CN113989618A - 可回收物品分类识别方法 - Google Patents
可回收物品分类识别方法 Download PDFInfo
- Publication number
- CN113989618A CN113989618A CN202111296586.7A CN202111296586A CN113989618A CN 113989618 A CN113989618 A CN 113989618A CN 202111296586 A CN202111296586 A CN 202111296586A CN 113989618 A CN113989618 A CN 113989618A
- Authority
- CN
- China
- Prior art keywords
- network
- classification
- recyclable item
- rgb
- recyclable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000004566 IR spectroscopy Methods 0.000 claims abstract description 16
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 10
- 239000010814 metallic waste Substances 0.000 claims abstract description 8
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910052802 copper Inorganic materials 0.000 claims abstract description 6
- 239000010949 copper Substances 0.000 claims abstract description 6
- 229910052742 iron Inorganic materials 0.000 claims abstract description 5
- 239000010922 glass waste Substances 0.000 claims abstract description 4
- 239000010784 textile waste Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 27
- 239000000463 material Substances 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 8
- 238000005286 illumination Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 150000002505 iron Chemical class 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例属于可回收物品分类技术领域,涉及可回收物品分类识别方法方法,包括获取可回收物品的RGB数据和IR数据,并且分别对所述RGB数据和IR数据归一化;将归一化的RGB数据输入到RGB特征提取网络以获取RGB特征图;将归一化的IR数据输入到IR特征提取网路以获取IR特征图,将所述RGB特征图和IR特征图合并为特征数据集,并且将所述特征数据集输入到分类网络中以获取所述可回收物品的分类,其中,所述可回收物品分类包括金属垃圾、纺织物垃圾和玻璃垃圾,并且所述金属垃圾分类包括铁、铝、铜子分类。本申请还提供一种X装置、计算机设备及存储介质。该方案能够提升可回收物品的识别成功率。
Description
技术领域
本申请涉及可回收物品分类技术领域,尤其涉及可回收物品分类识别方法。
背景技术
自动化的可回收物品回收系统,需要对不同种类的可回收物品进行识别,以根据不同种类的可回收物品分别进行回收或向客户提供可回收物品处理的费用,可回收物品的自动识别通常通过图片或者图像进行,通过卷积神经网络进行图像特征的提取,采样和分类,而卷积神经网络包括多层处理,每层处理都涉及到若干参数,尤其是处理图像数据,因为图像数据本身的数据量就很大,在处理数据的过程当中,运算量巨大,现有的通过卷积神经网络进行图像分类的方式虽然在实验室的环境当中已经具备了较高的精度,但是,在可回收物品回收的应用环境当中因为回收可回收物品的环境光照条件通常较弱,通过传统RGB方式提取的图像,所包含的特征并不明显,因此对可回收物品实际的识别成功率低。
发明内容
本申请实施例的目的在于提出一种能够对可回收物品种类进行准确识别的可回收物品分类识别方法。
为了解决上述技术问题,本申请实施例提供一种可回收物品分类识别方法,采用了如下所述的技术方案:
可回收物品分类识别方法,该方法包括:
获取可回收物品的RGB数据和IR数据,并且分别对所述RGB数据和IR数据归一化;
将归一化的RGB数据输入到RGB特征提取网络以获取RGB特征图,其中所述RGB特征图表征可回收物品的外形轮廓及纹理;
将归一化的IR数据输入到IR特征提取网路以获取IR特征图,其中所述IR特征图表征可回收物品的材质,所述IR特征图和RGB特征图长宽相等;
将所述RGB特征图和IR特征图合并为特征数据集,并且将所述特征数据集输入到分类网络中以获取所述可回收物品的分类,其中,所述可回收物品分类包括金属垃圾、纺织物垃圾和玻璃垃圾,并且所述金属垃圾分类至少包括铁、铝、铜其中的一个子分类。
进一步的,所述RGB特征提取网络和IR特征网络分别包括第一卷积网络,所述第一卷积网络与一个深度残差网络共享参数,所述RGB特征提取网络和IR特征网络的训练方法具体包括:
提取第一卷积网络:通过训练集对所述深度残差网络训练;通过所述深度残差网络丢弃的参数组成的第一卷积网络;通过测试集对所述第一卷积网络评分;
对所述深度残差网络循环执行提取第一卷积网络,以获取多组第一卷积网络和所述第一卷积网络对应的评分。
分别指定多组所述第一卷积网络中评分最高的,作为rgb特征提取网络或IR特征网络中的卷积层。
进一步的,所述深度残差网络中,每个残差块中的最后一项BN层中的缩放参数γ设置0以输出全0向量。
进一步的,设置所述深度残差网络的学习率为指数衰减,并且设置所述深度残差网络的最低学习率为初始学习率的百分之五。
进一步的,所述通过训练集对所述深度残差网络训练的过程当中,当深度残差网络中的卷积核中的参数小于预设值时,将所述参数设置为0,以使得各卷积核形成稀疏矩阵。
进一步的,所述稀疏矩阵中的非零参数集中,形成块状。
进一步的,所述深度残差网络的深度设置为50层。
进一步的,该方法还包括:获取所述可回收物品的重量,并且对所述可回收物品的分类匹配所述重量。
进一步的,该方法还包括:获取一个分类下的可回收物品的分类重量;
获取一个分类下的可回收物品的分类体积;
根据所述分类重量或分类体积超出预设值,发出要求回收的信号。
为了解决上述技术问题,本申请实施例还提供一种可回收物品分类识别装置,采用了如下所述的技术方案:
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的一种可回收物品分类识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:分别对可回收物品获取RGB数据和IR数据,并且分别提取RGB特征图和IR特征图,其中RGB特征图和IR特征图反应的是一个可回收物品的图像特征。
其中RGB特征图包含的的信息比较丰富,能够体现可回收物品的外轮廓和纹理,有利于识别可回收物品的具体品类。
IR特征图主要通过反光反应可回收物品的材质属性,IR数据是通过红外线获取的,因此在各种光照环境下,IR特征图都能够反应可回收物品的材质属性。
IR特征图的长宽与RGB特征图的长宽相等,如此将IR特征图和RGB特征图结合RGB特征图和IR特征图中的信息所述的到的特征数据集,投入到分类网络当中,形成RGBY的四层数据集,统一处理,能够在各种光照环境下结合回收物品的轮廓、纹理和材质,对其进行分类,该方案能够提升可回收物品的识别成功率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的可回收物品分类识别方法的一个实施例的流程图;
图3是图2中所述RGB特征提取网络和IR特征网络的训练方法的流程图;
图4是图2中步骤可回收物品分类识别方法的附加流程图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,本申请所记载的技术方案所运行的系统架构可以包括终端设备11、终端设备12、终端设备13,网络14和服务器15。网络14用以在终端设备11、终端设备12、终端设备13和服务器15之间提供通信链路的介质。网络14可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备11、终端设备12、终端设备13通过网络14与服务器15交互,以接收或发送消息等。终端设备11、终端设备12、终端设备13上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备11、终端设备12、终端设备13可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MovingPicture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器15可以是提供各种服务的服务器,例如对终端设备11、终端设备12、终端设备13上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的一种可回收物品分类识别方法一般由服务器/终端设备执行,相应地,一种可回收物品分类识别装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
参考图2,示出了根据本申请的可回收物品分类识别方法的一个实施例的流程图。
可回收物品分类识别方法,该方法包括:
步骤S100:获取可回收物品的RGB数据和IR数据,并且分别对所述RGB数据和IR数据归一化;
步骤S200:将归一化的RGB数据输入到RGB特征提取网络以获取RGB特征图,其中所述RGB特征图表征可回收物品的外形轮廓及纹理;
步骤S300:将归一化的IR数据输入到IR特征提取网路以获取IR特征图,其中所述IR特征图表征可回收物品的材质,所述IR特征图和RGB特征图长宽相等;
步骤S400:将所述RGB特征图和IR特征图合并为特征数据集,并且将所述特征数据集输入到分类网络中以获取所述可回收物品的分类,其中,所述可回收物品分类包括金属垃圾、纺织物垃圾和玻璃垃圾,并且所述金属垃圾分类至少包括铁、铝、铜其中的一个子分类。在一个实施例中,可以同时具备铁、铝、铜三个子分类,也可以为铁铝或铁铜两个子分类。
本申请实施例主要有以下有益效果:分别对可回收物品获取RGB数据和IR数据,并且分别提取RGB特征图和IR特征图,其中RGB特征图和IR特征图反应的是一个可回收物品的图像特征。
其中RGB特征图包含的的信息比较丰富,能够体现可回收物品的外轮廓和纹理,有利于识别可回收物品的具体品类。
IR特征图主要通过反光反应可回收物品的材质属性,IR数据是通过红外线获取的,因此在各种光照环境下,IR特征图都能够反应可回收物品的材质属性。
IR特征图的长宽与RGB特征图的长宽相等,如此将IR特征图和RGB特征图结合RGB特征图和IR特征图中的信息所述的到的特征数据集,投入到分类网络当中,形成RGBY的四层数据集,统一处理,能够在各种光照环境下结合回收物品的轮廓、纹理和材质,对其进行分类,该方案能够提升可回收物品的识别成功率。
参考图3进一步的,所述RGB特征提取网络和IR特征网络分别包括第一卷积网络,所述第一卷积网络与一个深度残差网络共享参数,所述RGB特征提取网络和IR特征网络的训练方法具体包括:
步骤S11:提取第一卷积网络:通过训练集对所述深度残差网络训练;通过所述深度残差网络丢弃的参数组成的第一卷积网络;通过测试集对所述第一卷积网络评分;
步骤S12:对所述深度残差网络循环执行提取第一卷积网络,以获取多组第一卷积网络和所述第一卷积网络对应的评分。
步骤S13:分别指定多组所述第一卷积网络中评分最高的,作为rgb特征提取网络或IR特征网络中的卷积层。
RGB特征提取网络和IR特征提取网络是分别进行训练的,训练所需的步骤相同,所需训练集和参数调整,以RGB特征提取网络或IR特征提取网络的需求设定。以RGB特征提取网络为例,该方法通过训练集对深度残差网络进行训练,在训练的过程当中,为防止梯度消失,深度残差网络随机性的丢弃掉一部分参数,通过丢弃的一部分参数结合特征数据集形成一个参数规模更小的第一卷积网络。
随着训练的进行,每轮训练均进行一次第一卷积网络的提取,深度残差网络每次丢弃的参数是随机的,因此被丢弃的参数同样得到了训练,获取到的第一卷积网络整体性能也在提升,对若干次训练之后产生的若干个第一卷积网络进行评分。
对于提取的多个第一卷积网络,提取其中得分最高的一个作为RGB特征提取网络中卷积的部分,同理IR特征提取网络中的卷积的部分,也通过相同的方式提取确定。该方案能够保证特征提取精度,以保证分类准确度的基础之上,答复的减少RGB特征提取网络和IR特征提取网络的大小,减少RGB特征提取网络和IR特征提取网络的参数数量,以降低特征提取过程中的计算开销。提升可回收物品识别的效率。
在一个实施例中,经过若干次训练之后得到的第一网络的特征提取准确度分别为87.4%,88.6%,92.7%,94.1%,96.2%,97.5%,而残差网络本身最终训练后的特征提取精度为98.7%,可见准确度最高的第一网络,其特征提取的精度已经非常接近残差网路的水平,而计算开销大大降低。
进一步的,所述深度残差网络中,每个残差块中的最后一项BN层中的缩放参数γ设置0以输出全0向量。
通过将参数γ设置0以输出全0向量,使得残差块在残差连接前输出全0向量,以降低残差网络输出矩阵的规模,提升第一矩阵的训练效率。该方案能加快在任意环境下部署可回收物识别方法时的速度。
进一步的,设置所述深度残差网络的学习率为指数衰减,并且设置所述深度残差网络的最低学习率为初始学习率的百分之五。
该方案保持深度残差网络的学习率,防止第一网络训练过程中出现过拟合,该方案提升第一网络提取的可回收物特征的丰富程度,以提升可回收物分类的准确度。
进一步的,所述通过训练集对所述深度残差网络训练的过程当中,当深度残差网络中的卷积核中的参数小于预设值时,将所述参数设置为0,以使得各卷积核形成稀疏矩阵。
具体的,该方案将减少深度残差网络以及第一卷积网络当中的参数数量,对于一些取值接近于0的参数而言,即无法提供明显的特征,又占用计算机资源,通过将这些参数置零,能够大大减少神经网络的计算量,同时还能保证可回收物品的特征不会被丢失,该方案提升了可回收物品的识别效率。
进一步的,所述稀疏矩阵中的非零参数集中,形成块状。
该方案,能够将特征的提取集中在图像中,可回收物能够提供足够特征的位置上,该方案提升特征提取的精度。
进一步的,所述深度残差网络的深度设置为50层。
进一步的,该方法还包括:获取所述可回收物品的重量,并且对所述可回收物品的分类匹配所述重量。
参考图4进一步的,该方法还包括:步骤S501:获取一个分类下的可回收物品的分类重量;
步骤S502:获取一个分类下的可回收物品的分类体积;
步骤S503:根据所述分类重量或分类体积超出预设值,发出要求回收的信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated CIRcuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如可回收物品分类识别方法的程序代码等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据,例如运行所述可回收物品分类识别方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有可回收物品分类识别程序,所述可回收物品分类识别程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的可回收物品分类识别方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.可回收物品分类识别方法,其特征在于,该方法包括:
获取可回收物品的RGB数据和IR数据,并且分别对所述RGB数据和IR数据归一化;
将归一化的RGB数据输入到RGB特征提取网络以获取RGB特征图,其中所述RGB特征图表征可回收物品的外形轮廓及纹理;
将归一化的IR数据输入到IR特征提取网路以获取IR特征图,其中所述IR特征图表征可回收物品的材质,所述IR特征图和RGB特征图长宽相等;
将所述RGB特征图和IR特征图合并为特征数据集,并且将所述特征数据集输入到分类网络中以获取所述可回收物品的分类,其中,所述可回收物品分类包括金属垃圾、纺织物垃圾和玻璃垃圾,并且所述金属垃圾分类至少包括铁、铝、铜其中的一个子分类。
2.根据权利要求1所述的一种可回收物品分类识别方法,其特征在于,所述RGB特征提取网络和IR特征网络分别包括第一卷积网络,所述第一卷积网络与一个深度残差网络共享参数,所述RGB特征提取网络和IR特征网络的训练方法具体包括:
提取第一卷积网络:通过训练集对所述深度残差网络训练;通过所述深度残差网络丢弃的参数组成的第一卷积网络;通过测试集对所述第一卷积网络评分;
对所述深度残差网络循环执行提取第一卷积网络,以获取多组第一卷积网络和所述第一卷积网络对应的评分。
分别指定多组所述第一卷积网络中评分最高的,作为rgb特征提取网络或IR特征网络中的卷积层。
3.根据权利要求2所述的一种可回收物品分类识别方法,其特征在于:
所述深度残差网络中,每个残差块中的最后一项BN层中的缩放参数γ设置0以输出全0向量。
4.根据权利要求2所述的一种可回收物品分类识别方法,其特征在于:设置所述深度残差网络的学习率为指数衰减,并且设置所述深度残差网络的最低学习率为初始学习率的百分之五。
5.根据权利要求2所述的一种可回收物品分类识别方法,其特征在于:所述通过训练集对所述深度残差网络训练的过程当中,当深度残差网络中的卷积核中的参数小于预设值时,将所述参数设置为0,以使得各卷积核形成稀疏矩阵。
6.根据权利要求5所述的一种可回收物品分类识别方法,其特征在于:所述稀疏矩阵中的非零参数集中,形成块状。
7.根据权利要求2所述的一种可回收物品分类识别方法,其特征在于:所述深度残差网络的深度设置为50层。
8.根据权利要求1所述的一种可回收物品分类识别方法,其特征在于,该方法还包括:获取所述可回收物品的重量,并且对所述可回收物品的分类匹配所述重量。
9.根据权利要求8所述的一种可回收物品分类识别方法,其特征在于,该方法还包括:获取一个分类下的可回收物品的分类重量;
获取一个分类下的可回收物品的分类体积;
根据所述分类重量或分类体积超出预设值,发出要求回收的信号。
10.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述的一种可回收物品分类识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296586.7A CN113989618A (zh) | 2021-11-03 | 2021-11-03 | 可回收物品分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296586.7A CN113989618A (zh) | 2021-11-03 | 2021-11-03 | 可回收物品分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989618A true CN113989618A (zh) | 2022-01-28 |
Family
ID=79746286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296586.7A Pending CN113989618A (zh) | 2021-11-03 | 2021-11-03 | 可回收物品分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989618A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724041A (zh) * | 2022-06-02 | 2022-07-08 | 浙江天铂云科光电股份有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568749A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团公司 | 一种物品表面材质识别方法、装置及识别设备和系统 |
US20200034785A1 (en) * | 2018-07-27 | 2020-01-30 | The Heil Co. | Refuse contamination analysis |
CN112036500A (zh) * | 2020-09-04 | 2020-12-04 | 广东弓叶科技有限公司 | 基于深度图像及多光谱图像融合的垃圾分类方法及装置 |
US20210287040A1 (en) * | 2020-03-16 | 2021-09-16 | Fares AL-QUNAIEER | Training system and processes for objects to be classified |
-
2021
- 2021-11-03 CN CN202111296586.7A patent/CN113989618A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568749A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团公司 | 一种物品表面材质识别方法、装置及识别设备和系统 |
US20200034785A1 (en) * | 2018-07-27 | 2020-01-30 | The Heil Co. | Refuse contamination analysis |
US20210287040A1 (en) * | 2020-03-16 | 2021-09-16 | Fares AL-QUNAIEER | Training system and processes for objects to be classified |
CN112036500A (zh) * | 2020-09-04 | 2020-12-04 | 广东弓叶科技有限公司 | 基于深度图像及多光谱图像融合的垃圾分类方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724041A (zh) * | 2022-06-02 | 2022-07-08 | 浙江天铂云科光电股份有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
CN114724041B (zh) * | 2022-06-02 | 2022-09-06 | 浙江天铂云科光电股份有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112685565A (zh) | 基于多模态信息融合的文本分类方法、及其相关设备 | |
CN112101437A (zh) | 基于图像检测的细粒度分类模型处理方法、及其相关设备 | |
CN114780727A (zh) | 基于强化学习的文本分类方法、装置、计算机设备及介质 | |
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN112632278A (zh) | 一种基于多标签分类的标注方法、装置、设备及存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
CN113901836B (zh) | 基于上下文语义的词义消歧方法、装置及相关设备 | |
CN111695337A (zh) | 智能面试中专业术语的提取方法、装置、设备及介质 | |
CN112836521A (zh) | 问答匹配方法、装置、计算机设备及存储介质 | |
CN112733645A (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN114090792A (zh) | 基于对比学习的文档关系抽取方法及其相关设备 | |
CN114330240A (zh) | Pdf文档解析方法、装置、计算机设备及存储介质 | |
CN114461833A (zh) | 图片取证方法、装置、计算机设备及存储介质 | |
CN113989618A (zh) | 可回收物品分类识别方法 | |
CN114022891A (zh) | 扫描文本的关键信息提取方法、装置、设备及存储介质 | |
CN112396048A (zh) | 图片信息提取方法、装置、计算机设备及存储介质 | |
CN112182157A (zh) | 在线序列标注模型的训练方法、在线标注方法及相关设备 | |
CN111143568A (zh) | 一种论文分类时的缓冲方法、装置、设备及存储介质 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN115062136A (zh) | 基于图神经网络的事件消歧方法及其相关设备 | |
CN115238077A (zh) | 基于人工智能的文本分析方法、装置、设备及存储介质 |
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 |