CN110654740A - 自动进行垃圾分类的方法、装置及存储介质 - Google Patents
自动进行垃圾分类的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110654740A CN110654740A CN201910917610.0A CN201910917610A CN110654740A CN 110654740 A CN110654740 A CN 110654740A CN 201910917610 A CN201910917610 A CN 201910917610A CN 110654740 A CN110654740 A CN 110654740A
- Authority
- CN
- China
- Prior art keywords
- garbage
- information
- classification
- image information
- neural network
- 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.)
- Pending
Links
Images
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
-
- 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
-
- 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
- B65F1/141—Supports, racks, stands, posts or the like for holding refuse receptacles
-
- 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
- B65F2001/008—Means for automatically selecting the receptacle in which refuse should be placed
-
- 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
- B65F2210/138—Identification 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
- B65F2210/176—Sorting means
-
- 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)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自动进行垃圾分类的方法、装置及存储介质,包括步骤:采集垃圾的图像信息;基于残差神经网络算法对采集到的图像信息进行识别分类;根据识别分类信息进行垃圾分类回收,从而能够快速简便地对垃圾进行分类回收,给人们对垃圾的分类回收带来了极大的便利性。
Description
技术领域
本发明涉及垃圾清理领域,特别涉及一种自动进行垃圾分类的方法、装置及存储介质。
背景技术
随着社会的进步、生活水平的提高,垃圾的产量也越来越多,与此同时,人们的环保意识、垃圾分类意识也开始逐渐增强,并且国内多地也出台了垃圾分类的相关政策,所以垃圾分类势在必行,但是传统的家用清扫机器已不能满足垃圾分类的需要。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种自动进行垃圾分类的方法,能够快速简便地对垃圾进行分类回收,给人们对垃圾的分类回收带来了极大的便利性。
本发明还提出一种应用上述自动进行垃圾分类的方法的自动进行垃圾分类装置。
本发明还提出一种应用上述自动进行垃圾分类的方法的自动进行垃圾分类存储介质。
根据本发明第一方面实施例的自动进行垃圾分类的方法,包括:采集垃圾的图像信息;基于残差神经网络算法对采集到的图像信息进行识别分类;根据识别分类信息进行垃圾分类回收。
根据本发明实施例的自动进行垃圾分类的方法,至少具有如下有益效果:首先进行垃圾的图像信息采集;然后将采集到的垃圾图像信息利用残差神经网络算法进行识别分类;残差神经网络算法与普通直连的卷积神经网络的最大区别在于,残差神经网络有很多旁路的支线将输入直接连到后面的层,使得后面的层可以直接学习残差,传统的卷积层或者全连接层在信息传递时,或多或少会存在信息丢失、损耗等问题,残差神经网络在某种程度上解决了这个问题,通过直接将输入信息绕道传到输出,保护了信息的完整性,整个网络则只需要学习输入、输出差别的那一部分,简化学习目标和难度,随着学习的深入,残差神经网络相对传统的卷积神经网络更具准确性和高效性;因此本发明实施例利用残差神经网络算法来对图像信息进行识别分类,更具准确性;最后,采集到的图像信息被进行识别分类之后,再根据识别分类信息进行相应的垃圾分类回收工作,不需要人为地去干预,使得垃圾的分类回收更具简便性。
根据本发明的一些实施例,所述采集垃圾的图像信息,包括:图像采集单元进行三百六十度旋转,对周边的垃圾进行图像信息采集;图像采集单元将采集到的图像信息传送到信息处理单元。
根据本发明的一些实施例,所述基于残差神经网络算法对采集到的图像信息进行识别分类,包括:信息处理单元接收到图像采集单元发送过来的图像信息;信息处理单元利用残差神经网络算法对接收到的图像信息进行识别分类;信息处理单元将经过残差神经网络算法识别而产生的识别分类信息传送到执行单元。
根据本发明的一些实施例,所述根据识别分类信息进行垃圾分类回收,包括:执行单元接收到信息处理单元发送过来的识别分类信息;执行单元根据接收到的识别分类信息进行垃圾分类回收。
根据本发明的一些实施例,所述执行单元包括PID控制器。
根据本发明的一些实施例,所述图像采集单元为摄像头。
根据本发明第二方面实施例的自动进行垃圾分类装置,能够应用根据本发明上述第一方面实施例的自动进行垃圾分类的方法。
根据本发明实施例的自动进行垃圾分类装置,至少具有如下有益效果:通过采用上述的自动进行垃圾分类的方法,简化了垃圾分类回收的步骤,使得人们对垃圾的分类回收更加简便快捷。
根据本发明第三方面实施例的自动进行垃圾分类存储介质,能够应用根据本发明上述第一方面实施例的自动进行垃圾分类的方法。
根据本发明实施例的自动进行垃圾分类存储介质,至少具有如下有益效果:通过采用上述的自动进行垃圾分类的方法,使得人们对垃圾的分类回收更加简便快捷。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例一的自动进行垃圾分类的方法的流程图;
图2为本发明实施例一的自动进行垃圾分类的方法中的图像采集单元工作流程图;
图3为本发明实施例一的自动进行垃圾分类的方法中的信息处理单元工作流程图;
图4为本发明实施例一的自动进行垃圾分类的方法中的执行单元工作流程图;
图5为本发明实施例二的自动进行垃圾分类装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明的描述中,除非另有明确的限定,设置、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
实施例一
参照图1,本发明实施例一提供了一种自动进行垃圾分类的方法,其中的一种实施例包括但不限于以下步骤:
步骤S100,采集垃圾的图像信息。
在本实施例中,本步骤首先对周边的图像进行信息采集,收集周边的垃圾的图像信息,为后续的垃圾分类回收做好准备。
步骤S200,基于残差神经网络算法对采集到的图像信息进行识别分类。
在本实施例中,本步骤利用残差神经网络算法对接收到的图像信息进行识别分类处理;其中,残差神经网络算法与普通直连的卷积神经网络的最大区别在于,残差神经网络有很多旁路的支线将输入直接连到后面的层,使得后面的层可以直接学习残差,传统的卷积层或者全连接层在信息传递时,或多或少会存在信息丢失、损耗等问题,残差神经网络在某种程度上解决了这个问题,通过直接将输入信息绕道传到输出,保护了信息的完整性,整个网络则只需要学习输入、输出差别的那一部分,简化学习目标和难度,随着学习的深入,残差神经网络相对传统的卷积神经网络更具准确性和高效性。
步骤S300,根据识别分类信息进行垃圾分类回收。
在本实施例中,本步骤根据经过残差神经网络算法进行识别分类的信息进行相应的垃圾分类回收,简便了垃圾的分类与回收,给人们带来了极大的便利性。
参照图2,本实施例的步骤S100中,可以包括但不限于以下步骤:
步骤S110,图像采集单元进行三百六十度旋转,对周边的垃圾进行图像信息采集。
在本实施例中,本步骤图像采集单元可以进行三百六十度的旋转,从而能够对图像采集单元周边的垃圾都可以进行拍摄,进而可以采集到周边的垃圾的图像信息,使得对垃圾的清理更加全面更加彻底。
步骤S120,图像采集单元将采集到的图像信息传送到信息处理单元。
在本实施例中,本步骤图像采集单元采集完图像信息之后,就会把采集到的图像信息传输到信息处理单元,从而信息处理单元可以对采集到的图像信息进行分析处理。
参照图3,本实施例的步骤S200中,可以包括但不限于以下步骤:
步骤S210,信息处理单元接收到图像采集单元发送过来的图像信息。
在本实施例中,本步骤信息处理单元可以接收到图像采集单元发送过来的图像信息,为后续分识别分类做好准备。
步骤S220,信息处理单元利用残差神经网络算法对接收到的图像信息进行识别分类。
在本实施例中,本步骤信息处理单元将接收到图像信息利用残差神经网络算法进行识别分类,残差神经网络算法与普通直连的卷积神经网络的最大区别在于,残差神经网络有很多旁路的支线将输入直接连到后面的层,使得后面的层可以直接学习残差,传统的卷积层或者全连接层在信息传递时,或多或少会存在信息丢失、损耗等问题,残差神经网络在某种程度上解决了这个问题,通过直接将输入信息绕道传到输出,保护了信息的完整性,整个网络则只需要学习输入、输出差别的那一部分,简化学习目标和难度,随着学习的深入,残差神经网络相对传统的卷积神经网络更具准确性和高效性;并且残差神经网络还具有定位特性,从而可以对某个位置经常性出现的垃圾进行更好的识别处理,例如厨房就会经常出现厨余垃圾,利用这种算法,使得对某些固定位置的垃圾识别更加高效快捷。
步骤S230,信息处理单元将经过残差神经网络算法识别而产生的识别分类信息传送到执行单元。
在本实施例中,本步骤,信息处理单元将经过残差神经网络算法识别处理的后识别分类信息传送到执行单元,进而执行单元就可以对相关的垃圾进行分类回收处理。
参照图4,本本实施例的步骤S300中,可以包括但不限于以下步骤:
步骤S310,执行单元接收到信息处理单元发送过来的识别分类信息。
在本实施例中,执行单元接收来自信息处理单元发送过来的识别分类信息,为进行垃圾的分类回收做好准备。
步骤S320,执行单元根据接收到的识别分类信息进行垃圾分类回收。
在本实施例中,执行单元根据接收到的识别分类信息进行垃圾的分类回收,从而让人们对垃圾的分类回收更加的简便快捷。执行单元可以包括旋转架、垃圾收集盒、进料口和出料口;垃圾收集盒分为若干个格子,分别用于收集不同类型的垃圾,并且垃圾收集盒放置到旋转架上,进料口可以用于吸入垃圾,出料口可以将相应的垃圾分类对相应的格子中,只需要利用旋转架的转动,使得对应的格子对准出料口,就可以实现不同类型垃圾的分类回收,简便又快捷。
其中,执行单元包括PID控制器。PID控制器可以运用PID算法,由于算法简单、鲁棒性好及可靠性高而被广泛地应用于过程控制和运动控制中,将偏差的比例、积分和微分通过线性组合构成控制量,并且利用这一控制量对被控对象进行控制。其中,PID控制的算法为e(t)为PID控制输入,U(t)为PID控制输出,kp为控制器的比例系数,Ti为控制器的积分时间,Td为控制器的微分时间。
其中,图像采集单元为摄像头。图像采集单元为能够全方位转动的摄像头,从而可以对摄像头周边的垃圾进行完整的图像收集,进而可以对垃圾进行更加全面的分类回收工作。
通过上述技术方案可知,首先进行垃圾的图像信息采集;然后将采集到的垃圾图像信息利用残差神经网络算法进行识别分类;残差神经网络算法与普通直连的卷积神经网络的最大区别在于,残差神经网络有很多旁路的支线将输入直接连到后面的层,使得后面的层可以直接学习残差,传统的卷积层或者全连接层在信息传递时,或多或少会存在信息丢失、损耗等问题,残差神经网络在某种程度上解决了这个问题,通过直接将输入信息绕道传到输出,保护了信息的完整性,整个网络则只需要学习输入、输出差别的那一部分,简化学习目标和难度,随着学习的深入,残差神经网络相对传统的卷积神经网络更具准确性和高效性;因此本发明实施例利用残差神经网络算法来对图像信息进行识别分类,更具准确性;最后,采集到的图像信息被进行识别分类之后,再根据识别分类信息进行相应的垃圾分类回收工作,不需要人为地去干预,使得垃圾的分类回收更具简便性。
实施例二
参照图5,本发明实施例二提供了一种自动进行垃圾分类装置1000,包括:图像采集单元1100,用于采集垃圾的图像信息;
信息处理单元1200,用于基于残差神经网络算法对采集到的图像信息进行识别分类;
执行单元1300,用于根据识别分类信息进行垃圾分类回收。
需要说明的是,由于本实施例中的自动进行垃圾分类装置与上述实施例一中的自动进行垃圾分类的方法基于相同的发明构思,因此,方法实施例一中的相应内容同样适用于本装置实施例,此处不再详述。
通过上述方案可知,图像采集单元1100进行垃圾的图像信息采集,信息处理单元1200对图像采集单元1100发送过来的图像信息进行识别分类处理,最后执行单元1300对信息处理单元1200发送过来的识别分类信息进行垃圾的分类回收处理,使得人们对垃圾的分类回收更加简便快捷。
实施例三
本发明实施例三还提供了一种自动进行垃圾分类存储介质,所述自动进行垃圾分类存储介质存储有清理机器可执行指令,该清理机器可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例一中的自动进行垃圾分类的方法,例如,执行以上描述的图1中的方法步骤S100至S300,实现图5中的单元1100-1300的功能。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种自动进行垃圾分类的方法,其特征在于:包括:
采集垃圾的图像信息;
基于残差神经网络算法对采集到的图像信息进行识别分类;
根据识别分类信息进行垃圾分类回收。
2.根据权利要求1所述的一种自动进行垃圾分类的方法,其特征在于:所述采集垃圾的图像信息,包括:
图像采集单元进行三百六十度旋转,对周边的垃圾进行图像信息采集;
图像采集单元将采集到的图像信息传送到信息处理单元。
3.根据权利要求2所述的一种自动进行垃圾分类的方法,其特征在于:所述基于残差神经网络算法对采集到的图像信息进行识别分类,包括:
信息处理单元接收到图像采集单元发送过来的图像信息;
信息处理单元利用残差神经网络算法对接收到的图像信息进行识别分类;
信息处理单元将经过残差神经网络算法识别而产生的识别分类信息传送到执行单元。
4.根据权利要求3所述的一种自动进行垃圾分类的方法,其特征在于:所述根据识别分类信息进行垃圾分类回收,包括:
执行单元接收到信息处理单元发送过来的识别分类信息;
执行单元根据接收到的识别分类信息进行垃圾分类回收。
5.根据权利要求4所述的一种自动进行垃圾分类的方法,其特征在于:所述执行单元包括PID控制器。
6.根据权利要求2所述的一种自动进行垃圾分类的方法,其特征在于:所述图像采集单元为摄像头。
7.一种应用权利要求1至6任一所述的自动进行垃圾分类的方法的自动进行垃圾分类装置,其特征在于:包括:
图像采集单元,用于采集垃圾的图像信息;
信息处理单元,用于基于残差神经网络算法对采集到的图像信息进行识别分类;
执行单元,用于根据识别分类信息进行垃圾分类回收。
8.一种自动进行垃圾分类存储介质,其特征在于:所述自动进行垃圾分类存储介质存储有垃圾清理机器可执行指令,所述垃圾清理机器可执行指令用于使垃圾清理机器执行如权利要求1至6任一所述的自动进行垃圾分类的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917610.0A CN110654740A (zh) | 2019-09-26 | 2019-09-26 | 自动进行垃圾分类的方法、装置及存储介质 |
PCT/CN2020/078282 WO2021056975A1 (zh) | 2019-09-26 | 2020-03-06 | 自动进行垃圾分类的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910917610.0A CN110654740A (zh) | 2019-09-26 | 2019-09-26 | 自动进行垃圾分类的方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110654740A true CN110654740A (zh) | 2020-01-07 |
Family
ID=69039271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910917610.0A Pending CN110654740A (zh) | 2019-09-26 | 2019-09-26 | 自动进行垃圾分类的方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110654740A (zh) |
WO (1) | WO2021056975A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428595A (zh) * | 2020-03-13 | 2020-07-17 | 五邑大学 | 水底视觉垃圾清理机器人及其运作方法 |
WO2021056975A1 (zh) * | 2019-09-26 | 2021-04-01 | 五邑大学 | 自动进行垃圾分类的方法、装置及存储介质 |
CN112633335A (zh) * | 2020-12-10 | 2021-04-09 | 长春理工大学 | 一种垃圾分类方法及垃圾桶 |
CN114821264A (zh) * | 2022-03-28 | 2022-07-29 | 慧之安信息技术股份有限公司 | 一种基于神经网络的算法效率提升方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
EP3078611A1 (en) * | 2015-04-09 | 2016-10-12 | Fomento de Construcciones y Contratas, S.A. | Solid waste classification system |
CN108341184A (zh) * | 2018-03-01 | 2018-07-31 | 安徽省星灵信息科技有限公司 | 一种智能分拣垃圾桶 |
CN109376792A (zh) * | 2018-11-07 | 2019-02-22 | 河北工业大学 | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 |
CN109809060A (zh) * | 2019-03-12 | 2019-05-28 | 广东工业大学 | 一种自动分类垃圾桶及其管理*** |
CN109871891A (zh) * | 2019-02-13 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种物体识别方法、装置和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2117567B1 (es) * | 1996-05-13 | 1999-02-01 | Del Castillo Granados Jose Mar | Sistema inteligente de recogida de residuos no perecederos. |
KR20120118226A (ko) * | 2011-04-18 | 2012-10-26 | 윤원섭 | 영상 처리 기술을 적용한 쓰레기 분리 수거 장치 |
CN107229952A (zh) * | 2017-06-01 | 2017-10-03 | 雷柏英 | 图像的识别方法及装置 |
CN108182455A (zh) * | 2018-01-18 | 2018-06-19 | 齐鲁工业大学 | 一种垃圾图像智能分类的方法、装置及智能垃圾桶 |
CN110654740A (zh) * | 2019-09-26 | 2020-01-07 | 五邑大学 | 自动进行垃圾分类的方法、装置及存储介质 |
-
2019
- 2019-09-26 CN CN201910917610.0A patent/CN110654740A/zh active Pending
-
2020
- 2020-03-06 WO PCT/CN2020/078282 patent/WO2021056975A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3078611A1 (en) * | 2015-04-09 | 2016-10-12 | Fomento de Construcciones y Contratas, S.A. | Solid waste classification system |
CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
CN108341184A (zh) * | 2018-03-01 | 2018-07-31 | 安徽省星灵信息科技有限公司 | 一种智能分拣垃圾桶 |
CN109376792A (zh) * | 2018-11-07 | 2019-02-22 | 河北工业大学 | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 |
CN109871891A (zh) * | 2019-02-13 | 2019-06-11 | 深兰科技(上海)有限公司 | 一种物体识别方法、装置和存储介质 |
CN109809060A (zh) * | 2019-03-12 | 2019-05-28 | 广东工业大学 | 一种自动分类垃圾桶及其管理*** |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021056975A1 (zh) * | 2019-09-26 | 2021-04-01 | 五邑大学 | 自动进行垃圾分类的方法、装置及存储介质 |
CN111428595A (zh) * | 2020-03-13 | 2020-07-17 | 五邑大学 | 水底视觉垃圾清理机器人及其运作方法 |
CN111428595B (zh) * | 2020-03-13 | 2021-10-26 | 五邑大学 | 水底视觉垃圾清理机器人及其运作方法 |
CN112633335A (zh) * | 2020-12-10 | 2021-04-09 | 长春理工大学 | 一种垃圾分类方法及垃圾桶 |
CN114821264A (zh) * | 2022-03-28 | 2022-07-29 | 慧之安信息技术股份有限公司 | 一种基于神经网络的算法效率提升方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021056975A1 (zh) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110654740A (zh) | 自动进行垃圾分类的方法、装置及存储介质 | |
JP6679188B1 (ja) | 廃棄物選別装置及び廃棄物選別方法 | |
US12006141B2 (en) | Systems and methods for detecting waste receptacles using convolutional neural networks | |
CN108639627A (zh) | 垃圾回收方法、智能控制终端、***及可读存储介质 | |
CN105564864A (zh) | 垃圾桶、垃圾桶的垃圾分类方法和*** | |
CN104148300A (zh) | 基于机器视觉的垃圾分拣方法与*** | |
CN109919243A (zh) | 一种基于cnn的废钢铁种类自动识别方法及装置 | |
Mookkaiah et al. | Design and development of smart Internet of Things–based solid waste management system using computer vision | |
CN112766096A (zh) | 可回收垃圾异常投递识别方法、***、终端及投放装置 | |
WO2023197918A1 (zh) | 基于视觉检测的手套分拣装置及方法 | |
CN112651318A (zh) | 基于图像识别的垃圾分类方法、装置和*** | |
Srinivasan et al. | Smart Waste Collecting Robot Integration With IoT and Machine Learning | |
CN113371363A (zh) | 分类垃圾桶、基于深度学习的智能分类垃圾桶及分类方法 | |
Mitra | Detection of waste materials using deep learning and image processing | |
Sree et al. | Waste Management Detection Using Deep Learning | |
CN217576626U (zh) | 分类垃圾桶 | |
CN112215147A (zh) | 垃圾投放位置的溯源方法、装置、设备及存储介质 | |
Hong et al. | Development of an Abaca Fiber Automated Grading System Using Computer Vision and Deep Convolutional Neural Network | |
CN207929583U (zh) | 基于点阵高光谱检测的建筑垃圾在线分拣*** | |
CN113971746B (zh) | 基于单次人手示教的垃圾分类方法、装置及分拣智能*** | |
CN115393780A (zh) | 一种垃圾异物识别方法、装置、电子设备及存储介质 | |
CN111498326A (zh) | 一种基于二类识别模型的垃圾自动分类机 | |
Pandey et al. | Identification and classification of waste using cnn in waste management | |
CN114267037A (zh) | 一种利用ocr图片识别技术归档归类病历检验检查报告 | |
Hegde et al. | Smart Dry and Wet Waste Management System Using IoT |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200107 |
|
RJ01 | Rejection of invention patent application after publication |