CN116385243A - 一种智能化垃圾分类收运管理方法及系统 - Google Patents

一种智能化垃圾分类收运管理方法及系统 Download PDF

Info

Publication number
CN116385243A
CN116385243A CN202310658747.5A CN202310658747A CN116385243A CN 116385243 A CN116385243 A CN 116385243A CN 202310658747 A CN202310658747 A CN 202310658747A CN 116385243 A CN116385243 A CN 116385243A
Authority
CN
China
Prior art keywords
image acquisition
result
classified
quasi
similar product
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
Application number
CN202310658747.5A
Other languages
English (en)
Other versions
CN116385243B (zh
Inventor
李慧
王翼
陈佳义
孙诗航
李乡超
陈琳
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.)
Tus Digital Sanitation Hefei Group Co ltd
Original Assignee
Tus Digital Sanitation Hefei Group 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 Tus Digital Sanitation Hefei Group Co ltd filed Critical Tus Digital Sanitation Hefei Group Co ltd
Priority to CN202310658747.5A priority Critical patent/CN116385243B/zh
Publication of CN116385243A publication Critical patent/CN116385243A/zh
Application granted granted Critical
Publication of CN116385243B publication Critical patent/CN116385243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种智能化垃圾分类收运管理方法及系统，涉及数据处理技术领域，采集待分类物品的内部图像采集结果和外部图像采集结果，进行材质特征分析与体积特征分析，获取准材料类型与物品体积参数，采集称重结果，若满足准材料类型的物品体积参数，对抓取机器人进行参数控制优化，执行待分类物品的分类收运，解决了现有技术中存在的对于垃圾的回收处理体系不够完善，源头分类困难，分类准确度与效率较低，导致后续的垃圾处理与资源转换受限的技术问题，对瓶装物品进行图像采集与多维特征分析，以进行物品材料类型的归属验证，保障分类归属的准确度与效率，配置针对性抓取控制参数执行分类收运操作，实现垃圾的智能化有效分类收运管理。

Description

一种智能化垃圾分类收运管理方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种智能化垃圾分类收运管理方法及系统。
背景技术
具体而言，目前我国多基于混合收运方式，于垃圾转运站执行基础分类与处理，后步执行回收或填埋焚烧处理。由于垃圾分类方面的技术局限，导致垃圾分类结果不够合理，无法满足当前的处理需求。
现有技术对于垃圾的回收处理体系不够完善，源头分类困难，分类准确度与效率较低，导致后续的垃圾处理与资源转换受限。
发明内容
本申请提供了一种智能化垃圾分类收运管理方法及系统，用于针对解决现有技术中存在的对于垃圾的回收处理体系不够完善，源头分类困难，分类准确度与效率较低，导致后续的垃圾处理与资源转换受限的技术问题。
鉴于上述问题，本申请提供了一种智能化垃圾分类收运管理方法及系统。
第一方面，本申请提供了一种智能化垃圾分类收运管理方法，所述方法包括：
通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，其中，所述待分类物品为完整瓶状物品；
根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；
根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行体积特征分析，获取物品体积参数；
根据称重装置采集所述待分类物品的称重结果；
当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数；
根据所述优化控制参数进行所述待分类物品的分类收运。
第二方面，本申请提供了一种智能化垃圾分类收运管理系统，所述系统包括：
图像采集模块，所述图像采集模块用于通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，其中，所述待分类物品为完整瓶状物品；
材质特征分析模块，所述材质特征分析模块用于根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；
体积特征分析模块，所述体积特征分析模块用于根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行体积特征分析，获取物品体积参数；
称重结果采集模块，所述称重结果采集模块用于根据称重装置采集所述待分类物品的称重结果；
控制优化模块，所述控制优化模块用于当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数；
物品收运模块，所述物品收运模块用于根据所述优化控制参数进行所述待分类物品的分类收运。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种智能化垃圾分类收运管理方法，通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，基于内部图像采集结果和外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；对所述待分类物品进行体积特征分析，获取物品体积参数，根据称重装置采集所述待分类物品的称重结果，若满足所述准材料类型的所述物品体积参数，对抓取机器人进行控制优化生成优化控制参数，进行所述待分类物品的分类收运，解决了现有技术中存在的对于垃圾的回收处理体系不够完善，源头分类困难，分类准确度与效率较低，导致后续的垃圾处理与资源转换受限的技术问题，对瓶装物品进行图像采集与多维特征分析，以进行物品材料类型的归属验证，保障分类归属的准确度与效率，配置针对性抓取控制参数执行分类收运操作，实现垃圾的智能化有效分类收运管理。
附图说明
图1为本申请提供了一种智能化垃圾分类收运管理方法流程示意图；
图2为本申请提供了一种智能化垃圾分类收运管理方法中准材料类型获取流程示意图；
图3为本申请提供了一种智能化垃圾分类收运管理方法中优化控制参数生成流程示意图；
图4为本申请提供了一种智能化垃圾分类收运管理系统结构示意图。
附图标记说明：图像采集模块11，材质特征分析模块12，体积特征分析模块13，称重结果采集模块14，控制优化模块15，物品收运模块16。
具体实施方式
本申请通过提供一种智能化垃圾分类收运管理方法及系统，采集待分类物品的内部图像采集结果和外部图像采集结果，进行材质特征分析获取准材料类型，进行体积特征分析获取物品体积参数，获取称重装置的称重结果，若满足准材料类型的物品体积参数，对抓取机器人进行参数控制优化，执行待分类物品的分类收运，用于解决现有技术中存在的对于垃圾的回收处理体系不够完善，源头分类困难，分类准确度与效率较低，导致后续的垃圾处理与资源转换受限的技术问题。
实施例一：如图1所示，本申请提供了一种智能化垃圾分类收运管理方法，应用于智能化垃圾分类收运管理系统，所述系统与图像采集装置通信连接，包括：
步骤S100：通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，其中，所述待分类物品为完整瓶状物品；
具体而言，目前我国多基于混合收运方式，于垃圾转运站执行基础分类与处理，后步执行回收与填埋焚烧处理，无法进行垃圾的智能化有效分类收运管理。本申请提供的一种智能化垃圾分类收运管理方法，主要用于进行瓶状物品的分类，采集待分类物品的图像进行多维特征分析，进行瓶类物品的精准分类与抓取优化控制，以保障分类收运效果。
具体的，所述待分类物品为完整的瓶装物品，包括不同材质、尺寸的容器，所述图像采集装置布设于所述待分类物品区域，基于所述图像采集装置，进行所述待分类物品的多角度图像采集，确定具备所述待分类物品完备特征的采集图像，将针对所述待分类物品外形的采集图像作为所述外部图像采集结果；将具备物品内部结构的采集图像作为所述内部图像采集结果，优选的，可基于图像采集装置相对于物品的相对角度进行图像归属，所述内部图像采集结果与所述外部图像采集结果为进行物品分类的分析数据源。
步骤S200：根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；
进一步而言，如图2所示，根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型，本申请步骤S200还包括：
步骤S210：对所述外部图像采集结果进行形状特征分析，获取外部形状特征；
步骤S220：对所述内部图像采集结果进行形状特征分析，获取内部形状特征；
步骤S230：对所述外部图像采集结果进行图案特征分析，获取外部特征图案；
步骤S240：根据所述外部形状特征、所述内部形状特征和所述外部特征图案，采集相似产品集合，其中，所述相似产品集合具有所述外部形状特征、所述内部形状特征和所述外部特征图案；
步骤S250：对所述相似产品集合按照产品类型进行聚类划分，生成相似产品聚类结果和类内支持度；
步骤S260：当所述相似产品聚类结果的所述类内支持度满足支持度阈值，将所述相似产品聚类结果的材质，设为所述准材料类型。
进一步而言，本申请步骤S260还包括：
步骤S261：当所述相似产品聚类结果的所述类内支持度满足所述支持度阈值的数量为0，且所述待分类物品的厚度满足厚度阈值，激活超声波探头在所述待分类物品的第一距离处发射第一脉冲信号并开始计时，获取接收第二脉冲信号的第一计时信息；
步骤S262：根据所述第一计时信息，计算所述待分类物品的超声传播速度，包括，
获取超声传播速度计算公式：
Figure SMS_1
其中，
Figure SMS_2
表征超声传播速度，/>
Figure SMS_3
表征待分类物品厚度，/>
Figure SMS_4
表征超声波在空气中的传播速度，/>
Figure SMS_5
表征第一计时信息，/>
Figure SMS_6
表征第一距离；
步骤S263：根据所述超声传播速度计算公式对所述第一计时信息进行处理，获取所述超声传播速度；
步骤S264：根据所述超声传播速度确定所述准材料类型。
进一步而言，根据所述超声传播速度确定所述准材料类型，本申请步骤S264还包括：
步骤S2641：将所述相似产品聚类结果的所述类内支持度，设为材质判别先验概率；
步骤S2642：根据所述超声传播速度，遍历所述相似产品聚类结果，确定材质判别似然率集；
步骤S2643：根据所述材质判别先验概率和所述材质判别似然率集，确定所述相似产品聚类结果的材质判别后验概率集；
步骤S2644：将所述材质判别后验概率集大于或等于概率阈值的所述相似产品聚类结果的材质，设为所述准材料类型；
其中，根据所述超声传播速度，遍历所述相似产品聚类结果，确定材质判别似然率集，之前包括：
步骤S26421：获取预设物品样品集的预设物品材质信息和预设物品产品型号信息；
步骤S26422：基于专家组，标定所述预设物品材质信息到所述预设物品产品型号信息的转移概率集合；
步骤S26423：将所述转移概率集合设为所述材质判别似然率集。
进一步而言，将所述材质判别后验概率集大于或等于概率阈值的所述相似产品聚类结果的材质，设为所述准材料类型，本申请步骤S2644还包括：
步骤S26441：当所述材质判别后验概率集大于或等于所述概率阈值的所述相似产品聚类结果为一个，将所述相似产品聚类结果的材质，设为所述准材料类型；
步骤S26442：当所述材质判别后验概率集大于或等于所述概率阈值的所述相似产品聚类结果为多个，根据所述内部图像采集结果和所述外部图像采集结果进行透明度特征提取，获取透明度特征；
步骤S26443：根据所述内部图像采集结果和所述外部图像采集结果进行表面特征提取，获取颜色特征；
步骤S26444：将所述透明度特征和所述颜色特征，遍历多个相似产品型号进行匹配度评估，获取多个匹配度；
步骤S26445：对所述多个匹配度进行最大值筛选，获取所述准材料类型。
进一步而言，将所述透明度特征和所述颜色特征，遍历多个相似产品型号进行匹配度评估，获取多个匹配度，本申请步骤S26444还包括：
步骤S264441：获取匹配度评估模型构建数据集，其中，所述匹配度评估模型构建数据集包括透明度记录数据、颜色记录数据、评估产品型号记录数据和匹配度标识数据；
步骤S264442：以所述透明度记录数据、所述颜色记录数据、所述评估产品型号记录数据为输入数据，以所述匹配度标识数据为输出标识信息，基于回归决策树，训练第一基处理器；
步骤S264443：获取所述第一基处理器的输出误差大于或等于误差阈值的所述匹配度评估模型构建数据集，设定第一损失数据；
步骤S264444：当所述第一损失数据的数据量大于或等于收敛阈值，根据所述第一损失数据训练第二基处理器；
步骤S264445：重复迭代，当第N损失数据的数据量小于所述收敛阈值，将所述第一基处理器、所述第二基处理器直到第N基处理器作为并行节点融合，生成匹配度评估模型，其中，所述匹配度评估模型为并行节点的输出均值；
步骤S264446：将所述透明度特征和所述颜色特征，遍历所述多个相似产品型号输入所述匹配度评估模型，获取所述多个匹配度。
具体而言，基于所述外部图像采集结果，进行形状特征分析，例如可基于图像分割进行目标框选，识别外部形状特征，例如广口、管型、柱形等；对所述内部图像采集结果进行形状特征分析，例如限位槽、滤网、压泵等，识别具体态势结构特征，作为所述内部形状特征；对所述外部图像采集结果进行图案特征分析，例如瓶身标签，可用于进行用途归属，例如工业用瓶、医疗用瓶、食用瓶等，进行图案特征识别，包括文本与图像，作为所述外部特征图案。以所述外部形状特征、所述内部形状特征与所述外部特征图像为索引，对相似产品进行搜索，确定与待分类物品特征相似的多个产品，同上进行所述外部形状特征、所述内部形状特征与所述外部特征图像的识别与标识，集成带有特征标识的相似产品，作为所述相似产品集合，所述相似产品集合为进行所述待分类物品分析的辅助参考。
进一步的，基于产品类型对所述相似产品集合进行聚类处理，以材料类型标准，进行所述产品类型划定，对所述相似产品集合分别与划分的多个产品类型进行相似度分析，将最高相似度作为响应标准进行聚类归属，将所述相似产品集合归属为多个聚类结果，针对各聚类结果，计算类内产品数量占所述相似产品集合的总产品数量的比值，作为所述类内支持度。进一步设定所述支持度阈值，即限定所述待分类物品材料类型的临界支持度，可结合专家经验进行自定义设定，对所述相似度产能品聚类结果对应的所述类内支持度与所述支持度阈值进行校对，基于校对结果进行所述准材料类型的确定。
具体的，若所述相似产品聚类结果的所述类内支持度满足所述支持度阈值的数量为至少一个，进行支持度校对确定最大支持度对应的聚类结果，将该聚类结果的材料类型作为所述准材料类型；若所述相似产品聚类结果的所述类内支持度满足所述支持度阈值的数量为0，设定厚度阈值，即自定义设定的用于进行材料侧面辅助评估的临界厚度，若同时满足所述厚度阈值，激活所述超声波探头，将所述超声波探头与所述待分类物品的距离作为所述第一距离，所述超声波探头于所述第一距离处发射所述第一脉冲信号，基于发射时刻开始计时，将基于所述待分类物品接收的反馈信号作为所述第二脉冲信号，将基于所述第一距离的双程脉冲时间作为所述第一计时信息。
由于所述第一脉冲信号穿透不同材料于空间中对应的传播速度影响不同，通过计算脉冲信号于所述待分类物品中的超声传播速度进行材料类型确定。获取所述超声传播速度计算公式：
Figure SMS_7
，其中，/>
Figure SMS_8
表征超声传播速度，/>
Figure SMS_9
表征待分类物品厚度，/>
Figure SMS_10
表征超声波在空气中的传播速度，/>
Figure SMS_11
表征第一计时信息，/>
Figure SMS_12
表征第一距离，上述参数可通过测量直接进行确定，将所述第一计时信息与测量参数输入所述超声传播速度计算公式中，计算获得所述超声传播速度。
进一步的，基于所述超声传播速度进行所述准材料类型分析，具体的，将所述相似产品聚类结果的所述类内支持度，设定为所述材质判别先验概率。进而以所述超声传播速度为定参，确定基于所述相似产品聚类结果中各聚类结果下，处于所述超声传播速度的概率，作为所述似然概率集。具体的，对所述预设物品样品集，即采集的与所述相似产品聚类结果适配的辅助分析样本，进行信息识别，确定对应的所述预设物品材质信息与所述预设物品产品型号信息。基于专家组，对所述预设物品材质信息与所述预设物品产品型号信息进行基于所述超声传播速度的转移概率分析，确定所述转移概率集合，所述转移概率集合与所述相似产品聚类结果相对应，将所述转移概率集合设为所述材质判别似然概率集。结合贝叶斯算法进行概率分析，分别计算确定基于所述超声传播速度下，处于所述相似产品聚类结果中各聚类结果的概率，作为所述材质判别后验概率集。
进一步设定所述概率阈值，即结合专家经验自定义设定的进行准材料类型归属的临界概率值，对所述材质判别后验概率集与所述概率阈值进行校对，若所述材质判别后延概率集大于或等于所述概率阈值，且满足的所述相似产品聚类结果为一个，将所述相似度产品聚类结果对应的材质，作为所述准材料类型；若满足的所述相似产品聚类结果为多个，结合透明度特征进一步进行判别。
具体的，基于所述内部图像采集结果与所述外部图像采集结果进行透明度特征提取，以0至百分百作为透明度衡量标准，且透明度逐步上升，基于图像进行透明度特征识别并进行百分比匹配，确定所述待分类物品的所述透明度特征。同时，基于所述内部图像采集结果与所述外部图像采集结果进行表面特征识别，确定所述待分类物品的可视化颜色，作为所述颜色特征。
进一步的，遍历多个相似产品型号，基于所述透明度特征与所述颜色特征，进行相似度匹配，确定对应于所述多个相似产品型号的所述多个匹配度。具体的，采集构建样本，对样本进行透明度记录、颜色记录、产品型号记录识别，并基于所述透明度特征与所述颜色特征进行匹配度分析标识，例如：随机取1000组透明度、颜色、形状、图案限定的物品集，然后对其中的物品按照类别进行分组，每个类别数量所占比例为匹配度标识信息，对所述透明度记录数据、所述颜色记录数据、所述评估产品型号记录数据与所述匹配度标识数据进行规整，作为所述匹配度评估模型构建数据集。
进一步将所述透明度记录数据、所述颜色记录数据、所述评估产品型号记录数据为输入数据，以所述匹配度标识数据为输出标识信息，对所述输入数据与所述输出标识信息进行映射关联，基于回归决策树确定体系架构，训练生成所述第一基处理器，即用于进行输入数据匹配度分析的辅助工具。基于模型精准度需求设定所述误差阈值，即用于判定数据处理结果合格的临界误差值，基于所述第一基处理器进行处理，确定所述匹配度评估模型构建数据集的输出结果，与对应的所述匹配度标识数据进行差值计算，进而与所述误差阈值进行校对，提取所述匹配度评估模型构建数据集中输出结果大于或等于所述误差阈值的数据，作为所述第一损失数据。
进一步判定所述第一损失数据是否大于或等于所述收敛阈值，即判定是否继续执行后续训练操作的临界数据量，若大于等于，将所述第一损失数据作为训练数据，基于回归决策树训练所述第二基处理器；进而对所述第二基处理器进行损失分析，重复上述操作进行迭代训练，直至所述第N损失数据的数据量小于所述收敛阈值，表明训练达标，对所述第一基处理器、所述第二基处理器直至所述第N基处理器进行并行节点融合，提高分析处理效率并最大化保障输出结果的准确度，获取所述匹配度评估模型。
进一步的，将所述透明度特征和所述颜色特征，遍历所述多个相似产品型号输入所述匹配度评估模型，分别分析对应的匹配度。基于所述第一基处理器、所述第二基处理器直至所述第N基处理器分别同步进行匹配度分析，对各基处理器的输出结果进行均值计算，作为该相似产品型号与所述透明度特征和所述颜色特征的匹配度，获取所述多个相似度产品型号对应的所述多个匹配度。校对所述多个匹配度，确定所述最大匹配度对应的材料类型，作为所述准材料类型，在提高分析处理效率的基础上保障材料类型的归属准确度。
步骤S300：根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行体积特征分析，获取物品体积参数；
步骤S400：根据称重装置采集所述待分类物品的称重结果；
具体而言，基于所述内部图像采集结果与所述外部图像采集结果，识别尺寸特征，并结合形状特征进行体积特征分析，例如基于所述待分类物品的结构部件，如瓶身、瓶颈等，进行尺寸特征与形状特征的分割与体积特征计算，对各结构部件进行体积加和，作为所述物品体积参数。同时，基于所述称重装置，例如检重称，对所述待分类物品进行重量检测，作为所述称重结果。所述称重结果与所述物品体积参数为进行所述准材料类型验证的数据源。
步骤S500：当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数；
步骤S600：根据所述优化控制参数进行所述待分类物品的分类收运。
具体而言，获取所述准材料类型的密度参数，即契合于材料类型的定值密度，基于所述称重结果与所述物品体积参数，确定所述待分类物品的密度参数，进行密度差值计算，判断所述待分类物品的密度参数与所述准材料类型是否符合，若符合，分析抓取路径与抓取位置，添加进所述优化控制参数，基于所述优化控制参数对所述待分类物品进行分类收运；若不符合，表明所述准材料类型验证失败，则生成异常指令进行示警，以提醒工作人员进行现场管理。
进一步而言，如图3所示，当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数，本申请步骤S500还包括：
步骤S510：根据所述称重结果和所述物品体积参数，确定物品密度信息；
步骤S520：判断所述准材料类型的密度参数与所述物品密度信息的偏差小于或等于密度偏差阈值；
步骤S530：若小于或等于，将所述准材料类型设为材料识别结果；
步骤S540：根据所述材料识别结果，匹配目标存放区域进行路径规划，获取抓取路径信息；
步骤S550：根据所述材料识别结果，匹配期望抓取位置；
步骤S560：将所述抓取路径信息和所述期望抓取位置，添加进所述抓取机器人的所述优化控制参数。
具体而言，对所述称重结果与所述体积参数进行除法计算，将计算结果作为所述物品密度信息。识别所述准材料类型的密度参数，与所述物品密度信息进行偏差计算，获取密度偏差。设定所述密度偏差阈值，即基于精度要求设定的临界密度偏差，对所述密度偏差与所述密度偏差阈值进行校对，若所述密度偏差小于或等于所述密度偏差阈值，表明处于偏差可控限度内，将所述准材料类型设为所述材料识别结果。进一步基于所述材料识别结果，匹配所述待分类物品材料对应的分类存放区域，作为所述目标存放区域。基于所述待分类物品当前位置与所述目标存放区域进行转移路径规划，作为所述抓取路径信息。基于所述材料识别结果，进行最优抓取位置的确定，例如若密度过高，将瓶身中段作为所述期望抓取位置，以进行抓取转移过程中的重量平衡。进而将所述抓取路径信息与所述期望抓取位置添加进所述抓取机器人的所述优化控制参数中，进行基于所述待分类物品的针对性操作，保障控制效果与实际需求相契合，同时规避抓取转移过程中可能存在的物品掉落等意外状况。
实施例二：基于与前述实施例中一种智能化垃圾分类收运管理方法相同的发明构思，如图4所示，本申请提供了一种智能化垃圾分类收运管理系统，所述系统包括：
图像采集模块11，所述图像采集模块11用于通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，其中，所述待分类物品为完整瓶状物品；
材质特征分析模块12，所述材质特征分析模块12用于根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；
体积特征分析模块13，所述体积特征分析模块13用于根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行体积特征分析，获取物品体积参数；
称重结果采集模块14，所述称重结果采集模块14用于根据称重装置采集所述待分类物品的称重结果；
控制优化模块15，所述控制优化模块15用于当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数；
物品收运模块16，所述物品收运模块16用于根据所述优化控制参数进行所述待分类物品的分类收运。
进一步而言，所述系统还包括：
外部形状特征获取模块，所述外部形状特征获取模块用于对所述外部图像采集结果进行形状特征分析，获取外部形状特征；
内部形状特征获取模块，所述内部形状特征获取模块用于对所述内部图像采集结果进行形状特征分析，获取内部形状特征；
外部特征图案获取模块，所述外部特征图案获取模块用于对所述外部图像采集结果进行图案特征分析，获取外部特征图案；
相似产品采集模块，所述相似产品采集模块用于根据所述外部形状特征、所述内部形状特征和所述外部特征图案，采集相似产品集合，其中，所述相似产品集合具有所述外部形状特征、所述内部形状特征和所述外部特征图案；
产品聚类模块，所述产品聚类模块用于对所述相似产品集合按照产品类型进行聚类划分，生成相似产品聚类结果和类内支持度；
阈值判定模块，所述阈值判定模块用于当所述相似产品聚类结果的所述类内支持度满足支持度阈值，将所述相似产品聚类结果的材质，设为所述准材料类型。
进一步而言，所述系统还包括：
计时信息获取模块，所述计时信息获取模块用于当所述相似产品聚类结果的所述类内支持度满足所述支持度阈值的数量为0，且所述待分类物品的厚度满足厚度阈值，激活超声波探头在所述待分类物品的第一距离处发射第一脉冲信号并开始计时，获取接收第二脉冲信号的第一计时信息；
速度计算模块，所述速度计算模块用于根据所述第一计时信息，计算所述待分类物品的超声传播速度，包括，
获取超声传播速度计算公式：
Figure SMS_13
其中，
Figure SMS_14
表征超声传播速度，/>
Figure SMS_15
表征待分类物品厚度，/>
Figure SMS_16
表征超声波在空气中的传播速度，/>
Figure SMS_17
表征第一计时信息，/>
Figure SMS_18
表征第一距离；
信息处理模块，所述信息处理模块用于根据所述超声传播速度计算公式对所述第一计时信息进行处理，获取所述超声传播速度；
准材料类型确定模块，所述准材料类型确定模块用于根据所述超声传播速度确定所述准材料类型。
进一步而言，所述系统还包括：
先验概率设定模块，所述先验概率设定模块用于将所述相似产品聚类结果的所述类内支持度，设为材质判别先验概率；
似然率确定模块，所述似然率确定模块用于根据所述超声传播速度，遍历所述相似产品聚类结果，确定材质判别似然率集；
后验概率确定模块，所述后验概率确定模块用于根据所述材质判别先验概率和所述材质判别似然率集，确定所述相似产品聚类结果的材质判别后验概率集；
概率判定模块，所述概率判定模块用于将所述材质判别后验概率集大于或等于概率阈值的所述相似产品聚类结果的材质，设为所述准材料类型；
其中，根据所述超声传播速度，遍历所述相似产品聚类结果，确定材质判别似然率集，之前包括：
物品信息获取模块，所述物品信息获取模块用于获取预设物品样品集的预设物品材质信息和预设物品产品型号信息；
转移概率标定模块，所述转移概率标定模块用于基于专家组，标定所述预设物品材质信息到所述预设物品产品型号信息的转移概率集合；
材质判别似然率集设定模块，所述材质判别似然率集设定模块用于将所述转移概率集合设为所述材质判别似然率集。
进一步而言，所述系统还包括：
类型设定模块，所述类型设定模块用于当所述材质判别后验概率集大于或等于所述概率阈值的所述相似产品聚类结果为一个，将所述相似产品聚类结果的材质，设为所述准材料类型；
透明度特征提取模块，所述透明度特征提取模块用于当所述材质判别后验概率集大于或等于所述概率阈值的所述相似产品聚类结果为多个，根据所述内部图像采集结果和所述外部图像采集结果进行透明度特征提取，获取透明度特征；
表面特征提取模块，所述表面特征提取模块用于根据所述内部图像采集结果和所述外部图像采集结果进行表面特征提取，获取颜色特征；
匹配度评估模块，所述匹配度评估模块用于将所述透明度特征和所述颜色特征，遍历多个相似产品型号进行匹配度评估，获取多个匹配度；
最大值筛选模块，所述最大值筛选模块用于对所述多个匹配度进行最大值筛选，获取所述准材料类型。
进一步而言，所述系统还包括：
构建数据集获取模块，所述构建数据集获取模块用于获取匹配度评估模型构建数据集，其中，所述匹配度评估模型构建数据集包括透明度记录数据、颜色记录数据、评估产品型号记录数据和匹配度标识数据；
第一基处理器训练模块，所述第一基处理器训练模块用于以所述透明度记录数据、所述颜色记录数据、所述评估产品型号记录数据为输入数据，以所述匹配度标识数据为输出标识信息，基于回归决策树，训练第一基处理器；
第一损失数据设定模块，所述第一损失数据设定模块用于获取所述第一基处理器的输出误差大于或等于误差阈值的所述匹配度评估模型构建数据集，设定第一损失数据；
第二基处理器训练模块，所述第二基处理器训练模块用于当所述第一损失数据的数据量大于或等于收敛阈值，根据所述第一损失数据训练第二基处理器；
模型生成模块，所述模型生成模块用于重复迭代，当第N损失数据的数据量小于所述收敛阈值，将所述第一基处理器、所述第二基处理器直到第N基处理器作为并行节点融合，生成匹配度评估模型，其中，所述匹配度评估模型为并行节点的输出均值；
匹配度获取模块，所述匹配度获取模块用于将所述透明度特征和所述颜色特征，遍历所述多个相似产品型号输入所述匹配度评估模型，获取所述多个匹配度。
进一步而言，所述系统还包括：
密度信息确定模块，所述密度信息确定模块用于根据所述称重结果和所述物品体积参数，确定物品密度信息；
偏差判断模块，所述偏差判断模块用于判断所述准材料类型的密度参数与所述物品密度信息的偏差小于或等于密度偏差阈值；
材料识别结果设定模块，所述材料识别结果设定模块用于若小于或等于，将所述准材料类型设为材料识别结果；
路径规划模块，所述路径规划模块用于根据所述材料识别结果，匹配目标存放区域进行路径规划，获取抓取路径信息；
期望抓取位置匹配模块，所述期望抓取位置匹配模块用于根据所述材料识别结果，匹配期望抓取位置；
期望抓取位置添加模块，所述期望抓取位置添加模块用于将所述抓取路径信息和所述期望抓取位置，添加进所述抓取机器人的所述优化控制参数。
本说明书通过前述对一种智能化垃圾分类收运管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种智能化垃圾分类收运管理方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种智能化垃圾分类收运管理方法，其特征在于，应用于智能化垃圾分类收运管理系统，所述系统与图像采集装置通信连接，包括：
通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，其中，所述待分类物品为完整瓶状物品；
根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；
根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行体积特征分析，获取物品体积参数；
根据称重装置采集所述待分类物品的称重结果；
当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数；
根据所述优化控制参数进行所述待分类物品的分类收运。
2.如权利要求1所述的方法，其特征在于，根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型，包括：
对所述外部图像采集结果进行形状特征分析，获取外部形状特征；
对所述内部图像采集结果进行形状特征分析，获取内部形状特征；
对所述外部图像采集结果进行图案特征分析，获取外部特征图案；
根据所述外部形状特征、所述内部形状特征和所述外部特征图案，采集相似产品集合，其中，所述相似产品集合具有所述外部形状特征、所述内部形状特征和所述外部特征图案；
对所述相似产品集合按照产品类型进行聚类划分，生成相似产品聚类结果和类内支持度；
当所述相似产品聚类结果的所述类内支持度满足支持度阈值，将所述相似产品聚类结果的材质，设为所述准材料类型。
3.如权利要求2所述的方法，其特征在于，还包括：
当所述相似产品聚类结果的所述类内支持度满足所述支持度阈值的数量为0，且所述待分类物品的厚度满足厚度阈值，激活超声波探头在所述待分类物品的第一距离处发射第一脉冲信号并开始计时，获取接收第二脉冲信号的第一计时信息；
根据所述第一计时信息，计算所述待分类物品的超声传播速度，包括，
获取超声传播速度计算公式：
Figure QLYQS_1
其中，
Figure QLYQS_2
表征超声传播速度，/>
Figure QLYQS_3
表征待分类物品厚度，/>
Figure QLYQS_4
表征超声波在空气中的传播速度，/>
Figure QLYQS_5
表征第一计时信息，/>
Figure QLYQS_6
表征第一距离；
根据所述超声传播速度计算公式对所述第一计时信息进行处理，获取所述超声传播速度；
根据所述超声传播速度确定所述准材料类型。
4.如权利要求3所述的方法，其特征在于，根据所述超声传播速度确定所述准材料类型，包括：
将所述相似产品聚类结果的所述类内支持度，设为材质判别先验概率；
根据所述超声传播速度，遍历所述相似产品聚类结果，确定材质判别似然率集；
根据所述材质判别先验概率和所述材质判别似然率集，确定所述相似产品聚类结果的材质判别后验概率集；
将所述材质判别后验概率集大于或等于概率阈值的所述相似产品聚类结果的材质，设为所述准材料类型；
其中，根据所述超声传播速度，遍历所述相似产品聚类结果，确定材质判别似然率集，之前包括：
获取预设物品样品集的预设物品材质信息和预设物品产品型号信息；
基于专家组，标定所述预设物品材质信息到所述预设物品产品型号信息的转移概率集合；
将所述转移概率集合设为所述材质判别似然率集。
5.如权利要求4所述的方法，其特征在于，将所述材质判别后验概率集大于或等于概率阈值的所述相似产品聚类结果的材质，设为所述准材料类型，包括：
当所述材质判别后验概率集大于或等于所述概率阈值的所述相似产品聚类结果为一个，将所述相似产品聚类结果的材质，设为所述准材料类型；
当所述材质判别后验概率集大于或等于所述概率阈值的所述相似产品聚类结果为多个，根据所述内部图像采集结果和所述外部图像采集结果进行透明度特征提取，获取透明度特征；
根据所述内部图像采集结果和所述外部图像采集结果进行表面特征提取，获取颜色特征；
将所述透明度特征和所述颜色特征，遍历多个相似产品型号进行匹配度评估，获取多个匹配度；
对所述多个匹配度进行最大值筛选，获取所述准材料类型。
6.如权利要求5所述的方法，其特征在于，将所述透明度特征和所述颜色特征，遍历多个相似产品型号进行匹配度评估，获取多个匹配度，包括：
获取匹配度评估模型构建数据集，其中，所述匹配度评估模型构建数据集包括透明度记录数据、颜色记录数据、评估产品型号记录数据和匹配度标识数据；
以所述透明度记录数据、所述颜色记录数据、所述评估产品型号记录数据为输入数据，以所述匹配度标识数据为输出标识信息，基于回归决策树，训练第一基处理器；
获取所述第一基处理器的输出误差大于或等于误差阈值的所述匹配度评估模型构建数据集，设定第一损失数据；
当所述第一损失数据的数据量大于或等于收敛阈值，根据所述第一损失数据训练第二基处理器；
重复迭代，当第N损失数据的数据量小于所述收敛阈值，将所述第一基处理器、所述第二基处理器直到第N基处理器作为并行节点融合，生成匹配度评估模型，其中，所述匹配度评估模型为并行节点的输出均值；
将所述透明度特征和所述颜色特征，遍历所述多个相似产品型号输入所述匹配度评估模型，获取所述多个匹配度。
7.如权利要求1所述的方法，其特征在于，当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数，包括：
根据所述称重结果和所述物品体积参数，确定物品密度信息；
判断所述准材料类型的密度参数与所述物品密度信息的偏差小于或等于密度偏差阈值；
若小于或等于，将所述准材料类型设为材料识别结果；
根据所述材料识别结果，匹配目标存放区域进行路径规划，获取抓取路径信息；
根据所述材料识别结果，匹配期望抓取位置；
将所述抓取路径信息和所述期望抓取位置，添加进所述抓取机器人的所述优化控制参数。
8.一种智能化垃圾分类收运管理系统，其特征在于，所述系统与图像采集装置通信连接，包括：
图像采集模块，所述图像采集模块用于通过图像采集装置对待分类物品进行图像采集，获取内部图像采集结果和外部图像采集结果，其中，所述待分类物品为完整瓶状物品；
材质特征分析模块，所述材质特征分析模块用于根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行材质特征分析，获取准材料类型；
体积特征分析模块，所述体积特征分析模块用于根据所述内部图像采集结果和所述外部图像采集结果对所述待分类物品进行体积特征分析，获取物品体积参数；
称重结果采集模块，所述称重结果采集模块用于根据称重装置采集所述待分类物品的称重结果；
控制优化模块，所述控制优化模块用于当所述称重结果满足所述准材料类型的所述物品体积参数时，对抓取机器人进行控制优化，生成优化控制参数；
物品收运模块，所述物品收运模块用于根据所述优化控制参数进行所述待分类物品的分类收运。
CN202310658747.5A 2023-06-06 2023-06-06 一种智能化垃圾分类收运管理方法及系统 Active CN116385243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310658747.5A CN116385243B (zh) 2023-06-06 2023-06-06 一种智能化垃圾分类收运管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310658747.5A CN116385243B (zh) 2023-06-06 2023-06-06 一种智能化垃圾分类收运管理方法及系统

Publications (2)

Publication Number Publication Date
CN116385243A true CN116385243A (zh) 2023-07-04
CN116385243B CN116385243B (zh) 2023-08-11

Family

ID=86967931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310658747.5A Active CN116385243B (zh) 2023-06-06 2023-06-06 一种智能化垃圾分类收运管理方法及系统

Country Status (1)

Country Link
CN (1) CN116385243B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894987A (zh) * 2023-09-11 2023-10-17 南京信息工程大学 基于多传感特征的回收物可循环度评估和分类方法、装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030183705A1 (en) * 2000-05-17 2003-10-02 Joachim Christiani Method and device for the dry separation of unsorted garbage that contains packaging waste
US20040226866A1 (en) * 2003-05-13 2004-11-18 Steven Tse Apparatus and method of separating heavy materials in garbage from light ones and classifying the heavy garbage for collection
KR20070073662A (ko) * 2007-04-19 2007-07-10 주식회사 신텍 풍력을 이용한 생활폐기물 선별방법과 그 장치
CN105620974A (zh) * 2015-06-25 2016-06-01 宇龙计算机通信科技(深圳)有限公司 智能垃圾分类装置、终端和智能垃圾分类系统
US20180117821A1 (en) * 2015-04-16 2018-05-03 Twl Systems Srl Process and apparatus for producing plastic products and plastic products produced therewith
CN111414926A (zh) * 2019-01-04 2020-07-14 卓望数码技术（深圳）有限公司 一种智能垃圾分类方法、装置、存储介质和机器人

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030183705A1 (en) * 2000-05-17 2003-10-02 Joachim Christiani Method and device for the dry separation of unsorted garbage that contains packaging waste
US20040226866A1 (en) * 2003-05-13 2004-11-18 Steven Tse Apparatus and method of separating heavy materials in garbage from light ones and classifying the heavy garbage for collection
KR20070073662A (ko) * 2007-04-19 2007-07-10 주식회사 신텍 풍력을 이용한 생활폐기물 선별방법과 그 장치
US20180117821A1 (en) * 2015-04-16 2018-05-03 Twl Systems Srl Process and apparatus for producing plastic products and plastic products produced therewith
CN105620974A (zh) * 2015-06-25 2016-06-01 宇龙计算机通信科技(深圳)有限公司 智能垃圾分类装置、终端和智能垃圾分类系统
CN111414926A (zh) * 2019-01-04 2020-07-14 卓望数码技术（深圳）有限公司 一种智能垃圾分类方法、装置、存储介质和机器人

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨爱菊;肖松权;李志华;贾宝;丁浩舒;黄军辉;乔飞义;: ""建筑废弃物资源化"的现状与建议", 西北水电, no. 06, pages 71 - 79 *
段思琛: "一种自主式垃圾分类回收机器人结构设计与实现", 《硕士电子期刊(工程科技Ⅰ辑)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894987A (zh) * 2023-09-11 2023-10-17 南京信息工程大学 基于多传感特征的回收物可循环度评估和分类方法、装置
CN116894987B (zh) * 2023-09-11 2023-11-21 南京信息工程大学 基于多传感特征的回收物可循环度评估和分类方法、装置

Also Published As

Publication number Publication date
CN116385243B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
WO2019238063A1 (zh) 文本检测分析方法、装置及设备
CN109657708B (zh) 基于图像识别-svm学习模型的工件识别装置及其方法
CN116385243B (zh) 一种智能化垃圾分类收运管理方法及系统
CN107492098B (zh) 一种基于pca和cnn的高温锻件表面缺陷在位检测方法
CN111079602A (zh) 基于多尺度区域特征约束的车辆细粒度识别方法及装置
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN106529442A (zh) 一种行人识别方法和装置
CN110766067B (zh) 基于机器学习的毫米波雷达材质识别方法
CN111724355B (zh) 一种鲍鱼体型参数的图像测量方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN104880160B (zh) 一种工件表面轮廓的二维激光实时探测方法
CN103093237B (zh) 一种基于结构化模型的人脸检测方法
CN113792826B (zh) 基于神经网络和多源数据的双视角关联安检方法及系统
CN109724703A (zh) 基于模式识别的复杂场景下的温度矫正方法
CN115147363A (zh) 一种基于深度学习算法的影像缺陷检测和分类方法及系统
CN112329587A (zh) 饮料瓶的分类方法、装置及电子设备
CN111914902A (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
CN116061187B (zh) 一种复合机器人对货架商品识别、定位和抓取方法
CN115699040A (zh) 用于训练对材料流中的组分进行分类的机器学习模型的方法和系统
CN113688825A (zh) 一种ai智能垃圾识别分类系统和方法
CN106127733A (zh) 人体目标识别的方法和装置
CN102622603A (zh) 用于评价人体姿势识别技术的方法和装置
CN105976397A (zh) 基于半非负优化集成学习的目标跟踪方法
CN111906782A (zh) 一种基于三维视觉的智能机器人抓取方法
CN107563327B (zh) 一种基于自步反馈的行人重识别方法及系统

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