CN115417025A - 分布式处理的智能垃圾分类方法、装置及存储介质 - Google Patents
分布式处理的智能垃圾分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115417025A CN115417025A CN202210965371.8A CN202210965371A CN115417025A CN 115417025 A CN115417025 A CN 115417025A CN 202210965371 A CN202210965371 A CN 202210965371A CN 115417025 A CN115417025 A CN 115417025A
- Authority
- CN
- China
- Prior art keywords
- garbage
- image data
- node
- threshold
- intelligent
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000000926 separation method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003801 milling Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- B65F1/14—Other constructional features; Accessories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
- B65F2210/00—Equipment of refuse receptacles
- B65F2210/138—Identification means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明公开了一种分布式处理的智能垃圾分类方法、装置及存储介质,该方法包括如下步骤:S1、系统将垃圾依次送入传送带,第一摄像头获取垃圾图像数据;S2、利用相邻传送带之间的高度差以及电机的差速旋转控制传送带之间的速度差,增大前后两件垃圾的距离保证单件化处理;S3、将单件化分离后的垃圾图像数据传输到GPU进行目标检测识别分类;S4、将获取到的垃圾图像数据通过网络连接构建以当前节点为中心的单位圆,在圆区域内寻找处于待定状态的节点GPU进行图像数据共享和协同计算。本发明使用分布式的神经网络垃圾分类系统来协同工作,有效提高垃圾分类系统的处理效率和处理能力,使其能处理更大规模的垃圾信息数据。
Description
技术领域
本发明计算机领域,特别是涉及一种分布式处理的智能垃圾分类方法、装置及存储介质。
背景技术
现有的智能垃圾分类系统多数都采用独立运作的模式,建立本地模型数据库完成数据集的训练,利用图形加速硬件进行图形推理识别计算,来确定垃圾的种类、位置、大小等信息并将其进行标记,收集、检测、统计垃圾的工作均在本地完成,最后将结果上传至网络进行数据累计和共享,再通过线上APP的方式将垃圾处理的相关信息反馈给用户。
随着该垃圾分类系统的推广普及,每天所需要处理的垃圾数量也会逐渐增大,但是每个垃圾分类系统同一时间内能运算处理的垃圾数量是非常有限的,在特定时间段内(如每日三餐时)在特定地点(如食堂店铺附近)可能还会出现垃圾数量超出单机器的可自动处理范围的情况,这时就会很容易出现垃圾误处理、漏处理的情况。
发明内容
本发明的目的在于提供一种分布式处理的智能垃圾分类方法、装置及存储介质,使用分布式的神经网络垃圾分类系统来协同工作,当识别到垃圾数量异常时可以将数据在一定区域范围内共享给其它闲置机器同时进行运算处理,可以有效提高垃圾分类系统的处理效率和处理能力,使其能处理更大规模的垃圾信息数据,以解决上述问题。
为了达到上述目的,在本发明提供如下的技术方案:
第一方面提供一种分布式处理的智能垃圾分类方法,包括如下步骤:
S1、系统将垃圾袋破袋,破袋之后的垃圾依次送入传送带,第一摄像头获取垃圾图像数据;
S2、垃圾自动进入正交传送带装置,利用相邻传送带之间的高度差以及电机的差速旋转控制传送带之间的速度差,增大前后两件垃圾的距离保证单件化处理;
S3、分拣装置内的第二摄像头获取单件化分离后的垃圾图像数据,并将单件化分离后的垃圾图像数据传输到GPU进行目标检测识别分类;
S4、对比所述单件化分离后的垃圾图像数据是否达到对应阈值挡位要求,若是,则将获取到的垃圾图像数据通过网络连接构建以当前节点为中心的单位圆,在圆区域内寻找处于待定状态的节点GPU进行图像数据共享和协同计算;
若所述节点GPU识别到未知类型的垃圾图像数据,需对所述未知类型的垃圾图像数据进行人工标记生成新的数据集并启动数据更新,系统优先分配圆区内的闲置节点协同进行新的数据集的备份和进行基于yolov4目标检测框架的新垃圾种类模型训练,将训练模型结果更新同步到各节点装置中,并将所述GPU计算得出的目标检测识别未知类型的垃圾图像数据结果反馈给控制器控制机械臂将垃圾分拣到对应种类的垃圾桶内。
进一步地,所述垃圾图像数据包括垃圾种类、形状、数量和颜色。
进一步地,所述基于yolov4目标检测框架用于保存未知类型的垃圾图像数据,更新本地数据库。
进一步地,所述阈值挡位包括三个阈值挡位:阈值一档、阈值二档和阈值三档;
当处于所述阈值一档,以当前节点的区域为圆心构建邻域的等同圆心,调用附近等圆心三个区域节点作为分布式协同计算点,缓解压力;
当处于所述阈值二档,调动附近7个等同区域,并且将区域剩下的全部节点作为7个区域的缓存节点,以缓解计算压力;
当处于所述阈值三档,此时已经达到系统的疲软状态,系统将警告投放垃圾的人员,当前垃圾分类节点已达瓶颈,暂缓投放垃圾。
第二方面提供一种分布式处理的智能垃圾分类系统,包括:
传送带模块,用于对垃圾进行传送运输;
破袋装置模块,用于对用户投进的垃圾袋进行破袋;
分拣装置模块,用于对垃圾进行分类。
进一步地,所述传送带模块包括传送带装置;所述破袋装置模块包括核心控制器、电流检测放大芯片、气缸驱动模块、电机驱动器、铣削双轴和第一摄像头;所述分拣装置模块包括核心控制器、机械臂、挡板、第二摄像头和GPU。
进一步地,所述核心控制器的型号包括STM32F407。
第三方面提供一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至5中任一项所述的方法。
第四方面提供一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至4中任一项所述的方法。
第五方面提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至4任意一项所述的方法。
本发明的有益技术效果至少在于以下几点:
1、本发明使用分布式的神经网络垃圾分类系统来协同工作,识别到垃圾数量异常时可以将数据在一定区域范围内共享给其它闲置机器同时进行运算处理,可以有效提高垃圾分类系统的处理效率和处理能力,使其能处理更大规模的垃圾信息数据。
2、本发明将分布式技术引入了智能垃圾分类领域,通过构建区域性分布式系统解决了当某一节点的垃圾处理系统遇到迸发型数据时,由于算力资源限制,从而导致处理能力低下,识别精度差的问题,同时,对于流量分压时,节点与节点之间的冲突,我们采取了图节点动态规划的算法,以达到全局算力的均衡与效率,而这也正是本发明的关键技术点。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明实施例分布式处理的智能垃圾分类方法流程示意图。
图2为本发明实施例单个系统节点和区域协同算法的智能垃圾分类方法流程示意图。
图3为本发明实施例协同机制区域分布示意图。
图4为本发明实施例单个系统图像处理流程示意图。
具体实施方式
下面对本发明的具体实施方案进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化再所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例:
如图1-4所示,本发明提供的分布式处理的智能垃圾分类方法,其包括如下步骤:
S1、系统将垃圾袋破袋,破袋之后的垃圾依次送入传送带,第一摄像头获取垃圾图像数据;
S2、垃圾自动进入正交传送带装置,利用相邻传送带之间的高度差以及电机的差速旋转控制传送带之间的速度差,增大前后两件垃圾的距离保证单件化处理;
S3、分拣装置内的第二摄像头获取单件化分离后的垃圾图像数据,并将单件化分离后的垃圾图像数据传输到GPU进行目标检测识别分类;
S4、对比所述单件化分离后的垃圾图像数据是否达到对应阈值挡位要求,若是,则将获取到的垃圾图像数据通过网络连接构建以当前节点为中心的单位圆,在圆区域内寻找处于待定状态的节点GPU进行图像数据共享和协同计算;
如图2所示,若所述节点GPU识别到未知类型的垃圾图像数据,需对所述未知类型的垃圾图像数据进行人工标记生成新的数据集并启动数据更新,系统优先分配圆区内的闲置节点协同进行新的数据集的备份和进行基于yolov4目标检测框架的新垃圾种类模型训练,将训练模型结果更新同步到各节点装置中,并将所述GPU计算得出的目标检测识别未知类型的垃圾图像数据结果反馈给控制器控制机械臂将垃圾分拣到对应种类的垃圾桶内。
具体地,所述垃圾图像数据包括垃圾种类、形状和数量。
具体地,智能垃圾分类方是基于yolov4目标检测框架,用于对检测的图像进行相应的处理和对目标的图像中未出现在本土的数据集图像进行保存,以构建数据集。
具体地,yolov4作为一种用于目标检测的神经网络,可以识别垃圾的种类。其原模型,具备识别八十种常见物品的能力,其运行机制有预训练和识别两种。预训练即人工标注类别,同时采用人工智能训练的方法,训练出模型,即神经网络参数,yolov4再载入训练好的模型,就可以进行识别。该模型我们提前训练了常见的垃圾种类,当未知物品(相对于人工智能模型)出现时,模型会往最接近它的垃圾种类上判断,而当判断准确率较低时,会录入数据库,并交由人工重新标准再训练。因此当一台子系统优化模型之后,会同步整个分布式系统,从而提高整个系统的垃圾处理速度和准确性。
具体地,所述阈值挡位分为三个阈值:阈值一档、阈值二档和阈值三档;
当处于所述阈值一档,以该区域为圆心构建邻域的等同圆心,调用附近等圆心三个区域节点作为分布式协同计算点,缓解压力;
当处于所述阈值二档,调动附近7个等同区域,并且将区域剩下的全部节点作为七个区域的缓存节点,以缓解计算压力;
当处于所述阈值三档,此时已经达到系统的疲软状态,系统将警告使用者,系统已达瓶颈,暂缓投放垃圾。
具体地,等同圆域说明:整个区域为整个分布式系统,将该区域面积除以节点数,可以得到单位面积,将单位面积以正方形的形式表示,那么该正方形的外接圆为等同圆域,我们以一每个子系统为节点,该点为圆心。
具体地,如图3所示,协同计算补充:与算法步骤一致,此为补充说明,区域内所有节点的存储即数据库是共享的,区域内每个节点遇到的垃圾种类可能相同也可能不同,当系统空载时,会同步数据库,将重复的图像数据集精简,同时yolov4神经网络每次识别完都会优化自身的模型参数,将优化后的参数模型进行同步,通过优化参数模型,可以提高识别的精度和准确度。
其中,本申请算法步骤详解:
系统的所有节点在默认状态下处于半满载工作状态,此时主要进行核心算法参数和新数据集的补充共享,以保证系统下一次分布式计算时,所有系统的内存协同一致。而数据集的补充矫正则以时间作为标准,即当多个节点同时传送新的内存更新消息到各个节点发生数据冲突时,以每天最接近凌晨的数据作为矫正数据,即同步最新数据。
因为垃圾的收集必定是区域内的一块小区域突发运行,因此,系统设计了三个阈值,阈值一档,会以该区域为圆心构建邻域的等同圆心,调用附近等圆心三个区域节点作为分布式协同计算点,缓解压力,当阈值二档则会调动附近7个等同区域,并且将区域剩下的全部节点作为七个区域的缓存节点,以缓解计算压力。若根据算法构造的7个区域大于系统总节点,则直接使用整个系统。当达到第三档时,此时已经达到机器的疲软状态,系统将警告使用者,系统已达瓶颈,暂缓投放垃圾。
如图4所示,单个节点运作模式如下:当用户投放垃圾袋后,智能垃圾桶将垃圾带破袋,将其中的垃圾送入传送带进行传送,进入视觉识别模块进行识别分类,通过分类结果,采用机械臂将其分拣到不同的垃圾桶中。
对于智能垃圾桶所需要所使用的人工智能算法,本申请采用的是yolov4目标检测框架,其所采用的是一种图像处理的神经网络,不仅会对检测的图像进行相应的处理,同时,还会对我们目标的图像中未出现在本土的数据集图像进行保存,以构建数据集。对常见的垃圾种类进行数据的采集和清洗和分类之后,构建了我们所属的本地的数据集。将目标识别之后,我们将处理的参数传送给了相应的机械臂,机械臂通过分类参数,将相应的垃圾分拣到相应的垃圾桶中。
由于不同节点所处理的时间并不相同,并且往往每个节点所需要处理垃圾的时候都是迸发式的,因此对于每个节点来说,冲击型的数据涌入对每个节点的计算能力都提出了巨大的要求和考验。因此我们选择了分布式处理的处理方式。
当单个节点的计算模块通过人工智能算法处理而算力达到阈值时,本申请的分布式系统将以该节点为中心,构建单位圆,通过节点嗅探,查看圆区域内相应的节点是否处于待定状态,则可将该区域内的节点算力并入,共同处理数据,以缓解算力压力,同时将不同节点所采取到的数据集进行协同备份,同时识别训练出的最佳模型也会不断备份到相应节点,以提高相应节点的速度和精度。当多个节点的单位圆发生重叠的时候,我们会优先分配,算力资源最为紧张的节点单位圆,同时依次排除原先节点之后,根据算力和线路远近均衡摊开,以缓解算力的压力。
具体地,所述分拣装置包括第一摄像头和第二摄像头,所述第一摄像头用于获取袋装垃圾的图像数据,所述第二摄像头用于根据第一摄像头预先获取的数据量大小条件选择是否对单件化分离后的垃圾图像进行数据共享和协同计算。
其中,本申请具体整体运行流程:当用户投放袋装垃圾后,垃圾首先处于破袋装置内,由第一摄像头获取袋装垃圾的图像数据,如果数据量大小达到了对应阈值挡位要求,则将获取到的图像数据通过网络连接来构建等同圆心的邻域,在区域内各节点间进行共享和协同计算,最终将计算得到的数据结果反馈回原节点的核心控制器,控制器通过驱动器驱动电机转动带动双轴转刀高速旋转将垃圾袋撕开完成破袋。
破袋完成后垃圾自动进入正交传送带装置利用相邻传送带之间的高度差以及电机的差速旋转可以控制传送带之间的速度差,以此增大前后两件垃圾的距离保证单件化处理。
位于分拣装置内的第二摄像头根据第一摄像头预先获取的数据量大小条件选择是否对单件化分离后的垃圾图像进行数据共享和协同计算,当遇到未知类型的图像数据时,可以让用户对图像数据进行人工标记并启动数据更新,这时系统会优先分配方圆内的闲置节点协同进行数据集的训练模型工作,在反馈结果给控制器的同时将最终训练结果更新到各节点的本地数据库中方便后续使用,将最终获得的垃圾种类、形状、数量结果反馈给控制器控制机械臂将垃圾分拣到对应种类的垃圾桶内。
在本发明的第二方面提供了一种分布式处理的智能垃圾分类系统,包括:
传送带模块,用于对垃圾进行传送运输;
破袋装置模块,用于对用户投进的垃圾袋进行破袋;
分拣装置模块,用于对垃圾进行分类。
其中,申请实施例为一款分布式处理的智能垃圾分类系统。该智能垃圾分类系统主要由传送带(单件化处理)、破袋装置、分拣装置三大模块组成。
其中破袋装置包括核心控制器(STM32F407)、电流检测放大芯片、气缸驱动模块、电机驱动器、铣削双轴、摄像头。气缸控制装置的整体移动,电机通过链条链轮驱动双轴的转动进行破袋,。
分拣装置由核心控制器、机械臂、挡板、摄像头、GPU组成,挡板用来维持和控制垃圾的走向,通过摄像头获取垃圾种类图片数据信息,GPU完成图像数据的计算处理并识别垃圾的种类,控制器控制机械臂移动分拣已识别的垃圾。
在本发明的第三方面提供了一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现上述任一项所述的方法。
在本发明的第四方面提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现上述中任一项所述的方法。
在本发明的第五方面提供了一种计算机程序产品,包括计算机程序,,所述计算机程序被处理器执行时上述任意一项所述的方法。
本发明重点是将分布式技术引入了智能垃圾分类领域,通过构建区域性分布式系统解决了当某一节点的垃圾处理系统遇到迸发型数据时,由于算力资源限制,从而导致处理能力低下,识别精度差的问题,同时,对于流量分压时,节点与节点之间的冲突,我们采取了图节点动态规划的算法,以达到全局算力的均衡与效率,而这也正是本发明的关键技术点。
综上所述,本发明上述实施例提供了一种分布式处理的智能垃圾分类方法、装置及存储介质,相对于现有技术,脱离了单机所带来的,算力有限,算法处理速度慢,识别精度有限,数据集及模型参数重复积累的问题。提出了基于分布式系统的协同系统,相比于已有的方案,本申请能很好得解决单机处理算力困难,精度,准确率低的问题。系统数据难以共享分析的问题。同时对数据的后续挖掘也更近一步。使用分布式的神经网络垃圾分类系统来协同工作,当识别到垃圾数量异常时可以将数据在一定区域范围内共享给其它闲置机器同时进行运算处理,可以有效提高垃圾分类系统的处理效率和处理能力,使其能处理更大规模的垃圾信息数据。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种分布式处理的智能垃圾分类方法,其特征在于,其包括如下步骤:
S1、系统将垃圾袋破袋,破袋之后的垃圾依次送入传送带,第一摄像头获取垃圾图像数据;
S2、垃圾自动进入正交传送带装置,利用相邻传送带之间的高度差以及电机的差速旋转控制传送带之间的速度差,增大前后两件垃圾的距离保证单件化处理;
S3、分拣装置内的第二摄像头获取单件化分离后的垃圾图像数据,并将单件化分离后的垃圾图像数据传输到GPU进行目标检测识别分类;
S4、对比所述单件化分离后的垃圾图像数据是否达到对应阈值挡位要求,若是,则将获取到的垃圾图像数据通过网络连接构建以当前节点为中心的单位圆,在圆区域内寻找处于待定状态的节点GPU进行图像数据共享和协同计算;
若所述节点GPU识别到未知类型的垃圾图像数据,需对所述未知类型的垃圾图像数据进行人工标记生成新的数据集并启动数据更新,系统优先分配圆区内的闲置节点协同进行新的数据集的备份和进行基于yolov4目标检测框架的新垃圾种类模型训练,将训练模型结果更新同步到各节点装置中,并将所述GPU计算得出的目标检测识别未知类型的垃圾图像数据结果反馈给控制器控制机械臂将垃圾分拣到对应种类的垃圾桶内。
2.根据权利要求1所述的分布式处理的智能垃圾分类方法,其特征在于,所述垃圾图像数据包括垃圾种类、形状、数量和颜色。
3.根据权利要求1所述的分布式处理的智能垃圾分类方法,其特征在于所述基于yolov4目标检测框架用于保存未知类型的垃圾图像数据,更新本地数据库。
4.根据权利要求1所述的分布式处理的智能垃圾分类方法,其特征在于,所述阈值挡位包括三个阈值挡位:阈值一档、阈值二档和阈值三档;
当处于所述阈值一档,以当前节点的区域为圆心构建邻域的等同圆心,调用附近等圆心三个区域节点作为分布式协同计算点,缓解压力;
当处于所述阈值二档,调动附近7个等同区域,并且将区域剩下的全部节点作为7个区域的缓存节点,以缓解计算压力;
当处于所述阈值三档,此时已经达到系统的疲软状态,系统将警告投放垃圾的人员,当前垃圾分类节点已达瓶颈,暂缓投放垃圾。
5.一种分布式处理的智能垃圾分类系统,其特征在于,包括:
传送带模块,用于对垃圾进行传送运输;
破袋装置模块,用于对用户投进的垃圾袋进行破袋;
分拣装置模块,用于对垃圾进行分类。
6.根据权利要求5所述的分布式处理的智能垃圾分类系统,其特征在于,所述传送带模块包括传送带装置;所述破袋装置模块包括核心控制器、电流检测放大芯片、气缸驱动模块、电机驱动器、铣削双轴和第一摄像头;所述分拣装置模块包括核心控制器、机械臂、挡板、第二摄像头和GPU。
7.根据权利要求6所述的分布式处理的智能垃圾分类系统,其特征在于,所述核心控制器的型号包括STM32F407。
8.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至4中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至4中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965371.8A CN115417025B (zh) | 2022-08-12 | 2022-08-12 | 分布式处理的智能垃圾分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965371.8A CN115417025B (zh) | 2022-08-12 | 2022-08-12 | 分布式处理的智能垃圾分类方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115417025A true CN115417025A (zh) | 2022-12-02 |
CN115417025B CN115417025B (zh) | 2024-01-12 |
Family
ID=84198985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210965371.8A Active CN115417025B (zh) | 2022-08-12 | 2022-08-12 | 分布式处理的智能垃圾分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115417025B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970907A (zh) * | 2014-05-28 | 2014-08-06 | 浪潮电子信息产业股份有限公司 | 一种动态扩展数据库集群的方法 |
CN110084396A (zh) * | 2019-03-05 | 2019-08-02 | 采之翼(北京)科技有限公司 | 垃圾收集方法、装置、电子设备及计算机可读存储介质 |
CN110116415A (zh) * | 2019-06-12 | 2019-08-13 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN110466911A (zh) * | 2019-04-08 | 2019-11-19 | 江西理工大学 | 自动分类垃圾桶及分类方法 |
CN110681610A (zh) * | 2019-10-30 | 2020-01-14 | 唐小青 | 基于卷积神经网络与深度学习的视觉识别分选物料系统 |
CN110775584A (zh) * | 2019-11-06 | 2020-02-11 | 深圳市永轮智能设备科技有限公司 | 一种多级分散式自动供料机构 |
-
2022
- 2022-08-12 CN CN202210965371.8A patent/CN115417025B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970907A (zh) * | 2014-05-28 | 2014-08-06 | 浪潮电子信息产业股份有限公司 | 一种动态扩展数据库集群的方法 |
CN110084396A (zh) * | 2019-03-05 | 2019-08-02 | 采之翼(北京)科技有限公司 | 垃圾收集方法、装置、电子设备及计算机可读存储介质 |
CN110466911A (zh) * | 2019-04-08 | 2019-11-19 | 江西理工大学 | 自动分类垃圾桶及分类方法 |
CN110116415A (zh) * | 2019-06-12 | 2019-08-13 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN110681610A (zh) * | 2019-10-30 | 2020-01-14 | 唐小青 | 基于卷积神经网络与深度学习的视觉识别分选物料系统 |
CN110775584A (zh) * | 2019-11-06 | 2020-02-11 | 深圳市永轮智能设备科技有限公司 | 一种多级分散式自动供料机构 |
Also Published As
Publication number | Publication date |
---|---|
CN115417025B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
US20230046145A1 (en) | Systems and methods for detecting waste receptacles using convolutional neural networks | |
CN110743818A (zh) | 基于视觉及深度学习的垃圾分选系统、垃圾分选方法 | |
CN112845143A (zh) | 一种生活垃圾分类智能分拣系统及方法 | |
CN112871703A (zh) | 一种智能管理选煤平台及其方法 | |
KR20230013498A (ko) | 재활용품을 선별하는 시스템 및 방법 | |
CN110516625A (zh) | 一种垃圾识别分类的方法、系统、终端及存储介质 | |
CN113688825A (zh) | 一种ai智能垃圾识别分类系统和方法 | |
CN112102368A (zh) | 一种基于深度学习的机器人垃圾分类分拣方法 | |
Gupta et al. | Smart robot for collection and segregation of garbage | |
Srinivasan et al. | Smart Waste Collecting Robot Integration With IoT and Machine Learning | |
CN115417025A (zh) | 分布式处理的智能垃圾分类方法、装置及存储介质 | |
CN116682098A (zh) | 一种城市生活垃圾自动识别分类系统及方法 | |
CN114618788A (zh) | 基于视觉检测的手套分拣装置及方法 | |
CN116216112A (zh) | 一种基于ai技术的垃圾分类自动分拣方法 | |
Yu et al. | Garbage detection algorithm based on deep learning | |
CN114476435B (zh) | 虚实同步的智能垃圾箱多状态三维呈现与异常反馈方法 | |
CN215624437U (zh) | 一种基于ros智能agv小车的生活垃圾回收系统 | |
CN114308691A (zh) | 一种基于自动识别的包裹分拣系统及方法 | |
WO2022241597A1 (zh) | 一种ai智能垃圾识别分类系统和方法 | |
CN217919554U (zh) | 模块化回收系统 | |
Usha et al. | Accurate and High Speed Garbage Detection and Collection Technique using Neural Network and Machine Learning | |
CN212557805U (zh) | 一种可以主动分类垃圾的智能垃圾桶 | |
CN109345506A (zh) | 一种基于卷积神经网络的热点与marfe自动检测方法 | |
CN115816469B (zh) | 一种基于机器视觉的云化plc控制物料分拣方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |