CN117541988B - 一种再生资源回收系统的物体检测方法 - Google Patents
一种再生资源回收系统的物体检测方法 Download PDFInfo
- Publication number
- CN117541988B CN117541988B CN202311556672.6A CN202311556672A CN117541988B CN 117541988 B CN117541988 B CN 117541988B CN 202311556672 A CN202311556672 A CN 202311556672A CN 117541988 B CN117541988 B CN 117541988B
- Authority
- CN
- China
- Prior art keywords
- garbage
- abnormal
- classification
- throwing
- coefficient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004064 recycling Methods 0.000 title claims description 19
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 290
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000010191 image analysis Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012163 sequencing technique Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 19
- 230000000630 rising effect Effects 0.000 claims description 17
- 230000001174 ascending effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract 1
- 230000008929 regeneration Effects 0.000 abstract 1
- 238000011069 regeneration method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 239000002699 waste material Substances 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000009499 grossing Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002269 spontaneous effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010815 organic waste Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- B65F1/0053—Combination of several receptacles
- B65F1/006—Rigid receptacles stored in an enclosure or forming part of it
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- B65F2210/128—Data transmitting means
-
- 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
- B65F2210/184—Weighing means
-
- 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
- B65F2210/20—Temperature sensing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Sustainable Development (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种再生资源回收系统的物体检测方法，所述检测方法包括：在垃圾房内部署摄像头和图像处理装置，将居民投放的垃圾图像化，利用图像识别技术自动检测目标，当有新的垃圾投入时，系统会将新垃圾与已知的垃圾分类模型进行比对，在模型训练完成后，建立图像分析系数来验证垃圾分类的准确性，对于分类出现异常的再生资源发出异常信号，依据小区内的不同垃圾投放点，采集用户在垃圾投放过程中的多项数据，建立异常监测系数，与异常阈值进行比较，对垃圾投放异常现象进行预警，将获取到的异常监测系数由大到小进行排序建立检测排序表，依据检测排序表的正序对不同区域内的垃圾桶进行检测管理。
Description
技术领域
本发明涉及物体检测技术领域，具体涉及一种再生资源回收系统的物体检测方法。
背景技术
再生资源回收系统是一个包括回收桶、分类设备、运输系统、处理设施、再生设备和市场销售等组成部分的系统，旨在有效收集、分类、处理和再利用废弃物。通过这一系统，废弃物被分门别类地回收，经过处理后成为可再生资源，进入市场供应链，促进资源的可持续利用，减少对自然资源的依赖 。
目前的小区生活垃圾回收，一般是设定固定的垃圾房，垃圾房内配有不同种类的垃圾桶，居民将不同的垃圾投放入对应的垃圾桶内，完成垃圾的分类投放。然而，有些居民为了自己的方便，在垃圾投放前，没有进行很好的分类，存在垃圾混投的情况。
现有技术存在以下不足之处：
在不同的垃圾桶内，由于垃圾桶内部的光照、温度、容量的存放环境等各种条件的不同，导致再生资源回收系统对垃圾的识别能力也不同，而在垃圾桶内部环境和垃圾的属性发生变化时，如垃圾桶内部污染严重、垃圾之间发生化学反应等情况下，再生资源系统对垃圾的识别分类不是一定准确的，出现分类错误或无法识别垃圾的属性，最终影响垃圾的回收利用效率，不利于资源的节约，以及环保的要求。
发明内容
本发明的目的是提供一种再生资源回收系统的物体检测方法，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：一种再生资源回收系统的物体检测方法，所述检测方法包括以下步骤：
S1：先是在垃圾房内部署摄像头和图像处理装置，将居民投放的垃圾图像化，对图像进行预处理后，进行特征提取，对图像进行分割，建立训练模型，将训练模型设置在分类装置中，将分类装置放于垃圾桶内；
S2：当有新的垃圾投入时，系统会将新投入的垃圾与已知的垃圾分类模型进行对比，在模型训练结束后，采集垃圾桶内部的多项参数建立图像分析系数，将图像分析系数与分类阈值进行比较，验证对再生资源分类的准确性；
S3：依据小区内的不同垃圾投放点，采集用户在垃圾投放过程中的多项数据，建立异常监测系数，与异常阈值进行比较，对垃圾投放异常现象进行预警；将获取到的异常监测系数由大到小进行排序建立检测排序表，依据检测排序表的正序对不同区域内的垃圾桶进行检测管理。
在一个优选的实施方式中，S2中，采集垃圾桶内部的多项参数建立图像分析系数，将图像分析系数与分类阈值进行比较；
实时采集垃圾分类过程中垃圾桶内部信息的多项参数，多项参数包括箱内光照均匀性值、图像处理频率以及特征比对指数，将采集到的多项数据通过数据归一化处理后建立图像分析系数，将图像分析系数与分类阈值进行比较；
光照均匀性值与图像分析系数成正比关系，图像处理频率以及特征比对指数与图像分析系数成反比关系。
在一个优选的实施方式中，图像处理频率的获取逻辑为：图像的处理频率=（灰度化次数+平滑次数+锐化次数）/处理时间；
将图像分析系数与分类阈值进行比较，若图像分析系数小于等于分类阈值，则生成异常识别信号；若图像分析系数大于分类阈值，则生成正常识别信号，表明此次垃圾分类为正确分类。
在一个优选的实施方式中，S3中，依据小区内的不同垃圾投放点，采集用户在垃圾投放过程中的多项数据，建立异常监测系数，与异常阈值进行比较，对垃圾投放异常现象进行预警；
采集到的实时数据包括垃圾桶填充程度值、错投垃圾占比以及垃圾物温度上升速率；
垃圾桶填充程度值、错投垃圾占比以及垃圾物温度上升速率与异常监测系数同为正比关系。
在一个优选的实施方式中，错投垃圾占比是指错误投放垃圾的次数比上垃圾投放总次数；
垃圾物温度上升速率=（实时采集温度-箱内初始温度）/采集时间；
将异常监测系数与异常阈值进行比较，若异常监测系数大于异常阈值，此时发出预警信号；若异常监测系数小于等于异常阈值，此时不发出预警信号。
在一个优选的实施方式中，S3中，将获取到的异常监测系数由大到小进行排序建立检测排序表，依据检测排序表的正序对不同区域内的垃圾桶进行检测管理；
将采集到的每小时投放次数、投放次数阈值以及投放重量、重量阈值结合异常监测系数与异常阈值生成排序表，依据排序表的正序对小区内各个垃圾投放点进行检测。
在一个优选的实施方式中，当异常类型为温度过热异常时，对垃圾桶内温度超出温度阈值的像素进行标记，单位变化数量为正值时，生成一级异常上升信号，单位变化数量为负值时，生成一级异常下降信号，一级异常下降信号处理优先程度次于一级异常上升信号；当异常类型为垃圾桶容量异常时，对垃圾桶容量超出容量阈值的像素进行标记，单位变化数量为正值时，生成二级异常上升信号，二级异常上升信号优先程度仅次于一级异常下降信号，当异常类型为垃圾桶容量异常时，单位变化数量为负值时，生成二级异常下降信号，二级异常下降信号处理优先程成二级异常下降信号，二级异常下降信号处理优先程度次于二级异常上升信号。
在上述技术方案中，本发明提供的技术效果和优点：
1.本发明通过在垃圾房内部署摄像头和图像处理装置，将居民投放的垃圾图像化，利用图像预处理技术，包括灰度化、平滑和锐化，利用图像识别技术自动检测目标，一旦目标被识别，系统会将其与已知的垃圾分类模型进行比对，在模型训练完成后，建立图像分析系数来验证模型的准确性，基于已知模型，通过机器学习算法对垃圾进行目标识别和分类，实施边框回归，计算目标垃圾的精确位置和大小，利用大量标注的垃圾图像数据，进行深度学习模型的训练，以提高分类和识别准确性。
2.本发明通过对垃圾分类进行智能化监控和管理，建立异常监测系数，与异常阈值进行比较，对异常现象进行预警，建立时间序列数据，确定异常标记的位置和数量，即开始帧的数量；在后续时间帧中，标记出每个时间帧中包含多少个异常标记的像素块，即结束帧的数量；将结束帧的数量减去开始帧的数量，得到单位时间内的异常标记像素块数量的变化，得到在单位时间内异常标记的像素块数量是增加还是减少，生成相应的分类异常信号，包括一级异常上升信号、一级异常下降信号等，以及信号之间的优先级，以决定采取何种措施。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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作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。
实施例1
请参阅图1所示，本实施例所述一种再生资源回收系统的物体检测方法，检测方法包括以下步骤；
安装多个高清摄像头以覆盖垃圾房内所有垃圾箱的位置。摄像头的位置和角度应根据垃圾箱的布置和位置来确定，确保每个垃圾箱都位于至少一个摄像头的视野范围内；
确定需要的可视角度，包括垃圾箱的前面、后面、左面、右面、顶面，以确保没有盲区；
配置摄像头以捕捉高质量的视频数据，包括设置摄像头的分辨率、帧率和曝光等参数；
设置摄像头来定期或连续地拍摄垃圾箱的图像，通过安排拍摄时间表或触发条件来实现，例如在垃圾箱打开或关闭时触发拍摄；
存储采集到的图像数据，使用本地存储设备或云存储，以便后续分析和管理。
对垃圾桶内部图像进行预处理和特征提取，将原始图像数据转化为机器学习算法能够理解的特征向量，同时将垃圾分类模型嵌入到控制分类装置中，当获取到的垃圾图像信息传输到控制分类装置中时，垃圾分类模型对垃圾图像信息进行识别和分类，垃圾分类模型将识别的垃圾分类信息传输给控制系统，控制系统控制舵机的转动，实现对垃圾的分类，具体步骤为；
步骤S1：获取垃圾物图像信息，并对获取的垃圾物图像信息进行预处理，得到图像信息集。图像预处理过程包括对图像分别进行灰度化、平滑、锐化处理，使得图像更适合后续的处理，具体为；
步骤S1.1对图像进行灰度化处理：将彩色图像转换为黑白图像，去掉颜色信息，只保留灰度信息，例如对于RGB图像，可以使用以下公式将每个像素的RGB值转换为灰度值：Gray = 0.2989 * R + 0.5870 * G + 0.1140 * B，对于其他颜色空间（如HSV、Lab等），也可以根据其亮度进行灰度化处理；
步骤S1.2 对图像进行平滑处理：平滑操作有助于增强图像中的噪声和细节，常用的平滑滤波器包括均值辅助和高斯辅助。例如，均值辅助：将每个像素的值替换为周围像素的指令，适用于噪声；高斯提示：使用高斯核对图像进行柔性，保留更多的图像细节同时消除噪声，适用于各种噪声情况；
步骤S1.3对图像进行锐化：锐化操作可以增强图像中的边缘和细节，使图像更加清晰，例如，拉普拉斯建议：通过边界与图像进行曲面来突出。可以使用二阶导数滤波器，锐化促进：通过将图像与原图像之间的差异增加到原图像上来增强边缘。
步骤S2：图像的特征提取包括通过计算图像的颜色、纹理、形状特征，将图像转化为数字特征向量，以便于计算机进行比较和分类，具体提取方法为；
步骤S2.1颜色特征提取使用颜色直方图，将图像的颜色空间划分为若干个区间，统计每个区间中像素的数量，从而得到颜色分布的特征；
步骤S2.2纹理特征描述了图像中像素的局部变化，可以使用局部二值模式（LocalBinary Pattern，LBP），将像素与周围像素进行比较，生成二进制码来表示纹理信息；
步骤S2.3形状特征提取使用的方法包括边缘检测、轮廓提取和角点检测。
步骤S3：将经过处理后的图像分成不同的区域，使得后续的处理更加准确和精确，分割的具体方法包括：阈值分割，选择合适的阈值来将图像分成不同的区域，可以是全局阈值或自适应阈值，边缘检测，使用边缘检测算法，如Canny等，找到图像中物体的边缘，区域增长，从一个或多个种子点开始，通过像素间的相似性逐步生长区域，直到满足物体不重叠为止，基于颜色/纹理的分割，使用颜色或纹理信息来将图像分成不同的区域，使用聚类方法将相似的物体进行聚类。
步骤S4：提取分割后的图案输入到训练完成的目标物识别模型中，获得目标物类型；将图像信息集分割成训练集a、验证集b、测试集c，通过比对已知的模型或特征向量，对图像中的目标进行识别和分类；对图像进行特征提取，将其转化为适用于机器学习算法的向量表示，包括颜色特征、纹理特征、形状特征等；
步骤S4.1，收集和准备用于训练和验证的图像数据集，将数据集分成训练集a、验证集b和测试集c，训练集a用于训练模型，验证集b用于调整模型的超参数，测试集c用于评估模型性能；
步骤S4.2，定义CNN模型的架构，包括卷积层、池化层、全连接层等；使用深度学习框架（如TensorFlow、PyTorch）来建立模型，在隐藏层中使用激活函数，激活函数对正数输入返回输入值本身，对负数输入返回零，激活函数对于梯度下降优化具有良好的性质，并且可以加速收敛；
步骤S4.3，多类别分类问题的交叉熵损失，适用于多类别分类问题，其中每个样本可以属于多个可能的类别之一。损失函数的一般形式如下：对于每个样本，假设有C个类别，模型的输出是一个长度为C的概率分布向量，表示每个类别的概率分布，真实标签是一个长度为C的向量，其中只有一个元素为1（表示真实类别），其余元素为0，交叉熵损失函数可以表示为：=-，其中，y表示真实标签向量，表示模型的预测概率分布向量，C表示类别数量，为第个样本属于类别1的概率；
步骤S4.4，使用训练集a的数据输入模型，然后通过反向传播算法更新模型的权重，以减小损失函数，在每个训练周期中，模型根据训练数据不断调整权重，直到达到预定的停止条件，例如训练周期数或损失函数的收敛；
步骤S4.5，使用验证集来评估模型性能，根据模型在验证集上的表现来调整模型的超参数，迭代进行模型的训练和验证，直到满足性能要求。
将垃圾分类模型嵌入到控制分类装置中，当获取到的垃圾图像信息传输到控制分类装置中时，垃圾分类模型对垃圾图像信息进行识别和分类，垃圾分类模型将识别的垃圾分类信息传输给控制系统，控制系统控制舵机的转动，实现对垃圾的分类，将其分为可再生资源垃圾和不可再生资源垃圾。
在模型训练期间，确保模型的标准和准确性得到了充分验证。这些标准应该是与垃圾分类相关的已知标准，例如垃圾类型、垃圾种类等。
基于已知模型或特征向量，通过机器学习算法对垃圾进行目标识别和分类，借鉴深度学习技术，使用卷积神经网络（CNN）或支持向量机（SVM）等方法，提高垃圾分类准确性，引入候选区域生成方法，自动生成可能包含目标垃圾的候选区域，实施边框回归，计算目标垃圾的精确位置和大小，以提高目标的定位准确性，利用大量标注的垃圾图像数据，进行深度学习模型的训练，以提高分类和识别准确性，为了适应不同垃圾类型和环境，进行多样性数据分析和多任务学习。
在对垃圾进行分类处理的过程中，实时采集垃圾分类过程中的多项数据，多项数据包括箱内光照均匀性值、图像处理频率以及特征比对指数，将采集到的多项数据通过数据归一化处理后建立图像分析系数，将图像分析系数与分类阈值进行比较，若图像分析系数小于等于分类阈值，则输出预警信号；图像分析系数的计算表达式为：=，式中，为图像分析系数，为图像处理频率，为特征比对指数，为箱内光照均匀性值，分别为图像处理频率、镜头畸变程度值、特征比对指数的比例系数，且。
图像处理频率的获取逻辑为：图像的处理频率=（灰度化次数+平滑次数+锐化次数）/处理时间，通常使用计数器来记录处理步骤的次数，使用计时器来测量经过的时间，图像的处理过程包括对图像分别进行灰度化、平滑、锐化处理，过多的图像处理步骤可能导致信息损失和图像质量下降。
箱内光照均匀性值的获取逻辑为：=，式中，箱内光照均匀性值，为垃圾箱内的光照强度值，为光照强度的平均值，为垃圾物的总表面积；
光照强度值的获取方法是将一个或多个光敏传感器放置在垃圾箱内，用来监测光照，光敏传感器通常有模拟输出，通过模拟-数字转换器（ADC）将其读取为数字值，这些数字值表示光照的强度，通常以光强度单位（如勒克斯，lux）表示；
光照强度的获取方法为在垃圾箱内，测量光照的强度或亮度，计算每个小区域内像素的平均亮度值，通过将像素值相加并取平均值得到；
影响图像质量：不均匀的光照会导致图像中出现明暗不一致的区域，这可能会使垃圾图像中的目标物体难以识别，过曝光和欠曝光的区域可能无法提供足够的信息，降低图像质量；
增加垃圾分类错误率：光照不均匀性可能导致误分类，例如，由于光照变化，原本可以明显区分的物体可能会混淆，导致分类错误；
减少系统的稳定性：不均匀的光照情况可能会导致垃圾分类系统的不稳定性，系统在不同光照条件下表现不一致，难以适应各种环境；
增加后期处理工作：不均匀的光照可能需要更多的后期图像处理工作，以校正光照差异并提高图像质量。这可能会增加系统的复杂性和成本。
特征比对指数是用来衡量垃圾桶内部可再生资源垃圾和不可再生资源垃圾的相似度指标，用于确定进行垃圾分类时分类的准确性做出判断，例如当不可再生资源垃圾中出现的一些液体污染物可能与再生资源中的厨余垃圾混淆，从而难以进行识别，难以识别的两种垃圾在垃圾分类时，会耗费更多的时间和精力；
相似度衡量： 高的特征比对指数表示两个数据集或样本在考虑的特征方面非常相似，在垃圾分类时，高的相似性可能表示两个垃圾桶内的垃圾在某些方面非常相似，例如物品种类、形状、颜色等，低的相似性可能表明两个垃圾桶内的垃圾在某些方面存在较大的差异；
分类的准确性：当两个垃圾桶内的垃圾相似时，垃圾分类系统更容易准确地进行分类，因为它们的特征差异较小， 当垃圾桶内的垃圾相似性较低时，垃圾分类系统可能面临更大的挑战，可能需要更复杂的分类算法或更多的特征来进行准确分类；
资源分配优化：高相似性可以指导资源的优化分配，例如采用相同的处理方法，以提高资源的利用效率， 低相似性可能需要更多的资源进行处理，因为每个垃圾桶的垃圾可能需要采用不同的处理方法。
特征比对指数的获取逻辑为：
实时获取传感器采集到的垃圾桶内部垃圾的反馈数据，获取反馈数据中的垃圾识别时长T，垃圾识别次数S，校验次数M，获取设置的预期垃圾识别时长，垃圾识别次数，校验次数，计算得到垃圾识别时长偏差值TC，垃圾识别次数偏差值TS，校验次数MS，计算特征比对指数，计算表达式为：=，为特征比对指数；
需要说明的是，垃圾识别时长和识别次数是指利用图像识别技术对垃圾属性进行识别判断的时间以及需要识别的次数，校验次数是指对图像分类结果进行校验是否正确的次数。
将图像分析系数与分类阈值进行比较，若图像分析系数小于等于分类阈值，则生成异常识别信号，表明此次垃圾分类可能为错误分类；若图像分析系数大于分类阈值，则生成正常识别信号，表明此次垃圾分类为正确分类。
所有垃圾分类比对的结果应该记录下来，包括时间、位置、垃圾类型和分类准确性信息，这些数据将用于后续的分析，以便监测垃圾分类的趋势和问题，并帮助管理人员采取改进措施。
实施例2
在上述实施例1中，建立图像分析系数，将图像分析系数与分类阈值进行比较，验证垃圾分类的准确性，若图像分析系数小于等于分类阈值，则生成异常识别信号，表明此次垃圾分类可能为错误分类；将标记垃圾分类为错误分类的垃圾桶，收集并记录与异常相关的数据，例如异常发生的时间、地点、垃圾分类装置的状态、垃圾桶周围环境条件等。对异常数据进行分析，识别异常分类的模式并预测异常发展的趋势。
由于垃圾桶分布于小区的不同位置，每个位置的垃圾桶被投放垃圾的重量和垃圾的次数也不相同，对于高投放频率的垃圾桶来说，出现错误投放的可能性就较大，同时对于垃圾投放量较大的垃圾桶来说其的垃圾回收频率也相对较高；
对各个垃圾投放点的垃圾投放信息采集，采集到的实时数据包括垃圾桶填充程度值、错投垃圾占比以及垃圾物温度上升速率，将采集到的多项数据进行数据归一化处理后建立异常监测系数，将异常监测系数与异常阈值进行比较，异常监测系数的计算表达式为：=，式中，为异常监测系数、垃圾桶填充程度值、为错投垃圾占比为垃圾物温度上升速率，、、为垃圾桶填充程度值、错投垃圾占比、垃圾物温度上升速率的比例系数，且>>>0。
垃圾桶填充程度值的获取逻辑为：垃圾桶内通常装有称重传感器，称重传感器用于监测垃圾桶内垃圾的重量，称重传感器可以提供实时的重量数据，使系统能够更准确地了解垃圾桶内的垃圾容量，当垃圾桶的重量达到或者超出预定阈值时，记录此时的垃圾的重量，即为垃圾桶填充程度值；
当垃圾桶过于满时，垃圾可能会溢出，散落在周围环境中，导致环境污染，这不仅会破坏环境美观，还会对周围的土壤和水源造成污染，垃圾桶内的过度填充会导致垃圾之间的压力增加，可能会释放出恶臭气味；垃圾桶太满会使居民更难进行垃圾分类，因为他们可能无法轻松地将垃圾投放到正确的垃圾桶中，过度填充垃圾桶可能会导致垃圾桶本身受到损坏，如弯曲或破裂，进一步加剧问题；
错投垃圾占比是指错误投放垃圾的次数比上垃圾投放总次数，错误投放的垃圾为不属于垃圾桶回收范围的垃圾，例如垃圾桶可以按照垃圾性质将其分为可回收垃圾、有害垃圾等，将不属于该垃圾桶性质的垃圾视为错投垃圾，记录错误投放的次数；
错投垃圾占比越高会减缓垃圾分类的进程，同时错误投放的垃圾也会干扰垃圾回收的过程，例如当有害物品与其他垃圾混合在一起时，分类过程变得更加复杂；
垃圾物温度上升速率的获取逻辑为：安装温度传感器在垃圾箱内，开始记录温度数据，选择不同时间间隔来采集数据，例如每分钟、每五分钟等，将温度数据导入计算机或数据记录设备，然后计算温度上升的速率，速率的计算通常涉及两个或多个时间点的温度差异，垃圾物温度上升速率=（实时采集温度-箱内初始温度）/采集时间，其中，采集时间是温度变化所经过的时间（通常是分钟），垃圾物温度上升速率通常以单位温度/时间表示；
垃圾堆中的垃圾可能包含易燃物质，当温度上升速率很快时，火灾的风险会增加。高温垃圾内的自燃可能发生，引发火灾；快速升温可能对垃圾处理设备造成额外的磨损和损坏，因为高温环境可能对设备产生不利影响。
将异常监测系数与异常阈值进行比较，若异常监测系数大于异常阈值，说明该垃圾投放点垃圾投放可能出现异常状况，此时发出预警信号；若异常监测系数小于等于异常阈值，说明该垃圾投放点垃圾投放为正常状况，此时不发出预警信号。
本实施例中，采集到的实时数据包括垃圾桶填充程度值、错投垃圾占比以及垃圾物温度上升速率，将采集到的多项数据进行数据归一化处理后建立异常监测系数，将异常监测系数与异常阈值进行比较，若异常监测系数大于异常阈值，此时发出预警信号，说明该垃圾投放点垃圾投放可能出现异常状况，工作人员可根据具体的异常类型，分别作出相应的处理。
实时获取垃圾桶被投放垃圾时的高频率时间段以及高频率投放点，对垃圾桶每日投放垃圾的时间进行等时间段划分，例如以小时为单位划分时间段，记录垃圾每小时内投放至垃圾桶内的次数，设置每小时内垃圾投放的次数阈值为，当垃圾桶每小时内被投放次数大于投放次数阈值时，将此时间段内标记为高频率时间段，垃圾投放的频率越高，分类装置在进行分类时，可能会出现分类错误的情况；
对小区域内垃圾投放点每日投放垃圾的重量进行计算，记录每个垃圾投放点垃圾桶内垃圾的重量，设置每个垃圾投放点垃圾投放的重量阈值为，当垃圾投放点垃圾桶内垃圾重量大于投放重量阈值时，将此垃圾投放点标记为高频率投放点，垃圾桶内垃圾的重量越大，分类装置在进行分类时，可能会出现分类错误的情况；
将采集到的每小时投放次数、投放次数阈值以及投放重量、重量阈值结合异常监测系数与异常阈值生成排序表，依据排序表的正序对小区内各个垃圾投放点进行检测，计算公式为：=，式中，为检测排序值，、、分别为投放次数、投放重量、异常监测系数，且>>。
将获取到的异常监测系数由大到小进行排序建立检测排序表，依据检测排序表的正序对不同区域内的垃圾桶进行编号，例如，将异常监测系数最大的垃圾桶标记为第一监测序号，以此类推，依据监测序号的正序依次对垃圾桶进行检测，第一管理序号的垃圾桶出现异常的可能性大于第二管理序号的垃圾桶，优先对其进行管理；
当垃圾桶过于满时，垃圾可能会溢出，散落在周围环境中，导致环境污染；垃圾散发出的异味可能会造成周围环境的异味，影响附近的居民、行人和商家的生活和工作环境；垃圾堆中的垃圾可能包含易燃物质，当温度上升速率很快时，火灾的风险会增加。高温垃圾内的自燃可能发生，引发火灾；
根据具体的异常类型以及时间序列方法，生成不同危害程度预警信号，再将不同危害程度预警信号，发送至工作人员信息接收端显示，方便工作人员了解异常类型以及危害程度，选择优先处理的顺序，减少损失；
首先，需要根据异常类型对像素块进行异常标记，例如，对于温度异常，可以定义超过一定温度阈值的像素块为异常标记，在时间序列数据中，标记出每个时间帧中包含多少个异常标记的像素块，需要对数据进行图像处理和分析，以确定异常标记的位置和数量，这是开始帧的数量；同样，在后续时间帧中，标记出每个时间帧中包含多少个异常标记的像素块，这是结束帧的数量；
将结束帧的数量减去开始帧的数量，得到单位时间内的异常标记像素块数量的变化，可得到在单位时间内异常标记的像素块数量是增加了还是减少了；
基于单位变化数量的正负值，可以判断异常趋势，如果单位变化数量为正，表示异常标记的像素块数量在单位时间内增加，可能表明异常正在扩大；如果单位变化数量为负，表示异常标记的像素块数量在单位时间内减少，可能表明异常正在减小；
基于异常趋势和已定义的规则，生成相应的分类异常信号，如一级异常上升信号、一级异常下降信号等，以决定采取何种措施，具体步骤如下：
当异常类型为温度过热异常时，对垃圾桶内温度超出温度阈值的像素进行标记，如果单位变化数量为正值时，生成一级异常上升信号，说明此时垃圾桶内出现温度异常上升的情况，若不及时处理，随着垃圾桶内的垃圾温度升高可能会导致自燃，从而引发火灾，需要对垃圾桶内的物体进行及时处理，并对其进行降温处理；
当异常类型为温度过热异常时，且单位变化数量为负值时，生成一级异常下降信号，说明此时垃圾桶内的温度得到了控制，一级异常下降信号处理优先程度次于一级异常上升信号，提醒相关人员，及时清理垃圾即可；
当异常类型为垃圾桶容量异常时，对垃圾桶容量超出容量阈值的像素进行标记，垃圾桶的容量可由垃圾桶内部的称重传感器测得，如果单位变化数量为正值时，生成二级异常上升信号，说明此时垃圾数量处于快速上升阶段，若不及时处理，垃圾会在装满垃圾桶后溢出，会加大垃圾的处理力度，需要立即自动触发相关管理操作通知清洁人员或调度垃圾车，二级异常上升信号优先程度仅次于一级异常下降信号；
当异常类型为垃圾桶容量异常时，且单位变化数量为负值时，生成二级异常下降信号，说明此时垃圾数量上升速度得到控制或者较慢，二级异常下降信号处理优先程度次于二级异常上升信号，并提醒相关人员，垃圾桶内垃圾已经有一些积累，但尚未到达需要立即处理的程度；
当异常类型为垃圾桶周围气味异常时，使用气体检测仪监测特定气体的浓度，例如氨气、硫化氢等，对垃圾桶周围臭味气体浓度超出浓度阈值的像素进行标记，且单位变化数量为正值时，生成三级指令，说明此时垃圾中的有机废物（如食物残渣、腐烂的植物材料等）在分解过程中会产生腐烂的气味，某些垃圾中可能含有化学物质，如清洁剂、油漆或溶剂残留物，垃圾中的不洁物质或污水可能会产生难闻的恶臭气味，如硫化氢（臭鸡蛋气味）或氨气味，会对路过的行人以及环卫人员带来不好的感受，需要提醒相关人员，及时对垃圾进行清理，三级异常上升信号处理优先程度次于二级异常下降信号。
当异常类型为垃圾桶周围气味异常时，且单位变化数量为负值时，生成三级异常下降信号，说明此时有臭味产生但臭味浓度较低，暂时不用处理，继续监测即可。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM)、随机存取存储器（random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种再生资源回收系统的物体检测方法，其特征在于：
S1：先是在垃圾房内部署摄像头和图像处理装置，将居民投放的垃圾图像化，对图像进行预处理后，进行特征提取，对图像进行分割，建立训练模型，将训练模型设置在分类装置中，将分类装置放于垃圾桶内；
S2：当有新的垃圾投入时，系统会将新投入的垃圾与已知的垃圾分类模型进行对比，在模型训练结束后，采集垃圾桶内部的多项参数建立图像分析系数，将图像分析系数与分类阈值进行比较，验证对再生资源分类的准确性；
实时采集垃圾分类过程中垃圾桶内部信息的多项参数，多项参数包括箱内光照均匀性值、图像处理频率以及特征比对指数，将采集到的多项数据通过数据归一化处理后建立图像分析系数，将图像分析系数与分类阈值进行比较；
光照均匀性值与图像分析系数成正比关系，图像处理频率以及特征比对指数与图像分析系数成反比关系；
S3：依据小区内的不同垃圾投放点，采集用户在垃圾投放过程中的多项数据，建立异常监测系数，与异常阈值进行比较，对垃圾投放异常现象进行预警；将获取到的异常监测系数由大到小进行排序建立检测排序表，依据检测排序表的正序对不同区域内的垃圾桶进行检测管理；
采集到的实时数据包括垃圾桶填充程度值、错投垃圾占比以及垃圾物温度上升速率；
垃圾桶填充程度值、错投垃圾占比以及垃圾物温度上升速率与异常监测系数同为正比关系。
2.根据权利要求1所述的一种再生资源回收系统的物体检测方法，其特征在于：图像处理频率的获取逻辑为：图像的处理频率=（灰度化次数+平滑次数+锐化次数）/处理时间；
将图像分析系数与分类阈值进行比较，若图像分析系数小于等于分类阈值，则生成异常识别信号；若图像分析系数大于分类阈值，则生成正常识别信号，表明此次垃圾分类为正确分类。
3.根据权利要求2所述的一种再生资源回收系统的物体检测方法，其特征在于：
错投垃圾占比是指错误投放垃圾的次数比上垃圾投放总次数；
垃圾物温度上升速率=（实时采集温度-箱内初始温度）/采集时间；
将异常监测系数与异常阈值进行比较，若异常监测系数大于异常阈值，此时发出预警信号；若异常监测系数小于等于异常阈值，此时不发出预警信号。
4.根据权利要求3所述的一种再生资源回收系统的物体检测方法，其特征在于：S3中，将获取到的异常监测系数由大到小进行排序建立检测排序表，依据检测排序表的正序对不同区域内的垃圾桶进行检测管理；
将采集到的每小时投放次数、投放次数阈值以及投放重量、重量阈值结合异常监测系数与异常阈值生成排序表，依据排序表的正序对小区内各个垃圾投放点进行检测。
5.根据权利要求4所述的一种再生资源回收系统的物体检测方法，其特征在于：当异常类型为温度过热异常时，对垃圾桶内温度超出温度阈值的像素进行标记；单位变化数量为正值时，生成一级异常上升信号，单位变化数量为负值时，生成一级异常下降信号，一级异常下降信号处理优先程度次于一级异常上升信号；当异常类型为垃圾桶容量异常时，对垃圾桶容量超出容量阈值的像素进行标记；单位变化数量为正值时，生成二级异常上升信号，二级异常上升信号优先程度仅次于一级异常下降信号；单位变化数量为负值时，生成二级异常下降信号，二级异常下降信号处理优先程度次于二级异常上升信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311556672.6A CN117541988B (zh) | 2023-11-21 | 2023-11-21 | 一种再生资源回收系统的物体检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311556672.6A CN117541988B (zh) | 2023-11-21 | 2023-11-21 | 一种再生资源回收系统的物体检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117541988A CN117541988A (zh) | 2024-02-09 |
| CN117541988B true CN117541988B (zh) | 2024-08-16 |
Family
ID=89791389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311556672.6A Active CN117541988B (zh) | 2023-11-21 | 2023-11-21 | 一种再生资源回收系统的物体检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541988B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118651557A (zh) * | 2024-08-19 | 2024-09-17 | 苏州市伏泰信息科技股份有限公司 | 一种垃圾箱分类监管方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116573307A (zh) * | 2023-07-03 | 2023-08-11 | 永昊环境科技(集团)有限公司 | 一种垃圾自动分类回收智能设备及其智能垃圾分类系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2021001041A (es) * | 2018-07-27 | 2021-06-15 | Heil Co | Analisis de contaminación de basura. |
| CN116959117A (zh) * | 2023-08-03 | 2023-10-27 | 蔚复来(浙江)科技股份有限公司 | 针对垃圾投放行为分析和违规行为多角度抓拍的监测系统 |
-
2023
- 2023-11-21 CN CN202311556672.6A patent/CN117541988B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116573307A (zh) * | 2023-07-03 | 2023-08-11 | 永昊环境科技(集团)有限公司 | 一种垃圾自动分类回收智能设备及其智能垃圾分类系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117541988A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117541988B (zh) | 一种再生资源回收系统的物体检测方法 | |
| US20210295039A1 (en) | Methods and electronic devices for automated waste management | |
| CN116342895B (zh) | 基于ai处理的提升再生资源分拣效率的方法及系统 | |
| Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
| Mookkaiah et al. | Design and development of smart Internet of Things–based solid waste management system using computer vision | |
| CN116692297A (zh) | 基于物联网的垃圾桶检测方法、装置、设备及存储介质 | |
| Zulkifley et al. | Robust identification of polyethylene terephthalate (PET) plastics through bayesian decision | |
| CN112707058B (zh) | 一种厨余垃圾规范动作的检测方法、系统、装置及介质 | |
| CN117465862A (zh) | 智能垃圾桶管理方法和装置 | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| CN110276300A (zh) | 用于识别垃圾品质的方法和装置 | |
| CN111967473B (zh) | 基于图像分割和模板匹配的粮库仓储情况监测方法、设备和介质 | |
| CN116959117A (zh) | 针对垃圾投放行为分析和违规行为多角度抓拍的监测系统 | |
| CN115170829A (zh) | 发电机转子通风孔异物监控识别系统及方法 | |
| CN111507258B (zh) | 聚焦关键样本的基于集成学习的道路区域检测方法、系统 | |
| CN114155467A (zh) | 一种垃圾桶满溢检测方法、装置和电子设备 | |
| Muri et al. | Classification of municipal solid waste using deep convolutional neural network model applied to multispectral images | |
| Anjum et al. | Deep Clean: A Weakly Supervised Waste Localization System Using Deep Convolutional Neural Network | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN118195598B (zh) | 一种固体废弃物回收的智能化监管方法及系统 | |
| Senichenkova et al. | Detection of Dumpster Fill Level Using Computer Vision | |
| CN113619950B (zh) | 基于深度学习的垃圾分类投放智能监管系统及方法 | |
| Aravapalli | An automatic inspection approach for remanufacturing components using object detection | |
| CN118552578A (zh) | 一种基于图像分析的新能源废旧锂电池回收识别方法 | |
| Krishna et al. | Deep learning based garbage classification: A promising approach for sustainable waste management |
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 |