CN113744292A - 一种垃圾分类站垃圾投放扫描系统 - Google Patents

一种垃圾分类站垃圾投放扫描系统 Download PDF

Info

Publication number
CN113744292A
CN113744292A CN202111089110.6A CN202111089110A CN113744292A CN 113744292 A CN113744292 A CN 113744292A CN 202111089110 A CN202111089110 A CN 202111089110A CN 113744292 A CN113744292 A CN 113744292A
Authority
CN
China
Prior art keywords
image
segmentation
module
segmented
fine
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
CN202111089110.6A
Other languages
English (en)
Inventor
查宏伟
石台
贾俊
韩宜霖
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.)
Anhui Global Green Environmental Protection Technology Co ltd
Original Assignee
Anhui Global Green Environmental Protection Technology 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 Anhui Global Green Environmental Protection Technology Co ltd filed Critical Anhui Global Green Environmental Protection Technology Co ltd
Priority to CN202111089110.6A priority Critical patent/CN113744292A/zh
Publication of CN113744292A publication Critical patent/CN113744292A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F1/00—Refuse receptacles; Accessories therefor
    • B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及垃圾分类，具体涉及一种垃圾分类站垃圾投放扫描系统，包括控制器和图像采集模块，控制器通过图像预分割单元对图像采集模块采集包含多个目标物体的待识别图像进行预分割处理得到预分割图像，并对预分割图像进行初步优化分割、拼接，得到子分割图像，控制器通过分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，并将二次优化分割后得到的分割图像输入垃圾种类判断单元，垃圾种类判断单元通过提取分割图像的细粒度特征，并根据细粒度特征对比结果，输出分割图像中目标物体所属种类；本发明提供的技术方案能够有效克服现有技术所存在的无法对连续投放垃圾的种类进行准确识别判断的缺陷。

Description

一种垃圾分类站垃圾投放扫描系统
技术领域
本发明涉及垃圾分类，具体涉及一种垃圾分类站垃圾投放扫描系统。
背景技术
我国再生资源领域存在回收体系无序、产品标准缺失、分类技术落后等多方面制约因素，一方面，大量可再生资源被当作垃圾处理掉，如废易拉罐、废纺织品等；另一方面，大量有害垃圾为被当做一般垃圾，而没有进行妥善的处理，造成环境污染。随着环境污染的加剧，垃圾分类在社会上引起了广泛重视，很多小区都开始实行垃圾分类，国家更是投入了大量人力物力设置垃圾分类投放设备，方便居民分类投放垃圾。
在小区内设置垃圾分类站，能够对垃圾从源头进行分类。其中，最常见的就是在传统垃圾桶的构造上，增加容置不同种类垃圾的容器，通过不同颜色或者提示字样、标志来区分，方便投放者在投放垃圾时进行分类，简化了后续对垃圾进行分拣的繁杂过程，具有很大的现实意义和便利性。
但是，设置垃圾分类站进行垃圾分类投放具有一定缺陷。一方面，是否对垃圾进行分类大多依赖于居民的自觉意识和认知程度，相当一部分人不会主动进行垃圾分类；另一方面，垃圾分类投放需要对垃圾相关知识具有一定的了解，如果投放者缺乏对垃圾材质、垃圾类型等基础知识的了解，有很大可能会出现对垃圾分类的误判，从而导致垃圾不能被正确地被分类投放。
此外，现有的垃圾分类站缺乏对投放垃圾的分类识别系统，导致不能对投放垃圾的种类进行有效识别，无法对投放者给予正确的分类提示和指导。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种垃圾分类站垃圾投放扫描系统，能够有效克服现有技术所存在的无法对连续投放垃圾的种类进行准确识别判断的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种垃圾分类站垃圾投放扫描系统，包括控制器和图像采集模块，所述控制器通过图像预分割单元对图像采集模块采集包含多个目标物体的待识别图像进行预分割处理得到预分割图像，并对预分割图像进行初步优化分割、拼接，得到子分割图像；
所述控制器通过分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，并将二次优化分割后得到的分割图像输入垃圾种类判断单元，所述垃圾种类判断单元通过提取分割图像的细粒度特征，并根据细粒度特征对比结果，输出分割图像中目标物体所属种类。
优选地，所述图像预分割单元包括第一图像预处理模块、图像预分割模块、特征信息获取模块、分割图像判断模块、分割位置获取模块和分割图像处理模块；
所述第一图像预处理模块对待识别图像进行预处理，所述图像预分割模块对预处理后的图像进行预分割处理，得到预分割图像；
所述特征信息获取模块从预分割图像中获取相关特征信息，所述分割图像判断模块根据相关特征信息判断预分割图像中是否存在未被完全分割的目标物体，所述分割位置获取模块在目标物体没有被完全分割的预分割图像中寻找分割位置，所述分割图像处理模块按照分割位置对相应预分割图像进行优化分割，并基于相关特征信息对相邻预分割图像中属于同一目标物体的图像碎片进行拼接，得到子分割图像。
优选地，所述第一图像预处理模块对待识别图像进行解码、降噪和去除干扰点，所述图像预分割模块根据待识别图像中的对比度判断目标物体的轮廓信息，并基于轮廓信息对预处理后的图像进行预分割处理，得到预分割图像。
优选地，所述分割位置获取模块获取目标物体没有被完全分割的预分割图像的垂直投影图，通过在垂直投影图中寻找谷点以获取目标物体的粘连位置，并将该粘连位置作为分割位置。
优选地，所述特征信息获取模块从预分割图像中获取的相关特征信息包括：物品宽高比、物品形状、物品透明度、物品颜色、物品纹理和物品图案。
优选地，所述分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，包括：
在给定的搜索空间内对旗鱼、沙丁鱼进行随机初始化，并设定最大迭代次数，其中，旗鱼种群用XSF表示，沙丁鱼种群用XF表示，初始化后，旗鱼适应度值最好的种群用XeliteSF表示，沙丁鱼适度值最好的种群用XinjuredS表示；
对旗鱼、沙丁鱼进行位置更新，综合考虑旗鱼和沙丁鱼的位置，如果沙丁鱼的位置优于旗鱼的位置，则将沙丁鱼的位置赋给旗鱼；
重复进行迭代，直到达到最大迭代次数，并输出最优位置作为最优分割组合。
优选地，所述对旗鱼进行位置更新采用下式：
X’newSF＝X’eliteSF-λi*{rand(0,1)*[(X’eliteSF+X’injuredS)/2]-X’oldSF}
其中，X’eliteSF表示在当前迭代次数i时，旗鱼的最佳位置，X’injuredS表示在当前迭代次数i时，沙丁鱼的最佳位置；
系数λi的定义如下：
λi＝2*rand(0,1)*PD-PD
其中，PD代表猎物群的密度，用下式表示：
PD＝1-NSF/(NSF+NS)
NSF、NS分别代表旗鱼和沙丁鱼的数量。
优选地，所述对沙丁鱼进行位置更新采用下式：
X’newS＝r*(X’eliteSF-X’oldS+AP)
其中，X’eliteSF表示在当前迭代次数i时，旗鱼的最佳位置；AP代表旗鱼的攻击力度，计算方式如下：
AP＝A*(1-2*t*e)
其中，A、e表示控制攻击力度的变换系数，当AP≥0.5时更新沙丁鱼全部位置；当AP<0.5时更新沙丁部分位置。
优选地，所述垃圾种类判断单元包括第二图像预处理模块、细粒度特征提取模块、细粒度特征种类库和垃圾种类输出模块；
所述第二图像预处理模块对分割优化模块二次优化分割后得到的分割图像进行预处理，所述细粒度特征提取模块从预处理后的分割图像中提取细粒度特征，所述控制器将提取的细粒度特征与细粒度特征种类库中的细粒度特征进行对比，根据对比结果判断该分割图像中目标物体所属种类，并通过垃圾种类输出模块输出识别结果。
优选地，所述细粒度特征提取模块利用深度残差网络模型，对预处理后的分割图像进行卷积和池化处理，得到提取细粒度特征所需的特征向量，并进行细粒度特征提取。
(三)有益效果
与现有技术相比，本发明所提供的一种垃圾分类站垃圾投放扫描系统，利用图像预分割单元对包含多个目标物体的待识别图像进行预分割处理得到预分割图像，同时能够准确获取预分割图像中目标物体的粘连位置，并且基于粘连位置对预分割图像进行初步优化分割、拼接，得到子分割图像，再通过分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，以实现对连续投放垃圾中各目标物体图像的准确分割，保证后续对投放垃圾种类识别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的系统示意图；
图2为本发明中分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种垃圾分类站垃圾投放扫描系统，如图1和图2所示，包括控制器和图像采集模块，控制器通过图像预分割单元对图像采集模块采集包含多个目标物体的待识别图像进行预分割处理得到预分割图像，并对预分割图像进行初步优化分割、拼接，得到子分割图像；
控制器通过分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，并将二次优化分割后得到的分割图像输入垃圾种类判断单元，垃圾种类判断单元通过提取分割图像的细粒度特征，并根据细粒度特征对比结果，输出分割图像中目标物体所属种类。
如图1所示，图像预分割单元包括第一图像预处理模块、图像预分割模块、特征信息获取模块、分割图像判断模块、分割位置获取模块和分割图像处理模块；
第一图像预处理模块对待识别图像进行预处理，图像预分割模块对预处理后的图像进行预分割处理，得到预分割图像；
特征信息获取模块从预分割图像中获取相关特征信息，分割图像判断模块根据相关特征信息判断预分割图像中是否存在未被完全分割的目标物体，分割位置获取模块在目标物体没有被完全分割的预分割图像中寻找分割位置，分割图像处理模块按照分割位置对相应预分割图像进行优化分割，并基于相关特征信息对相邻预分割图像中属于同一目标物体的图像碎片进行拼接，得到子分割图像。
第一图像预处理模块对待识别图像进行解码、降噪和去除干扰点，图像预分割模块根据待识别图像中的对比度判断目标物体的轮廓信息，并基于轮廓信息对预处理后的图像进行预分割处理，得到预分割图像。
当预分割图像中存在未被完全分割的目标物体时，通过以下方法寻找目标物体的粘连位置：
分割位置获取模块获取目标物体没有被完全分割的预分割图像的垂直投影图，通过在垂直投影图中寻找谷点以获取目标物体的粘连位置，并将该粘连位置作为分割位置。
寻找到粘连目标物体之间的分割位置后，分割图像处理模块按照分割位置对相应预分割图像进行优化分割，并基于相关特征信息对相邻预分割图像中属于同一目标物体的图像碎片进行拼接，得到子分割图像。
本申请技术方案中，特征信息获取模块从预分割图像中获取的相关特征信息包括：物品宽高比、物品形状、物品透明度、物品颜色、物品纹理和物品图案。
如图2所示，分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，包括：
在给定的搜索空间内对旗鱼、沙丁鱼进行随机初始化，并设定最大迭代次数，其中，旗鱼种群用XSF表示，沙丁鱼种群用XF表示，初始化后，旗鱼适应度值最好的种群用XeliteSF表示，沙丁鱼适度值最好的种群用XinjuredS表示；
对旗鱼、沙丁鱼进行位置更新，综合考虑旗鱼和沙丁鱼的位置，如果沙丁鱼的位置优于旗鱼的位置，则将沙丁鱼的位置赋给旗鱼；
重复进行迭代，直到达到最大迭代次数，并输出最优位置作为最优分割组合。
对旗鱼进行位置更新采用下式：
X’newSF＝X’eliteSF-λi*{rand(0,1)*[(X’eliteSF+X’injuredS)/2]-X’oldSF}
其中，X’eliteSF表示在当前迭代次数i时，旗鱼的最佳位置，X’injuredS表示在当前迭代次数i时，沙丁鱼的最佳位置；
系数λi的定义如下：
λi＝2*rand(0,1)*PD-PD
其中，PD代表猎物群的密度，用下式表示：
PD＝1-NSF/(NSF+NS)
NSF、NS分别代表旗鱼和沙丁鱼的数量。
对沙丁鱼进行位置更新采用下式：
X’newS＝r*(X’eliteSF-X’oldS+AP)
其中，X’eliteSF表示在当前迭代次数i时，旗鱼的最佳位置；AP代表旗鱼的攻击力度，计算方式如下：
AP＝A*(1-2*t*e)
其中，A、e表示控制攻击力度的变换系数，当AP≥0.5时更新沙丁鱼全部位置；当AP<0.5时更新沙丁部分位置。
当AP<0.5时更新沙丁部分位置，对部分位置的范围定义如下：
α＝NS*AP
β＝di*AP
其中，α表示要更新沙丁鱼的数量，β表示要更新的维度数量，1<di<旗鱼优化器最大空间维度。
本申请技术方案中，利用图像预分割单元对包含多个目标物体的待识别图像进行预分割处理得到预分割图像，同时能够准确获取预分割图像中目标物体的粘连位置，并且基于粘连位置对预分割图像进行初步优化分割、拼接，得到子分割图像，再通过分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，以实现对连续投放垃圾中各目标物体图像的准确分割，保证后续对投放垃圾种类识别的准确性。
如图1所示，垃圾种类判断单元包括第二图像预处理模块、细粒度特征提取模块、细粒度特征种类库和垃圾种类输出模块；
第二图像预处理模块对分割优化模块二次优化分割后得到的分割图像进行预处理，细粒度特征提取模块从预处理后的分割图像中提取细粒度特征，控制器将提取的细粒度特征与细粒度特征种类库中的细粒度特征进行对比，根据对比结果判断该分割图像中目标物体所属种类，并通过垃圾种类输出模块输出识别结果。
第二图像预处理模块将分割优化模块二次优化分割后得到的分割图像扩展为统一的规则形状，并进行分辨率调节，以便于后续对深度残差网络模型进行模型训练，或者作为深度残差网络模型的输入。
细粒度特征提取模块利用深度残差网络模型，对预处理后的分割图像进行卷积和池化处理，得到提取细粒度特征所需的特征向量，并进行细粒度特征提取。
控制器将提取的细粒度特征与细粒度特征种类库中的细粒度特征进行对比，并基于细粒度特征之间的欧氏距离判断相似度，由于细粒度特征种类库中存储有“细粒度特征-垃圾种类”之间的对应关系，因此匹配出该分割图像中目标物体所属种类。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种垃圾分类站垃圾投放扫描系统，其特征在于：包括控制器和图像采集模块，所述控制器通过图像预分割单元对图像采集模块采集包含多个目标物体的待识别图像进行预分割处理得到预分割图像，并对预分割图像进行初步优化分割、拼接，得到子分割图像；
所述控制器通过分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，并将二次优化分割后得到的分割图像输入垃圾种类判断单元，所述垃圾种类判断单元通过提取分割图像的细粒度特征，并根据细粒度特征对比结果，输出分割图像中目标物体所属种类。
2.根据权利要求1所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述图像预分割单元包括第一图像预处理模块、图像预分割模块、特征信息获取模块、分割图像判断模块、分割位置获取模块和分割图像处理模块；
所述第一图像预处理模块对待识别图像进行预处理，所述图像预分割模块对预处理后的图像进行预分割处理，得到预分割图像；
所述特征信息获取模块从预分割图像中获取相关特征信息，所述分割图像判断模块根据相关特征信息判断预分割图像中是否存在未被完全分割的目标物体，所述分割位置获取模块在目标物体没有被完全分割的预分割图像中寻找分割位置，所述分割图像处理模块按照分割位置对相应预分割图像进行优化分割，并基于相关特征信息对相邻预分割图像中属于同一目标物体的图像碎片进行拼接，得到子分割图像。
3.根据权利要求2所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述第一图像预处理模块对待识别图像进行解码、降噪和去除干扰点，所述图像预分割模块根据待识别图像中的对比度判断目标物体的轮廓信息，并基于轮廓信息对预处理后的图像进行预分割处理，得到预分割图像。
4.根据权利要求2所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述分割位置获取模块获取目标物体没有被完全分割的预分割图像的垂直投影图，通过在垂直投影图中寻找谷点以获取目标物体的粘连位置，并将该粘连位置作为分割位置。
5.根据权利要求4所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述特征信息获取模块从预分割图像中获取的相关特征信息包括：物品宽高比、物品形状、物品透明度、物品颜色、物品纹理和物品图案。
6.根据权利要求1所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述分割优化模块建立旗鱼优化器对子分割图像进行再次优化分割，包括：
在给定的搜索空间内对旗鱼、沙丁鱼进行随机初始化，并设定最大迭代次数，其中，旗鱼种群用XSF表示，沙丁鱼种群用XF表示，初始化后，旗鱼适应度值最好的种群用XeliteSF表示，沙丁鱼适度值最好的种群用XinjuredS表示；
对旗鱼、沙丁鱼进行位置更新，综合考虑旗鱼和沙丁鱼的位置，如果沙丁鱼的位置优于旗鱼的位置，则将沙丁鱼的位置赋给旗鱼；
重复进行迭代，直到达到最大迭代次数，并输出最优位置作为最优分割组合。
7.根据权利要求6所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述对旗鱼进行位置更新采用下式：
X’newSF＝X’eliteSF-λi*{rand(0,1)*[(X’eliteSF+X’injuredS)/2]-X’oldSF}
其中，X’eliteSF表示在当前迭代次数i时，旗鱼的最佳位置，X’injuredS表示在当前迭代次数i时，沙丁鱼的最佳位置；
系数λi的定义如下：
λi＝2*rand(0,1)*PD-PD
其中，PD代表猎物群的密度，用下式表示：
PD＝1-NSF/(NSF+NS)
NSF、NS分别代表旗鱼和沙丁鱼的数量。
8.根据权利要求7所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述对沙丁鱼进行位置更新采用下式：
X’newS＝r*(X’eliteSF-X’oldS+AP)
其中，X’eliteSF表示在当前迭代次数i时，旗鱼的最佳位置；AP代表旗鱼的攻击力度，计算方式如下：
AP＝A*(1-2*t*e)
其中，A、e表示控制攻击力度的变换系数，当AP≥0.5时更新沙丁鱼全部位置；当AP<0.5时更新沙丁部分位置。
9.根据权利要求1所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述垃圾种类判断单元包括第二图像预处理模块、细粒度特征提取模块、细粒度特征种类库和垃圾种类输出模块；
所述第二图像预处理模块对分割优化模块二次优化分割后得到的分割图像进行预处理，所述细粒度特征提取模块从预处理后的分割图像中提取细粒度特征，所述控制器将提取的细粒度特征与细粒度特征种类库中的细粒度特征进行对比，根据对比结果判断该分割图像中目标物体所属种类，并通过垃圾种类输出模块输出识别结果。
10.根据权利要求9所述的垃圾分类站垃圾投放扫描系统，其特征在于：所述细粒度特征提取模块利用深度残差网络模型，对预处理后的分割图像进行卷积和池化处理，得到提取细粒度特征所需的特征向量，并进行细粒度特征提取。
CN202111089110.6A 2021-09-16 2021-09-16 一种垃圾分类站垃圾投放扫描系统 Pending CN113744292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089110.6A CN113744292A (zh) 2021-09-16 2021-09-16 一种垃圾分类站垃圾投放扫描系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089110.6A CN113744292A (zh) 2021-09-16 2021-09-16 一种垃圾分类站垃圾投放扫描系统

Publications (1)

Publication Number Publication Date
CN113744292A true CN113744292A (zh) 2021-12-03

Family

ID=78739451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089110.6A Pending CN113744292A (zh) 2021-09-16 2021-09-16 一种垃圾分类站垃圾投放扫描系统

Country Status (1)

Country Link
CN (1) CN113744292A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147703A (zh) * 2022-07-28 2022-10-04 广东小白龙环保科技有限公司 一种基于GinTrans网络的垃圾分割方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092914A (zh) * 2017-03-23 2017-08-25 广东数相智能科技有限公司 基于图像识别的垃圾分类方法、装置和系统
CN108776807A (zh) * 2018-05-18 2018-11-09 复旦大学 一种基于可跳层双支神经网络的图像粗细粒度分类方法
CN110751212A (zh) * 2019-10-21 2020-02-04 南京大学 一种移动设备上高效的细粒度图像识别方法
CN110826558A (zh) * 2019-10-28 2020-02-21 桂林电子科技大学 图像分类方法、计算机设备和存储介质
CN111582033A (zh) * 2020-04-07 2020-08-25 苏宁云计算有限公司 垃圾分类的识别方法、系统及计算机可读存储介质
CN111985572A (zh) * 2020-08-27 2020-11-24 中国科学院自动化研究所 基于特征比较的通道注意力机制的细粒度图像识别方法
CN112364758A (zh) * 2020-11-10 2021-02-12 湖北惠立网络科技有限公司 基于多目标图像识别的垃圾分类回收方法及系统
CN112450807A (zh) * 2020-11-06 2021-03-09 苏宁智能终端有限公司 扫地机器人障碍物移除操控方法、装置及系统
CN112861970A (zh) * 2021-02-09 2021-05-28 哈尔滨工程大学 一种基于特征融合的细粒度图像分类方法
CN113173354A (zh) * 2021-04-21 2021-07-27 安徽世绿环卫科技有限公司 一种智能垃圾分类站的语音提示系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092914A (zh) * 2017-03-23 2017-08-25 广东数相智能科技有限公司 基于图像识别的垃圾分类方法、装置和系统
CN108776807A (zh) * 2018-05-18 2018-11-09 复旦大学 一种基于可跳层双支神经网络的图像粗细粒度分类方法
CN110751212A (zh) * 2019-10-21 2020-02-04 南京大学 一种移动设备上高效的细粒度图像识别方法
CN110826558A (zh) * 2019-10-28 2020-02-21 桂林电子科技大学 图像分类方法、计算机设备和存储介质
CN111582033A (zh) * 2020-04-07 2020-08-25 苏宁云计算有限公司 垃圾分类的识别方法、系统及计算机可读存储介质
CN111985572A (zh) * 2020-08-27 2020-11-24 中国科学院自动化研究所 基于特征比较的通道注意力机制的细粒度图像识别方法
CN112450807A (zh) * 2020-11-06 2021-03-09 苏宁智能终端有限公司 扫地机器人障碍物移除操控方法、装置及系统
CN112364758A (zh) * 2020-11-10 2021-02-12 湖北惠立网络科技有限公司 基于多目标图像识别的垃圾分类回收方法及系统
CN112861970A (zh) * 2021-02-09 2021-05-28 哈尔滨工程大学 一种基于特征融合的细粒度图像分类方法
CN113173354A (zh) * 2021-04-21 2021-07-27 安徽世绿环卫科技有限公司 一种智能垃圾分类站的语音提示系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. SHADRAVAN: "The Sailfish Optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineering optimization problems", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, vol. 80, pages 20 - 34 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147703A (zh) * 2022-07-28 2022-10-04 广东小白龙环保科技有限公司 一种基于GinTrans网络的垃圾分割方法及系统
CN115147703B (zh) * 2022-07-28 2023-11-03 广东小白龙环保科技有限公司 一种基于GinTrans网络的垃圾分割方法及系统

Similar Documents

Publication Publication Date Title
CN110414368B (zh) 一种基于知识蒸馏的无监督行人重识别方法
CN102663348B (zh) 一种光学遥感图像中的海上舰船检测方法
CN110210362A (zh) 一种基于卷积神经网络的交通标志检测方法
CN104809481A (zh) 一种基于自适应色彩聚类的自然场景文本检测的方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN109308479B (zh) 一种基于深度学习的校园垃圾自动分类回收方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN112307919B (zh) 一种基于改进YOLOv3的单证图像中数字信息区域识别方法
CN111369526B (zh) 基于半监督深度学习的多类型旧桥裂痕识别方法
CN112766170B (zh) 基于簇类无人机图像的自适应分割检测方法及装置
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN113705579A (zh) 一种视觉显著性驱动的图像自动标注方法
CN113744292A (zh) 一种垃圾分类站垃圾投放扫描系统
CN115908774A (zh) 一种基于机器视觉的变形物资的品质检测方法和装置
CN112613428A (zh) 基于平衡损失的Resnet-3D卷积牛视频目标检测方法
CN109409409A (zh) 基于hog+cnn的交通标志的实时检测方法
CN112329587A (zh) 饮料瓶的分类方法、装置及电子设备
CN112364687A (zh) 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统
CN114066861B (zh) 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法
Joshi et al. Automatic rooftop detection using a two-stage classification
CN113903025A (zh) 场景文本检测方法、装置和模型及其训练方法和训练装置
CN111428649B (zh) 一种风力发电设施遥感智能提取方法
CN115063679A (zh) 一种基于深度学习的路面质量评估方法
Zheng et al. The logistics barcode id character recognition method based on akaze feature localization

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