CN113682675B - 一种基于驱动装置的垃圾自动分拣系统与方法 - Google Patents

Abstract

本发明公开了一种基于驱动装置的垃圾自动分拣系统与方法，该系统包括生物识别模块、图像采集模块、分类处理模块、驱动模块、压力感应模块、通讯定位模块、后台服务模块、提示模块，实现了对垃圾的自动识别和分类，并基于驱动装置控制垃圾桶的挡板的开启和关闭，并给予居民合理的提示，指导居民将垃圾投放到正确的垃圾桶内，提高了垃圾分拣的准确性。

Description

一种基于驱动装置的垃圾自动分拣系统与方法

技术领域

本发明属于垃圾处理领域，尤其涉及一种基于驱动装置的垃圾自动分拣系统。

背景技术

从20世纪以来，我国的经济取得了飞速的发展，与过去的几十年相比较人们的生活质量得到了显著的提高，但优质的生活也伴随着垃圾的极速增长。有统计表明生活垃圾的产量与GDP有一定的关系，随着经济增长，人均生产的垃圾也会增长，加上中国人口基数的庞大，已逐渐成为受垃圾污染影响的国家之一。虽然在垃圾处理方面，相比较过去十年有一些进步，有接近三分之二的垃圾进行了有效处理，但仍有很多的生活垃圾只能做简单填埋。

目前，在我国城市街道上的分类垃圾桶大部分只是贴有标签的普通垃圾桶，需要人为去识别垃圾种类，这种分类桶缺乏自控能力；再加上我国对垃圾分类宣传力度不够，可回收垃圾的种类是很多人的盲区，使其分类并没有达到想要的结果，回收后依然需要安排人力对其再次分类消耗了大量的时间。

发明内容

针对目前现有的垃圾分拣系统所存在的缺陷和不足，本发明提出一种基于驱动装置的垃圾自动分拣系统，其够通过神经网络算法的模型区分垃圾种类，并且拥有远程监控能力，能够提高垃圾处理效率，改善单纯依赖人工分类分拣困难等问题。

本发明为解决以上技术问题所采取的技术方案是：

基于驱动装置的垃圾自动分拣系统，该系统包括以下模块：生物识别模块、图像采集模块、分类处理模块、驱动模块、压力感应模块、通讯定位模块、后台服务模块、提示模块；

所述生物识别模块，采集用户的指纹信息和红外信号确定用户为有效用户；

所述图像采集模块，采集用户待投放垃圾图像，

所述分类处理模块，对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

所述驱动模块，根据分类结果，发送脉冲信号驱动电机工作，开启类别垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

所述压力感应模块，位于类别垃圾桶底部，可根据压力值计算出垃圾体积；

所述通讯定位模块，当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述类别垃圾桶内垃圾进行回收；

所述后台服务模块，统计回收车辆在预设时间内的路径信息和停留信息，根据所述路径信息和停留信息优化所述类别垃圾桶数量分布；

所述提示模块，可以提供语音提示和文字提示。

进一步地，所述生物识别模块包括红外传感器和近距离传感器，首先通过红外线传感器采集用户红外信号，判断用户是否接近；若是，当距离小于第一距离时，开启近距离传感器，采集用户手指纹路信息，判断纹路是否指纹；若是，则开启图像采集模块。

进一步地，所述类别垃圾桶包括4类，分别为：厨余垃圾，可回收垃圾，有害垃圾，其他垃圾。

进一步地，所述垃圾图像预处理过程包括，先进行灰度处理，再进行均值滤波去噪。

进一步地，对预处理后的所述垃圾图像进行特征提取，提取特征包括，纹理特征，形状特征和颜色特征。

进一步地，采用灰度共生矩阵提取纹理特征，纹理特征包括能量、对比度，相关性以及熵值；采用HSV颜色空间的颜色直方图作为图像颜色特征。

进一步地，所述神经网络模型为卷积神经网络模型；

所述卷积神经网络模型结构总体可以分为8层，前5层为卷积层，每个卷积层后面都会伴随着池化层、Dropout、激活函数；后3层依次为全链接层，softmax层，输出层。

进一步地，图片像素为300*300。

进一步地，所述停留信息包括回收分类垃圾桶的数量。

基于驱动装置的垃圾自动分拣方法，包括以下步骤：

S1、采集用户的指纹信息和红外信号确定用户为有效用户；

S2、采集用户待投放垃圾图像，

S3、对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

S4、根据分类结果，发送脉冲信号驱动电机工作，开启类别垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

S5、当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述类别垃圾桶内垃圾进行回收，同时，发出文字提示以指示当前无法投递；

S6、所述服务器统计所述回收车辆在预设时间内的路径信息和停留信息，根据所述路径信息和停留信息优化所述类别垃圾桶数量分布。

所述停留信息包括，回收分类垃圾桶的数量以及对应时刻信息；

本发明的有益效果如下：

本发明既可以提高垃圾分类的准确性，又可以优化垃圾系统分布，垃圾分类难度，该系统拥有远程监控能力，能够提高垃圾处理效率，改善单纯依赖人工分类分拣困难等问题。

上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明的基于驱动装置的垃圾自动分拣方法流程图

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

实施例1

基于驱动装置的垃圾自动分拣系统，该系统包括以下模块：生物识别模块、图像采集模块、分类处理模块、驱动模块、压力感应模块、通讯定位模块、后台服务模块、提示模块；

所述生物识别模块，采集用户的指纹信息和红外信号确定用户为有效用户；

所述图像采集模块，采集用户待投放垃圾图像，

所述分类处理模块，对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

所述驱动模块，根据分类结果，发送脉冲信号驱动电机工作，开启类别垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

所述压力感应模块，位于类别垃圾桶底部，可根据压力值计算出垃圾体积；

所述通讯定位模块，当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述类别垃圾桶内垃圾进行回收；

所述后台服务模块，统计回收车辆在预设时间内的路径信息和停留信息，根据所述路径信息和停留信息优化所述类别垃圾桶数量分布

所述提示模块，可以提供语音提示和文字提示。

进一步地，所述生物识别模块包括红外传感器和近距离传感器，首先通过红外线传感器采集用户红外信号，判断用户是否接近；若是，当距离小于第一距离时，开启近距离传感器，采集用户手指纹路信息，判断纹路是否指纹；若是，则开启图像采集模块。

进一步地，所述类别垃圾桶包括4类，分别为：厨余垃圾，可回收垃圾，有害垃圾，其他垃圾。

进一步地，所述垃圾图像预处理过程包括，先进行灰度处理，再进行均值滤波去噪。

进一步地，对预处理后的所述垃圾图像进行特征提取，提取特征包括，纹理特征，形状特征和颜色特征。

进一步地，采用灰度共生矩阵提取纹理特征，纹理特征包括能量、对比度，相关性以及熵值；采用HSV颜色空间的颜色直方图作为图像颜色特征。

进一步地，所述神经网络模型为卷积神经网络模型；

所述卷积神经网络模型结构总体可以分为8层，前5层为卷积层，每个卷积层后面都会伴随着池化层、Dropout、激活函数；后3层依次为全链接层，softmax层，输出层。

进一步地，图片像素为300*300。

进一步地，所述停留信息包括回收分类垃圾桶的数量。

进一步地，系统还包括太阳能电池板和蓄电池组成的能源模块。

实施例2

基于驱动装置的垃圾自动分拣方法，包括以下步骤：

S1、采集用户的指纹信息和红外信号确定用户为有效用户；

S2、采集用户待投放垃圾图像，

S3、对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

S4、根据分类结果，发送脉冲信号驱动电机工作，开启类别垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

S5、当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述类别垃圾桶内垃圾进行回收，同时，发出文字提示以指示当前无法投递；

S6、服务器统计所述回收车辆在预设时间内的路径信息和停留信息，根据路径信息和停留信息优化所述类别垃圾桶数量分布。

停留信息包括，回收分类垃圾桶的数量以及对应时刻信息；

实施例3

基于驱动装置的垃圾自动分拣方法，包括以下步骤：

S1、采集用户的指纹信息和红外信号确定用户为有效用户；

S2、采集用户待投放垃圾图像，

S3、对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

S4、根据分类结果，发送脉冲信号驱动电机工作，开启类别垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

S5、当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述类别垃圾桶内垃圾进行回收，同时，发出文字提示以指示当前无法投递；

S6、服务器统计所述回收车辆在预设时间内的路径信息和停留信息，根据路径信息和停留信息优化所述类别垃圾桶数量分布。

停留信息包括，回收分类垃圾桶的数量以及对应时刻信息；

S7、根据所述垃圾桶数量、路径长度、道路车流量、人口密度、道路等级5个指标建立运输车辆路线模型，节点间运输评价模型如下：

其中，w₁，w₂，w₃为权重，且w₁+w₂+w₃＝1；a₁，a₂，a₃为权重，且a₁+a₂+a₃＝1；i，j表示路径节点数量，L_ij表示节点i到节点j的路径长度，M_ij表示表示节点i到节点j的路径中垃圾桶数量，A_ij表示节点i到节点j的道路车流量，B_ij表示节点i到节点j的人口密度，C_ij表示节点i到节点j的道路等级；其中，L_ij、M_ij、A_ij、B_ij可以为归一化数据；道路等级按照快速路，主干道，次干道，支路设置为，1，0.8，0.6，0.4；

S8、根据所述节点间运输评价模型建立路径搜索模型优化运输路径；路径搜索模型如下：

其中，g(n)为起点到点n的实际距离，h(n)是对于节点n到终点路径的估计距离，r为路段的安全和环境系数；

路径优化步骤如下

S81、首先确定起点O(x₁，y₁)，终点D(x₂，y₂)所在的道路等级，假设O属于第T级的节点，D属于第H级的节点，给定出入口搜索区域范围R的顶点为：(x₁，y₁)、(x₂，y₂)、(x₂，y₁)、(x₁，y₂)；

S82、判断起点O(x₁，y₁)，终点D(x₂，y₂)所在的道路等级的关系，根据判断结果结合搜索模型确定局部路径；

S83、根据局部路径获得运输路径。

其中，确定局部路径过程如下：

S821、若起点O所在的等级T低于终点D所在的等级H，则在从起点搜索范围R内最近的高等级路网入口O’，寻找范围R内最近的比T高的路网结点O’，如果搜索成功，则用入口作为O’新的起点O，利用搜索模型计算O-O’的最优路径作为局部路径；如果搜索失败，则停止等级搜索，不考虑道路等级，利用搜索模型在路网中直接搜索从O到D的最优路径；

S822、若起点O所在的等级T高于终点D所在的等级H，则在从终点搜索范围R内最近的高等级路网出口D’，寻找范围R内最近的比H高的路网结点D’，如果搜索成功，则用出口作为D’新的终点D，利用搜索模型计算D’-D的最优路径作为局部路径；如果搜索失败，则停止等级搜索，不考虑道路等级，利用搜索模型在路网中直接搜索从O到D的最优路径；

S823、若起点O所在的等级T等于终点D所在的等级H，在从起点搜索范围R内最近的高等级路网入口O’，寻找范围R内最近的比T高的路网结点O’；在从终点搜索范围R内最近的高等级路网出口D’，寻找范围R内最近的比H高的路网结点D’，如果搜索成功，则用入口作为O’新的起点O，用出口作为D’新的终点D，利用搜索模型计算O-O’，D’-D的最优路径作为局部路径；

本发明的优点在于：本发明既可以提高垃圾分类的准确性，又可以优化垃圾系统分布，垃圾分类难度，该系统拥有远程监控能力，能够提高垃圾处理效率，改善单纯依赖人工分类分拣困难等问题。同时利用红外线传感器和近距离传感器的可有效规避过往行人的干扰，有效地节约了能源，此外，对垃圾运输车的路径做了优化，提升了车辆运输过程中安全性，改善了对环境的不良影响。

以上所述，仅为本发明较佳的具体实施方式，但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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于驱动装置的垃圾自动分拣系统，其特征在于，该系统包括以下模块：生物识别模块、图像采集模块、分类处理模块、驱动模块、压力感应模块、通讯定位模块、后台服务模块、提示模块，分类垃圾桶；

所述生物识别模块，采集用户的指纹信息和红外信号确定用户为有效用户；所述生物识别模块包括红外传感器和近距离传感器，首先通过红外线传感器采集用户红外信号，判断用户是否接近；若是，当距离小于第一距离时，开启近距离传感器，采集用户手指纹路信息，判断纹路是否指纹；若是，则开启图像采集模块；

所述图像采集模块，采集用户待投放垃圾图像，

所述分类处理模块，对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

所述驱动模块，根据分类结果，发送脉冲信号驱动电机工作，开启分类垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

所述压力感应模块，位于分类垃圾桶底部，可根据压力值计算出垃圾体积；

所述通讯定位模块，当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述分类垃圾桶内垃圾进行回收；

所述后台服务模块，统计回收车辆在预设时间内的路径信息和停留信息，根据所述路径信息和停留信息优化所述分类垃圾桶数量分布；

所述提示模块，可以提供语音提示和文字提示；

所述停留信息包括，回收过程中分类垃圾桶的数量以及对应时刻信息；

根据所述分类垃圾桶数量以及路径长度、道路车流量、人口密度、道路等级5个指标建立运输车辆路线模型，节点间运输评价模型如下：

其中，w1，w2，w3为权重，且w1+w2+w3＝1；α1，α2，a3为权重，且α1+α2+a3＝1；i，j表示路径节点数量，L_ij表示节点i到节点j的路径长度，M_ij表示节点i到节点j的路径中垃圾桶数量，A_ij表示节点i到节点j的道路车流量，Bij表示节点i到节点j的人口密度，C_ij表示节点i到节点j的道路等级；其中，L_ij、M_ij、A_ij、B_ij可以为归一化数据；道路等级按照快速路，主干道，次干道，支路设置为，1，0.8，0.6，0.4；

根据所述节点间运输评价模型建立路径搜索模型优化运输路径；路径搜索模型如下：

其中，g(n)为起点到点n的实际距离，h(n)是对于节点n到终点路径的估计距离，r为路段的安全和环境系数；路径优化步骤如下：

(1)确定起点O(x₁，y₁)，终点D(x₂，y₂)所在的道路等级，假设O属于第T级的节点，D属于第H级的节点，给定出入口搜索区域范围R的顶点为：(x₁，y₁)、(x₂，y₂)、(x₂，y₁)、(x₁，y₂)；

(2)判断起点O(x₁，y₁)，终点D(x₂，y₂)所在的道路等级的关系，根据判断结果结合搜索模型确定局部路径；

(3)根据局部路径获得运输路径。

2.根据权利要求1所述的基于驱动装置的垃圾自动分拣系统，其特征在于，所述分类垃圾桶包括4类，分别为：厨余垃圾，可回收垃圾，有害垃圾，其他垃圾。

3.根据权利要求1所述的基于驱动装置的垃圾自动分拣系统，其特征在于，所述垃圾图像预处理过程包括，先进行灰度处理，再进行均值滤波去噪。

4.根据权利要求1所述的基于驱动装置的垃圾自动分拣系统，其特征在于，对预处理后的所述垃圾图像进行特征提取，提取特征包括，纹理特征，形状特征和颜色特征。

5.根据权利要求4所述的基于驱动装置的垃圾自动分拣系统，其特征在于，采用灰度共生矩阵提取纹理特征，纹理特征包括能量、对比度，相关性以及熵值；采用HSV颜色空间的颜色直方图作为图像颜色特征。

6.根据权利要求1所述的基于驱动装置的垃圾自动分拣系统，其特征在于，所述神经网络模型为卷积神经网络模型；

所述卷积神经网络模型结构总体可以分为8层，前5层为卷积层，每个卷积层后面都会伴随着池化层、Dropout、激活函数；后3层依次为全链接层，softmax层，输出层。

7.根据权利要求1所述的基于驱动装置的垃圾自动分拣系统，其特征在于，图片像素为300*300。

8.根据权利要求1所述的基于驱动装置的垃圾自动分拣系统，其特征在于，所述停留信息包括回收分类垃圾桶的数量。

9.一种基于驱动装置的垃圾自动分拣方法，其特征在于，该方法包括以下步骤：

S1、采集用户的指纹信息和红外信号确定用户为有效用户；

S2、采集用户待投放垃圾图像，

S3、对所述垃圾图像进行预处理后，利用神经网络模型进行图形分类；

S4、根据分类结果，发送脉冲信号驱动电机工作，开启分类垃圾桶的盖门，投递后，在第一预定时间后自动关闭盖门；

S5、当所述垃圾体积超过第一体积后，向服务器发送信号，派遣垃圾回收车辆对所述分类垃圾桶内垃圾进行回收，同时，发出文字提示以指示当前无法投递；

S6、所述服务器统计所述回收车辆在预设时间内的路径信息和停留信息，根据所述路径信息和停留信息优化所述分类垃圾桶数量分布；

所述停留信息包括，回收过程中分类垃圾桶的数量以及对应时刻信息；

S7、根据所述分类垃圾桶数量以及路径长度、道路车流量、人口密度、道路等级5个指标建立运输车辆路线模型，节点间运输评价模型如下：

其中，w1，w2，w3为权重，且w1+w2+w3＝1；α1，α2，a3为权重，且α1+α2+a3＝1；i，j表示路径节点数量，L_ij表示节点i到节点j的路径长度，M_ij表示节点i到节点j的路径中垃圾桶数量，A_ij表示节点i到节点j的道路车流量，Bij表示节点i到节点j的人口密度，C_ij表示节点i到节点j的道路等级；其中，L_ij、M_ij、A_ij、B_ij可以为归一化数据；道路等级按照快速路，主干道，次干道，支路设置为，1，0.8，0.6，0.4；

S8、根据所述节点间运输评价模型建立路径搜索模型优化运输路径；路径搜索模型如下：

其中，g(n)为起点到点n的实际距离，h(n)是对于节点n到终点路径的估计距离，r为路段的安全和环境系数；路径优化步骤如下：

S81、首先确定起点O(x₁，y₁)，终点D(x₂，y₂)所在的道路等级，假设O属于第T级的节点，D属于第H级的节点，给定出入口搜索区域范围R的顶点为：(x₁，y₁)、(x₂，y₂)、(x₂，y₁)、(x₁，y₂)；

S82、判断起点O(x₁，y₁)，终点D(x₂，y₂)所在的道路等级的关系，根据判断结果结合搜索模型确定局部路径；

S83、根据局部路径获得运输路径。

Images