CN117131444B - 一种基于深度学习的固废风险自动识别方法和系统 - Google Patents
一种基于深度学习的固废风险自动识别方法和系统 Download PDFInfo
- Publication number
- CN117131444B CN117131444B CN202311385715.9A CN202311385715A CN117131444B CN 117131444 B CN117131444 B CN 117131444B CN 202311385715 A CN202311385715 A CN 202311385715A CN 117131444 B CN117131444 B CN 117131444B
- Authority
- CN
- China
- Prior art keywords
- solid waste
- cargo
- waste risk
- risk identification
- case
- 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.)
- Active
Links
- 239000002910 solid waste Substances 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000000835 fiber Substances 0.000 claims description 19
- 239000002699 waste material Substances 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 239000004753 textile Substances 0.000 claims description 9
- 229920000742 Cotton Polymers 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000003912 environmental pollution Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- WCCJDBZJUYKDBF-UHFFFAOYSA-N copper silicon Chemical compound [Si].[Cu] WCCJDBZJUYKDBF-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 239000010949 copper Substances 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000012141 concentrate Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000002920 hazardous waste Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000010805 inorganic waste Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009270 solid waste treatment Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/908—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及环境污染评价技术领域,公开了一种基于深度学习的固废风险自动识别方法和系统,其中方法包括:S1:建立用于固废风险鉴别的案例库和知识库;S2:提取所述案例库中案例货物样品的特征,并根据所述货物样品的特征结合知识库,得到所述货物样品的固废风险值;S3:将所述案例库中的案例以及针对每个案例得到的固废风险值作为训练固废风险识别模型的数据集;S4:建立固废风险识别模型,所述固废风险识别模型包括针对不同类型货物进行固废风险识别的模型。本发明利用机器学习对固废风险进行自动识别,能够快速、准确地预判固废风险识别结果,提高鉴定的效率和准确性。
Description
技术领域
本发明涉及环境污染评价技术领域,具体涉及一种基于深度学习的固废风险自动识别方法和系统。
背景技术
固体废物,又称固体垃圾,是指人们在生产生活中形成的已不再具有利用价值或被放弃的固体和半固态垃圾,从环境学科角度分析,工业固体废物可分为有机垃圾和无机废物,又有危险废物和一般垃圾之分,根据来源又可将固体废物分成矿业的、制造业的、城市生活的。
固体垃圾中危害性质和风险性较大的是工业固体废物,因为工业固体废物中存在着大量金属和重金属成分,目前,固废鉴定是一个关键的环境管理问题,因此在固废处理过程中,需要对固废的类别进行准确的鉴定,以便进行相应的处理和处置。
现有技术中,存在对矿业固废属性进行识别的技术方案,例如,中国发明专利(CN112903735A)公开了一种铜精矿与其冶炼矿渣的固废属性快速鉴别方法,包括以下步骤:1)样品预处理;2)X射线荧光光谱检测分析;3)判定:通过2)测定样品中硅和铜含量,计算硅铜比并根据硅铜比判断固废属性:硅铜比大于等于5,初筛判定为矿渣;硅铜比大于等于1且小于5,初筛判定为疑似矿渣;硅铜比小于1,初筛判定为铜精矿。本发明铜精矿与其冶炼矿渣的固废属性快速鉴别方法,通过便携式X射线荧光光谱快速检测待测物中的硅、铜含量,通过计算待测物的硅铜含量比,进而确定待测物的固废属性。
然而,上述的方案对矿业固废进行鉴定需采用人工鉴定的形式,存在人力资源消耗大、效率低下、鉴定结果的一致性不理想的问题;并且,有技术人员尝试通过深度学习模型自动识别固废风险,但是在选取训练集时,由于固废风险识别案例较难获取,训练集选取起来较为困难,因此,采用深度学习模型识别固废风险并未有效实施下来,因此,现有技术需要一种能够节省人力成本的采用深度学习模型自动预判固废风险的方法,用以提高固废鉴定的准确性和效率。
发明内容
本发明的目的在于提供一种基于深度学习的固废风险自动识别方法和系统,以解决现有技术中的固废鉴定需要人工鉴定导致人力资源消耗大、效率低下、鉴定结果的一致性不理想以及深度学习模型训练集选取困难的的问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于深度学习的固废风险自动识别方法,包括如下步骤:
S1:建立用于固废风险鉴别的案例库和知识库;
S2:提取所述案例库中案例货物样品的特征,并根据所述货物样品的特征结合知识库,得到所述货物样品的固废风险值;
S3:将所述案例库中的案例以及针对每个案例得到的固废风险值作为训练固废风险识别模型的数据集;
S4:建立固废风险识别模型,所述固废风险识别模型包括针对不同类型货物进行固废风险识别的模型;
S5:对待判断货物样本进行处理,得到所述待判断货物样本的特征;
S6:根据所述待判断货物的类型选择对应类型的所述固废风险识别模型,并将所述S5获得的所述待判断货物样本的特征输入至所述固废风险识别模型中,从而得到所述待判断货物的固废风险判定结果。
作为本发明的一种优选方案,在所述S1中,所述案例库为海关系统进口固废类型鉴别典型案例组成的数据库;
其中,所述固废类型鉴别典型案例包括废纺织品类、废橡胶类固废鉴别的案例;
所述知识库为国家危险废物名录、固体废物鉴别标准通则、进口可用作原料的废物检验检疫规程国家标准和地方标准组成的数据库。
作为本发明的一种优选方案,在所述S2中,根据案例中货物样品的类型提取不同的特征;
所述废纺织品为化学纤维长丝、化学纤维短丝和棉纤维;
当货物样品的类型为废纺织品类时,则具体的提取特征为:
所述化学纤维长丝:提取规格是否一致、标签是否区分最小包装成分、是否为卷装、卷装是否大小一致、是否有明显污渍作为特征;
所述化学纤维短丝:提取货物规格是否一致、是否有夹杂物、是否有明显异味作为特征;
所述棉纤维:提取货物规格是否一致、是否发生霉变、是否夹杂无关硬物件、是否受油污污染作为特征。
作为本发明的一种优选方案,所述S2具体包括:根据知识库记载对所述案例库中该货物样品的每个特征赋对应该特征的固废风险值;然后取所有特征的固废风险值的最大值作为该货物的固废风险值。
作为本发明的一种优选方案,在所述S3中,所述数据集包括:所述案例库中每个案例以及该案例的货物的固废风险值。
作为本发明的一种优选方案,在所述S4中,所述固废风险识别模型为BP神经网络模型,根据案例中所有的货物类型建立对应货物类型的所述固废风险识别模型,并采用该货物类型的数据集训练对应货物类型的所述固废风险识别模型。
作为本发明的一种优选方案,所述BP神经网络模型由输入层、隐含层和输出层组成;
所述输入层和所述输出层的单元数由输入层参数和输出层参数确定。
一种基于深度学习的固废风险自动识别系统,用于执行如上述任一项所述的一种基于深度学习的固废风险自动识别方法,所述系统包括如下模块:
云服务器:用于运行固废风险识别模型;还用于访问案例库和知识库并下载内容;
采集模块:用于采集货物的信息,并将所述货物的信息传输至特征提取模块;
所述特征提取模块:与所述采集模块连接,用于接收所述货物的信息并提取出特征。
本发明与现有技术相比较具有如下有益效果:
(1)本发明利用机器学习对固废风险进行自动识别,能够快速、准确地预判固废风险识别结果,提高鉴定的效率和准确性。
(2)本发明通过建立固废风险鉴别的案例库和知识库,得到了大量的鉴定准确的案例,并结合知识库,针对案例库的每个案例,得到了固废风险值,并将案例和每个案例的固废风险值作为一个训练集,用于对固废风险识别模型训练,使得得到的训练集更为精确;
另外,本发明通过设置案例库和知识库作为数据库,具有便于补充的特点,方便对固废风险识别类型和固废风险识别案例进行补充,从而提升对不同类别的货物的鉴别能力和鉴别精度。
(3)本发明在建立固废风险识别模型时,根据货物类型不同,设置了不同的固废风险识别模型,这样在对待识别货物进行固废风险识别时,根据待识别货物类型,选择相应的识别模型,使得模型更具针对性,进而提高固废识别的准确度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例一所述方法的流程示意图。
图2为本发明实施例二所述系统的示意图。
具体实施方式
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楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是,以下对各个概念的说明,仅为了使本申请的内容更加容易理解,并不表示对本申请保护范围的限定;同时,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1所示,本发明提供了一种基于深度学习的固废风险自动识别方法,包括如下步骤:
S1:建立用于固废风险鉴别的案例库和知识库。
具体地,在所述S1中,所述案例库为海关系统进口固废类型鉴别典型案例组成的数据库;
其中,所述固废类型鉴别典型案例包括废纺织品类、废橡胶类固废鉴别的案例;
所述知识库为国家危险废物名录、固体废物鉴别标准通则、进口可用作原料的废物检验检疫规程国家标准和地方标准组成的数据库。
S2:提取所述案例库中案例货物样品的特征,并根据所述货物样品的特征结合知识库,得到所述货物样品的固废风险值。
具体地,在所述S2中,根据案例中货物样品的类型提取不同的特征;
具体地,所述废纺织品为化学纤维长丝、化学纤维短丝和棉纤维;
当货物样品的类型为废纺织品类时,则具体的提取特征为:
所述化学纤维长丝:提取规格是否一致、标签是否区分最小包装成分、是否为卷装、卷装是否大小一致、是否有明显污渍作为特征;
所述化学纤维短丝:提取货物规格是否一致、是否有夹杂物、是否有明显异味作为特征;
所述棉纤维:提取货物规格是否一致、是否发生霉变、是否夹杂无关硬物件、是否受油污污染作为特征。
在本实施例中,根据每个特征,根据知识库记载赋值固废风险值;
示例性地,对于化学纤维短丝来说,货物规格一致的话,固废风险为10%,货物规格不一致的话,固废风险为30%;货物中存在其他夹杂物的话,固废风险为80%,货物中不存在其他夹杂物的话,固废风险为10%;货物有明显异味的话,固废风险为80%,货物中无明显异味的话,固废风险为10%。
值得注意的是,所述S2具体包括:根据知识库记载对所述案例库中该货物样品的每个特征赋对应该特征的固废风险值;然后取所有特征的固废风险值的最大值作为该货物的固废风险值。
S3:将所述案例库中的案例以及针对每个案例得到的固废风险值作为训练固废风险识别模型的数据集。
具体地,在所述S3中,所述数据集包括:所述案例库中每个案例以及该案例的货物的固废风险值。
更进一步地,针对案例库的每个案例,得到了固废风险值,并将案例和每个案例的固废风险值作为一个训练集,用于对固废风险识别模型训练;一方面通过上述操作,使得得到的训练集更为精确,另一方面,本发明通过设置案例库和知识库作为数据库,具有便于补充的特点,方便对固废风险识别类型和固废风险识别案例进行补充,从而提升对不同类别的货物的鉴别能力和鉴别精度。
S4:建立固废风险识别模型,所述固废风险识别模型包括针对不同类型货物进行固废风险识别的模型。
具体地,在所述S4中,所述固废风险识别模型为BP神经网络模型,根据案例中所有的货物类型建立对应货物类型的所述固废风险识别模型(固废风险识别模型1、固废风险识别模型固废风险识别模型n,n>1),并采用该货物类型的数据集训练对应货物类型的所述固废风险识别模型。
示例性地,针对化学纤维长丝类货物,采用化学纤维长丝的固废风险识别模型;
针对化学纤维短丝类货物,采用化学纤维短丝的固废风险识别模型;
针对棉纤维类货物,采用棉纤维的固废风险识别模型。
值得注意的是,所述BP神经网络模型由输入层、隐含层和输出层组成;
所述输入层和所述输出层的单元数由输入层参数和输出层参数确定。
如果隐含层的作用函数采用连续函数(Sigmoid函数),则网络输出可以逼近一个连续函数。
BP网络间连接权在网络的学习中不断得到修正,使输入层与隐含层之间、隐含层与输出层之间的两组权所构成的网络能实现学习样本中输入参数与输出参数间特定映射关系,权的分布体现了各输入分量在输入矢量中所占特征强度的分布。
S5:对待判断货物样本进行处理,得到所述待判断货物样本的特征。
S6:根据所述待判断货物的类型选择对应类型的所述固废风险识别模型,并将所述S5获得的所述待判断货物样本的特征输入至所述固废风险识别模型中,从而得到所述待判断货物的固废风险判定结果。
本发明利用机器学习对固废风险进行自动识别,能够快速、准确地预判固废风险识别结果,提高鉴定的效率和准确性。
本发明在建立固废风险识别模型时,根据货物类型不同,设置了不同的固废风险识别模型,这样在对待识别货物进行固废风险识别时,根据待识别货物类型,选择相应的识别模型,使得模型更具针对性,进而提高固废识别的准确度。
实施例二
如图2所示,一种基于深度学习的固废风险自动识别系统,用于执行如上述实施例所述的一种基于深度学习的固废风险自动识别方法,所述系统包括如下模块:
云服务器:用于运行固废风险识别模型;还用于访问案例库和知识库并下载内容;
采集模块:用于采集货物的信息,并将所述货物的信息传输至特征提取模块;
所述特征提取模块:与所述采集模块连接,用于接收所述货物的信息并提取出特征。
实施例三
本实施例包括一种计算机可读存储介质,所述计算机可读存储介质上存储有数据处理程序,所述数据处理程序被处理器执行实施例一所述的一种基于深度学习的固废风险自动识别方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是,本申请所用术语仅为了描述特定实施例,而非限制本申请范围。如本申请说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或是还包括为这种过程、方法或设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本申请的保护范围。
Claims (8)
1.一种基于深度学习的固废风险自动识别方法,其特征在于,包括如下步骤:
S1:建立用于固废风险鉴别的案例库和知识库;
S2:提取所述案例库中案例货物样品的特征,并根据所述货物样品的特征结合知识库,得到所述货物样品的固废风险值;
S3:将所述案例库中的案例以及针对每个案例得到的固废风险值作为训练固废风险识别模型的数据集;
S4:建立固废风险识别模型,所述固废风险识别模型包括针对不同类型货物进行固废风险识别的模型;
S5:对待判断货物样本进行处理,得到所述待判断货物样本的特征;
S6:根据所述待判断货物的类型选择对应类型的所述固废风险识别模型,并将所述S5获得的所述待判断货物样本的特征输入至所述固废风险识别模型中,从而得到所述待判断货物的固废风险判定结果。
2.根据权利要求1所述的一种基于深度学习的固废风险自动识别方法,其特征在于,在所述S1中,所述案例库为海关系统进口固废类型鉴别典型案例组成的数据库;
其中,所述固废类型鉴别典型案例包括废纺织品类、废橡胶类固废鉴别的案例;
所述知识库为国家危险废物名录、固体废物鉴别标准通则、进口可用作原料的废物检验检疫规程国家标准和地方标准组成的数据库。
3.根据权利要求2所述的一种基于深度学习的固废风险自动识别方法,其特征在于,在所述S2中,根据案例中货物样品的类型提取不同的特征;
所述废纺织品为化学纤维长丝、化学纤维短丝和棉纤维;
当货物样品的类型为废纺织品类时,则具体的提取特征为:
所述化学纤维长丝:提取规格是否一致、标签是否区分最小包装成分、是否为卷装、卷装是否大小一致、是否有明显污渍作为特征;
所述化学纤维短丝:提取货物规格是否一致、是否有夹杂物、是否有明显异味作为特征;
所述棉纤维:提取货物规格是否一致、是否发生霉变、是否夹杂无关硬物件、是否受油污污染作为特征。
4.根据权利要求3所述的一种基于深度学习的固废风险自动识别方法,其特征在于,所述S2具体包括:根据知识库记载对所述案例库中该货物样品的每个特征赋予对应该特征的固废风险值;然后取所有特征的固废风险值的最大值作为该货物的固废风险值。
5.根据权利要求1所述的一种基于深度学习的固废风险自动识别方法,其特征在于,在所述S3中,所述数据集包括:所述案例库中每个案例以及该案例的货物的固废风险值。
6.根据权利要求1所述的一种基于深度学习的固废风险自动识别方法,其特征在于,在所述S4中,所述固废风险识别模型为BP神经网络模型,根据案例中所有的货物类型建立对应货物类型的所述固废风险识别模型,并采用该货物类型的数据集训练对应货物类型的所述固废风险识别模型。
7.根据权利要求6所述的一种基于深度学习的固废风险自动识别方法,其特征在于,所述BP神经网络模型由输入层、隐含层和输出层组成;
所述输入层和所述输出层的单元数由输入层参数和输出层参数确定。
8.一种基于深度学习的固废风险自动识别系统,用于执行如权利要求1-7任一项所述的一种基于深度学习的固废风险自动识别方法,其特征在于,所述系统包括如下模块:
云服务器:用于运行固废风险识别模型;还用于访问案例库和知识库并下载内容;
采集模块:用于采集货物的信息,并将所述货物的信息传输至特征提取模块;
所述特征提取模块:与所述采集模块连接,用于接收所述货物的信息并提取出特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385715.9A CN117131444B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的固废风险自动识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385715.9A CN117131444B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的固废风险自动识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131444A CN117131444A (zh) | 2023-11-28 |
CN117131444B true CN117131444B (zh) | 2023-12-22 |
Family
ID=88852988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385715.9A Active CN117131444B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的固废风险自动识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131444B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318440A (ja) * | 2005-04-14 | 2006-11-24 | Kankyo System:Kk | 医療廃棄物処理管理システム |
CN105550817A (zh) * | 2015-12-25 | 2016-05-04 | 中国环境科学研究院 | 一种填埋场污染风险分级的方法及装置 |
CN114881470A (zh) * | 2022-05-07 | 2022-08-09 | 东莞理工学院 | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 |
CN114912787A (zh) * | 2022-05-06 | 2022-08-16 | 南京大学 | 一种企业危险废物瞒报漏报风险的智能评估方法 |
CN114997580A (zh) * | 2022-04-27 | 2022-09-02 | 中南大学 | 一种评价矿业固废中有毒元素赋存形态及污染风险的方法 |
WO2022236059A1 (en) * | 2021-05-07 | 2022-11-10 | Redkik Oy | Risk probability assessment for cargo shipment operations and methods of use thereof |
WO2023002755A1 (ja) * | 2021-07-20 | 2023-01-26 | 国立研究開発法人海洋研究開発機構 | 汚染度推定システム、汚染度推定方法及び汚染度推定プログラム |
CN116090825A (zh) * | 2023-01-29 | 2023-05-09 | 上海第二工业大学 | 一种基于K-means聚类和神经网络的危险废物出口风险预警方法 |
CN116342895A (zh) * | 2023-05-31 | 2023-06-27 | 浙江联运知慧科技有限公司 | 基于ai处理的提升再生资源分拣效率的方法及系统 |
CN116910452A (zh) * | 2023-07-21 | 2023-10-20 | 郑州铁路职业技术学院 | 基于大数据的有害垃圾无菌化处理风险预测评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912587B (zh) * | 2020-07-10 | 2021-04-27 | 中国环境科学研究院 | 固废陆地处置设施渗漏状况评估与破损定位的方法及系统 |
-
2023
- 2023-10-25 CN CN202311385715.9A patent/CN117131444B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006318440A (ja) * | 2005-04-14 | 2006-11-24 | Kankyo System:Kk | 医療廃棄物処理管理システム |
CN105550817A (zh) * | 2015-12-25 | 2016-05-04 | 中国环境科学研究院 | 一种填埋场污染风险分级的方法及装置 |
WO2022236059A1 (en) * | 2021-05-07 | 2022-11-10 | Redkik Oy | Risk probability assessment for cargo shipment operations and methods of use thereof |
WO2023002755A1 (ja) * | 2021-07-20 | 2023-01-26 | 国立研究開発法人海洋研究開発機構 | 汚染度推定システム、汚染度推定方法及び汚染度推定プログラム |
CN114997580A (zh) * | 2022-04-27 | 2022-09-02 | 中南大学 | 一种评价矿业固废中有毒元素赋存形态及污染风险的方法 |
CN114912787A (zh) * | 2022-05-06 | 2022-08-16 | 南京大学 | 一种企业危险废物瞒报漏报风险的智能评估方法 |
CN114881470A (zh) * | 2022-05-07 | 2022-08-09 | 东莞理工学院 | 基于数据的垃圾焚烧发电污染物排放风险诊断预警方法 |
CN116090825A (zh) * | 2023-01-29 | 2023-05-09 | 上海第二工业大学 | 一种基于K-means聚类和神经网络的危险废物出口风险预警方法 |
CN116342895A (zh) * | 2023-05-31 | 2023-06-27 | 浙江联运知慧科技有限公司 | 基于ai处理的提升再生资源分拣效率的方法及系统 |
CN116910452A (zh) * | 2023-07-21 | 2023-10-20 | 郑州铁路职业技术学院 | 基于大数据的有害垃圾无菌化处理风险预测评估方法 |
Non-Patent Citations (5)
Title |
---|
Construction solid waste landfills: risk assessment and monitoring by fibre optic sensing technique;Dongsheng Xu 等;《Geomatics, Natural Hazards and Risk》;第12卷(第1期);63-83 * |
Hybrid deep learning model for accurate classification of solid waste in the society;Huanping Zhang 等;《Urban Climate》;1-12 * |
基于 Resnet50 的垃圾分类系统;张大明 等;《软件研发与应用》;24-27 * |
基于支持向量机的重污染工业企业碳风险预警研究;周志方 等;《环境污染与防治》;第38卷(第1期);82-89 * |
工业固废堆填场地污染识别迁移及健康风险评估研究;韩英越;《万方数据知识服务平台》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131444A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI662431B (zh) | 一種開源許可證的分析方法及裝置 | |
CN110602045B (zh) | 一种基于特征融合和机器学习的恶意网页识别方法 | |
CN108399154B (zh) | 工程试验数据采集系统 | |
CN109857938B (zh) | 基于企业信息的搜索方法、搜索装置及计算机存储介质 | |
CN106951925A (zh) | 数据处理方法、装置、服务器及系统 | |
CN109635292B (zh) | 基于机器学习算法的工单质检方法和装置 | |
CN105975392A (zh) | 一种基于抽象语法树的重复代码检测方法及装置 | |
CN107240011A (zh) | 一种指标配置加工方法和系统 | |
CN111898502A (zh) | 危险品车辆识别方法、装置及计算机存储介质、电子设备 | |
CN112395430A (zh) | 一种基于知识图谱的电力设备缺陷检索方法及系统 | |
CN117131444B (zh) | 一种基于深度学习的固废风险自动识别方法和系统 | |
CN117171660B (zh) | 基于支持向量机的微生物修复状态监测方法及系统 | |
CN103365778B (zh) | 一种测试控件的方法和装置 | |
CN116011998B (zh) | 一种退役电池回收分类处理方法及装置 | |
CN112115177A (zh) | 一种加工服务资源查找匹配方法、匹配系统及介质 | |
Widianto et al. | Prototype design internet of things based waste management using image processing | |
CN107067125A (zh) | 基于大数据和专家系统应用的化学品法规符合评估方法 | |
CN103605670A (zh) | 一种用于确定网络资源点的抓取频率的方法和装置 | |
CN116108776A (zh) | 一种提高芯片验证测试计划完备性的方法 | |
CN113869639B (zh) | 长江流域企业筛选方法、装置、电子设备及存储介质 | |
CN113269433B (zh) | 税收风险预测方法、设备、介质及计算机程序产品 | |
CN104317903A (zh) | 章节式文本的章节完整性的识别方法和装置 | |
CN110727767B (zh) | 一种扩展文本样本的方法及系统 | |
CN113837554A (zh) | 基于多模态关键信息匹配的食品安全风险识别方法及系统 | |
CN110737685A (zh) | 一种电力大数据的数据异常判别方法 |
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 |