CN110610201A - 厨余回收分类方法、***、移动终端及存储介质 - Google Patents

厨余回收分类方法、***、移动终端及存储介质 Download PDF

Info

Publication number
CN110610201A
CN110610201A CN201910813678.4A CN201910813678A CN110610201A CN 110610201 A CN110610201 A CN 110610201A CN 201910813678 A CN201910813678 A CN 201910813678A CN 110610201 A CN110610201 A CN 110610201A
Authority
CN
China
Prior art keywords
kitchen waste
data
classification
model
kitchen
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
CN201910813678.4A
Other languages
English (en)
Other versions
CN110610201B (zh
Inventor
陈文敏
李稀敏
肖龙源
***
刘晓葳
王静
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.)
Xiamen Kuaishangtong Technology Co Ltd
Original Assignee
Xiamen Kuaishangtong Technology 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 Xiamen Kuaishangtong Technology Co Ltd filed Critical Xiamen Kuaishangtong Technology Co Ltd
Priority to CN201910813678.4A priority Critical patent/CN110610201B/zh
Publication of CN110610201A publication Critical patent/CN110610201A/zh
Application granted granted Critical
Publication of CN110610201B publication Critical patent/CN110610201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明适用于厨余回收技术领域，提供了一种厨余回收分类方法、***、移动终端及存储介质，该方法包括：根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；获取厨余数据和非厨余数据，并分别对厨余数据和非厨余数据进行标注；根据标注结果对厨余分类模型进行模型训练；获取待分类物品的图像数据，将图像数据输入至厨余分类模型进行归类分析，根据归类结果对待分类物品进行分类。本发明通过基于厨余分类模型的构建，以采用自动的方式对厨余垃圾进行分类，大大提高了针对厨余或非厨余物品的分类效率和回收效率，节省了人力物力，且通过采用分割网络与SSD模型的结合设计，使得厨余分类模型精确度高且数据处理速度快。

Description

厨余回收分类方法、***、移动终端及存储介质
技术领域
本发明属于厨余回收技术领域，尤其涉及一种厨余回收分类方法、***、移动终端及存储介质。
背景技术
随着科技的蓬勃发展及环保意识的提高，许多国家已利用多元废弃物处理的概念，将厨余进行分类，以达到有效资源利用的目的，然而在餐厅中时常面临到厨余与非厨余的问题，由于餐厅中的垃圾包括剩菜、剩饭、筷子、碗及卫生纸等混杂在一起，使得厨余回收效率低下，因此，针对厨余和非厨余的分类问题越来越受人们所重视。
现有的厨余和非厨余的回收过程中，均通过采用人工手动的方式进行厨余和非厨余的分类，以方便后续针对厨余或非厨余的回收，但由于采用人工手动进行分类，使得餐厅需要额外增加人力及时间进行垃圾分类，进而导致人力成本较高且分类效率低下。
发明内容
本发明实施例要解决的技术问题是，由于采用人工手动进行厨余和非厨余分类所导致的人力成本较高且分类效率低下的问题。
本发明实施例是这样实现的，一种厨余回收分类方法，所述方法包括：
根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
根据标注结果对所述厨余分类模型进行模型训练；
获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类。
更进一步的，所述分别对所述厨余数据和所述非厨余数据进行标注的步骤之后，所述方法还包括：
利用多模式二维离散小波算法结合旋转、剪裁及缩放操作对所述厨余数据和所述非厨余数据进行预处理，以使利用其多重解析后的尺寸大小并保留原始小波函数所具有的多重时间与频率分析。
更进一步的，所述根据标注结果对所述厨余分类模型进行模型训练的步骤之前，所述方法还包括：
分别将所述厨余数据和所述非厨余数据转化成二进制格式，并与对应的标注进行封装；
根据封装结果将所述厨余数据和所述非厨余数据序列化为字符串，并保存成预设格式文件。
更进一步的，所述厨余分类模型中的网络采用损失函数为复合损失函数，包括类别和预测框，以及所述预测框中有无目标的损失的加权和，并通过所述损失函数反向传播更新模型参数，经过预设次数迭代以完成模型训练。
更进一步的，所述将所述图像数据输入至所述厨余分类模型进行归类分析的步骤包括：
将所述图像数据转换为网络输入格式，并将格式转换后的所述图像数据输入至所述厨余分类模型进行预测；
通过采用softmax函数回归目标框、中心坐标以及所属类别，所述所属类别为厨余类别或非厨余类别。
更进一步的，所述预设分割网络的构架共有十三个逆卷积层、四个上取样层、两个感兴趣最大池化层及一个融合层。
本发明实施例的另一目的在于提供一种厨余回收分类***，所述***包括：
模型构建模块，用于根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
数据标注模块，用于获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
模型训练模块，用于根据标注结果对所述厨余分类模型进行模型训练；
物品分类模块，用于获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类。
更进一步的，所述厨余回收分类***还包括：
数据预处理模块，用于利用多模式二维离散小波算法结合旋转、剪裁及缩放操作对所述厨余数据和所述非厨余数据进行预处理，以使利用其多重解析后的尺寸大小并保留原始小波函数所具有的多重时间与频率分析。
本发明实施例的另一目的在于提供一种移动终端，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行上述的厨余回收分类方法。
本发明实施例的另一目的在于提供一种存储介质，其存储有上述的移动终端中所使用的计算机程序，该计算机程序被处理器执行时实现上述的厨余回收分类方法的步骤。
本发明实施例，通过基于厨余分类模型的构建，以采用自动的方式对厨余垃圾进行分类，大大提高了针对厨余或非厨余物品的分类效率和回收效率，节省了人力物力，且通过采用分割网络与SSD模型的结合设计，使得所述厨余分类模型精确度高且数据处理速度快。
附图说明
图1是本发明第一实施例提供的厨余回收分类方法的流程图；
图2是本发明第二实施例提供的厨余回收分类方法的流程图；
图3是本发明第三实施例提供的厨余回收分类***的结构示意图；
图4是本发明第四实施例提供的移动终端的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
现有的厨余回收过程中，均需要采用人工手动的方式进行厨余和非厨余的分类，进而使得餐厅需要额外增加人力及时间进行垃圾分类，导致人力成本较高且分类效率低下，因此，本发明的目的在于通过采用厨余分类模型进行数据分析，以达到自动对厨余垃圾进行分类的效果，大大提高了针对厨余或非厨余物品的分类效率和回收效率，节省了人力物力。
实施例一
请参阅图1，是本发明第一实施例提供的厨余回收分类方法的流程图，包括步骤：
步骤S10，根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
其中，该步骤是在SSD模型的基础上新增一个全局实例分割网络(Instancesegmentation network)，对背景及前景进行像素级的对象分割，强化对象辨识率，所述预设分割网络的构架共有十三个逆卷积层、四个上取样层、两个感兴趣最大池化层及一个融合层，SSD网络是结合了Yolo和Faster RCNN的优点的一个网络结构，速度比Faster RCNN快、准确率比Yolo的要好；
步骤S20，获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
其中，该厨余数据和非厨余数据均可以采用图像的方式进行存储传输，该厨余数据和非厨余数据中均存储有多张不同的图像，图像中对应有厨余和非厨余，例如该厨余数据中存储的图像包括剩菜、剩饭、剩余的水果等，该非厨余包括筷子、碗和勺子等；
优选的，该步骤中的标注用于对厨余数据和非厨余数据进行正数据和负数据的标记，即将该厨余数据中存储的图片进行正标记，将该非厨余数据中存储的图片进行负标记，以方便后续针对模型的训练；
步骤S30，根据标注结果对所述厨余分类模型进行模型训练；
其中，所述厨余分类模型中的网络采用损失函数为复合损失函数，包括类别和预测框，以及所述预测框中有无目标的损失的加权和，并通过所述损失函数反向传播更新模型参数，经过预设次数迭代以完成模型训练；
步骤S40，获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类；
其中，该待分类物品的图像数据可以基于拍摄设备或具有拍摄设备的终端设备进行获取，例如摄像头、手机或可智能穿戴设备等，本实施例中，在垃圾传送带上设有摄像头，基于该摄像头以进行所述待分类物品的图像数据获取；
本实施例，通过基于厨余分类模型的构建，以采用自动的方式对厨余垃圾进行分类，大大提高了针对厨余或非厨余物品的分类效率和回收效率，节省了人力物力，且通过采用分割网络与SSD模型的结合设计，使得所述厨余分类模型精确度高且数据处理速度快。
实施例二
请参阅图2，是本发明第二实施例提供的厨余回收分类方法的流程图，包括步骤：
步骤S11，根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
其中，该步骤是在SSD模型的基础上新增一个全局实例分割网络(Instancesegmentation network)，对背景及前景进行像素级的对象分割，强化对象辨识率，所述预设分割网络的构架共有十三个逆卷积层、四个上取样层、两个感兴趣最大池化层及一个融合层，SSD网络是结合了Yolo和Faster RCNN的优点的一个网络结构，速度比Faster RCNN快、准确率比Yolo的要好；
步骤S21，获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
其中，该步骤中的标注用于对厨余数据和非厨余数据进行正数据和负数据的标记，即将该厨余数据中存储的图片进行正标记，将该非厨余数据中存储的图片进行负标记，以方便后续针对模型的训练；
步骤S31，利用多模式二维离散小波算法结合旋转、剪裁及缩放操作对所述厨余数据和所述非厨余数据进行预处理；
其中，通过该预处理的设计，以使利用其多重解析后的尺寸大小并保留原始小波函数所具有的多重时间与频率分析，因此，该步骤可得到较低的空间运算复杂度与其方向性的预测可以完全保留指静脉纹理信息的完整性、同时可减少空间内存使用量。另外，相较于其他影像降分辨率的方法，其小波转换后保留较多的细节(纹理)信息，适合应用在厨余分类识别中；
且该步骤中，通过进行旋转、剪裁以及缩放的设计，有效的增加了训练样本的多样性，提升了模型的训练效果；
步骤S41，分别将所述厨余数据和所述非厨余数据转化成二进制格式，并与对应的标注进行封装；
其中，将经预处理后的所述厨余数据和所述非厨余数据转化成二进制格式的设计，以使将图片及其对应的标注对应起来并处理成网络输入的数据维度，进而有效的方便了后续针对模型的训练，提高了后续厨余分类模型的训练效率；
步骤S51，根据封装结果将所述厨余数据和所述非厨余数据序列化为字符串，并保存成预设格式文件；
其中，该预设格式文件可以根据用户需求进行设置，本实施例中，该预设格式文件为tfrecord格式；
步骤S61，根据所述预设格式文件对所述厨余分类模型进行模型训练；
其中，所述厨余分类模型中的网络采用损失函数为复合损失函数，包括类别和预测框，以及所述预测框中有无目标的损失的加权和，并通过所述损失函数反向传播更新模型参数，经过预设次数迭代以完成模型训练；
步骤S71，获取待分类物品的图像数据，将所述图像数据转换为网络输入格式，并将格式转换后的所述图像数据输入至所述厨余分类模型进行预测；
其中，该待分类物品的图像数据可以基于拍摄设备或具有拍摄设备的终端设备进行获取，例如摄像头、手机或可智能穿戴设备等，本实施例中，在垃圾传送带上设有摄像头，基于该摄像头以进行所述待分类物品的图像数据获取；
步骤S81，通过采用softmax函数回归目标框、中心坐标以及所属类别，并根据所述所属类别对所述待分类物品进行分类；
其中，所述所属类别为厨余类别或非厨余类别；
本实施例，通过基于厨余分类模型的构建，以采用自动的方式对厨余垃圾进行分类，大大提高了针对厨余或非厨余物品的分类效率和回收效率，节省了人力物力，且通过采用分割网络与SSD模型的结合设计，使得所述厨余分类模型精确度高且数据处理速度快。
实施例三
请参阅图3，是本发明第三实施例提供的厨余回收分类***100的结构示意图，包括：模型构建模块10、数据标注模块11、模型训练模块12和物品分类模块13，其中：
模型构建模块10，用于根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型，其中，所述预设分割网络的构架共有十三个逆卷积层、四个上取样层、两个感兴趣最大池化层及一个融合层。
数据标注模块11，用于获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注。
模型训练模块12，用于根据标注结果对所述厨余分类模型进行模型训练，其中，所述厨余分类模型中的网络采用损失函数为复合损失函数，包括类别和预测框，以及所述预测框中有无目标的损失的加权和，并通过所述损失函数反向传播更新模型参数，经过预设次数迭代以完成模型训练。
物品分类模块13，用于获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类。
其中，所述物品分类模块13还用于：将所述图像数据转换为网络输入格式，并将格式转换后的所述图像数据输入至所述厨余分类模型进行预测；通过采用softmax函数回归目标框、中心坐标以及所属类别，所述所属类别为厨余类别或非厨余类别。
优选的，所述厨余回收分类***100还包括：
数据预处理模块14，用于利用多模式二维离散小波算法结合旋转、剪裁及缩放操作对所述厨余数据和所述非厨余数据进行预处理，以使利用其多重解析后的尺寸大小并保留原始小波函数所具有的多重时间与频率分析。
格式转换模块15，用于分别将所述厨余数据和所述非厨余数据转化成二进制格式，并与对应的标注进行封装；根据封装结果将所述厨余数据和所述非厨余数据序列化为字符串，并保存成预设格式文件。
本实施例，通过基于厨余分类模型的构建，以采用自动的方式对厨余垃圾进行分类，大大提高了针对厨余或非厨余物品的分类效率和回收效率，节省了人力物力，且通过采用分割网络与SSD模型的结合设计，使得所述厨余分类模型精确度高且数据处理速度快。
实施例四
请参阅图4，是本发明第四实施例提供的移动终端101，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端101执行上述的厨余回收分类方法。
本实施例还提供了一种存储介质，其上存储有上述移动终端101中所使用的计算机程序，该程序在执行时，包括如下步骤：
根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
根据标注结果对所述厨余分类模型进行模型训练；
获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类。所述的存储介质，如：ROM/RAM、磁碟、光盘等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将存储装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
本领域技术人员可以理解，图3中示出的组成结构并不构成对本发明的厨余回收分类***的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，而图1-2中的厨余回收分类方法亦采用图3中所示的更多或更少的部件，或者组合某些部件，或者不同的部件布置来实现。本发明所称的单元、模块等是指一种能够被所述目标厨余回收分类***中的处理器(图未示)所执行并功能够完成特定功能的一系列计算机程序，其均可存储于所述目标厨余回收分类***的存储设备(图未示)内。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种厨余回收分类方法，其特征在于，所述方法包括：
根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
根据标注结果对所述厨余分类模型进行模型训练；
获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类。
2.如权利要求1所述的厨余回收分类方法，其特征在于，所述分别对所述厨余数据和所述非厨余数据进行标注的步骤之后，所述方法还包括：
利用多模式二维离散小波算法结合旋转、剪裁及缩放操作对所述厨余数据和所述非厨余数据进行预处理，以使利用其多重解析后的尺寸大小并保留原始小波函数所具有的多重时间与频率分析。
3.如权利要求1所述的厨余回收分类方法，其特征在于，所述根据标注结果对所述厨余分类模型进行模型训练的步骤之前，所述方法还包括：
分别将所述厨余数据和所述非厨余数据转化成二进制格式，并与对应的标注进行封装；
根据封装结果将所述厨余数据和所述非厨余数据序列化为字符串，并保存成预设格式文件。
4.如权利要求1所述的厨余回收分类方法，其特征在于，所述厨余分类模型中的网络采用损失函数为复合损失函数，包括类别和预测框，以及所述预测框中有无目标的损失的加权和，并通过所述损失函数反向传播更新模型参数，经过预设次数迭代以完成模型训练。
5.如权利要求1所述的厨余回收分类方法，其特征在于，所述将所述图像数据输入至所述厨余分类模型进行归类分析的步骤包括：
将所述图像数据转换为网络输入格式，并将格式转换后的所述图像数据输入至所述厨余分类模型进行预测；
通过采用softmax函数回归目标框、中心坐标以及所属类别，所述所属类别为厨余类别或非厨余类别。
6.如权利要求1所述的厨余回收分类方法，其特征在于，所述预设分割网络的构架共有十三个逆卷积层、四个上取样层、两个感兴趣最大池化层及一个融合层。
7.一种厨余回收分类***，其特征在于，所述***包括：
模型构建模块，用于根据预设分割网络对预设SSD模型进行模型构建，以得到厨余分类模型；
数据标注模块，用于获取厨余数据和非厨余数据，并分别对所述厨余数据和所述非厨余数据进行标注；
模型训练模块，用于根据标注结果对所述厨余分类模型进行模型训练；
物品分类模块，用于获取待分类物品的图像数据，将所述图像数据输入至所述厨余分类模型进行归类分析，并根据归类结果对所述待分类物品进行分类。
8.如权利要求7所述的厨余回收分类***，其特征在于，所述厨余回收分类***还包括：
数据预处理模块，用于利用多模式二维离散小波算法结合旋转、剪裁及缩放操作对所述厨余数据和所述非厨余数据进行预处理，以使利用其多重解析后的尺寸大小并保留原始小波函数所具有的多重时间与频率分析。
9.一种移动终端，其特征在于，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行根据权利要求1至6任一项所述的厨余回收分类方法。
10.一种存储介质，其特征在于，其存储有权利要求9所述的移动终端中所使用的计算机程序，该计算机程序被处理器执行时实现权利要求1至6任一项所述的厨余回收分类方法的步骤。
CN201910813678.4A 2019-08-30 2019-08-30 厨余回收分类方法、***、移动终端及存储介质 Active CN110610201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910813678.4A CN110610201B (zh) 2019-08-30 2019-08-30 厨余回收分类方法、***、移动终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910813678.4A CN110610201B (zh) 2019-08-30 2019-08-30 厨余回收分类方法、***、移动终端及存储介质

Publications (2)

Publication Number Publication Date
CN110610201A true CN110610201A (zh) 2019-12-24
CN110610201B CN110610201B (zh) 2022-06-07

Family

ID=68890724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910813678.4A Active CN110610201B (zh) 2019-08-30 2019-08-30 厨余回收分类方法、***、移动终端及存储介质

Country Status (1)

Country Link
CN (1) CN110610201B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144480A (zh) * 2019-12-25 2020-05-12 深圳蓝胖子机器人有限公司 一种可回收垃圾视觉分类方法、***、设备
CN112884033A (zh) * 2021-02-06 2021-06-01 浙江净禾智慧科技有限公司 一种基于卷积神经网络的生活垃圾分类检测方法
CN113191176A (zh) * 2020-06-08 2021-07-30 阿里巴巴集团控股有限公司 数据处理方法和装置
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***和方法
CN113849776A (zh) * 2021-11-19 2021-12-28 中译语通科技（青岛）有限公司 一种用于厨余废弃物处理厌氧工艺的优化方法
TWI766674B (zh) * 2021-05-05 2022-06-01 長庚大學 廚餘辨識系統及其辨識方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165582A (zh) * 2018-08-09 2019-01-08 河海大学 一种城市街道垃圾检测和清洁度评估方法
CN109598303A (zh) * 2018-12-03 2019-04-09 江西洪都航空工业集团有限责任公司 一种基于城市场景的垃圾检测方法
CN109834063A (zh) * 2019-04-11 2019-06-04 苏州嘉诺环境工程有限公司 垃圾分选***及垃圾分选方法
CN109928107A (zh) * 2019-04-08 2019-06-25 江西理工大学 一种自动分类***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165582A (zh) * 2018-08-09 2019-01-08 河海大学 一种城市街道垃圾检测和清洁度评估方法
CN109598303A (zh) * 2018-12-03 2019-04-09 江西洪都航空工业集团有限责任公司 一种基于城市场景的垃圾检测方法
CN109928107A (zh) * 2019-04-08 2019-06-25 江西理工大学 一种自动分类***
CN109834063A (zh) * 2019-04-11 2019-06-04 苏州嘉诺环境工程有限公司 垃圾分选***及垃圾分选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHENG-YANG FU ET AL.: "DSSD: Deconvolutional Single Shot Detector", 《ARXIV:1701.06659V1》 *
彭昕昀 等: "基于SSD算法的垃圾识别分类研究", 《韶关学院学报•自然科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144480A (zh) * 2019-12-25 2020-05-12 深圳蓝胖子机器人有限公司 一种可回收垃圾视觉分类方法、***、设备
CN113191176A (zh) * 2020-06-08 2021-07-30 阿里巴巴集团控股有限公司 数据处理方法和装置
CN112884033A (zh) * 2021-02-06 2021-06-01 浙江净禾智慧科技有限公司 一种基于卷积神经网络的生活垃圾分类检测方法
CN112884033B (zh) * 2021-02-06 2021-10-22 浙江净禾智慧科技有限公司 一种基于卷积神经网络的生活垃圾分类检测方法
TWI766674B (zh) * 2021-05-05 2022-06-01 長庚大學 廚餘辨識系統及其辨識方法
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***和方法
CN113849776A (zh) * 2021-11-19 2021-12-28 中译语通科技（青岛）有限公司 一种用于厨余废弃物处理厌氧工艺的优化方法

Also Published As

Publication number Publication date
CN110610201B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN110610201B (zh) 厨余回收分类方法、***、移动终端及存储介质
US7958068B2 (en) Method and apparatus for model-shared subspace boosting for multi-label classification
JP6894534B2 (ja) 情報処理方法及び端末、コンピュータ記憶媒体
Tian et al. Review of object instance segmentation based on deep learning
CN110348294A (zh) Pdf文档中图表的定位方法、装置及计算机设备
CN107368614A (zh) 基于深度学习的图像检索方法及装置
CN103995889A (zh) 图片分类方法及装置
CN107330027B (zh) 一种弱监督的深度台标检测方法
CN111368636B (zh) 目标分类方法、装置、计算机设备和存储介质
CN103077236B (zh) 便携式设备实现视频知识采集与标注功能的***及方法
CN112069319A (zh) 文本抽取方法、装置、计算机设备和可读存储介质
CN111273905B (zh) 基于界面草图的应用检索方法和装置
CN108268510B (zh) 一种图像标注方法和装置
JP2016167304A (ja) 分類器の分類結果を改善する方法
CN111814913A (zh) 图像分类模型的训练方法、装置、电子设备及存储介质
CN110232131A (zh) 基于创意标签的创意素材搜索方法及装置
Huang et al. Fine-art painting classification via two-channel deep residual network
CN109416688B (zh) 用于灵活的高性能结构化数据处理的方法和***
CN113191235B (zh) 杂物检测方法、装置、设备及存储介质
CN115100527A (zh) 一种基于YOLOv5的神经网络模型的垃圾检测方法
Wu et al. RGBD co-saliency detection via multiple kernel boosting and fusion
CN110909506A (zh) 平面设计物料生成的方法和装置
CN107506407A (zh) 一种文件分类、调用的方法及装置
WO2021000411A1 (zh) 基于神经网络的文档分类方法、装置、设备及存储介质
CN116580233A (zh) 一种用于工业垃圾分类的智能工作机器人控制***

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