图；
图6是本发明实施例提供的一种垃圾检测装置的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前垃圾处理相关技术中只能对单一种类的垃圾进行检测，而实际中的垃圾往往包含多种垃圾，导致垃圾检测准确性低下。例如，工业垃圾往往包含多种垃圾(金属废料、固体废渣、粉尘、废气以及废水等)，目前现有的技术更多的是针对固体废渣的检测，必然导致工业垃圾检测准确性低下。
为了解决现有技术问题，本发明实施例提供了一种垃圾检测方法、装置、电子设备及计算机存储介质。下面首先对本发明实施例所提供的垃圾检测方法进行介绍。
图1是本发明实施例提供的一种垃圾检测方法的流程示意图。如图1所示，该垃圾检测方法包括：
S101、利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息。
在一个实施例中，垃圾检测设备可以包括工业相机和/或视频监控摄像头，以及，包括气体传感器、固体传感器或液体传感器中的至少一项。在一个实施例中，该气体传感器可以具体为气体成分传感器；固体传感器可以具体为金属探测传感器；液体传感器可以具体为离子浓度传感器和/或PH值检测传感器。
在一个实施例中，利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息，通常可以包括：控制垃圾检测设备检测垃圾检测管道内的垃圾，得到垃圾检测信号；对垃圾检测信号进行第一处理得到垃圾成分信息。
在一个实施例中，对垃圾检测信号进行第一处理得到垃圾成分信息，通常可以包括：对垃圾检测信号进行滤波、信号放大、信号模数转换及信号调制中的至少一项处理，得到垃圾成分信息。
S102、基于多种垃圾的垃圾成分信息，确定包括垃圾成分信息的原始图像。
S103、将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像。
在一个实施例中，将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像，通常可以包括：将原始图像输入预设Faster R-CNN模型，输出多种工业垃圾中每种垃圾的类别图像。
在一个实施例中，将原始图像输入预设Faster R-CNN模型，输出多种工业垃圾中每种垃圾的类别图像，通常可以包括：卷积原始图像，确定原始图像的特征图；在特征图上确定预设数量个兴趣区域；将各个兴趣区域映射到原始图像，得到对应的兴趣区域图像；池化兴趣区域图像，得到类别图像。
在一个实施例中，输出多种垃圾中每种垃圾的类别图像之后，通常还可以包括：基于类别图像、与类别图像对应的垃圾成分信息，确定检测信息；其中，检测信息包括多种垃圾中每种垃圾的物理状态和/或合规标识信息及类别。具体地，检测信息可以为检测报表。
进一步地，在一个实施例中，当检测信息包括合规标识信息时，基于类别图像、与类别图像对应的垃圾成分信息，确定检测信息，通常可以包括：检测类别图像对应的垃圾成分信息，生成警告信息；基于警告信息和类别图像，确定检测信息。
下面以工业垃圾检测为例，对上述内容进行说明，具体如下：
本发明实施例提出了一种多维度工业垃圾检测方法，该方法基于多传感器检测与人工智能分析来实现对工业垃圾的多维检测。通过在工业垃圾排放管道内部署不同传感器以及摄像头来采集工业垃圾的相关信息，然后将不同传感器采集到的信息传输给数据处理模块进行数据管理、人工智能识别，最后从多个维度实现较为全面的工业垃圾检测。
图2示出了工业垃圾的整个检测流程，从工业垃圾排放到垃圾存储仓，定时传输到检测管道通过传感器检测，然后将传感器采集到的数据传输到分析模块进行分析处理，最后将检测结果反馈给用户，便于用户进行分类处理。如图2所示，整个技术方案包括以下几部分：垃圾存储仓、垃圾检测管道、多维度传感器采集模块、数据传输模块、数据处理模块。具体说明如下：
1.垃圾存储仓：存储积累工业垃圾并定时排放到垃圾检测管道。
2.垃圾检测管道：用于定时检测排放的垃圾，管道内部上部安装有一个不锈钢盒，用于部署多维度传感器采集模块。
3.多维度传感器采集模块：可包括工业相机或视频监控摄像头，金属探测传感器、气体成分传感器、离子浓度传感器以及PH值检测传感器等多种传感器组合，从多个维度采集管道内的垃圾成分信息。
4.数据传输模块：负责将传感器采集到的信息进行预处理，根据不同传感器返回信息分别处理，如电压、电流或其他数据，当传感器返回的信号为模拟信号时，则对该信号进行信号滤波、放大、模数转换、信号调制得到数据流，然后利用控制器局域网络(Controller Area Network,CAN)或RS232通信传输到主机；若传感器返回信息是数据流，则直接将数据流通过CAN或RS232通信传输到主机。数据传输模块的处理流程如图3所示，图3中传感器元件输出模拟小信号，经过模拟前端(信号调理电路)进行信号滤波和放大处理后，输出模拟信号，再依次经过微控制单元(Microcontroller Unit，MCU)控制器、内部模数转换器(AD)处理后，输出数字信号，再经过通信调制器件调制后，输出调制后的数据流，经过CAN或者RS232通信适配器处理后，输出转换为主机端口协议接受的数据至电脑等主机内。
5.数据处理模块：首先是将各个传感器采集到的数据保存为固定格式，其格式如表1所示。
表1
Figure BDA0002338708910000071
Figure BDA0002338708910000081
然后将固定格式的数据传入到数据管理单元进行存储，智能分析单元和信息反馈单元分别抽取所需的数据，其中智能分析单元在抽取图像JPEG等格式的数据后将其导入训练好的Faster R-CNN模型进行垃圾检测，最后生成报表。同时信息反馈单元从数据管理单元抽取出其余传感器采集到的数据，并分析这些数据是否符合工业垃圾排放规范，如不符合则在报表中进行标记或生成警告信息。最后将智能分析单元和信息反馈单元生成的报表进行整合，具体的整合函数F(·)为：
yi＝F(Ai，Bi，Ci，Di)＝g(f(Ai),Bi,...)+Ci+Di+Ei (1)
其中i表示不同时间段；Ai是由摄像头的得到的图像；Bi是由金属探测传感器等固体传感器检测到的数据；Ci是由离子浓度传感器、PH值传感器等水质检测传感器采集到的数据，Di是由气体成分检测传感器得到的信息，f(·)是训练好的Faster R-CNN，输出得到图像类别；g(·)是固体函数，根据固体参数输出固体类别，由工厂垃圾样本库训练得到；Ei是判断排放垃圾合规与否的数值，等于“1”就表示合规，等于“0”表示对应项不合规，其具体公式如下：
Ei＝I(I(Bi∈α)+I(Ci∈β)+I(Di∈γ)＝3) (2)
I(·)是示性函数；α、β、γ表示相应参数对应的合规域。最后整合产生的报表格式如表2。
表2
Figure BDA0002338708910000082
数据处理模块的架构如图4所示，图4中数据管理、智能分析、信息反馈、报表输出均为单元，故数据处理模块包括数据管理单元、智能分析单元、信息反馈单元、报表输出单元、Faster R-CNN模型。Faster R-CNN模型的简易架构如图5所示，原始图像经过卷积层(Conv层)输出特征图，在特征图上选出兴趣区域(Region of Interest，ROI)，将兴趣区域映射到原始图像输出兴趣区域图像，再对兴趣区域图像进行兴趣区域池化(ROI Pooling)处理，输出类别图像。
系统具体步骤说明如下：
步骤1：工厂产生工业垃圾，将工业垃圾排放到垃圾存储仓内。
步骤2：定时地将垃圾存储仓内的工业垃圾排放到垃圾检测管道。
步骤3：垃圾检测管道内部署的多种传感器获取管道内的垃圾成分信息。
步骤4：将各个传感器采集到的信号进行滤波、放大、模数转换后，利用CAN或RS232通信传输到主机。
步骤5：将各个传感器采集到的数据通过数据管理单元，保存为表1所述格式存储到数据库中。
步骤6：智能分析单元从数据库中抽取图像JPEG等格式的数据，将其导入训练好的Faster R-CNN模型中。
步骤7：当Faster R-CNN模型接收到图像数据后，首先进行图片裁剪并将其送入预训练好的分类网络中获取该图像对应的特征图。
步骤8：在特征图上每个锚点取3*3个候选的ROI(尺度、长宽比各3个维度)，将比例映射到原始图像中。
步骤9：将上述候选的ROI导入RPN(Region Proposal Network，RPN也是一个卷积神经网络)中进行初步分类，同时对不同大小的ROI进行ROI Pooling操作，输出固定大小的特征图。
步骤10：将上述得到的特征图输入简单的检测网络，利用卷积进行分类，并将分类结果传入到报表中。
步骤11：信息反馈单元定时从数据管理单元中提取出各类传感器检测到的数据，并在检测到不合规的排放物时生成警告信息，将整合结果导入报表中。
步骤12：接收智能分析单元和信息反馈单元的结果，根据整合函数F(·)生成如表2所述的报表，并反馈给用户。
本发明实施例弥补了现有技术只能检测单一种类工业垃圾的不足，通过结合摄像头、气体传感器、PH值传感器以及金属传感器等多种传感器组合检测到的数据，从多个维度全面地实现了对工业垃圾的检测；同时结合本地工厂的垃圾样本数据，利用人工智能算法能够更准确地检测工业垃圾，提升了工厂自动化检测能力，具有较强的实用性。
下面对本发明实施例提供的一种垃圾检测装置、电子设备及计算机存储介质进行介绍，下文描述的垃圾检测装置、电子设备及计算机存储介质与上文描述的垃圾检测方法可相互对应参照。图6是本发明实施例提供的一种垃圾检测装置的结构示意图，如图6所示，该垃圾检测装置包括：
获取模块601，用于利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；
确定模块602，用于基于多种垃圾的垃圾成分信息，确定包括垃圾成分信息的原始图像；
输出模块603，用于将原始图像输入预设卷积神经网络模型，输出多种垃圾中每种垃圾的类别图像。
可选地，在一个实施例中，该垃圾检测装置还包括：
检测信息确定模块，用于基于类别图像、与类别图像对应的垃圾成分信息，确定检测信息；其中，检测信息包括多种垃圾中每种垃圾的物理状态和/或合规标识信息及类别。
可选地，在一个实施例中，当检测信息包括合规标识信息时，检测信息确定模块用于检测类别图像对应的垃圾成分信息，生成警告信息；基于警告信息和类别图像，确定检测信息。
可选地，在一个实施例中，垃圾检测设备包括工业相机和/或视频监控摄像头，以及，包括气体传感器、固体传感器或液体传感器中的至少一项。
可选地，在一个实施例中，获取模块601用于控制垃圾检测设备检测垃圾检测管道内的垃圾，得到垃圾检测信号；对垃圾检测信号进行第一处理得到垃圾成分信息。
可选地，在一个实施例中，获取模块601用于对垃圾检测信号进行滤波、信号放大、信号模数转换及信号调制中的至少一项处理，得到垃圾成分信息。
可选地，在一个实施例中，输出模块603用于将原始图像输入预设Faster R-CNN模型，输出多种工业垃圾中每种垃圾的类别图像。
可选地，在一个实施例中，输出模块603用于卷积原始图像，确定原始图像的特征图；在特征图上确定预设数量个兴趣区域；将各个兴趣区域映射到原始图像，得到对应的兴趣区域图像；池化兴趣区域图像，得到类别图像。
图6提供的垃圾检测装置中的各个模块具有实现图1所示实例中各个步骤的功能，并达到与图1所示垃圾检测方法相同的技术效果，为简洁描述，在此不再赘述。
图7是本发明实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关容灾设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。在特定实施例中，存储器702包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现图1所示实施例中的垃圾检测方法。
在一个示例中，电子设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
另外，结合上述实施例中的垃圾检测方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现图1所示实施例中的垃圾检测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (13)

1.一种垃圾检测方法，其特征在于，包括：
利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；
基于所述多种垃圾的所述垃圾成分信息，确定包括所述垃圾成分信息的原始图像；
将所述原始图像输入预设卷积神经网络模型，输出所述多种垃圾中每种垃圾的类别图像。
2.根据权利要求1所述的垃圾检测方法，其特征在于，所述输出所述多种垃圾中每种垃圾的类别图像之后，还包括：
基于所述类别图像、与所述类别图像对应的垃圾成分信息，确定检测信息；其中，所述检测信息包括所述多种垃圾中每种垃圾的物理状态和/或合规标识信息及类别。
3.根据权利要求2所述的垃圾检测方法，其特征在于，当所述检测信息包括合规标识信息时，所述基于所述类别图像、与所述类别图像对应的垃圾成分信息，确定检测信息，包括：
检测所述类别图像对应的垃圾成分信息，生成警告信息；
基于所述警告信息和所述类别图像，确定所述检测信息。
4.根据权利要求1所述的垃圾检测方法，其特征在于，所述垃圾检测设备包括工业相机和/或视频监控摄像头，以及，包括气体传感器、固体传感器或液体传感器中的至少一项。
5.根据权利要求1至4任一项所述的垃圾检测方法，其特征在于，所述利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息，包括：
控制所述垃圾检测设备检测所述垃圾检测管道内的垃圾，得到垃圾检测信号；
对所述垃圾检测信号进行第一处理得到所述垃圾成分信息。
6.根据权利要求5所述的垃圾检测方法，其特征在于，所述对所述垃圾检测信号进行第一处理得到所述垃圾成分信息，包括：
对所述垃圾检测信号进行滤波、信号放大、信号模数转换及信号调制中的至少一项处理，得到所述垃圾成分信息。
7.根据权利要求1所述的垃圾检测方法，其特征在于，所述将所述原始图像输入预设卷积神经网络模型，输出所述多种垃圾中每种垃圾的类别图像，包括：
将所述原始图像输入预设Faster R-CNN模型，输出所述多种工业垃圾中每种垃圾的所述类别图像。
8.根据权利要求7所述的垃圾检测方法，其特征在于，所述将所述原始图像输入预设Faster R-CNN模型，输出所述多种工业垃圾中每种垃圾的所述类别图像，包括：
卷积所述原始图像，确定所述原始图像的特征图；
在所述特征图上确定预设数量个兴趣区域；
将各个所述兴趣区域映射到所述原始图像，得到对应的兴趣区域图像；
池化所述兴趣区域图像，得到所述类别图像。
9.一种垃圾检测装置，其特征在于，包括：
获取模块，用于利用设置在垃圾检测管道内的垃圾检测设备，获取多种垃圾的垃圾成分信息；
确定模块，用于基于所述多种垃圾的所述垃圾成分信息，确定包括所述垃圾成分信息的原始图像；
输出模块，用于将所述原始图像输入预设卷积神经网络模型，输出所述多种垃圾中每种垃圾的类别图像。
10.根据权利要求9所述的垃圾检测装置，其特征在于，还包括：
检测信息确定模块，用于基于所述类别图像、与所述类别图像对应的垃圾成分信息，确定检测信息；其中，所述检测信息包括所述多种垃圾中每种垃圾的物理状态和/或合规标识信息及类别。
11.根据权利要求10所述的垃圾检测装置，其特征在于，当所述检测信息包括合规标识信息时，所述检测信息确定模块用于检测所述类别图像对应的垃圾成分信息，生成警告信息；基于所述警告信息和所述类别图像，确定所述检测信息。
12.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的垃圾检测方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的垃圾检测方法。
CN201911367141.6A 2019-12-26 2019-12-26 垃圾检测方法、装置、电子设备及计算机存储介质 Pending CN113051963A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911367141.6A CN113051963A (zh) 2019-12-26 2019-12-26 垃圾检测方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911367141.6A CN113051963A (zh) 2019-12-26 2019-12-26 垃圾检测方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113051963A true CN113051963A (zh) 2021-06-29

Family

ID=76505452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911367141.6A Pending CN113051963A (zh) 2019-12-26 2019-12-26 垃圾检测方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113051963A (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262147A (zh) * 2011-07-15 2011-11-30 华南理工大学 一种废水处理系统出水cod的软测量方法和系统
CN104889135A (zh) * 2015-05-14 2015-09-09 中欧智能科技江苏有限公司 一种基于物联网的电子废弃物处理监管系统
CN106896182A (zh) * 2015-12-19 2017-06-27 西安成远网络科技有限公司 一种垃圾危险程度检测系统
CN108051817A (zh) * 2017-11-23 2018-05-18 苏州奥柯图葳机电科技有限公司 一种基于bim的用于工程设计的城市下水道环境检测装置
CN108806200A (zh) * 2018-06-15 2018-11-13 合肥齐信信息技术有限公司 一种企业污染物智能监控方法
CN109063910A (zh) * 2018-08-02 2018-12-21 浙江海洋大学 一种基于大数据的船舶污染物排放实时监测方法
CN109165811A (zh) * 2018-07-23 2019-01-08 星络科技有限公司 社区垃圾处理方法、系统、终端和计算机可读存储介质
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
CN109344894A (zh) * 2018-09-28 2019-02-15 广州大学 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
CN109376695A (zh) * 2018-11-26 2019-02-22 北京工业大学 一种基于深度混合神经网络的烟雾检测方法
CN109598303A (zh) * 2018-12-03 2019-04-09 江西洪都航空工业集团有限责任公司 一种基于城市场景的垃圾检测方法
CN110276405A (zh) * 2019-06-26 2019-09-24 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110276300A (zh) * 2019-06-24 2019-09-24 北京百度网讯科技有限公司 用于识别垃圾品质的方法和装置
CN110378308A (zh) * 2019-07-25 2019-10-25 电子科技大学 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN110473130A (zh) * 2019-07-30 2019-11-19 五邑大学 一种基于深度学习的垃圾分类评价方法、装置和存储介质
CN110482075A (zh) * 2019-08-02 2019-11-22 上海净收智能科技有限公司 垃圾投放控制方法、装置、存储介质、及垃圾收纳装置
CN110569874A (zh) * 2019-08-05 2019-12-13 深圳大学 一种垃圾分类方法、装置、智能终端及存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262147A (zh) * 2011-07-15 2011-11-30 华南理工大学 一种废水处理系统出水cod的软测量方法和系统
CN104889135A (zh) * 2015-05-14 2015-09-09 中欧智能科技江苏有限公司 一种基于物联网的电子废弃物处理监管系统
CN106896182A (zh) * 2015-12-19 2017-06-27 西安成远网络科技有限公司 一种垃圾危险程度检测系统
CN108051817A (zh) * 2017-11-23 2018-05-18 苏州奥柯图葳机电科技有限公司 一种基于bim的用于工程设计的城市下水道环境检测装置
CN108806200A (zh) * 2018-06-15 2018-11-13 合肥齐信信息技术有限公司 一种企业污染物智能监控方法
CN109165811A (zh) * 2018-07-23 2019-01-08 星络科技有限公司 社区垃圾处理方法、系统、终端和计算机可读存储介质
CN109063910A (zh) * 2018-08-02 2018-12-21 浙江海洋大学 一种基于大数据的船舶污染物排放实时监测方法
CN109344894A (zh) * 2018-09-28 2019-02-15 广州大学 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
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
CN109376695A (zh) * 2018-11-26 2019-02-22 北京工业大学 一种基于深度混合神经网络的烟雾检测方法
CN109598303A (zh) * 2018-12-03 2019-04-09 江西洪都航空工业集团有限责任公司 一种基于城市场景的垃圾检测方法
CN110276300A (zh) * 2019-06-24 2019-09-24 北京百度网讯科技有限公司 用于识别垃圾品质的方法和装置
CN110276405A (zh) * 2019-06-26 2019-09-24 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110378308A (zh) * 2019-07-25 2019-10-25 电子科技大学 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN110473130A (zh) * 2019-07-30 2019-11-19 五邑大学 一种基于深度学习的垃圾分类评价方法、装置和存储介质
CN110482075A (zh) * 2019-08-02 2019-11-22 上海净收智能科技有限公司 垃圾投放控制方法、装置、存储介质、及垃圾收纳装置
CN110569874A (zh) * 2019-08-05 2019-12-13 深圳大学 一种垃圾分类方法、装置、智能终端及存储介质

Similar Documents

Publication Publication Date Title
CN108133178B (zh) 一种基于图像识别的智能环境监控系统与方法
CN109876569B (zh) 一种布袋除尘器净化气体指标在线检测装置、系统及方法
CN111275951A (zh) 一种信息处理方法、装置、设备及计算机存储介质
CN116342895B (zh) 基于ai处理的提升再生资源分拣效率的方法及系统
CN112775970A (zh) 一种巡检机器人多传感器系统及巡检方法
CN109325409B (zh) 通行车辆套牌检验平台
CN116298159B (zh) 一种工业污水厂污染物溯源方法、装置、存储介质和计算机设备
CN111680609A (zh) 基于图像配准和目标检测的异物识别系统及其方法
TW202316101A (zh) 水質監視系統及電腦可讀取記錄媒體
CN115372571A (zh) 一种水环境智能监测系统
CN110674731A (zh) 一种基于深度学习的道路清洁度量化方法
Aziz et al. Waste level detection and HMM based collection scheduling of multiple bins
Devi et al. Machine vision based quality analysis of rice grains
CN113051963A (zh) 垃圾检测方法、装置、电子设备及计算机存储介质
Devi et al. Automatic health care waste segregation and disposal system
CN110991436B (zh) 基于图像识别的生活污水源头分离装置及方法
Mazloumian et al. Deep learning for classifying food waste
CN108537105B (zh) 一种家庭环境下的危险行为识别方法
CN101008980A (zh) 蝴蝶自动鉴定的方法及系统
CN114218383A (zh) 重复事件的判定方法、装置及应用
CN114333296A (zh) 一种基于机器视觉的交通量统计与分析系统
CN107824475A (zh) 一种煤与矸石分拣方法及装置
CN113780071A (zh) 一种黑臭水体遥感识别系统及方法
Hannan et al. Gray level aura matrix: An image processing approach for waste bin level detection
CN111353331A (zh) 一种目标物的检测方法、检测装置及机器人

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