CN111680645B - 一种垃圾分类处理方法及装置 - Google Patents

一种垃圾分类处理方法及装置 Download PDF

Info

Publication number
CN111680645B
CN111680645B CN202010531427.XA CN202010531427A CN111680645B CN 111680645 B CN111680645 B CN 111680645B CN 202010531427 A CN202010531427 A CN 202010531427A CN 111680645 B CN111680645 B CN 111680645B
Authority
CN
China
Prior art keywords
information
garbage
sequence
distribution
label
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
Application number
CN202010531427.XA
Other languages
English (en)
Other versions
CN111680645A (zh
Inventor
王艳琼
李兴祥
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010531427.XA priority Critical patent/CN111680645B/zh
Publication of CN111680645A publication Critical patent/CN111680645A/zh
Application granted granted Critical
Publication of CN111680645B publication Critical patent/CN111680645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种垃圾分类处理方法及装置，按照预测置信度由高到低的顺序将监控图像流信息序列对应的多个垃圾分类标签的第一标签预测特征信息进行排序得到第一排序集合，接着基于每个垃圾分类标签对应的标签源对象所在的垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息，由早到晚的顺序将垃圾区域进行排序得到第二排序集合，从而根据第一排序集合和第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注。如此，可以对每个垃圾区域中的垃圾对象在每个垃圾区域之间进行对象过程标注，从而可反映出各个垃圾区域的垃圾对象的时序和空序分布情况。

Description

一种垃圾分类处理方法及装置
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种垃圾分类处理方法及装置。
背景技术
目前通常采用深度学习的方式来对各个垃圾区域的垃圾对象进行识别，然而传统方案中还不存在对每个垃圾区域中的垃圾对象在每个垃圾区域之间进行对象过程标注的技术手段，从而难以反映出各个垃圾区域的垃圾对象的时序和空序分布情况。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种垃圾分类处理方法及装置，可以对每个垃圾区域中的垃圾对象在每个垃圾区域之间进行对象过程标注，从而可反映出各个垃圾区域的垃圾对象的时序和空序分布情况。
第一方面，本申请提供一种垃圾分类处理方法，应用于服务器，所述方法包括：
确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
按照预测置信度由高到低的顺序将所述第一标签预测特征信息进行排序得到第一排序集合；
确定每个垃圾分类标签对应的标签源对象所在的垃圾区域，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息；其中，所述垃圾分布信息用于表征垃圾分类标签在每个功能使用分区的使用分布流信息，每个标签源对象与该标签源对象所在的垃圾区域一一对应，所述标签源对象用于表示所述垃圾分类标签对应的垃圾识别对象；
按照垃圾分布信息由早到晚的顺序将所述垃圾区域进行排序得到第二排序集合；
根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注；所述第一排序集合对应的第一标签预测特征信息的数量与所述第二排序集合对应的垃圾区域的数量相同。
在第一方面的一种可能的实施方式中，根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注，包括：
按照所述第一排序集合将每个第一标签预测特征信息的垃圾分类标签对应的标签源对象进行排序，得到用于表征标签源对象的垃圾出现频率的第三排序集合；
提取每个垃圾区域中的标签源对象，将提取得到标签源对象导入标注库中；
将所述标注库中与所述第三排序集合中的第一个标签源对象对应的第一目标标签源对象标注至所述第二排序集合中的第一个垃圾区域中，并按所述第三排序集合重复执行上述步骤直至将所述标注库中与所述第三排序集合中的最后一个标签源对象对应的第二目标标签源对象标注至所述第二排序集合中的最后一个垃圾区域中。
在第一方面的一种可能的实施方式中，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息，包括：
获取每个垃圾区域的功能使用信息上添加的功能使用策略程序的程序指令信息，并确定与所述程序指令信息对应的第一程序功能执行序列，所述程序指令信息包括根据所述功能使用策略程序的输入信息和输出信息所确定出的程序服务指令的指令对象信息，所述第一程序功能执行序列包括所述指令对象信息的多个对象控制层级的高低顺序；
确定每个垃圾区域的功能使用信息基于输入信息的第一功能执行逻辑和基于输出信息的第二功能执行逻辑；
根据所述第一功能执行逻辑和所述第二功能执行逻辑的逻辑执行关系确定用于对所述第一程序功能执行序列进行分布生成的分布生成参数；
基于所述分布生成参数对所述第一程序功能执行序列进行分布生成获得第二程序功能执行序列；
对所述第二程序功能执行序列进行拆分得到多个序列对象，对每个序列对象进行特征提取得到列表特征；
根据所述第二程序功能执行序列对应的多个列表特征所对应的垃圾分布信息，确定为每个垃圾区域的第一分布信息；
从每个垃圾区域的分区特征信息中确定出每个垃圾区域的空间分布图，提取所述空间分布图的空间分布节点信息，确定所述空间分布节点信息对应的目标节点信息区域；
按照设定空间间隔提取所述目标节点信息区域的空序特征向量；
生成所述空序特征向量对应的空序分布热度单元图以及目标节点信息区域对应的区域热度单元图，所述空序分布热度单元图和所述区域热度单元图分别包括多个不同热度的热度单元；
提取所述空序特征向量在所述空序分布热度单元图的其中一个热度单元的描述向量信息并将所述区域热度单元图中具有最小热度的热度单元确定为目标热度单元；
将所述描述向量信息标记指所述目标热度单元中以在所述目标热度单元中得到标记特征信息，然后基于所述描述向量信息以及所述标记特征信息生成所述空序特征向量和所述目标节点信息区域之间的空间区域分布序列；
以所述标记特征信息为索引对象在所述目标热度单元中获取热度数据段信息，根据所述空间区域分布序列对应的分布关联关系将所述热度数据段信息映射到所述描述向量信息所在热度单元中并在所述描述向量信息所在的热度单元中得到所述热度数据段信息对应的分区判别信息；
将所述分区判别信息中的分区判别对象分别在垃圾区域分布空间列出，确定每个垃圾区域的第二分布信息；
根据所述第一分布信息和所述第二分布信息，确定每个垃圾区域的垃圾分布信息。
在第一方面的一种可能的实施方式中，所述方法还包括：
获取所述垃圾分类监控终端发送的第二标签预测特征信息；其中，所述第二标签预测特征信息是所述垃圾分类监控终端根据用户输入的操作指令生成的；
根据所述第二标签预测特征信息遍历对象过程标注过程的多个垃圾区域，查询出第三目标标签源对象并将所述第三目标标签源对象反馈给所述垃圾分类监控终端；
将所述第二标签预测特征信息添加至所述监控图像流信息序列中。
在第一方面的一种可能的实施方式中，所述确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度的步骤，包括：
将所述垃圾分类监控终端的监控图像流信息序列输入到垃圾分类模型中，获得所述监控图像流信息序列对应的多个垃圾分类标签，以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
其中，所述垃圾分类模型基于预先配置的训练样本和所述训练样本对应的垃圾分类标签训练获得，所述训练样本为监控图像流样本信息。
第二方面，本申请实施例提供一种垃圾分类处理装置，应用于服务器，所述装置包括：
第一确定模块，用于确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
第一排序模块，用于按照预测置信度由高到低的顺序将所述第一标签预测特征信息进行排序得到第一排序集合；
第二确定模块，用于确定每个垃圾分类标签对应的标签源对象所在的垃圾区域，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息；其中，所述垃圾分布信息用于表征垃圾分类标签在每个功能使用分区的使用分布流信息，每个标签源对象与该标签源对象所在的垃圾区域一一对应，所述标签源对象用于表示所述垃圾分类标签对应的垃圾识别对象；
第二排序模块，用于按照垃圾分布信息由早到晚的顺序将所述垃圾区域进行排序得到第二排序集合；
标注模块，用于根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注；所述第一排序集合对应的第一标签预测特征信息的数量与所述第二排序集合对应的垃圾区域的数量相同。
第三方面，本申请实施例提供一种服务器，包括处理器、存储器和网络接口。其中，存储器、网络接口处理器之间可以通过总线***相连。网络接口用于接收报文，存储器用于存储程序、指令或代码，处理器用于执行存储器中的程序、指令或代码，以完成上述第一方面或第一方面的任意可能的设计方式中的所执行的操作。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上执行时，使得计算机执行上述第一方面或第一方面的任意可能的设计方式中的方法。
基于上述任意一个方面，本申请按照预测置信度由高到低的顺序将监控图像流信息序列对应的多个垃圾分类标签的第一标签预测特征信息进行排序得到第一排序集合，接着基于每个垃圾分类标签对应的标签源对象所在的垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息，由早到晚的顺序将垃圾区域进行排序得到第二排序集合，从而根据第一排序集合和第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注。如此，可以对每个垃圾区域中的垃圾对象在每个垃圾区域之间进行对象过程标注，从而可反映出各个垃圾区域的垃圾对象的时序和空序分布情况。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的垃圾分类处理方法的流程示意图；
图2为本申请实施例提供的垃圾分类处理装置的功能模块示意图；
图3为本申请实施例提供的用于执行上述的垃圾分类处理方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。
请参阅图1，为本申请实施例提供的垃圾分类处理方法的流程示意图，下面对该垃圾分类处理方法进行详细介绍。
步骤S110，确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在监控图像流信息序列中的预测置信度。
步骤S120，按照预测置信度由高到低的顺序将第一标签预测特征信息进行排序得到第一排序集合。
步骤S130，确定每个垃圾分类标签对应的标签源对象所在的垃圾区域，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息。
本实施例中，垃圾分布信息用于表征垃圾分类标签在每个功能使用分区的使用分布流信息，每个标签源对象与该标签源对象所在的垃圾区域一一对应，标签源对象用于表示垃圾分类标签对应的垃圾识别对象。
步骤S140，按照垃圾分布信息由早到晚的顺序将垃圾区域进行排序得到第二排序集合。
步骤S150，根据第一排序集合和第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注。本实施例中，第一排序集合对应的第一标签预测特征信息的数量与第二排序集合对应的垃圾区域的数量相同。
基于上述设计，本实施例按照预测置信度由高到低的顺序将监控图像流信息序列对应的多个垃圾分类标签的第一标签预测特征信息进行排序得到第一排序集合，接着基于每个垃圾分类标签对应的标签源对象所在的垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息，由早到晚的顺序将垃圾区域进行排序得到第二排序集合，从而根据第一排序集合和第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注。如此，可以对每个垃圾区域中的垃圾对象在每个垃圾区域之间进行对象过程标注，从而可反映出各个垃圾区域的垃圾对象的时序和空序分布情况。
在一种可能的实施方式中，对于步骤S150而言，可以通过以下子步骤实现，详细描述如下。
子步骤S151，按照第一排序集合将每个第一标签预测特征信息的垃圾分类标签对应的标签源对象进行排序，得到用于表征标签源对象的垃圾出现频率的第三排序集合。
子步骤S152，提取每个垃圾区域中的标签源对象，将提取得到标签源对象导入标注库中。
子步骤S153，将标注库中与第三排序集合中的第一个标签源对象对应的第一目标标签源对象标注至第二排序集合中的第一个垃圾区域中，并按第三排序集合重复执行上述步骤直至将标注库中与第三排序集合中的最后一个标签源对象对应的第二目标标签源对象标注至第二排序集合中的最后一个垃圾区域中。
在一种可能的实施方式中，对于步骤S130而言，可以通过以下子步骤实现，详细描述如下。
子步骤S131，获取每个垃圾区域的功能使用信息上添加的功能使用策略程序的程序指令信息，并确定与程序指令信息对应的第一程序功能执行序列，程序指令信息包括根据功能使用策略程序的输入信息和输出信息所确定出的程序服务指令的指令对象信息，第一程序功能执行序列包括指令对象信息的多个对象控制层级的高低顺序。
子步骤S132，确定每个垃圾区域的功能使用信息基于输入信息的第一功能执行逻辑和基于输出信息的第二功能执行逻辑。
子步骤S133，根据第一功能执行逻辑和第二功能执行逻辑的逻辑执行关系确定用于对第一程序功能执行序列进行分布生成的分布生成参数。
子步骤S134，基于分布生成参数对第一程序功能执行序列进行分布生成获得第二程序功能执行序列。
子步骤S135，对第二程序功能执行序列进行拆分得到多个序列对象，对每个序列对象进行特征提取得到列表特征。
子步骤S136，根据第二程序功能执行序列对应的多个列表特征所对应的垃圾分布信息，确定为每个垃圾区域的第一分布信息。
子步骤S137，从每个垃圾区域的分区特征信息中确定出每个垃圾区域的空间分布图，提取空间分布图的空间分布节点信息，确定空间分布节点信息对应的目标节点信息区域。
子步骤S138，按照设定空间间隔提取目标节点信息区域的空序特征向量。
子步骤S1391，生成空序特征向量对应的空序分布热度单元图以及目标节点信息区域对应的区域热度单元图，空序分布热度单元图和区域热度单元图分别包括多个不同热度的热度单元。
子步骤S1392，提取空序特征向量在空序分布热度单元图的其中一个热度单元的描述向量信息并将区域热度单元图中具有最小热度的热度单元确定为目标热度单元。
子步骤S1393，将描述向量信息标记指目标热度单元中以在目标热度单元中得到标记特征信息，然后基于描述向量信息以及标记特征信息生成空序特征向量和目标节点信息区域之间的空间区域分布序列。
子步骤S1394，以标记特征信息为索引对象在目标热度单元中获取热度数据段信息，根据空间区域分布序列对应的分布关联关系将热度数据段信息映射到描述向量信息所在热度单元中并在描述向量信息所在的热度单元中得到热度数据段信息对应的分区判别信息。
子步骤S1395，将分区判别信息中的分区判别对象分别在垃圾区域分布空间列出，确定每个垃圾区域的第二分布信息。
子步骤S1396，根据第一分布信息和第二分布信息，确定每个垃圾区域的垃圾分布信息。
在一种可能的实施方式中，本实施例还可以获取垃圾分类监控终端发送的第二标签预测特征信息。其中，第二标签预测特征信息是垃圾分类监控终端根据用户输入的操作指令生成的。
然后，根据第二标签预测特征信息遍历对象过程标注过程的多个垃圾区域，查询出第三目标标签源对象并将第三目标标签源对象反馈给垃圾分类监控终端，将第二标签预测特征信息添加至监控图像流信息序列中。
在一种可能的实施方式中，对于步骤S110而言，可以将垃圾分类监控终端的监控图像流信息序列输入到垃圾分类模型中，获得监控图像流信息序列对应的多个垃圾分类标签，以及每个垃圾分类标签对应的第一标签预测特征信息在监控图像流信息序列中的预测置信度。
其中示例性地，垃圾分类模型基于预先配置的训练样本和训练样本对应的垃圾分类标签训练获得，训练样本为监控图像流样本信息。详细的训练过程为现有技术，在此不做赘述。
图2为本申请实施例提供的垃圾分类处理装置200的功能模块示意图，本实施例可以根据上述方法实施例对该垃圾分类处理装置200进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，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。比如，在采用对应各个功能划分各个功能模块的情况下，图2示出的垃圾分类处理装置200只是一种装置示意图。其中，垃圾分类处理装置200可以包括第一确定模块210、第一排序模块220、第二确定模块230、第二排序模块240以及标注模块250，下面分别对该垃圾分类处理装置200的各个功能模块的功能进行详细阐述。
第一确定模块210，用于确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在监控图像流信息序列中的预测置信度。
第一排序模块220，用于按照预测置信度由高到低的顺序将第一标签预测特征信息进行排序得到第一排序集合。
第二确定模块230，用于确定每个垃圾分类标签对应的标签源对象所在的垃圾区域，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息。其中，垃圾分布信息用于表征垃圾分类标签在每个功能使用分区的使用分布流信息，每个标签源对象与该标签源对象所在的垃圾区域一一对应，标签源对象用于表示垃圾分类标签对应的垃圾识别对象。
第二排序模块240，用于按照垃圾分布信息由早到晚的顺序将垃圾区域进行排序得到第二排序集合。
标注模块250，用于根据第一排序集合和第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注。第一排序集合对应的第一标签预测特征信息的数量与第二排序集合对应的垃圾区域的数量相同。
在一种可能的实施方式中，根据第一排序集合和第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注的方式，包括：
按照第一排序集合将每个第一标签预测特征信息的垃圾分类标签对应的标签源对象进行排序，得到用于表征标签源对象的垃圾出现频率的第三排序集合；
提取每个垃圾区域中的标签源对象，将提取得到标签源对象导入标注库中；
将标注库中与第三排序集合中的第一个标签源对象对应的第一目标标签源对象标注至第二排序集合中的第一个垃圾区域中，并按第三排序集合重复执行上述操作直至将标注库中与第三排序集合中的最后一个标签源对象对应的第二目标标签源对象标注至第二排序集合中的最后一个垃圾区域中。
在一种可能的实施方式中，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息的方式，包括：
获取每个垃圾区域的功能使用信息上添加的功能使用策略程序的程序指令信息，并确定与程序指令信息对应的第一程序功能执行序列，程序指令信息包括根据功能使用策略程序的输入信息和输出信息所确定出的程序服务指令的指令对象信息，第一程序功能执行序列包括指令对象信息的多个对象控制层级的高低顺序；
确定每个垃圾区域的功能使用信息基于输入信息的第一功能执行逻辑和基于输出信息的第二功能执行逻辑；
根据第一功能执行逻辑和第二功能执行逻辑的逻辑执行关系确定用于对第一程序功能执行序列进行分布生成的分布生成参数；
基于分布生成参数对第一程序功能执行序列进行分布生成获得第二程序功能执行序列；
对第二程序功能执行序列进行拆分得到多个序列对象，对每个序列对象进行特征提取得到列表特征；
根据第二程序功能执行序列对应的多个列表特征所对应的垃圾分布信息，确定为每个垃圾区域的第一分布信息；
从每个垃圾区域的分区特征信息中确定出每个垃圾区域的空间分布图，提取空间分布图的空间分布节点信息，确定空间分布节点信息对应的目标节点信息区域；
按照设定空间间隔提取目标节点信息区域的空序特征向量；
生成空序特征向量对应的空序分布热度单元图以及目标节点信息区域对应的区域热度单元图，空序分布热度单元图和区域热度单元图分别包括多个不同热度的热度单元；
提取空序特征向量在空序分布热度单元图的其中一个热度单元的描述向量信息并将区域热度单元图中具有最小热度的热度单元确定为目标热度单元；
将描述向量信息标记指目标热度单元中以在目标热度单元中得到标记特征信息，然后基于描述向量信息以及标记特征信息生成空序特征向量和目标节点信息区域之间的空间区域分布序列；
以标记特征信息为索引对象在目标热度单元中获取热度数据段信息，根据空间区域分布序列对应的分布关联关系将热度数据段信息映射到描述向量信息所在热度单元中并在描述向量信息所在的热度单元中得到热度数据段信息对应的分区判别信息；
将分区判别信息中的分区判别对象分别在垃圾区域分布空间列出，确定每个垃圾区域的第二分布信息；
根据第一分布信息和第二分布信息，确定每个垃圾区域的垃圾分布信息。
在一种可能的实施方式中，垃圾分类处理装置200还可以包括第三获取模块，用于：
获取垃圾分类监控终端发送的第二标签预测特征信息；其中，第二标签预测特征信息是垃圾分类监控终端根据用户输入的操作指令生成的；
根据第二标签预测特征信息遍历对象过程标注过程的多个垃圾区域，查询出第三目标标签源对象并将第三目标标签源对象反馈给垃圾分类监控终端；
将第二标签预测特征信息添加至监控图像流信息序列中。
在一种可能的实施方式中，确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在监控图像流信息序列中的预测置信度的操作的方式，包括：
将垃圾分类监控终端的监控图像流信息序列输入到垃圾分类模型中，获得监控图像流信息序列对应的多个垃圾分类标签，以及每个垃圾分类标签对应的第一标签预测特征信息在监控图像流信息序列中的预测置信度；
其中，垃圾分类模型基于预先配置的训练样本和训练样本对应的垃圾分类标签训练获得，训练样本为监控图像流样本信息。
图3为本申请实施例提供的用于执行上述垃圾分类处理方法的服务器100的结构示意图，如图3所示，该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130的数量可以是一个或多个，图3中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图3中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的垃圾分类处理方法对应的程序指令/模块(例如，图2中所示的第一确定模块210、第一排序模块220、第二确定模块230、第二排序模块240以及标注模块250)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的垃圾分类处理方法，在此不再赘述。
机器可读存储介质120可第一要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的仓储服务进程。存储数据区可存储根据终端的使用所创建的数据等。此外，机器可读存储介质120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速标注库。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的***和方法的存储器旨在包括但不限于这些和任意其它适合时刻的存储器。在一些实例中，机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(DigitalSignalProcessorDSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过通信接口110和其它设备进行信息交互。通信接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用通信接口110收发信息。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，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。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、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(例如同轴电缆、光纤、数字垃圾分类处理员线(DSL))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成的服务器、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(例如固态硬盘(sol标识state disk，SSD))等。
本申请实施例是参照根据本申请实施例的方法、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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种垃圾分类处理方法，其特征在于，应用于服务器，所述方法包括：
确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
按照预测置信度由高到低的顺序将所述第一标签预测特征信息进行排序得到第一排序集合；
确定每个垃圾分类标签对应的标签源对象所在的垃圾区域，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息；其中，所述垃圾分布信息用于表征垃圾分类标签在每个功能使用分区的使用分布流信息，每个标签源对象与该标签源对象所在的垃圾区域一一对应，所述标签源对象用于表示所述垃圾分类标签对应的垃圾识别对象；
按照垃圾分布信息由早到晚的顺序将所述垃圾区域进行排序得到第二排序集合；
根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注；所述第一排序集合对应的第一标签预测特征信息的数量与所述第二排序集合对应的垃圾区域的数量相同；
根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注，包括：
按照所述第一排序集合将每个第一标签预测特征信息的垃圾分类标签对应的标签源对象进行排序，得到用于表征标签源对象的垃圾出现频率的第三排序集合；
提取每个垃圾区域中的标签源对象，将提取得到标签源对象导入标注库中；
将所述标注库中与所述第三排序集合中的第一个标签源对象对应的第一目标标签源对象标注至所述第二排序集合中的第一个垃圾区域中，并按所述第三排序集合重复执行上述步骤直至将所述标注库中与所述第三排序集合中的最后一个标签源对象对应的第二目标标签源对象标注至所述第二排序集合中的最后一个垃圾区域中。
2.根据权利要求1所述的垃圾分类处理方法，其特征在于，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息，包括：
获取每个垃圾区域的功能使用信息上添加的功能使用策略程序的程序指令信息，并确定与所述程序指令信息对应的第一程序功能执行序列，所述程序指令信息包括根据所述功能使用策略程序的输入信息和输出信息所确定出的程序服务指令的指令对象信息，所述第一程序功能执行序列包括所述指令对象信息的多个对象控制层级的高低顺序；
确定每个垃圾区域的功能使用信息基于输入信息的第一功能执行逻辑和基于输出信息的第二功能执行逻辑；
根据所述第一功能执行逻辑和所述第二功能执行逻辑的逻辑执行关系确定用于对所述第一程序功能执行序列进行分布生成的分布生成参数；
基于所述分布生成参数对所述第一程序功能执行序列进行分布生成获得第二程序功能执行序列；
对所述第二程序功能执行序列进行拆分得到多个序列对象，对每个序列对象进行特征提取得到列表特征；
根据所述第二程序功能执行序列对应的多个列表特征所对应的垃圾分布信息，确定为每个垃圾区域的第一分布信息；
从每个垃圾区域的分区特征信息中确定出每个垃圾区域的空间分布图，提取所述空间分布图的空间分布节点信息，确定所述空间分布节点信息对应的目标节点信息区域；
按照设定空间间隔提取所述目标节点信息区域的空序特征向量；
生成所述空序特征向量对应的空序分布热度单元图以及目标节点信息区域对应的区域热度单元图，所述空序分布热度单元图和所述区域热度单元图分别包括多个不同热度的热度单元；
提取所述空序特征向量在所述空序分布热度单元图的其中一个热度单元的描述向量信息并将所述区域热度单元图中具有最小热度的热度单元确定为目标热度单元；
将所述描述向量信息标记指所述目标热度单元中以在所述目标热度单元中得到标记特征信息，然后基于所述描述向量信息以及所述标记特征信息生成所述空序特征向量和所述目标节点信息区域之间的空间区域分布序列；
以所述标记特征信息为索引对象在所述目标热度单元中获取热度数据段信息，根据所述空间区域分布序列对应的分布关联关系将所述热度数据段信息映射到所述描述向量信息所在热度单元中并在所述描述向量信息所在的热度单元中得到所述热度数据段信息对应的分区判别信息；
将所述分区判别信息中的分区判别对象分别在垃圾区域分布空间列出，确定每个垃圾区域的第二分布信息；
根据所述第一分布信息和所述第二分布信息，确定每个垃圾区域的垃圾分布信息。
3.根据权利要求1或2所述的垃圾分类处理方法，其特征在于，所述方法还包括：
获取所述垃圾分类监控终端发送的第二标签预测特征信息；其中，所述第二标签预测特征信息是所述垃圾分类监控终端根据用户输入的操作指令生成的；
根据所述第二标签预测特征信息遍历对象过程标注过程的多个垃圾区域，查询出第三目标标签源对象并将所述第三目标标签源对象反馈给所述垃圾分类监控终端；
将所述第二标签预测特征信息添加至所述监控图像流信息序列中。
4.根据权利要求1或2所述的垃圾分类处理方法，其特征在于，所述确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度的步骤，包括：
将所述垃圾分类监控终端的监控图像流信息序列输入到垃圾分类模型中，获得所述监控图像流信息序列对应的多个垃圾分类标签，以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
其中，所述垃圾分类模型基于预先配置的训练样本和所述训练样本对应的垃圾分类标签训练获得，所述训练样本为监控图像流样本信息。
5.一种垃圾分类处理装置，其特征在于，应用于服务器，所述装置包括：
第一确定模块，用于确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
第一排序模块，用于按照预测置信度由高到低的顺序将所述第一标签预测特征信息进行排序得到第一排序集合；
第二确定模块，用于确定每个垃圾分类标签对应的标签源对象所在的垃圾区域，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息；其中，所述垃圾分布信息用于表征垃圾分类标签在每个功能使用分区的使用分布流信息，每个标签源对象与该标签源对象所在的垃圾区域一一对应，所述标签源对象用于表示所述垃圾分类标签对应的垃圾识别对象；
第二排序模块，用于按照垃圾分布信息由早到晚的顺序将所述垃圾区域进行排序得到第二排序集合；
标注模块，用于根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注；所述第一排序集合对应的第一标签预测特征信息的数量与所述第二排序集合对应的垃圾区域的数量相同；
根据所述第一排序集合和所述第二排序集合将每个垃圾区域中的标签源对象在每个垃圾区域之间进行对象过程标注的方式，包括：
按照所述第一排序集合将每个第一标签预测特征信息的垃圾分类标签对应的标签源对象进行排序，得到用于表征标签源对象的垃圾出现频率的第三排序集合；
提取每个垃圾区域中的标签源对象，将提取得到标签源对象导入标注库中；
将所述标注库中与所述第三排序集合中的第一个标签源对象对应的第一目标标签源对象标注至所述第二排序集合中的第一个垃圾区域中，并按所述第三排序集合重复执行上述操作直至将所述标注库中与所述第三排序集合中的最后一个标签源对象对应的第二目标标签源对象标注至所述第二排序集合中的最后一个垃圾区域中。
6.根据权利要求5所述的垃圾分类处理装置，其特征在于，根据每个垃圾区域对于每个垃圾分类标签对应的标签源对象的功能使用信息以及分区特征信息确定每个垃圾区域的垃圾分布信息的方式，包括：
获取每个垃圾区域的功能使用信息上添加的功能使用策略程序的程序指令信息，并确定与所述程序指令信息对应的第一程序功能执行序列，所述程序指令信息包括根据所述功能使用策略程序的输入信息和输出信息所确定出的程序服务指令的指令对象信息，所述第一程序功能执行序列包括所述指令对象信息的多个对象控制层级的高低顺序；
确定每个垃圾区域的功能使用信息基于输入信息的第一功能执行逻辑和基于输出信息的第二功能执行逻辑；
根据所述第一功能执行逻辑和所述第二功能执行逻辑的逻辑执行关系确定用于对所述第一程序功能执行序列进行分布生成的分布生成参数；
基于所述分布生成参数对所述第一程序功能执行序列进行分布生成获得第二程序功能执行序列；
对所述第二程序功能执行序列进行拆分得到多个序列对象，对每个序列对象进行特征提取得到列表特征；
根据所述第二程序功能执行序列对应的多个列表特征所对应的垃圾分布信息，确定为每个垃圾区域的第一分布信息；
从每个垃圾区域的分区特征信息中确定出每个垃圾区域的空间分布图，提取所述空间分布图的空间分布节点信息，确定所述空间分布节点信息对应的目标节点信息区域；
按照设定空间间隔提取所述目标节点信息区域的空序特征向量；
生成所述空序特征向量对应的空序分布热度单元图以及目标节点信息区域对应的区域热度单元图，所述空序分布热度单元图和所述区域热度单元图分别包括多个不同热度的热度单元；
提取所述空序特征向量在所述空序分布热度单元图的其中一个热度单元的描述向量信息并将所述区域热度单元图中具有最小热度的热度单元确定为目标热度单元；
将所述描述向量信息标记指所述目标热度单元中以在所述目标热度单元中得到标记特征信息，然后基于所述描述向量信息以及所述标记特征信息生成所述空序特征向量和所述目标节点信息区域之间的空间区域分布序列；
以所述标记特征信息为索引对象在所述目标热度单元中获取热度数据段信息，根据所述空间区域分布序列对应的分布关联关系将所述热度数据段信息映射到所述描述向量信息所在热度单元中并在所述描述向量信息所在的热度单元中得到所述热度数据段信息对应的分区判别信息；
将所述分区判别信息中的分区判别对象分别在垃圾区域分布空间列出，确定每个垃圾区域的第二分布信息；
根据所述第一分布信息和所述第二分布信息，确定每个垃圾区域的垃圾分布信息。
7.根据权利要求5或6所述的垃圾分类处理装置，其特征在于，所述装置还包括：
第三获取模块，用于：
获取所述垃圾分类监控终端发送的第二标签预测特征信息；其中，所述第二标签预测特征信息是所述垃圾分类监控终端根据用户输入的操作指令生成的；
根据所述第二标签预测特征信息遍历对象过程标注过程的多个垃圾区域，查询出第三目标标签源对象并将所述第三目标标签源对象反馈给所述垃圾分类监控终端；
将所述第二标签预测特征信息添加至所述监控图像流信息序列中。
8.根据权利要求5或6所述的垃圾分类处理装置，其特征在于，所述确定垃圾分类监控终端的监控图像流信息序列对应的多个垃圾分类标签以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度的操作的方式，包括：
将所述垃圾分类监控终端的监控图像流信息序列输入到垃圾分类模型中，获得所述监控图像流信息序列对应的多个垃圾分类标签，以及每个垃圾分类标签对应的第一标签预测特征信息在所述监控图像流信息序列中的预测置信度；
其中，所述垃圾分类模型基于预先配置的训练样本和所述训练样本对应的垃圾分类标签训练获得，所述训练样本为监控图像流样本信息。
CN202010531427.XA 2020-06-11 2020-06-11 一种垃圾分类处理方法及装置 Active CN111680645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010531427.XA CN111680645B (zh) 2020-06-11 2020-06-11 一种垃圾分类处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531427.XA CN111680645B (zh) 2020-06-11 2020-06-11 一种垃圾分类处理方法及装置

Publications (2)

Publication Number Publication Date
CN111680645A CN111680645A (zh) 2020-09-18
CN111680645B true CN111680645B (zh) 2024-02-09

Family

ID=72454892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531427.XA Active CN111680645B (zh) 2020-06-11 2020-06-11 一种垃圾分类处理方法及装置

Country Status (1)

Country Link
CN (1) CN111680645B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417668B (zh) * 2020-11-17 2022-04-19 甘肃省祁连山水源涵养林研究院 一种生态保护智能预警方法、装置及服务器
CN113139015B (zh) * 2021-04-16 2024-03-22 广州大学 生活垃圾能量空间分布信息处理方法、***、装置和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109831634A (zh) * 2019-02-28 2019-05-31 北京明略软件***有限公司 目标对象的密度信息确定方法及装置
CN110598879A (zh) * 2019-09-12 2019-12-20 腾讯科技（深圳）有限公司 基于区块链的垃圾回收方法、装置、设备及存储介质
CN110723432A (zh) * 2019-09-20 2020-01-24 精锐视觉智能科技（深圳）有限公司 垃圾分类的方法及增强现实设备
CN210084125U (zh) * 2019-05-22 2020-02-18 惠明 一种智能餐厨垃圾收运***
JP2020027407A (ja) * 2018-08-10 2020-02-20 Kddi株式会社 ゴミ分別支援システム、端末装置、ゴミ分別支援方法、及びプログラム
CN111046974A (zh) * 2019-12-25 2020-04-21 珠海格力电器股份有限公司 一种物品分类方法、装置、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020027407A (ja) * 2018-08-10 2020-02-20 Kddi株式会社 ゴミ分別支援システム、端末装置、ゴミ分別支援方法、及びプログラム
CN109831634A (zh) * 2019-02-28 2019-05-31 北京明略软件***有限公司 目标对象的密度信息确定方法及装置
CN210084125U (zh) * 2019-05-22 2020-02-18 惠明 一种智能餐厨垃圾收运***
CN110598879A (zh) * 2019-09-12 2019-12-20 腾讯科技（深圳）有限公司 基于区块链的垃圾回收方法、装置、设备及存储介质
CN110723432A (zh) * 2019-09-20 2020-01-24 精锐视觉智能科技（深圳）有限公司 垃圾分类的方法及增强现实设备
CN111046974A (zh) * 2019-12-25 2020-04-21 珠海格力电器股份有限公司 一种物品分类方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111680645A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111950638B (zh) 基于模型蒸馏的图像分类方法、装置和电子设备
CN111680645B (zh) 一种垃圾分类处理方法及装置
CN112488713A (zh) 基于区块链大数据的安全识别方法、***及云服务平台
CN112507222A (zh) 物流信息推荐方法、物流配送***及服务器
US20240095529A1 (en) Neural Network Optimization Method and Apparatus
CN109615080B (zh) 无监督模型评估方法、装置、服务器及可读存储介质
CN116028964B (zh) 一种信息安全风险管理***
CN110275880B (zh) 数据分析方法、装置、服务器及可读存储介质
CN115633321B (zh) 一种无线通信网络监控方法及***
CN111814052A (zh) 移动互联网用户管理方法、装置、服务器及可读存储介质
CN111859862A (zh) 文本的数据标注方法和装置、存储介质及电子装置
CN112328779B (zh) 训练样本构建方法、装置、终端设备及存储介质
CN114329127B (zh) 特征分箱方法、装置及存储介质
CN111539477B (zh) 水质监测管理方法、装置、服务器及可读存储介质
CN112506063B (zh) 数据分析方法、***、电子设备和存储介质
CN112417668B (zh) 一种生态保护智能预警方法、装置及服务器
CN110502715B (zh) 点击概率的预测方法及装置
CN112055076A (zh) 基于互联网的多功能智能监控方法、装置及服务器
CN111526333A (zh) 安防监控方法、装置、服务器及可读存储介质
CN116993396B (zh) 基于车辆用户标签的风险预警方法、计算机设备
CN115860589B (zh) 基于大数据分析的饲料在线生产监测方法及***
CN113779414B (zh) 基于机器学习模型的数据推荐方法、装置、设备及介质
CN111506914B (zh) 大数据加密方法、装置、服务器及可读存储介质
CN110704726B (zh) 基于神经网络的数据推送方法、及其相关设备
US20230394119A1 (en) Unsupervised machine learning leveraging human cognitive ability learning loop workflow

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
CB02 Change of applicant information

Address after: No.89, Shuntong Avenue, Guandu District, Kunming, Yunnan 650000

Applicant after: Wang Yanqiong

Address before: 613100 No.6, group 1, Hongzhuan village, Wangcun Town, Jingyan County, Leshan City, Sichuan Province

Applicant before: Wang Yanqiong

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant