CN114049556A - 一种svm与目标检测算法融合的垃圾分类方法 - Google Patents
一种svm与目标检测算法融合的垃圾分类方法 Download PDFInfo
- Publication number
- CN114049556A CN114049556A CN202111323651.0A CN202111323651A CN114049556A CN 114049556 A CN114049556 A CN 114049556A CN 202111323651 A CN202111323651 A CN 202111323651A CN 114049556 A CN114049556 A CN 114049556A
- Authority
- CN
- China
- Prior art keywords
- garbage
- classified
- svm
- target detection
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 230000009467 reduction Effects 0.000 claims abstract description 30
- 239000000463 material Substances 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 239000003086 colorant Substances 0.000 claims abstract description 7
- 238000004040 coloring Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000013072 incoming material Substances 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 229920003023 plastic Polymers 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229920001903 high density polyethylene Polymers 0.000 description 2
- 239000004700 high-density polyethylene Substances 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种SVM与目标检测算法融合的垃圾分类方法，通过高光谱相机采集带分类垃圾的光谱数据；通过PLS降维模型对采集的光谱数据进行降维；采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。本发明的光谱数据的每个像素点含有200个信息值，得到的像素点物料信息更加准确，且光谱覆盖常规物品的主要波段范围，对于不确定的来料依然能够准确进行分类，提高了待分类垃圾的识别的准确性，解决了现有技术分选机器人空抓、漏抓等现象。
Description
技术领域
本发明涉及一种垃圾分类方法，特别是一种SVM与目标检测算法融合的垃圾分类方法，属于垃圾分类领域。
背景技术
垃圾分类是指按照一定规定或标准将垃圾分类储存、投放和搬运，从而转变成一种公共资源的方式。传统的垃圾分类方式主要采用人工分类，但分选效率低下，因此现在已有很多分选中心采用分选机器人进行分选。分选机器人不仅处置效率高，而且采用无人化操作，大大提高分选工人健康安全。
图像识别，即目标物检测，是垃圾分选机器人的一个重要组成部分，作为分选机器人的“眼睛”，它的识别精度决定了分选机器人的分选效率。目前分选机器人图像识别(目标物检测)大多采用深度学习的方法，深度学习作为机器学习的一个新的领域，目前已在各个领域都取得了成功。然而，目前在垃圾分选领域，图像识别(目标物检测)几乎采用基于YOLO、FasterRCNN、MaskRCNN、YOLACT等框架进行二次开发，它的弊端在于模型建立初期，需要大量图片标注用以提高模型准确性，且由于产线来料的不确定性，如果单纯采用基于上述框架为基础进行开发，会大大增加分选机器人空抓、漏抓等现象的几率。
发明内容
本发明所要解决的技术问题是提供一种SVM与目标检测算法融合的垃圾分类方法，提高待分类垃圾的识别的准确性。
为解决上述技术问题，本发明所采用的技术方案是：
一种SVM与目标检测算法融合的垃圾分类方法，其特征在于包含以下步骤：
步骤一：通过高光谱相机采集带分类垃圾的光谱数据；
步骤二：通过PLS降维模型对采集的光谱数据进行降维；
步骤三：采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；
步骤四：采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。
进一步地，所述步骤一具体为高光谱相机通过线扫的方式扫描待分类垃圾的材质光谱信息，扫描的光谱波段范围为400-1000nm或900-1700nm。
进一步地，所述步骤二具体为：
2.1高光谱相机采集到的待分类垃圾的光谱数据为待分类垃圾的二维信息矩阵；
2.2采用偏最小二乘回归方法，利用PLS降维模型对待分类垃圾的光谱数据进行降维，PLS降维模型的公式为：
A＝TPT+E (1)
B＝UQT+F
(2)
其中，A表示n*m预测矩阵；B表示n*p响应矩阵；T和U表示n*l矩阵，分别为A和B的投影；P和Q表示m*l和p*l的正交载荷矩阵；矩阵E和F为错误项；公式(1)和(2)一同进行运算，完成PLS模型降维；
2.3待分类垃圾的光谱数据经过PLS降维模型的降维后，从200多个混杂的光谱像素信息进行特征提取，选取包含信息量大的波段或像素信息来降低数据冗余程度，提取两个特征光谱值，分别记作坐标X、Y的值，将所有光谱数据经过PLS降维模型降维后得到待分类垃圾的散点图。
进一步地，所述步骤三中采用SVM分类模型对光谱数据进行分类具体为：
3.1对获取的散点图后，使用支持向量机SVM模型中多分类器将不同像素分开，即假设一种为正面样本，其余为反面样本，需使任意样本的点到平面距离≥1，判定决策边界及点到平面距离公式如下：
决策边界：ωTX+b＝0
点到平面距离：yi(ωTXi+b)≥1
其中，参数w,b分别为超平面的法向量和截距；X，y分别为样本以及标签类；
3.2利用标准化后的训练集样本训练SVM多分类器，利用交叉验证思想找出优化后的参数C、γ，优化分类器；其中，参数γ是多项式、高斯径向基、两层感知机核函数的γ参数，参数C是SVM惩罚参数，为非负数；
3.3通过重复3.1-3.2步骤，将多种样本全部分开，得到分类模型。
进一步地，如果待分类垃圾的坐标点信息在三条线的中间区域，则通过分类时的权重实现分类，到此分类模型搭建完成。
进一步地，当分析新的光谱时，光谱数据经过PLS降维模型后得到X、Y坐标值，坐标值通过PLS降维模型就可以将光谱分类，从而对采集的每个像素点进行分类。
进一步地，所述步骤三中并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像具体为：
3.4对分类后的每个像素点，按照像素点的像素值对应不同材质进行分段，然后按照分段信息对应的不同材质赋予每个像素点指定种类颜色；
3.5将每线扫416行的像素颜色信息拼接成416*416尺寸的RGB伪彩色图片。
进一步地，所述步骤四具体为：
4.1将获得的待分类垃圾的RGB伪彩色图片进行标注，并以标注完毕的RGB伪彩色图片建立样本数据集；
4.2将样本数据集按照416*416放入YOLOv4目标检测模型中进行训练；
4.3将伪颜色图片输入到输入尺寸为416*416的YOLOv4目标检测模型中获取图像中存在待分类垃圾的所有位置框Bounding Box的列表，经非极大值抑制NMS算法过滤得到最后需要保留的目标垃圾点坐标位置信息；非极大值抑制NMS算法如下：
其中，Si代表了每个边框得分，M代表当前得分最高的框，bi表示剩余框的某个框，Nt为设定的NMS阈值，iou为两个识别框的重合面积比例；
4.4将YOLOv4目标检测模型预测出的点位信息和种类发送给机器人进行抓取。
进一步地，所述4.2具体为：
在YOLOv4目标检测模型训练过程中使用CIOU来计算损失，CIOU中的bbox回归可解决待分类垃圾在识别过程中的存在的覆盖面积、中心点距离和长宽比这三个问题，bbox回归的计算公式如下：
LOSS_CIOU＝1-IOU+(ρ2*(b，bgt)/c2)+αυ
其中，(ρ2*(b，bgt)是预测框和真实框的中心点的欧式距离；c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离；α展开公式和v的展开公式如下：
α＝υ/(1-IOU+υ)
υ＝(4/π2)*(arctan(wgt/hgt)-arctan(w/h))2。
本发明与现有技术相比，具有以下优点和效果：
1、本发明基于高光谱相机获取待分类垃圾的光谱数据，对比现有技术采用普通工业2D相机采集图像每个像素点的RGB三个信息值，本发明的光谱数据的每个像素点含有200个信息值，得到的像素点物料信息更加准确，且光谱覆盖常规物品的主要波段范围，对于不确定的来料依然能够准确进行分类，提高了待分类垃圾的识别的准确性，解决了现有技术分选机器人空抓、漏抓等现象；
2、本发明采用高光谱相机采集光谱数据并生成RGB伪彩色图片，相较于现有技术检测算法需要对每个目标进行标注，本发明只需要对光谱代表的材质进行标注，复杂程度小，减轻了标注的难度；
3、本发明通过PLS降维模型对光谱数据降维，对特征数据进行提取，选取包含信息量大的波段或特征来降低数据的冗余程度，提高了模型运算的速度，增加了模型的准确性；
4、本发明通过SVM模型对不同光谱进行分类，分类简单且准确率高，鲁棒性更强。
附图说明
图1是本发明的一种SVM与目标检测算法融合的垃圾分类方法的流程图。
图2是本发明的YOLOv4目标检测模型的训练流程图。
图3是本发明的YOLOv4目标检测模型的检测流程图。
图4是本发明实施例运用高光谱相机扫描获得的3种品类物料光谱信息图。
图5是本发明实施例的3中品类物料散点图。
图6是本发明实施例的3中品类物料伪颜色图。
图7是本发明实施例的YOLOv4目标检测模型识别的物料目标框图。
具体实施方式
为了详细阐述本发明为达到预定技术目的而所采取的技术方案，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晰、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例，并且，在不付出创造性劳动的前提下，本发明的实施例中的技术手段或技术特征可以替换，下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明的一种SVM与目标检测算法融合的垃圾分类方法，包含以下步骤：
步骤一：通过高光谱相机采集带分类垃圾的光谱数据；高光谱相机通过线扫的方式扫描待分类垃圾的材质光谱信息，扫描的光谱波段范围为400-1000nm或900-1700nm。常规物品光谱波段范围主要400-1000nm或900-1700nm范围内，广泛应用于工业分选中，可在大批量混合物料中将成分或形状一同、表面或内部变质的次品、各类掺杂物进行无损检测，且识别速度快，最快能够达到670Hz。
步骤二：通过PLS降维模型对采集的光谱数据进行降维；可以对特征数据进行提取，选取包含信息量大的波段或特征来降低数据的冗余程度，以此提高模型运算速度，增加模型准确性。
2.1高光谱相机采集到的待分类垃圾的光谱数据为待分类垃圾的二维信息矩阵；
2.2采用偏最小二乘回归方法，利用PLS降维模型对待分类垃圾的光谱数据进行降维，PLS降维模型的公式为：
A＝TPT+E (1)
B＝UQT+F (2)
其中，A表示n*m预测矩阵；B表示n*p响应矩阵；T和U表示n*l矩阵，分别为A和B的投影；P和Q表示m*l和p*l的正交载荷矩阵；矩阵E和F为错误项；公式(1)和(2)一同进行运算，完成PLS模型降维；
2.3待分类垃圾的光谱数据经过PLS降维模型的降维后，从200多个混杂的光谱像素信息进行特征提取，选取包含信息量大的波段或像素信息来降低数据冗余程度，提取两个特征光谱值，分别记作坐标X、Y的值，将所有光谱数据经过PLS降维模型降维后得到待分类垃圾的散点图。
步骤三：采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；上色的颜色是自己命名的伪颜色，主要是为区分不同材质的光谱像素信息。
3.1对获取的散点图后，使用支持向量机SVM模型中多分类器将不同像素分开，即假设一种为正面样本，其余为反面样本，需使任意样本的点到平面距离≥1，判定决策边界及点到平面距离公式如下：
决策边界：ωTX+b＝0
点到平面距离：yi(ωTXi+b)≥1
其中，参数w,b分别为超平面的法向量和截距；X，y分别为样本以及标签类；
3.2利用标准化后的训练集样本训练SVM多分类器，利用交叉验证思想找出优化后的参数C、γ，优化分类器；其中，参数γ是多项式、高斯径向基、两层感知机核函数的γ参数，参数C是SVM惩罚参数，为非负数；
3.3通过重复3.1-3.2步骤，将多种样本全部分开，得到分类模型。
如果待分类垃圾的坐标点信息在三条线的中间区域，则通过分类时的权重实现分类，到此分类模型搭建完成。
当分析新的光谱时，光谱数据经过PLS降维模型后得到X、Y坐标值，坐标值通过PLS降维模型就可以将光谱分类，从而对采集的每个像素点进行分类。
3.4对分类后的每个像素点，按照像素点的像素值对应不同材质进行分段，然后按照分段信息对应的不同材质赋予每个像素点指定种类颜色；
3.5如图2所示，将每线扫416行的像素颜色信息拼接成416*416尺寸的RGB伪彩色图片。
步骤四：采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。
4.1如图3所示，将获得的待分类垃圾的RGB伪彩色图片进行标注，并以标注完毕的RGB伪彩色图片建立样本数据集；
4.2将样本数据集按照416*416放入YOLOv4目标检测模型中进行训练；
在YOLOv4目标检测模型训练过程中使用CIOU来计算损失，CIOU中的bbox回归可解决待分类垃圾在识别过程中的存在的覆盖面积、中心点距离和长宽比这三个问题，bbox回归的计算公式如下：
LOSS_CIOU＝1-IOU+(ρ2*(b，bgt)/c2)+αυ
其中，(ρ2*(b，bgt)是预测框和真实框的中心点的欧式距离；c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离；α展开公式和v的展开公式如下：
α＝υ/(1-IOU+υ)
υ＝(4/π2)*(arctan(wgt/hgt)-arctan(w/h))2。
通过YOLOv4目标检测模型中进行训练后，可有效提高模型识别准确率，增加目标物料碳值估算的精确性。
4.3将伪颜色图片输入到输入尺寸为416*416的YOLOv4目标检测模型中获取图像中存在待分类垃圾的所有位置框Bounding Box的列表，经非极大值抑制NMS算法过滤得到最后需要保留的目标垃圾点坐标位置信息；非极大值抑制NMS算法如下：
其中，Si代表了每个边框得分，M代表当前得分最高的框，bi表示剩余框的某个框，Nt为设定的NMS阈值，iou为两个识别框的重合面积比例；
4.4将YOLOv4目标检测模型预测出的点位信息和种类发送给机器人进行抓取。
下面结合具体实施例对本申请进一步进行说明。
1)运用高光谱线扫相机扫描3种不同品类的塑料瓶(PET、PP、HDPE)如图4所示，蓝色波浪线表示HDPE，绿色波浪线表示PP，红色波浪线表示PET；
2)如图5所示，运用PLS模型进行分类，获得3种不同品类塑料瓶的散点图，可以发现通过PLS模型进行降维后，光谱特征波段信息提取出来，获得较为鲜明特征的散点图，分类效果良好；
3)如图6所示，将3种不同颜色的像素点散点图拼接成416*416尺寸的伪颜色图，可清晰看出图中红色、绿色、蓝色3种不同材质的塑料瓶；
4)如图7所示，运用YOLOv4目标检测模型获取目标物框列表，经NMS算法过滤后得到目标物料的坐标信息。此方法抓取效果更好，准确性更高。
需要说明的是，本发明附图4-7中的红、绿、蓝文字标注仅仅为了在黑白图下方便进行颜色区分，并非图像处理过程中的必要信息。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (9)
1.一种SVM与目标检测算法融合的垃圾分类方法，其特征在于包含以下步骤：
步骤一：通过高光谱相机采集带分类垃圾的光谱数据；
步骤二：通过PLS降维模型对采集的光谱数据进行降维；
步骤三：采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；
步骤四：采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。
2.根据权利要求1所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤一具体为高光谱相机通过线扫的方式扫描待分类垃圾的材质光谱信息，扫描的光谱波段范围为400-1000nm或900-1700nm。
3.根据权利要求1所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤二具体为：
2.1高光谱相机采集到的待分类垃圾的光谱数据为待分类垃圾的二维信息矩阵；
2.2采用偏最小二乘回归方法，利用PLS降维模型对待分类垃圾的光谱数据进行降维，PLS降维模型的公式为：
A＝TOT+E (1)
B＝UQT+F (2)
其中，A表示n*m预测矩阵；B表示n*p响应矩阵；T和U表示n*l矩阵，分别为A和B的投影；P和Q表示m*l和p*l的正交载荷矩阵；矩阵E和F为错误项；公式(1)和(2)一同进行运算，完成PLS模型降维；
2.3待分类垃圾的光谱数据经过PLS降维模型的降维后，从200多个混杂的光谱像素信息进行特征提取，选取包含信息量大的波段或像素信息来降低数据冗余程度，提取两个特征光谱值，分别记作坐标X、Y的值，将所有光谱数据经过PLS降维模型降维后得到待分类垃圾的散点图。
4.根据权利要求3所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤三中采用SVM分类模型对光谱数据进行分类具体为：
3.1对获取的散点图后，使用支持向量机SVM模型中多分类器将不同像素分开，即假设一种为正面样本，其余为反面样本，需使任意样本的点到平面距离≥1，判定决策边界及点到平面距离公式如下：
决策边界：ωTX+b＝0
点到平面距离：yi(wTXi+b)≥1
其中，参数w，b分别为超平面的法向量和截距；X，y分别为样本以及标签类；
3.2利用标准化后的训练集样本训练SVM多分类器，利用交叉验证思想找出优化后的参数C、γ，优化分类器；其中，参数γ是多项式、高斯径向基、两层感知机核函数的γ参数，参数C是SVM惩罚参数，为非负数；
3.3通过重复3.1-3.2步骤，将多种样本全部分开，得到分类模型。
5.根据权利要求4所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：如果待分类垃圾的坐标点信息在三条线的中间区域，则通过分类时的权重实现分类，到此分类模型搭建完成。
6.根据权利要求4所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：当分析新的光谱时，光谱数据经过PLS降维模型后得到X、Y坐标值，坐标值通过PLS降维模型就可以将光谱分类，从而对采集的每个像素点进行分类。
7.根据权利要求4所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤三中并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像具体为：
3.4对分类后的每个像素点，按照像素点的像素值对应不同材质进行分段，然后按照分段信息对应的不同材质赋予每个像素点指定种类颜色；
3.5将每线扫416行的像素颜色信息拼接成416*416尺寸的RGB伪彩色图片。
8.根据权利要求7所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤四具体为：
4.1将获得的待分类垃圾的RGB伪彩色图片进行标注，并以标注完毕的RGB伪彩色图片建立样本数据集；
4.2将样本数据集按照416*416放入YOLOv4目标检测模型中进行训练；
4.3将伪颜色图片输入到输入尺寸为416*416的YOLOv4目标检测模型中获取图像中存在待分类垃圾的所有位置框Bounding Box的列表，经非极大值抑制NMS算法过滤得到最后需要保留的目标垃圾点坐标位置信息；非极大值抑制NMS算法如下：
其中，Si代表了每个边框得分，M代表当前得分最高的框，bi表示剩余框的某个框，Nt为设定的NMS阈值，iou为两个识别框的重合面积比例；
4.4将YOLOv4目标检测模型预测出的点位信息和种类发送给机器人进行抓取。
9.根据权利要求8所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述4.2具体为：
在YOLOv4目标检测模型训练过程中使用CIOU来计算损失，CIOU中的bbox回归可解决待分类垃圾在识别过程中的存在的覆盖面积、中心点距离和长宽比这三个问题，bbox回归的计算公式如下：
LOSS_CIOU＝1-IOU+(ρ2*(b，bgt)/c2)+αυ
其中，(ρ2*(b，bgt)是预测框和真实框的中心点的欧式距离；c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离；d展开公式和v的展开公式如下：
α＝υ/(1-IOU+υ)
υ＝(4/π2)*(arctan(wgt/hgt)-arctan(w/h))2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323651.0A CN114049556A (zh) | 2021-11-10 | 2021-11-10 | 一种svm与目标检测算法融合的垃圾分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111323651.0A CN114049556A (zh) | 2021-11-10 | 2021-11-10 | 一种svm与目标检测算法融合的垃圾分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114049556A true CN114049556A (zh) | 2022-02-15 |
Family
ID=80207920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111323651.0A Pending CN114049556A (zh) | 2021-11-10 | 2021-11-10 | 一种svm与目标检测算法融合的垃圾分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049556A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
| CN116665051A (zh) * | 2023-05-29 | 2023-08-29 | 山东睿政信息科技有限公司 | 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451614A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于空间坐标与空谱特征融合的高光谱分类方法 |
| CN110516570A (zh) * | 2019-08-15 | 2019-11-29 | 东莞弓叶互联科技有限公司 | 一种基于视觉的垃圾分类识别方法和装置 |
| CN110717520A (zh) * | 2019-09-12 | 2020-01-21 | 华侨大学 | 基于高光谱图像空间特征和光谱特征融合的固废识别方法 |
| CN111881953A (zh) * | 2020-07-14 | 2020-11-03 | 安徽大学 | 基于局部二值模式和knn分类器的遥感高光谱图像分类方法 |
| 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 |
| CN113003032A (zh) * | 2019-12-21 | 2021-06-22 | 朱伟 | 一种实现源头垃圾智能分类的方法及装置 |
| CN113052247A (zh) * | 2021-03-31 | 2021-06-29 | 清华苏州环境创新研究院 | 基于多标签图像识别的垃圾分类方法及垃圾分类器 |
-
2021
- 2021-11-10 CN CN202111323651.0A patent/CN114049556A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451614A (zh) * | 2017-08-01 | 2017-12-08 | 西安电子科技大学 | 基于空间坐标与空谱特征融合的高光谱分类方法 |
| CN110516570A (zh) * | 2019-08-15 | 2019-11-29 | 东莞弓叶互联科技有限公司 | 一种基于视觉的垃圾分类识别方法和装置 |
| CN110717520A (zh) * | 2019-09-12 | 2020-01-21 | 华侨大学 | 基于高光谱图像空间特征和光谱特征融合的固废识别方法 |
| CN113003032A (zh) * | 2019-12-21 | 2021-06-22 | 朱伟 | 一种实现源头垃圾智能分类的方法及装置 |
| CN111881953A (zh) * | 2020-07-14 | 2020-11-03 | 安徽大学 | 基于局部二值模式和knn分类器的遥感高光谱图像分类方法 |
| 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 |
| CN113052247A (zh) * | 2021-03-31 | 2021-06-29 | 清华苏州环境创新研究院 | 基于多标签图像识别的垃圾分类方法及垃圾分类器 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115187870A (zh) * | 2022-09-13 | 2022-10-14 | 浙江蓝景科技有限公司杭州分公司 | 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质 |
| CN116665051A (zh) * | 2023-05-29 | 2023-08-29 | 山东睿政信息科技有限公司 | 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法 |
| CN116665051B (zh) * | 2023-05-29 | 2024-03-08 | 谢馥聪 | 基于rgb图像重建高光谱图像的垃圾中金属再筛选方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Classification for plastic bottles recycling based on image recognition | |
| USRE47889E1 (en) | System and method for segmenting text lines in documents | |
| US7853074B2 (en) | Multi-color dropout for scanned document | |
| US6014450A (en) | Method and apparatus for address block location | |
| KR100339691B1 (ko) | 코드인식을 위한 장치 및 그 방법 | |
| CN114049556A (zh) | 一种svm与目标检测算法融合的垃圾分类方法 | |
| US9171224B2 (en) | Method of improving contrast for text extraction and recognition applications | |
| EP3915042B1 (en) | Tyre sidewall imaging method | |
| CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
| CN107220664B (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 | |
| CN107977592B (zh) | 一种图像文本检测方法及系统、用户终端及服务器 | |
| CN111652214B (zh) | 一种基于深度学习的垃圾瓶分选方法 | |
| CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
| JP2013084071A (ja) | 帳票認識方法および帳票認識装置 | |
| Babbar et al. | A new approach for vehicle number plate detection | |
| CN113780087A (zh) | 一种基于深度学习的邮政包裹文本检测方法及设备 | |
| CN113283405A (zh) | 口罩检测方法、装置、计算机设备及存储介质 | |
| Matoš et al. | The speed limit road signs recognition using hough transformation and multi-class SVM | |
| CN113392819B (zh) | 一种批量化学术图像自动分割标注装置和方法 | |
| Suh et al. | Fusion of global-local features for image quality inspection of shipping label | |
| JP2012194705A (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
| Rastegar et al. | An intelligent control system using an efficient License Plate Location and Recognition Approach | |
| US20230316697A1 (en) | Association method, association system, and non-transitory computer-readable storage medium | |
| JP5887242B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| Fitriyah et al. | Traffic sign recognition using edge detection and eigen-face: Comparison between with and without color pre-classification based on Hue |
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 |