CN116342895A - 基于ai处理的提升再生资源分拣效率的方法及系统 - Google Patents
基于ai处理的提升再生资源分拣效率的方法及系统 Download PDFInfo
- Publication number
- CN116342895A CN116342895A CN202310630810.4A CN202310630810A CN116342895A CN 116342895 A CN116342895 A CN 116342895A CN 202310630810 A CN202310630810 A CN 202310630810A CN 116342895 A CN116342895 A CN 116342895A
- Authority
- CN
- China
- Prior art keywords
- garbage
- result
- detection
- image
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/0054—Sorting of waste or refuse
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请涉及再生资源领域,具体公开了一种基于AI处理的提升再生资源分拣效率的方法及系统,所述方法包括:定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果;获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征,并通过预设的方法计算并获取当前待检测垃圾的影响系数;基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果;根据比较结果和参照结果,生成垃圾检测的判定结果。本申请通过将垃圾落入指定区域后带来的影响作为参考量,以声波和图像两种方式来检测是否存在垃圾处理异常,借此来规范化垃圾处理进程,从而提升再生资源的分拣效率。
Description
技术领域
本申请涉及再生资源技术领域,尤其涉及一种基于AI处理的提升再生资源分拣效率的方法及系统。
背景技术
随着人们环保意识的增强以及信息技术的快速发展,再生资源的回收利用被赋予了越来越多的关注,尤其城市生活垃圾的资源化利用更是被推上了未来的发展规划,不少分拣中心开始对居民生活垃圾进行精分细选,并将回收到的再生资源进行分拣、打包,送至相应的工厂进行加工以实现资源的重用。
由于再生资源的分拣作为垃圾处理流程的后端环节,受前端垃圾投放和中端分类运收的影响较大,如果垃圾都能被规范投放和正确分类,那后续再生资源的分拣效率相应也会有所提升。所以现有的提升再生资源分拣效率的方法通常都是从垃圾投放和分类运收的规范化入手,借助AI手段和相应的智能设备引导居民正确处理垃圾,尤其是可回收的垃圾,例如对垃圾乱扔乱放、垃圾的错误分类放置等异常进行检测,并及时采取相应措施,以减少垃圾的错误分类放置。
但是现有的对垃圾处理异常检测的方法,通常是采用AI图像的方式进行处理,例如借助监控视频或者工业相机来捕获图像帧,以图像检测的形式来进行检测,但由于垃圾种类的繁多,图像检测模型对于垃圾样本采集的需求量也很高,因此现有的方法仍存在有较高的误报率。
发明内容
本申请的目的是提供一种基于AI处理的提升再生资源分拣效率的方法及系统,通过评估垃圾落入指定区域后所可能带来的影响作为参考量,以声波和图像两种检测方法进行检测,以此来判断对垃圾的处理是否出现异常,借此来规范化垃圾处理时的进程,从而帮助提升再生资源分拣效率。
第一方面,本申请提供一种基于AI处理的提升再生资源分拣效率的方法,采用如下的技术方案:
定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果;
获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征;
根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数;
基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果;
根据比较结果和参照结果,生成垃圾检测的判定结果。
通过上述技术方案,可以根据指定区域的状态和待检测垃圾的外形大小来评估待检测垃圾落入指定区域后所带来的影响,由此在声波和图像两种检测机制下生成最佳的检测方案,以降低对垃圾处理异常检测的误报率,从而通过规范化垃圾处理进程来提升再生资源的分拣效率。
可选的,所述参照结果包括声波检测结果和图像检测结果,所述定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果,包括:
定时获取预设指定区域对应的图像,并将其记为参照图像;
通过预设的图像检测方法对参照图像进行检测,获取图像检测结果;
通过预设的声波检测方法对预设指定区域进行检测,获取声波检测结果;
将图像检测结果和声波检测结果一同记为参照结果。
可选的,所述预设指定区域有标识类和无标识类,声波检测结果包括声波信号特征和水平检测高度,所述影响系数包括声波影响系数和图像影响系数,所述根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数,包括:
当预设指定区域为无标识类时,根据待检测垃圾的显性特征,确认待检测垃圾的高度,并记为落地高度;
基于落地高度和水平检测高度,获取高度差异值;
基于高度差异值和预设高度,计算并获取高度比例系数,并将高度比例系数记为声波影响系数;
当预设指定区域为有标识类时,根据预设指定区域对应的标识类信息从预设的数据库中提取对应的声波特征信号模板;
基于声波特征信号模板和声波特征信号,获取声波信号差异系数,并将声波信号差异系数记为声波影响系数。
可选的,所述图像检测结果分为垃圾目标检测结果和图像特征信息,所述根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数,包括:
当预设指定区域为无标识类时,根据待检测垃圾的显性特征,确认待检测垃圾的占地面积,记为落地面积;
基于落地面积和垃圾目标检测结果,计算面积差异值,并根据面积差异值和预设指定区域大小,计算并获取面积比例系数,并将该系数记为图像影响系数;
当预设指定区域为有标识类时,根据预设指定区域对应的标识类信息从预设的数据库中提取对应的图像特征信息模板;
基于图像特征信息模板和图像特征信息,获取图像特征差异系数,并将图像特征差异系数记为图像影响系数。
可选的,所述当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果,包括:
判断图像影响系数是否不小于预设第一阈值,
若是,则使用图像检测方式对预设指定区域进行垃圾检测,并将获取的图像检测结果记为比较结果;
若否,则判断声波影响系数是否达到预设第二阈值,
若达到,则使用声波检测方式对预设指定区域进行垃圾检测,并将获取的声波检测结果记为比较结果;
若未达到,则分别使用图像检测方式和声波检测方式对预设指定区域进行垃圾检测,并将获取的图像检测结果和声波检测结果一同记为比较结果。
可选的,所述根据比较结果和参照结果,生成垃圾检测的判定结果,包括:
若预设指定区域为有标识类时,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数;
判断差异指数是否达到预设第三阈值,
若差异指数达到预设第三阈值,则输出第一提示信息,所述第一提示信息用于表示垃圾分类异常。
可选的,所述根据比较结果和参照结果,生成垃圾检测的判定结果,包括:
若预设指定区域为无标识类时,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数;
判断差异指数是否达到预设第四阈值,
若差异指数达到预设第四阈值,则输出第二提示信息,所述第二提示信息用于表示垃圾投放异常。
可选的,所述将比较结果与参照结果按照对应的结果进行比对,并获取差异指数,包括:
若比较结果包括图像检测结果和声波检测结果时,则分别根据图像检测结果和声波检测结果同参照结果中的图像检测结果和声波检测结果进行对比,并获取相应的图像差异指数和声波差异指数;
通过影响系数对图像差异指数和声波差异指数进行赋权,获取联合差异指数,将联合差异指数记为差异指数。
第二方面,本申请提供一种基于AI处理的提升再生资源分拣效率的系统,包括:
参照结果生成模块101,用于定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果;
显性特性提取模块102,用于获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征;
影响系数获取模块103,用于根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数;
比较结果生成模块104,用于基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果;
结果判定模块105,用于根据比较结果和参照结果,生成垃圾检测的判定结果。
第三方面,本申请提供一种计算机可读存储介质,存储有能够被处理器加载并执行上述一种基于AI处理的提升再生资源分拣效率的方法的计算机程序。
综上所述,本申请首先采用了声波检测和图像检测两种垃圾检测方式,通过评估当出现垃圾投放异常或者是分类异常后,垃圾对指定区域产生的影响来生成最佳的检测方案,以此可一定程度降低对垃圾处理异常检测的误报率,从而帮助提升后续再生资源的分拣效率;另外,对于无标识类的指定区域进行检测时无需对垃圾进行分类,也就不需要采集大量的垃圾样本数据来参与图像检测模型的训练,而对于有标识类的指定区域除了构建分类垃圾的特征模板之外,通过声波检测的辅助也能一定程度降低垃圾处理异常检测的误报率。
附图说明
图1是本申请实施例所提供的一种基于AI处理的提升再生资源分拣效率的方法的流程图;
图2、图3是本申请实施例所提供的获取当前待检测垃圾的影响系数的流程图;
图4是本申请实施例所提供的根据当前待检测垃圾的影响系数确定检测方案的流程图;
图5是本申请实施例所提供的基于比较结果和参照结果进行乱扔垃圾行为判定的流程图;
图6是本申请实施例所提供的一种基于AI处理的提升再生资源分拣效率的系统的示意图。
实施方式
以下结合附图1-附图6,对本申请作进一步详细说明。
本申请提供一种基于AI处理的提升再生资源分拣效率的方法,参见图1,包括以下步骤:
S100、定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果。
其中,预设指定区域表示的是需要进行垃圾检测的区域,预设指定区域分为两种,一种有标识类的区域,即明确指定该存放何种垃圾类型的区域,例如在进行垃圾分类时,会将划分后的垃圾根据所属分类归置到指定的区域,这种情况下主要是检测垃圾在进入到相应的划分区域时,垃圾与进入区域是否相匹配,例如某一区域用来存放可回收的垃圾,那便不应让其它类型的垃圾落入到该区域,所以还需在对垃圾进行分类放置前进行相应的检测,当然在分类完成后也可进行检测,以确认是否存在分类出错的情况,方便及时进行相应的调整或处理。
而另一种则是无标识类区域,也就是非指定垃圾放置空间外的区域,主要表示在垃圾乱扔乱放时最大可能出现的范围区域,例如在垃圾处理的前端过程,会采用垃圾箱、垃圾桶等形式来进行垃圾的收集,这种情形下当垃圾正确投放到指定空间时,通过声波检测空间内垃圾的高度变化可以检测到垃圾是否正确投放,但考虑到有用户在投放垃圾时并未按照正确规范进行投放,还是会存在有垃圾落在地上的情形,因此这种情况下便可通过对地面来进行垃圾的检测,通过对垃圾投放前后地面的变化状态进行检测可以更加清楚地判断是否存在垃圾乱扔乱放行为。
对于指定区域的设定可根据垃圾投放站点所处的环境(位置状态),以及设置的AI图像检测设备能适应的检测范围来进行划分,在本申请实施例中还增加有声波检测设备,相应地也会纳入到对指定区域进行划分的考量之中。
参考结果包括声波检测结果和图像检测结果,声波检测结果表示的是通过声波检测设备对预设指定区域进行检测得到的检测结果,声波检测结果也分为两类,一类是水平检测结果,其具体表征形式为预设指定区域已有垃圾的最大高度值,根据声波检测的原理,当指定区域存在有垃圾时,并且垃圾所呈现出的高度明显高于地面所在的水平面,那么通过声波对指定区域发送检测信号时,会先接收到地面垃圾所反馈的信号,由此便可根据声波检测设备所安装的高度以及垃圾存储箱高度等信息,计算出当前地面已有垃圾的最大高度值。
另一类则是声波信号特征,根据声波在不同介质中呈现出来的信号会有一定的差异,例如声波中的频域特征和时域特征在描述不同材料物体时会生成不同的声波特征信号,而在垃圾分拣过程中,通过构建各种类型垃圾的声波特征信号模板,可以借此帮助判断垃圾的分拣是否正确。
图像检测结果也分为两种,一种是图像特征信息,用来进行图像的相似度比较,另一种则是通过图像检测中的目标检测方法检测到的垃圾目标,其结果包括检测到的垃圾大小及其所在预设指定区域位置。由于垃圾的种类繁多,各种垃圾袋也是形态各异,很难去对垃圾进行具体类别的划分,会从图像的角度出发,以指定区域作为背景类别,其余所有出现在指定区域的物体都视为垃圾类别,以此来对目标检测模型进行配置,从而实现从指定区域所对应的图像中检测出垃圾,并给予相应的位置标注来反映检测到的垃圾大小及其所在预设指定区域位置。
另外,值得说明的是,考虑到光照、天气变化、雨水等因素会对指定区域带来一定的影响,进而对目标检测中地面所对应的背景类别的判断出现偏差,所以在对目标检测算法进行训练的阶段,会进行相应的图像预处理,例如加入有光照、天气变化、雨水等因素的样本图像进行训练,以尽量排除这些干扰项所带来的影响。
在本申请实施例中,对于垃圾的检测不管是针对有标识类的区域还是无标识类的区域,都会参考指定区域的当前状态,例如是否存在垃圾、垃圾的覆盖范围等都会有影响到检测的结果。
由于考虑指定区域的状态是可能会一直变动的,例如,在垃圾投放采集的过程,在无人投放垃圾时,也可能存在有垃圾装满后会溢出落到地面的情况,也可能有工作人员及时清理了地面垃圾,又或者是在处于监控盲区的地方进行了垃圾投放,导致垃圾落入到了地面;在垃圾分类运收过程中,不时有垃圾通过传送装置将垃圾送往指定区域,这些情况的发生都可能或导致指定区域状态出现变化,所以需要参照对象保持为当下检测前最新的状态,只有这样对于待检测垃圾的检测结果才更为可靠。
因此,在本申请实施例中,会定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果,也就是会设置相应的时间间隔,每间隔一定时间,便会检测一次,主要记录下预设指定区域的最新状态。
具体地,定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果,包括如下步骤:
S110、定时获取预设指定区域对应的地面图像,并将其记为参照图像。
S120、通过预设的目标检测方法对比较图像进行检测,获取图像检测结果。
S130、对预设指定区域所对应的地平面进行声波检测,并获取声波检测结果。
S140、将图像检测结果和声波检测结果一同记为参照结果。
上述中有提到,参照结果包括声波检测结果和图像检测结果,也就是说每间隔一定时间会对指定区域分别以声波和图像两种方式进行检测。
在本申请实施例中,对指定区域以图像检测的方式进行垃圾检测,首先会获取指定区域对应的地面图像,并将其记为参照图像,然后再通过预设的目标检测方法对参照图像进行检测,获取图像检测结果。与此同时,对指定区域以声波检测的方式进行垃圾检测,则会以预设指定区域所对应的地平面进行声波检测,并计算获取相应的声波检测结果。
由于对于两种指定区域的检测会有不同的要求,对于有标识的指定区域,例如在垃圾分拣过程中,要确定待检测垃圾的垃圾放置在该区域是否合理,也就要判断待检测垃圾的类别是否与该指定区域的类别一致,在该区域没有垃圾的情况下,可直接通过提取待检测垃圾所在图像的特征信息,与预设的垃圾类别对应特征信息模板进行匹配,即可判断类别是否一致;在该区域已有垃圾的情况下,当然仍然可以通过图像特征信息进行匹配,但考虑到可能存在光照、遮挡等因素的影响,只通过图像特征信息来进行判断,恐难以对检测结果的误报率有较好的保障,所以还会增加声波检测来作为辅正,通过提取待检测垃圾声波特征信号与预设的垃圾类别对应声波特征信号模板进行匹配,亦可帮助判断垃圾类别是否一致。
所以,对于有标识的指定区域,图像检测结果为提取的图像特征信息,声波检测结果为声波特征信号。
对于无标识的指定区域,这种情况则没有分类了,主要检测垃圾是否乱扔乱放,例如在进行垃圾投放采集时,要判断待检测垃圾是否未按照规范进行垃圾投放,可通过指定区域的前后变化状态,前面有提到这里的指定区域表示的垃圾乱扔乱放后落入的区域,当指定区域没有垃圾时,这种情况下当垃圾落入到指定区域时,便很容易能够判断,即便所扔的垃圾袋散落一地,不管是对指定区域所对应的图像采用目标检测方法,还是与通过图像特征信息进行图像相似度计算都可检测出是否有垃圾乱扔乱放。但是若指定区域已有垃圾,这个时候再采取图像检测的方式,可能会导致误报率上升,所以,同样借助了声波检测以增加垃圾乱扔行为检测的准确率,通过垃圾落地后的水平高度来帮助判断是否有垃圾落入到地面。
所以,对于无标识的指定区域,图像检测结果为提取的图像特征信息和垃圾目标检测结果,声波检测结果为水平检测高度。
S200、获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征。
其中,显性特征表示的是物体的面积大小、轮廓以及长宽比等外形特征,属于人眼可见的特征,与之相对的是隐性特征,也就是通过特征提取网络提取到的图像特征,可用来作为特征匹配。
在本申请实施例中,显性特征实际上表征的是待检测垃圾的外接立方体,所以这里的预设的方法表示的便是3D目标检测方法,例如,截取两帧连续的图像帧,采用基于双目的3D目标检测方法提取待检测垃圾的外接立方体,或者借助借助视频中的序列图像间的时间关系来提取目标的运动信息,以此进行建模来实行3D目标检测,同样可提取待检测垃圾的外接立方体。
获取待检测垃圾图像,可以是当检测到有行人持待检测垃圾经过时,通过图像监控设备采集的垃圾样本图像,又或者是在垃圾分类运收过程中通过对传送带传输区域进行划分后得到的到某一区域的垃圾图像,或者是采集即将存放到垃圾分类区域的垃圾样本图像,值得说明的是,不管是垃圾投放还是垃圾分类,目的更多地还是为了规范垃圾处理的进程,以为了能在后续的再生资源的分拣回收过程中有更高的效率。
在本申请实施例中,通过提取待检测垃圾对应图像的隐性特征,可通过图像特征的匹配来帮助对垃圾进行分类或者帮助判断垃圾落到指定区域后,通过获取待检测垃圾的显性特征可用来估测当待检测垃圾的垃圾落入到指定区域后,从声波检测和图像检测两个层面对指定区域所带来的影响。
S300、根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数。
其中,影响系数包括声波影响系数和图像影响系数,声波影响系数表示的是待检测垃圾落入到指定区域后,前后对指定区域通过声波检测的结果变化的影响程度,图像影响系数表示的是待检测垃圾落入到指定区域后,对指定区域通过图像检测的结果变化的影响程度。
由于不管是图像检测的方式还是声波检测的方式,所取得的成效都与指定区域的状态有关,前者对待检测垃圾落地后的覆盖范围比较敏感,而后者对待检测垃圾的落地高度以及垃圾类型比较敏感,所以可分别针对这两个特点来进行检测方式的选取,也就是通过影响系数来作为选取依据。
因此,在本申请实施例中,当获取到待检测垃圾所对应的图像时,会通过预设的方法提取待检测垃圾的显性特征,接着便根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前检测垃圾的影响系数。
具体地,参见图2,根据当前比较结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数,包括如下步骤:
S310、当预设指定区域为无标识类时,根据待检测垃圾的显性特征,确认待检测垃圾的高度,并记为落地高度。
S320、基于落地高度和水平检测高度,获取高度差异值,并基于高度差异值和预设高度,计算并获取高度比例系数,将高度比例系数记为声波影响系数。
S330、当预设指定区域为有标识类时,根据预设指定区域对应的标识类信息从预设的数据库中提取对应的声波特征信号模板。
S340、基于声波特征信号模板和声波特征信号,获取声波信号差异系数,并将声波信号差异系数记为声波影响系数。
其中,落地高度表示的是待检测垃圾落地时呈现的高度,即最高点相对指定区域的距离;预设高度表示的是地面上没有任何垃圾时的声波检测结果,即声波检测设备或者垃圾投放设备到指定区域的垂直高度。
在本申请实施例中,当预设指定区域为无标识类时,也就是想要检测垃圾是否乱扔乱放,获取待检测垃圾的高度影响系数主要目的在于评估采用声波检测方式,待检测垃圾落到指定区域后被检测出来的可能性。所以可以采取逆向思维,假设当待检测垃圾落到指定区域之后,若对指定区域当前的垃圾高度产生了较大变化,则会认为该待检测垃圾乱扔的行为容易识别出来,反之,则会不太容易识别出来。
因此,首先会根据待检测垃圾的显性特征,确认待检测垃圾的高度,也就是根据待检测垃圾显性特征所表示的外接立方体的长宽高数值,计算出落在地面上时,能呈现出的最小高度值,并记其为落地高度。
然后基于落地高度和声波检测结果,获取高度差异值,这里的声波检测结果上述中有提到,此时表示的水平检测高度,然后将这个高度差异值反映在声波检测中,也就是待检测垃圾与已有垃圾距呈现出的高度差值,所以还要对比预设高度,以衡量这种高度对于声波检测的影响程度。因此最后还会基于高度差异值和预设高度,计算出高度比例系数,并将该系数记为声波影响系数。
当预设指定区域为有标识类时,也就是想要检测垃圾的类别与对应的分类标识是否一致,这个时候便需要以声波特征信号来作为考量, 首先从根据预设指定区域对应的标识类信息从预设的数据库中提取对应的声波特征信号模板,当声波特征信号模板和在前检测结果中的声波特征信号差异较小时,这个时候当有不属于该指定区域对应类别的垃圾落入时,则容易通过声波检测来进行判断。获取声波信号差异系数,并将声波信号差异系数记为声波影响系数。
因此,首先会根据预设指定区域对应的标识类信息从预设的数据库中提取对应的声波特征信号模板,然后基于声波特征信号模板和声波特征信号,获取声波信号差异系数,并将声波信号差异系数记为声波影响系数。
类似地,参见图3,根据参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数,还包括如下步骤:
S350、当预设指定区域为无标识类时,根据待检测垃圾的显性特征,确认待检测垃圾的占地面积,记为落地面积。
S360、基于落地面积和垃圾目标检测结果,计算面积差异值,并根据面积差异值和预设指定区域大小,计算并获取面积比例系数,将该系数记为图像影响系数。
S370、当预设指定区域为有标识类时,根据预设指定区域对应的标识类信息从预设的数据库中提取对应的图像特征信息模板。
S380、基于图像特征信息模板和图像特征信息,获取图像特征差异系数,并将图像特征差异系数记为图像影响系数。
在本申请实施例中,当预设指定区域为无标识类时,获取待检测垃圾的图像影响系数主要目的在于评估采用图像检测方式,当前待检测垃圾落入指定区域后被检测出来的可能性。所以同样采取逆向思维,假设当待检测垃圾落到指定区域之后,若对指定区域当前的垃圾覆盖范围产生了较大变化,则会认为该待检测垃圾乱扔的行为容易识别出来,反之,则会不太容易识别出来。
因此,首先会根据待检测垃圾的显性特征,确认待检测垃圾的占地面积,将其记为落地面积,然后基于基于落地面积和目标检测结果,计算面积差异值,这里的目标检测结果上述中有提到,表示的是检测到的垃圾大小及其所在指定区域的位置,这里的面积差异值反映的便是垃圾对于指定区域覆盖范围的变化程度,通过对比预设指定区域大小,来衡量这种占地面积的变化对于图像检测的影响程度。因此最后还会根据面积差异值和预设指定区域大小,来计算面积比例系数,并将该系数记为面积影响系数。
当预设指定区域为有标识类时,获取待检测垃圾的图像影响系数主要目的在于评估当前待检测垃圾落入指定区域后,对指定区域对应的图像特征会有多大影响。当待检测垃圾落到指定区域之后,若使得指定区域所对应的图像特征与对应垃圾类别的图像特征模板之间的差异变得更大时,则会认为该待检测垃圾不属于同一类别的可能性更大。
因此,首先会根据预设指定区域对应的标识类信息从预设的数据库中提取对应的图像特征信息模板,然后基于图像特征信息模板和图像特征信息,获取图像特征差异系数,并将图像特征差异系数记为图像影响系数。
值得说明的是,由于在垃圾投放过程中,考虑到多数情况下,垃圾会以垃圾袋的形式被投放,若乱扔垃圾的行为发生,也就是行人并未在指定的垃圾投放口进行投放,而是乱扔乱放,通常情况下,垃圾袋包裹的垃圾容易散落出来,这种情况,处于持待投放状态的垃圾和落地后的垃圾实际上呈现的状态是有差异的,其就是会对上述中所计算的影响系数带来一定的影响,这个时候还需要对影响系数进行相应的调整。
由于对于乱扔垃圾导致垃圾落地后发生的形变程度,是很难进行表示的,因为可变因素太多了,所以只能凭经验来进行估量,也就是借助历史垃圾乱扔行为数据,来针对每一次的垃圾乱扔后落地前后的显性特征进行分析建模,以大数据的手段来生成一组相对具有代表性的形变参数,然后借助生成的形变参数分别对高度影响系数和面积影响系数进行调整。
S400、基于隐性特征和当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果。
在本申请实施例中,当开始对指定区域进行检测时,则需求根据当前待检测垃圾的影响系数,来确认检测方案,是采用声波检测还是图像检测的方式来进行检测,又或者两种方式都采用,所以会进行相应的判断,然后确定检测方案,再根据确定的检测方案对指定区域进行垃圾检测,以获取新的检测结果。
具体地,参见图4,基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果,包括:
S410、判断图像影响系数是否不小于预设第一阈值。
S420、若图像影响系数不小于预设第一阈值,则使用图像检测方式对预设指定区域进行垃圾检测,并将获取的图像检测结果记为比较结果。
S430、若图像影响系数小于预设第一阈值,则判断声波影响系数是否达到预设第二阈值。
S440、若声波影响系数达到预设第二阈值,则使用声波检测方式对预设指定区域进行垃圾检测,并将获取的声波检测结果记为比较结果。
S450、若声波影响系数未达到预设第二阈值,则分别使用图像检测方式和声波检测方式对预设指定区域进行垃圾检测,并将获取的图像检测结果和声波检测结果一同记为比较结果。
其中,预设第一阈值表示的当前待检测垃圾落入到指定区域后,采用图像检测方式容易识别出异常的参考数值,预设第二阈值表示的当前待检测垃圾落入到指定区域后,采用声波检测方式比较容易识别出异常的参考数值。
在本申请实施例中,若只使用一种检测方式便能检测出垃圾处理异常,且认为有足够的准确度时,便只采用一种检测方式,只有当两种检测方式都没有达到准确度要求时,才会同时采样两种方式进行检测,并且两种检测方式还设置有主辅的关系,即以其中一种检测方式为主,以另一种检测方式为辅,至于如何决定这种主辅关系,则可根据两者检测方式的准确度、检测效率以及实际的应用场景等因素来进行确定。
若设定以图像检测检测方式为主,则首先会判断图像影响系数是否不小于预设第一阈值,若图像影响系数不小于预设第一阈值,则认为当前待检测垃圾落入对指定区域后,从图像角度来看对原先指定区域有足够大的影响,所以会使用图像检测方式对指定区域进行垃圾检测,并将获取的目标检测结果记为比较结果。这里的图像检测方式可以是采用目标检测,当然也可以捕捉当前指定区域所对应的图像,然后直接与垃圾投放前的指定区域所对应的参照图像进行相似度计算。
若图像影响系数小于预设第一阈值,则认为当前待检测垃圾落入对指定区域后,从图像角度来看对原先指定区域带来的影响较小,也就是会有较高的检测误报风险,所以转而考虑采用声波检测方法,即判断声波影响系数是否达到预设第二阈值,若声波影响系数达到预设第二阈值,则直接使用声波检测方式对预设指定区域进行垃圾检测,并将获取的声波检测结果记为比较结果。
若声波影响系数未达到预设第二阈值,这个时间也就表明两种检测方式把握度都不够,因此,则分别使用图像检测方式和声波检测方式对预设指定区域进行垃圾检测,并将获取的目标检测结果和声波检测结果一同记为比较结果。若采用声波检测方式为主,也是同样的步骤,只是优先对声波影响系数进行判断,然后在声波系数未能达到预设第二阈值时,再考虑采用图像检测方式。
S500、根据比较结果和参照结果,生成垃圾检测的判定结果。
在本申请实施例中,当获取了待检测垃圾的影响系数,根据影响系数确认了检测方案,并根据检测方案获取了相应的检测结果,将该检测结果记为了比较结果,然后通过将比较结果与参照结果进行对比,并可判断结合指定区域的类型来判断垃圾的处理过程是否出现了异常。
具体地,参见图5,根据比较结果和参照结果,生成垃圾检测的判定结果,包括如下步骤:
S510、若预设指定区域为有标识类时,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数。
S520、判断差异指数是否达到预设第三阈值。
S530、若差异指数达到预设第三阈值,则输出第一提示信息。
其中,预设第三阈值表征的是在有标识的指定区域下进行垃圾检测的一组阈值集合,也就是按照各个检测方式设置的对待检测垃圾是否是否出现异常的判断界限值;第一提示信息用于表示垃圾分类异常。
若预设指定区域为有标识类时,上述中有提到,这种情况下的参照结果为图像特征信息,声波检测结果为声波特征信号,若比较结果是只由图像检测得到的图像检测结果,则会与参照结果中的图像检测结果进行对比,也就是通过两者的图像特征信息的相似度来进行判断,这里的相似度也就相当于差异指数,当相似度达到预设第三阈值时,则认为待检测垃圾落入到指定区域的前后,指定区域的垃圾呈现出的图像特征从图像分类的角度来看出现了明显的差异,因此判定当前出现垃圾分类异常。
同样地,若比较结果是只由声波测得到的检测结果,则会与参照结果中的声波检测结果进行对比,通过声波检测结果中的声波特征信号,可计算出两种结果的差异。为了方便系统程序进行判定,会将这种差异进行量化,且统一记为差异指数。当这种差异指数达到预设第三阈值时,则认为待检测垃圾落入到指定区域的前后,指定区域垃圾的呈现从声波信号的角度来看出现了明显的差异,因此判定当前出现垃圾分类异常。
当判定是垃圾分类异常时,还会输出第一提示信息,可方便工作人与及时进行调整,尤其若是对于可回收的垃圾,关系到后续再生资源的分拣和回收重利用,所以在确认垃圾分类异常时,还会针对相应的异常进行分析处理,以及时进行调整,例如针对AI设备进行优化,或者对相应的检查程序进行迭代更新,通过不断对垃圾分类进行规范化调整,可减少垃圾的错误分类放置,进而帮助提高后续再生资源分拣处理的效率。
具体地,参见图5,根据比较结果和参照结果,生成垃圾检测的判定结果,还包括如下步骤:
S540、若预设指定区域为有标识类时,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数。
S550、判断差异指数是否达到预设第四阈值。
S560、若差异指数达到预设第四阈值,则输出第二提示信息。
其中,预设第四阈值表征的是在有标识的指定区域下进行垃圾检测的一组阈值集合,也就是按照各个检测方式设置的对待检测垃圾是否是否出现异常的判断界限值;第二提示信息用于表示垃圾投放异常。
若预设指定区域为有标识类时,上述中有提到,这种情况下的参照结果为图像特征信息和垃圾目标检测结果,声波检测结果为水平检测高度,若比较结果是只由图像检测得到的图像检测结果,则会与参照结果中的图像检测结果进行对比,也就是通过两者的图像特征信息的相似度以及垃圾目标检测的区域框大小和位置来综合进行判断,并获取相应的差异指数,当差异指数达到预设第四阈值时,则认为待检测垃圾落入到指定区域的前后,指定区域的垃圾呈现出的图像特征以垃圾的覆盖范围出现了明显的差异,也就说明了该检测垃圾落入到了这个本不该出现垃圾的区域,因此判定当前出现垃圾投放异常。
同样地,若比较结果是只由声波测得到的检测结果,则会与参照结果中的声波检测结果进行对比,通过声波检测结果中的水平检测高度,可计算出两种结果的差异,同样地,将这种差异进行量化并统一记为差异指数。当这种差异指数达到预设第四阈值时,则认为待检测垃圾落入到指定区域的前后,指定区域垃圾的呈现有明显的高度变化,同样说明有新的垃圾落入到该指定区域,因此判定当前出现垃圾投放异常。
当判定是垃圾投放异常时,同样会输出第二提示信息,一方面可提示工作人员及时进行地面垃圾清理,另一方面则可通知定时检测程序进行检测更新,主要考虑到可能存在刚检测完之后,又有新的垃圾投放行为需要进行检测的情况,为了不影响后续的检测结果,会及时对参照结果进行更新。此外,当确定是垃圾投放异常时,除了可及时进行调整,将垃圾进行规范化的处理之外,后续亦可针对垃圾投放异常进行相应的优化,以增强垃圾的回收率,从而帮助提升再生资源的分拣效率。
考虑到两种检测方式的成效不一致,若比较比较结果同时包括图像检测结果和声波检测结果时,也就是两种检测方式都采用了,这种情况下还会根据影响系数对两种检测方式生成的差异指数进行赋权,然后将经过权重加持后的结果作为差异指数来进行判断。
具体地,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数,包括如下步骤:
S610、若比较结果包括图像检测结果和声波检测结果时,则分别根据图像检测结果和声波检测结果同参照结果中的图像检测结果和声波检测结果进行对比,并获取相应的图像差异指数和声波差异指数。
S620、通过影响系数对图像差异指数和声波差异指数进行赋权,获取联合差异指数,并将联合差异指数记为差异指数。
若比较结果只包含图像检测结果和声波检测结果中任一种时,则分别根据图像检测结果和声波检测结果,同参照结果中的图像检测结果和声波检测结果进行对比,可获取相应的差异指数,将其分别记为图像差异指数和声波差异指数。
若比较结果同时包含图像检测结果和声波检测结果时,则会通过影响系数中的图像影响系数和声波影响系数分别对图像差异指数和声波差异指数进行赋权,如此便和获取联合差异指数,在将联合差异指数作为差异指数作为判断参数,以此来判断是否存在垃圾处理的异常。
本申请实施例还提供了一种基于AI处理的提升再生资源分拣效率的系统,参见图6,该系统包括:参照结果生成模块101、显性特性提取模块102、影响系数获取模块103、比较结果生成模块104、结果判定模块105。
其中,参照结果生成模块101,用于定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果。
显性特性提取模块102,用于获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征。
影响系数获取模块103,用于根据当前比较结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数。
比较结果生成模块104,用于基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果。
结果判定模块105,用于根据比较结果和参照结果,生成垃圾检测的判定结果。
在本申请实施例中,参照结果生成模块101具体用于定时对预设指定区域分别使用声波检测和图像检测两种检测方式进行垃圾检测,并将检测结果记为参照结果。
显性特性提取模块102具体用于获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征。
影响系数获取模块103具体用于根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数。
比较结果生成模块104具体用于基于当前待检测垃圾的影响系数,在局具备声波检测和图像检测两种方式的前提,生成最佳的检测方案,然后对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果。
结果判定模块105具体用于根据比较结果和参照结果,进行判断以确认是否存在垃圾处理过程中的异常,并给出相应的异常信息,方便针对相应的异常进行及时处理和调整,以规范化垃圾处理进程,从而帮助提升后续再生资源的分拣效率。
本申请实施例还提供一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种基于AI处理的提升再生资源分拣效率的方法的计算机程序。
本具体实施方式的实施例均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,包括:
定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果;
获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征;
根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数;
基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果;
根据比较结果和参照结果,生成垃圾检测的判定结果。
2.根据权利要求1所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述参照结果包括声波检测结果和图像检测结果,所述定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果,包括:
定时获取预设指定区域对应的图像,并将其记为参照图像;
通过预设的图像检测方法对参照图像进行检测,获取图像检测结果;
通过预设的声波检测方法对预设指定区域进行检测,获取声波检测结果;
将图像检测结果和声波检测结果一同记为参照结果。
3.根据权利要求1所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述预设指定区域分为标识类和无标识类,声波检测结果包括声波信号特征和水平检测高度,所述影响系数包括声波影响系数和图像影响系数,所述根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数,包括:
当预设指定区域为无标识类时,根据待检测垃圾的显性特征,确认待检测垃圾的高度,并记为落地高度;
基于落地高度和水平检测高度,获取高度差异值,并基于高度差异值和预设高度,计算并获取高度比例系数,将高度比例系数记为声波影响系数;
当预设指定区域为有标识类时,根据预设指定区域对应的标识类信息从预设的数据库中提取对应的声波特征信号模板;
基于声波特征信号模板和声波特征信号,获取声波信号差异系数,并将声波信号差异系数记为声波影响系数。
4.根据权利要求3所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述图像检测结果分为垃圾目标检测结果和图像特征信息,所述根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数,包括:
当预设指定区域为无标识类时,根据待检测垃圾的显性特征,确认待检测垃圾的占地面积,记为落地面积;
基于落地面积和垃圾目标检测结果,计算面积差异值,并根据面积差异值和预设指定区域大小,计算并获取面积比例系数,并将该系数记为图像影响系数;
当预设指定区域为有标识类时,根据预设指定区域对应的标识类信息从预设的数据库中提取对应的图像特征信息模板;
基于图像特征信息模板和图像特征信息,获取图像特征差异系数,并将图像特征差异系数记为图像影响系数。
5.根据权利要求1所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果,包括:
判断图像影响系数是否不小于预设第一阈值,
若是,则使用图像检测方式对预设指定区域进行垃圾检测,并将获取的图像检测结果记为比较结果;
若否,则判断声波影响系数是否达到预设第二阈值,
若达到,则使用声波检测方式对预设指定区域进行垃圾检测,并将获取的声波检测结果记为比较结果;
若未达到,则分别使用图像检测方式和声波检测方式对预设指定区域进行垃圾检测,并将获取的图像检测结果和声波检测结果一同记为比较结果。
6.根据权利要求1所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述根据比较结果和参照结果,生成垃圾检测的判定结果,包括:
若预设指定区域为有标识类时,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数;
判断差异指数是否达到预设第三阈值,
若差异指数达到预设第三阈值,则输出第一提示信息,所述第一提示信息用于表示垃圾分类异常。
7.根据权利要求6所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述根据比较结果和参照结果,生成垃圾检测的判定结果,包括:
若预设指定区域为无标识类时,将比较结果与参照结果按照对应的结果进行比对,并获取差异指数;
判断差异指数是否达到预设第四阈值,
若差异指数达到预设第四阈值,则输出第二提示信息,所述第二提示信息用于表示垃圾投放异常。
8.根据权利要求6所述的一种基于AI处理的提升再生资源分拣效率的方法,其特征在于,所述将比较结果与参照结果按照对应的结果进行比对,并获取差异指数,包括:
若比较结果包括图像检测结果和声波检测结果时,则分别根据图像检测结果和声波检测结果同参照结果中的图像检测结果和声波检测结果进行对比,并获取相应的图像差异指数和声波差异指数;
通过影响系数对图像差异指数和声波差异指数进行赋权,获取联合差异指数,并将联合差异指数记为差异指数。
9.一种基于AI处理的提升再生资源分拣效率的系统,其特征在于,包括:
参照结果生成模块(101),用于定时对预设指定区域进行垃圾检测,并将检测结果记为参照结果;
显性特性提取模块(102),用于获取待检测垃圾图像,通过预设的方法提取待检测垃圾图像的显性特征;
影响系数获取模块(103),用于根据当前参照结果和待检测垃圾的显性特征,通过预设的方法计算并获取当前待检测垃圾的影响系数;
比较结果生成模块(104),用于基于当前待检测垃圾的影响系数,通过声波检测和图像检测两种方式对预设指定区域进行垃圾检测,并将获取的检测结果记为比较结果;
结果判定模块(105),用于根据比较结果和参照结果,生成垃圾检测的判定结果。
10.一种计算机可读存储介质,存储有能够被处理器加载并执行如权利要求1至8任一项所述的一种基于AI处理的提升再生资源分拣效率的方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630810.4A CN116342895B (zh) | 2023-05-31 | 2023-05-31 | 基于ai处理的提升再生资源分拣效率的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630810.4A CN116342895B (zh) | 2023-05-31 | 2023-05-31 | 基于ai处理的提升再生资源分拣效率的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116342895A true CN116342895A (zh) | 2023-06-27 |
CN116342895B CN116342895B (zh) | 2023-08-11 |
Family
ID=86880846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630810.4A Active CN116342895B (zh) | 2023-05-31 | 2023-05-31 | 基于ai处理的提升再生资源分拣效率的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342895B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131444A (zh) * | 2023-10-25 | 2023-11-28 | 南京海关工业产品检测中心 | 一种基于深度学习的固废风险自动识别方法和系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006087053A (ja) * | 2004-09-17 | 2006-03-30 | Ricoh Co Ltd | 画像読取装置、画像読取方法、プログラム、記録媒体及び画像形成装置 |
JP2014010091A (ja) * | 2012-07-02 | 2014-01-20 | Hitachi Zosen Corp | ごみ焼却炉におけるごみ状態検出装置 |
WO2020040110A1 (ja) * | 2018-08-23 | 2020-02-27 | 荏原環境プラント株式会社 | 情報処理装置、情報処理プログラム、および情報処理方法 |
CN110893956A (zh) * | 2019-11-18 | 2020-03-20 | 山东科技大学 | 垃圾智能分类与管理系统及垃圾分类识别方法及自检方法 |
CN111626117A (zh) * | 2020-04-22 | 2020-09-04 | 杭州电子科技大学 | 基于目标检测的垃圾分拣系统及方法 |
CN111814860A (zh) * | 2020-07-01 | 2020-10-23 | 浙江工业大学 | 一种面向垃圾分类的多目标检测方法 |
WO2021012761A1 (zh) * | 2019-07-19 | 2021-01-28 | Oppo广东移动通信有限公司 | 垃圾分类方法、装置、设备及存储介质 |
WO2021022475A1 (zh) * | 2019-08-06 | 2021-02-11 | 中国长城科技集团股份有限公司 | 一种垃圾处理方法、装置及终端设备 |
CN112651318A (zh) * | 2020-12-19 | 2021-04-13 | 重庆市信息通信咨询设计院有限公司 | 基于图像识别的垃圾分类方法、装置和系统 |
KR102264416B1 (ko) * | 2021-02-01 | 2021-06-14 | (주)유에스티21 | 인공위성 영상 분석을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
US20210178432A1 (en) * | 2017-06-30 | 2021-06-17 | Boe Technology Group Co., Ltd. | Trash sorting and recycling method, trash sorting device, and trash sorting and recycling system |
US20210272073A1 (en) * | 2020-02-28 | 2021-09-02 | Triple Win Technology(Shenzhen) Co.Ltd. | Garbage sorting and recycliing method, system, and computer readable storage medium |
WO2021174759A1 (zh) * | 2020-03-03 | 2021-09-10 | 深圳壹账通智能科技有限公司 | 垃圾分类处理方法、装置、终端及存储介质 |
CN113688825A (zh) * | 2021-05-17 | 2021-11-23 | 海南师范大学 | 一种ai智能垃圾识别分类系统和方法 |
CN114506591A (zh) * | 2020-10-23 | 2022-05-17 | 湘潭大学 | 一种基于图像分类技术的智能垃圾桶设计方法 |
CN114955289A (zh) * | 2022-03-24 | 2022-08-30 | 中国人民解放军陆军军事交通学院 | 智能垃圾分类回收及管理方法和智能分类垃圾桶 |
CN114951036A (zh) * | 2021-12-28 | 2022-08-30 | 城发智能科技有限公司 | 一种基于大数据技术的垃圾分类研判系统 |
CN115035443A (zh) * | 2022-06-02 | 2022-09-09 | 杭州益趣科技有限公司 | 基于图片拍摄的落地垃圾检测方法、系统及装置 |
CN115447924A (zh) * | 2022-09-05 | 2022-12-09 | 广东交通职业技术学院 | 基于机器视觉的垃圾分类分拣方法、系统、装置及介质 |
WO2023050637A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海仙途智能科技有限公司 | 垃圾检测 |
US20230138374A1 (en) * | 2021-11-01 | 2023-05-04 | Tianjin University Of Commerce | Sorting-based garbage classification method and device |
CN116189099A (zh) * | 2023-04-25 | 2023-05-30 | 南京华苏科技有限公司 | 基于改进yolov8的暴露垃圾检测及堆放监控的方法 |
-
2023
- 2023-05-31 CN CN202310630810.4A patent/CN116342895B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006087053A (ja) * | 2004-09-17 | 2006-03-30 | Ricoh Co Ltd | 画像読取装置、画像読取方法、プログラム、記録媒体及び画像形成装置 |
JP2014010091A (ja) * | 2012-07-02 | 2014-01-20 | Hitachi Zosen Corp | ごみ焼却炉におけるごみ状態検出装置 |
US20210178432A1 (en) * | 2017-06-30 | 2021-06-17 | Boe Technology Group Co., Ltd. | Trash sorting and recycling method, trash sorting device, and trash sorting and recycling system |
WO2020040110A1 (ja) * | 2018-08-23 | 2020-02-27 | 荏原環境プラント株式会社 | 情報処理装置、情報処理プログラム、および情報処理方法 |
WO2021012761A1 (zh) * | 2019-07-19 | 2021-01-28 | Oppo广东移动通信有限公司 | 垃圾分类方法、装置、设备及存储介质 |
WO2021022475A1 (zh) * | 2019-08-06 | 2021-02-11 | 中国长城科技集团股份有限公司 | 一种垃圾处理方法、装置及终端设备 |
CN110893956A (zh) * | 2019-11-18 | 2020-03-20 | 山东科技大学 | 垃圾智能分类与管理系统及垃圾分类识别方法及自检方法 |
US20210272073A1 (en) * | 2020-02-28 | 2021-09-02 | Triple Win Technology(Shenzhen) Co.Ltd. | Garbage sorting and recycliing method, system, and computer readable storage medium |
WO2021174759A1 (zh) * | 2020-03-03 | 2021-09-10 | 深圳壹账通智能科技有限公司 | 垃圾分类处理方法、装置、终端及存储介质 |
CN111626117A (zh) * | 2020-04-22 | 2020-09-04 | 杭州电子科技大学 | 基于目标检测的垃圾分拣系统及方法 |
CN111814860A (zh) * | 2020-07-01 | 2020-10-23 | 浙江工业大学 | 一种面向垃圾分类的多目标检测方法 |
CN114506591A (zh) * | 2020-10-23 | 2022-05-17 | 湘潭大学 | 一种基于图像分类技术的智能垃圾桶设计方法 |
CN112651318A (zh) * | 2020-12-19 | 2021-04-13 | 重庆市信息通信咨询设计院有限公司 | 基于图像识别的垃圾分类方法、装置和系统 |
KR102264416B1 (ko) * | 2021-02-01 | 2021-06-14 | (주)유에스티21 | 인공위성 영상 분석을 통한 해양쓰레기 탐지 시스템 및 그 방법 |
CN113688825A (zh) * | 2021-05-17 | 2021-11-23 | 海南师范大学 | 一种ai智能垃圾识别分类系统和方法 |
WO2023050637A1 (zh) * | 2021-09-30 | 2023-04-06 | 上海仙途智能科技有限公司 | 垃圾检测 |
US20230138374A1 (en) * | 2021-11-01 | 2023-05-04 | Tianjin University Of Commerce | Sorting-based garbage classification method and device |
CN114951036A (zh) * | 2021-12-28 | 2022-08-30 | 城发智能科技有限公司 | 一种基于大数据技术的垃圾分类研判系统 |
CN114955289A (zh) * | 2022-03-24 | 2022-08-30 | 中国人民解放军陆军军事交通学院 | 智能垃圾分类回收及管理方法和智能分类垃圾桶 |
CN115035443A (zh) * | 2022-06-02 | 2022-09-09 | 杭州益趣科技有限公司 | 基于图片拍摄的落地垃圾检测方法、系统及装置 |
CN115447924A (zh) * | 2022-09-05 | 2022-12-09 | 广东交通职业技术学院 | 基于机器视觉的垃圾分类分拣方法、系统、装置及介质 |
CN116189099A (zh) * | 2023-04-25 | 2023-05-30 | 南京华苏科技有限公司 | 基于改进yolov8的暴露垃圾检测及堆放监控的方法 |
Non-Patent Citations (4)
Title |
---|
张方超;董振;张栋;武涛;李卫国;: "基于图像视觉的垃圾分类机器人识别控制系统算法设计", 电子测量技术, no. 20 * |
彭国华;朱晨光;林莉;游小红;白新民;柳小青;薛琳;夏文;陈安涌;: "南昌市城市生活垃圾无害化处理环境卫生调查", 现代预防医学, no. 12 * |
董子源;韩卫光;: "基于卷积神经网络的垃圾图像分类算法", 计算机系统应用, no. 08 * |
黄浩然;: "基于Hu不变矩的垃圾分类和识别", 自动化应用, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131444A (zh) * | 2023-10-25 | 2023-11-28 | 南京海关工业产品检测中心 | 一种基于深度学习的固废风险自动识别方法和系统 |
CN117131444B (zh) * | 2023-10-25 | 2023-12-22 | 南京海关工业产品检测中心 | 一种基于深度学习的固废风险自动识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116342895B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116342895B (zh) | 基于ai处理的提升再生资源分拣效率的方法及系统 | |
CN111573039B (zh) | 一种基于大数据的垃圾分类智能处理系统 | |
CN108303748A (zh) | 检查设备和检测行李物品中的枪支的方法 | |
CN111611970B (zh) | 一种基于城管监控视频的乱扔垃圾行为检测方法 | |
CN110813792B (zh) | 一种智能垃圾识别分类方法 | |
CN101915767B (zh) | 一种鸡蛋裂纹的系统性识别方法 | |
CN112298844B (zh) | 一种垃圾分类监督方法及装置 | |
CN101751744A (zh) | 一种烟雾检测和预警方法 | |
CN112499017A (zh) | 垃圾分类方法、装置及垃圾箱 | |
CN109448225B (zh) | 一种智能废纸回收系统用纸张校验装置及其校验方法 | |
CN108038424A (zh) | 一种适用于高空作业的视觉自动化检测方法 | |
CN110674731A (zh) | 一种基于深度学习的道路清洁度量化方法 | |
KR102185225B1 (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
CN111832749B (zh) | 垃圾袋识别方法及相关装置 | |
CN113657143B (zh) | 一种基于分类和检测联合判决的垃圾分类方法 | |
CN113076999B (zh) | 基于人工智能信息数据采集方法 | |
CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN114951036A (zh) | 一种基于大数据技术的垃圾分类研判系统 | |
CN113369155A (zh) | 可再生垃圾废品识别检测及自动回收系统及方法 | |
CN111814764A (zh) | 一种遗撒物确定系统 | |
CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
CN113619950B (zh) | 基于深度学习的垃圾分类投放智能监管系统及方法 | |
CN117541988A (zh) | 一种再生资源回收系统的物体检测方法 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN117095242B (zh) | 一种基于机器视觉的智能建筑垃圾分类方法及系统 |
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 |