CN111652214B - 一种基于深度学习的垃圾瓶分选方法 - Google Patents
一种基于深度学习的垃圾瓶分选方法 Download PDFInfo
- Publication number
- CN111652214B CN111652214B CN202010456143.9A CN202010456143A CN111652214B CN 111652214 B CN111652214 B CN 111652214B CN 202010456143 A CN202010456143 A CN 202010456143A CN 111652214 B CN111652214 B CN 111652214B
- Authority
- CN
- China
- Prior art keywords
- garbage
- classification
- deep learning
- neural network
- frame
- 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
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 59
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 5
- 229910052782 aluminium Inorganic materials 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 238000011084 recovery Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于深度学习的垃圾瓶分选方法,所述方法包括以下步骤:S1、预设图像采集和数据分类标准,并对图片进行标注;S2、利用基于深度学习的物体检测算法将采集到的图像进行垃圾瓶分类,得到一系列的分割图片;S3、利用残差神经网络对分割图片中的垃圾瓶进行颜色分类;S4、将得出的每个垃圾瓶的位置信息和颜色属性传递到后端机械手,以进行分类,本发明利用基于深度学习的物体检测实现对垃圾瓶的精准定位,返回的目标位置精度高,大大提高工业机械装备的垃圾瓶分选准确率。
Description
技术领域
本发明涉及计算机视觉和深度学习的物体检测与图像分类技术领域,尤其涉及一种基于深度学习的垃圾瓶分选方法。
背景技术
随着我国城市化进程的加快和人们生活水平的提高,生活垃圾的种类和数量不断提升,其中塑料瓶因其作为食品包装在生活中被广泛使用,废旧塑料瓶的数量亦是日益增加。若废旧塑料瓶处理不当,随意丢弃、燃烧或者掩埋势必会破坏环境甚至危害人们健康,同时也是对资源的浪费。近年来,环境污染的问题越来越严重,国际社会对废弃塑料瓶的回收再利用也是越来越重视。由于单一颜色的塑料瓶可使再生塑料用途的局限性大大降低,因此对废旧塑料瓶回收会经过颜色筛检、破碎、造粒、改性等流程,使其变成不同颜色的塑料颗粒,从而再次利用,以作为生产如皮带、鞋子等产品的再生原料。
然而在实际垃圾瓶回收的分选工作中我们发现:一,大量易拉罐、铝罐等其他垃圾瓶和杂物会混在塑料瓶中,大大影响回收效率。二,目前我国对塑料瓶回收工作依旧依靠人工操作完成,这种方法分类效率十分低,且工厂环境恶劣,不适合从业人员长时间工作。三,垃圾瓶数量巨大,故而需要大量人员进行人工分拣,人员成本高。
为此工业界积极向“自动化”迈进,开始引进或开发高效率的采用机器视觉技术实现对目标物具有筛选功能的自动回收的机械装备,但其识别分类的准确率依旧无法满足当代的工业应用中对于垃圾识别的要求,故一直未能实现产业化。
发明内容
针对上述问题,本发明提出一种基于深度学习的垃圾瓶分选方法,主要解决背景技术中的问题。
本发明提出一种基于深度学习的垃圾瓶分选方法,所述方法包括以下步骤:
S1、预设图像采集和数据分类标准,并对图片进行标注;
S2、利用基于深度学习的物体检测算法将采集到的图像进行垃圾瓶分类,得到一系列的分割图片;
S3、利用残差神经网络对分割图片中的垃圾瓶进行颜色分类;
S4、将得出的每个垃圾瓶的位置信息和颜色属性传递到后端机械手,以进行分类。
优选地,在所述步骤S1中,根据现场采集到的垃圾瓶图像分为四大类:封口是铝的罐子、塑料瓶、易拉罐、杂物。
优选地,在所述步骤S2中,利用基于深度学习的物体检测算法实现对垃圾瓶的分类具体包括:
S201、构建基于物体检测的神经网络模型;
S202、对所述神经网络模型进行训练;
S203、不断调整数据集和模型参数,重复步骤S202得到满足精度和速度要求的神经网络模型。
优选地,在所述步骤S201中,所述神经网络模型包括特征提取模块、RPN模块、RoiP层以及分类回归模块,所述特征提取模块包括卷积神经网络,用于对输入的图片进行特征提取,所述RPN模块用于推荐候选区域,所述RoiP层使每个目标候选区域生成固定尺寸的特征图以便后续送入卷积神经网络的全连接层来判定目标类别,所述分类回归模块包含实现目标类别的分类功能和目标检测框精确位置的回归功能,分别选用探测分类概率和探测边框回归来对分类概率和边框回归联合训练。
优选地,所述特征提取模块利用卷积神经网络对输入的任意尺寸图片数据进行特征提取,其中每一层卷积网络都在前一层的信息基础上提取更加抽象的特征,最终得到在一个空间维度比原始图片小很多,但表征更深的卷积特征图。
优选地,所述RPN模块在由特征提取模块所得到的特征图上用一个3*3的滑动窗口生成一个长度为512维的全连接特征,然后在所述512的全连接维特征后产生两个分支的全连接层:一个是reg-layer,用于预测目标建议区域的候选框对应的位置坐标[x,y,w,h];另一个是cls-layer,用于判定该目标建议框是前景还是背景。
优选地,所述RoiP层实现将尺寸各不相同的卷积神经网络中得到的特征图和RPN网络中得到的目标区域候选框特征图经过RoiP层后以固定尺寸输出,以供后续卷积神经网络继续使用。
优选地,在所述步骤S3中,对分割图片按恒大青、深棕色、白色、粉红色、绿色、蓝色、透明、透明农夫A、透明脏、黄色、黑色、浅蓝进行分类,并分别打上标签,而后将分割图片数据按8:1:1的比例分为训练集、验证集和测试集后利用残差神经网络实现塑料瓶的颜色分类,具体步骤如下:
S301、输入224*224尺寸大小的的图片于卷积层和池化层;
S302、通过残差神经网络进行塑料瓶颜色的特征提取;
S303、所得特征图通过全局平均池化层和全连接层实现最终的颜色分类;
S304、更新训练模型参数确定最终网络模型,所述网络模型包括学习率、训练次数和迭代次数。
与现有技术相比,本发明的有益效果为:
1、本发明将深度学习融合到垃圾分选工厂场景中,解放人工,提高了目前垃圾瓶分选效率。
2、本发明利用基于深度学习的物体检测实现对垃圾瓶的精准定位,返回的目标位置精度高,大大提高工业机械装备的垃圾瓶分选准确率。
3、本发明提出的利用深度学习方法先对垃圾瓶进行分割再对塑料瓶进行颜色分类的***性垃圾瓶分选方法,符合实际情况对垃圾瓶分类的要求,市场效用高。
附图说明
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
图1为本发明一实施方式的整体流程示意图;
图2为本发明一实施方式的基于物体检测的垃圾瓶分类的流程原理图;
图3为本发明一实施方式的实现塑料瓶颜色分类的流程示意图;
图4为本发明一实施方式的垃圾瓶分类的分割结果示意图;
图5为本发明一实施方式的塑料瓶颜色分类的结果示意图。
具体实施方式
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连接”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,也可以是通过中间媒介间接连接,可以说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发明的具体含义。下面结合附图和实施例对本发明的技术方案做进一步的说明。
本发明公开了一种基于深度学习的垃圾瓶分选方法,将深度学习融入工厂中,帮助人们对垃圾瓶进行分类筛选,以通过神经网络,训练机器可以像人一样识别垃圾并进行分类,从而在一定程度上降低垃圾瓶分类的时间与经济成本,解放人工,提高识别准确率。
实施例1:
基于深度学习的垃圾瓶分选方法,其特征在于利用目标检测算法将人工智能应用于垃圾瓶分类场景,实现了垃圾瓶的高效和高精度分选任务,具体包括以下实施步骤:
步骤S1,图像采集和数据分类标准定义。首先,在工厂利用工业光源和工业摄像头的成像***对垃圾瓶图像进行采集。接下来,根据采集到的图像进行垃圾瓶分选工作的定位描述:要求第一步先从大量含有易拉罐、铝罐等非塑料瓶的垃圾瓶中进行分类,并确定各垃圾瓶子的分类标准以便后续的图片标注工作更为准确有效的实施;第二步则是将第一步分类得到的塑料瓶进一步进行颜色分选,单一颜色的塑料瓶可使再生塑料用途的局限性降低。
步骤S2,图片标注和数据清洗。由于有监督训练前提是需要有标签的数据集,故需要我们根据步骤S1所述分类标准和采集到的图像将其进行标注,作为模型训练过程计算模型预测误差的真实值。
步骤S3,垃圾瓶分类。利用基于深度学习的物体检测算法将实际采集到的图像中的垃圾瓶按标准进行分类并得到一系列分割图片,分割结果如图4所示。
步骤S4,塑料瓶颜色分类。利用残差神经网络对步骤S3所述得到的分割图片中的塑料瓶按颜色进行进一步分类,分类结果如图5所示。
步骤S5,将由步骤S4得到的每个塑料瓶的位置信息和颜色属***于后端机械手,以供分选。
优选地,在步骤S1中,根据现场采集到的大量垃圾瓶图像,我们结合实际情况将所有垃圾瓶按照一定标准分为四大类:封口是铝的罐子、塑料瓶、易拉罐、杂物。
优选地,在步骤S3中,利用基于深度学习的物体检测算法实现对垃圾瓶分类的步骤包括:S301,构建基于物体检测的神经网络模型,具体原理图如图2所示;
S302,对S301所述网络模型进行训练;
S303,不断调整数据集和模型参数,重复步骤S302得到满足精度和速度要求的模型,投入工厂使用以得出垃圾瓶的分割结果图。
优选地,在步骤S4中,首先对步骤S3所得分割出的塑料瓶图片按恒大青、深棕色、白色、粉红色、绿色、蓝色、透明、透明农夫A、透明脏、黄色、黑色、浅蓝进行分类,打上标签。接下来将此图片数据按8:1:1的比例分为训练集、验证集和测试集后利用残差神经网络实现塑料瓶的颜色分类,具体步骤如下:①输入224*224尺寸大小的的图片于卷积层和池化层;②通过残差网络进行塑料瓶颜色的特征提取;③所得特征图通过全局平均池化层和全连接层实现最终的颜色分类;④更新训练模型参数确定最终网络模型,包括学习率、训练次数和迭代次数。具体实现流程如图3所示。
更优地,对于步骤S301所述本发明构建了包含特征提取模块、RPN模块、RoiP层以及分类回归模块的神经网络模型。其中,特征提取模块主要由卷积神经网络构成,对输入的任意大小的图片进行特征提取。RPN模块用于推荐候选区域。RoiP层使每个目标候选区域生成固定尺寸的特征图以便后续送入卷积网络的全连接层来判定目标类别。分类回归模块包含实现目标类别的分类功能和目标检测框精确位置的回归功能,分别选用Softmax Loss(探测分类概率)和Smooth L1Loss(探测边框回归)来对分类概率和边框回归联合训练。
(1)特征提取模块。利用卷积神经网络对输入的任意尺寸图片数据进行特征提取,其中每一层卷积网络都在前一层的信息基础上提取更加抽象的特征,最终,我们得到在一个空间维度比原始图片小很多,但表征更深的卷积特征图(feature map)。
(2)RPN模块。在由特征提取模块所得到的特征图(feature map)上用一个3*3的滑动窗口生成一个长度为512维的全连接特征,然后在这个512维特征后产生两个分支的全连接层:一个是reg-layer,用于预测目标建议区域的候选框对应的位置坐标[x,y,w,h];另一个是cls-layer,用于判定该目标建议框是前景还是背景(即是否是物体)。具体地,为实现RPN模块的功能,首先需要我们构造一个二分类的标签(判断其是否为物体):anchor对应的感兴趣候选区域框与ground truth的loU>0.7标记为正样本,anchor对应的感兴趣候选区域框与ground truth的loU<0.3标记为负样本。然后从中选取1∶1的正负样本数据参与后续的模型训练,其他的既不作为正样本也不作为负样本,不参与训练。接下来我们按如下步骤对RPN模块进行一系列操作以生成目标区域候选框:①生成anchor,并利用平移、缩放的四个变换[dx(A),dy(A),dw(A),dh(A)]对候选框根据GT(ground truth)做回归;②按照输入的是物体的概率得分由大到小对anchors进行排序,提取前N个anchors;③将所选anchors映射到原卷积神经网络得到的特征图中,判断其是否大范围超过边界,并剔除严重超出边界的anchors;④进行非极大值抑制进一步过滤掉部分anchors;⑤再次将剩下的anchors进行物体概率得分由大到小的排序,选取前N个作为我们最终的目标候选框。其中,RPN网络训练过程用到的损失函数如下:
上述公式中,Lcls表示在Softmax Loss下用来探测分类概率的损失函数,Lreg表示在Smooth L1 Loss下用来探测边框回归的损失函数,i表示anchor的索引,pi表示是物体的Softmax预测概率,代表对应的GT预测概率(取0或1),ti代表预测的目标候选框,/>代表物体对应的GT边框。
(3)RoiP层。该模块实现将尺寸各不相同的卷积神经网络中得到的特征图和RPN网络中得到的目标区域候选框特征图经过RoiP层后以固定尺寸输出,以供后续卷积神经网络继续使用。
(4)分类回归模块。该模块输出最终目标分类结果和目标检测框的精确位置。具体地,利用全连接和Softmax对目标候选框进行分类,确定每个候选框所属的具体类别以及;利用边框回归对目标候选框精确计算,输出更高精度的目标检测框的位置坐标。
图中,描述位置关系仅用于示例性说明,不能理解为对本专利的限制;显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于深度学习的垃圾瓶分选方法,其特征在于,所述方法包括以下步骤:
S1、预设图像采集和数据分类标准,并对图片进行标注;
S2、利用基于深度学习的物体检测算法将采集到的图像进行垃圾瓶分类,得到一系列的分割图片;
在所述S2中,利用基于深度学习的物体检测算法实现对垃圾瓶的分类具体包括:
S201、构建基于物体检测的神经网络模型;
S202、对所述神经网络模型进行训练;
S203、不断调整数据集和模型参数,重复步骤S202得到满足精度和速度要求的神经网络模型;
S3、利用残差神经网络对分割图片中的垃圾瓶进行颜色分类;
S4、将得出的每个垃圾瓶的位置信息和颜色属性传递到后端机械手,以进行分类;
在所述S201中,所述神经网络模型包括特征提取模块、RPN模块、RoiP层以及分类回归模块,所述特征提取模块包括卷积神经网络,用于对输入的图片进行特征提取,所述RPN模块用于推荐候选区域,所述RoiP层使每个目标候选区域生成固定尺寸的特征图以便后续送入卷积神经网络的全连接层来判定目标类别,所述分类回归模块包含实现目标类别的分类功能和目标检测框精确位置的回归功能,分别选用探测分类概率和探测边框回归来对分类概率和边框回归联合训练;
所述RoiP层实现将尺寸各不相同的卷积神经网络中得到的特征图和RPN网络中得到的目标区域候选框特征图经过RoiP层后以固定尺寸输出,以供后续卷积神经网络继续使用;
具体地,构造二分类标签,用于实现RPN模块识别物体的功能;
若anchor对应的感兴趣候选区域框与ground truth的IoU大于0.7则标记为正样本,若anchor对应的感兴趣候选区域框与ground truth的IoU小于0.3则标记为负样本,并分别从所述正样本与所述负样本内选取1:1的样本数据;
所述目标区域候选框生成的具体步骤为:
生成anchor,并利用平移、缩放的四个变换[dx(A),dy(A),dw(A),dh(A)]对感兴趣候选区域框根据ground truth做回归;
按照输入的是物体的概率得分由大到小对所述anchors进行排序,提取前N个所述anchors;
将所述anchors映射到原卷积神经网络得到的特征图中,判断其是否大范围超过边界,并剔除超出边界的所述anchors;
进行非极大值抑制进一步过滤掉所述anchors;
再次将剩下的所述anchors进行物体概率得分由大到小的排序,选取前N个作为最终的目标候选框;
所述RPN网络训练过程用到的损失函数如下:
其中,Lcls表示在Softmax Loss下用来探测分类概率的损失函数,Lreg表示在Smooth L1Loss下用来探测边框回归的损失函数,i表示anchor的索引,pi表示是物体的Softmax预测概率,代表对应的GT预测概率(取0或1),ti代表预测的目标候选框,/>代表物体对应的GT边框。
2.根据权利要求1所述的一种基于深度学习的垃圾瓶分选方法,其特征在于,在所述步骤S1中,根据现场采集到的垃圾瓶图像分为四大类:封口是铝的罐子、塑料瓶、易拉罐、杂物。
3.根据权利要求1所述的一种基于深度学习的垃圾瓶分选方法,其特征在于,所述特征提取模块利用卷积神经网络对输入的任意尺寸图片数据进行特征提取,其中每一层卷积网络都在前一层的信息基础上提取更加抽象的特征,最终得到在一个空间维度比原始图片小很多,但表征更深的卷积特征图。
4.根据权利要求1所述的一种基于深度学习的垃圾瓶分选方法,其特征在于,所述RPN模块在由特征提取模块所得到的特征图上用一个3*3的滑动窗口生成一个长度为512维的全连接特征,然后在所述512的全连接维特征后产生两个分支的全连接层:一个是reg-layer,用于预测目标建议区域的候选框对应的位置坐标[x,y,w,h];另一个是cls-layer,用于判定该目标建议框是前景还是背景。
5.根据权利要求1所述的一种基于深度学习的垃圾瓶分选方法,其特征在于,在所述步骤S3中,对分割图片按恒大青、深棕色、白色、粉红色、绿色、蓝色、透明、透明农夫A、透明脏、黄色、黑色、浅蓝进行分类,并分别打上标签,而后将分割图片数据按8:1:1的比例分为训练集、验证集和测试集后利用残差神经网络实现塑料瓶的颜色分类,具体步骤如下:
S301、输入224*224尺寸大小的的图片于卷积层和池化层;
S302、通过残差神经网络进行塑料瓶颜色的特征提取;
S303、所得特征图通过全局平均池化层和全连接层实现最终的颜色分类;
S304、更新训练模型参数确定最终网络模型,所述网络模型包括学习率、训练次数和迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456143.9A CN111652214B (zh) | 2020-05-26 | 2020-05-26 | 一种基于深度学习的垃圾瓶分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456143.9A CN111652214B (zh) | 2020-05-26 | 2020-05-26 | 一种基于深度学习的垃圾瓶分选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652214A CN111652214A (zh) | 2020-09-11 |
CN111652214B true CN111652214B (zh) | 2024-05-28 |
Family
ID=72343204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010456143.9A Active CN111652214B (zh) | 2020-05-26 | 2020-05-26 | 一种基于深度学习的垃圾瓶分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652214B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505633A (zh) * | 2021-05-19 | 2021-10-15 | 海南师范大学 | 一种基于区块链的生活垃圾分拣处理方法和*** |
CN113731836B (zh) * | 2021-08-04 | 2023-05-26 | 华侨大学 | 一种基于深度学习的城市固体废弃物在线分选*** |
CN114937199B (zh) * | 2022-07-22 | 2022-10-25 | 山东省凯麟环保设备股份有限公司 | 一种基于判别性特征增强的垃圾分类方法与*** |
CN115205521B (zh) * | 2022-08-09 | 2024-03-26 | 湖南大学 | 基于神经网络的厨余垃圾检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798335A (zh) * | 2017-08-28 | 2018-03-13 | 浙江工业大学 | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 |
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN109190581A (zh) * | 2018-09-17 | 2019-01-11 | 金陵科技学院 | 图像序列目标检测识别方法 |
CN109190691A (zh) * | 2018-08-20 | 2019-01-11 | 小黄狗环保科技有限公司 | 基于深度神经网络的废弃饮料瓶与易拉罐分类识别的方法 |
CN110116415A (zh) * | 2019-06-12 | 2019-08-13 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN110738131A (zh) * | 2019-09-20 | 2020-01-31 | 广州游艺云物联网技术有限公司 | 基于深度学习神经网络的垃圾分类管理方法及装置 |
CN110866561A (zh) * | 2019-11-18 | 2020-03-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像识别的塑料瓶颜色分选方法 |
CN210161172U (zh) * | 2019-06-12 | 2020-03-20 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN110909660A (zh) * | 2019-11-19 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测的塑料瓶检测与定位方法 |
CN111091059A (zh) * | 2019-11-19 | 2020-05-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种生活垃圾塑料瓶分类中的数据均衡方法 |
-
2020
- 2020-05-26 CN CN202010456143.9A patent/CN111652214B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137357A1 (zh) * | 2017-01-24 | 2018-08-02 | 北京大学 | 一种目标检测性能优化的方法 |
CN107798335A (zh) * | 2017-08-28 | 2018-03-13 | 浙江工业大学 | 一种融合滑动窗口与Faster R‑CNN卷积神经网络的车标识别方法 |
CN109190691A (zh) * | 2018-08-20 | 2019-01-11 | 小黄狗环保科技有限公司 | 基于深度神经网络的废弃饮料瓶与易拉罐分类识别的方法 |
CN109190581A (zh) * | 2018-09-17 | 2019-01-11 | 金陵科技学院 | 图像序列目标检测识别方法 |
CN110116415A (zh) * | 2019-06-12 | 2019-08-13 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN210161172U (zh) * | 2019-06-12 | 2020-03-20 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
CN110738131A (zh) * | 2019-09-20 | 2020-01-31 | 广州游艺云物联网技术有限公司 | 基于深度学习神经网络的垃圾分类管理方法及装置 |
CN110866561A (zh) * | 2019-11-18 | 2020-03-06 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于图像识别的塑料瓶颜色分选方法 |
CN110909660A (zh) * | 2019-11-19 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测的塑料瓶检测与定位方法 |
CN111091059A (zh) * | 2019-11-19 | 2020-05-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种生活垃圾塑料瓶分类中的数据均衡方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉与深度学习的医疗垃圾分类***;陈宇超;卞晓晓;;电脑编程技巧与维护;20190518(第05期);第110-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111652214A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652214B (zh) | 一种基于深度学习的垃圾瓶分选方法 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN110276765B (zh) | 基于多任务学习深度神经网络的图像全景分割方法 | |
CN110728200A (zh) | 一种基于深度学习的实时行人检测方法及*** | |
Gyawali et al. | Comparative analysis of multiple deep CNN models for waste classification | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN111444939A (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN106919910B (zh) | 一种基于hog-cth组合特征的交通标志识别方法 | |
CN111914720B (zh) | 一种输电线路绝缘子爆裂识别方法及装置 | |
CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
CN110533068B (zh) | 一种基于分类卷积神经网络的图像对象识别方法 | |
CN112580647A (zh) | 一种面向堆叠物体的识别方法及*** | |
CN113469264A (zh) | 一种垃圾自动分类模型的构建方法、垃圾分拣方法和*** | |
CN111860509A (zh) | 一种由粗到精的两阶段非约束车牌区域精准提取方法 | |
CN113888754A (zh) | 一种基于雷达视觉融合的车辆多属性识别方法 | |
Fernando et al. | Automatic road traffic signs detection and recognition using ‘You Only Look Once’version 4 (YOLOv4) | |
CN115620178A (zh) | 一种用于无人机的电网异常危险行为的实时检测方法 | |
CN113762144B (zh) | 一种基于深度学习的黑烟车检测方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN114049556A (zh) | 一种svm与目标检测算法融合的垃圾分类方法 | |
Surinwarangkoon et al. | Traffic sign recognition system for roadside images in poor condition | |
CN116206148A (zh) | 一种装修废弃物智能检测识别分类方法 | |
CN116580233A (zh) | 一种用于工业垃圾分类的智能工作机器人控制*** | |
CN112488049B (zh) | 一种动车组牵引电机及轴间夹挂异物的故障识别方法 | |
Zhang et al. | Contextual and Multi-Scale Feature Fusion Network for Traffic Sign Detection |
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 |