CN111695641A - 一种垃圾分类的方法及装置 - Google Patents

一种垃圾分类的方法及装置 Download PDF

Info

Publication number
CN111695641A
CN111695641A CN202010572969.1A CN202010572969A CN111695641A CN 111695641 A CN111695641 A CN 111695641A CN 202010572969 A CN202010572969 A CN 202010572969A CN 111695641 A CN111695641 A CN 111695641A
Authority
CN
China
Prior art keywords
garbage
neural network
layer
picture
classification neural
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
Application number
CN202010572969.1A
Other languages
English (en)
Inventor
徐晓健
童楚婕
李福洋
严洁
栾英英
彭勃
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202010572969.1A priority Critical patent/CN111695641A/zh
Publication of CN111695641A publication Critical patent/CN111695641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种垃圾分类的方法及装置，所述方法包括：获取待分类的垃圾图片；将待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中；根据垃圾分类神经网络模型的输出结果获得待分类的垃圾图片中垃圾的类别。采用本申请提供的技术方案，通过预先获得的垃圾分类神经网络模型，可以将垃圾进行分类，从而不依赖于个人知识经验，提高了垃圾分类的准确性。

Description

一种垃圾分类的方法及装置
技术领域
本发明涉及计算机技术领域，尤其是涉及一种垃圾分类的方法及装置。
背景技术
随着经济的发展，城市化进程的加快，人们在生产生活的过程中产生的垃圾越来越多。通过垃圾分类，可以最大限度地减少垃圾处置量，实现垃圾资源利用，改善生存环境质量。
然而，目前对于垃圾的分类只能依靠个人知识经验进行。由于垃圾种类繁多、各地对于垃圾的具体分类标准不一、每个人对于垃圾的知识储备不同等因素影响，垃圾分类准确率不高。
发明内容
针对上述问题，本申请提供一种垃圾分类的方法及装置，能够提高垃圾分类的准确性。
本申请第一方面提供一种垃圾分类的方法，包括：
获取待分类的垃圾图片；
将所述待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中；
根据所述垃圾分类神经网络模型的输出结果获得所述待分类的垃圾图片中垃圾的类别；
其中，所述垃圾分类神经网络模型为预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到的模型，所述标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
可选的，所述垃圾分类神经网络模型为十一层的神经网络，其中：
第一层、第三层、第四层、第六层、第七层和第八层为卷积层；第二层和第五层为批归一化层；第九层和第十层为全连接层；第十一层为输出层。
可选的，预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到垃圾分类神经网络模型，具体包括：
将所述样本垃圾图片输入到垃圾分类神经网络中，获得所述样本垃圾图片中垃圾的类别；
基于所述样本垃圾图片中垃圾的类别和所述样本垃圾图片对应的标签，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，获得所述垃圾分类神经网络模型。
可选的，所述利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，包括：
计算所述垃圾分类神经网络的本次损失函数值与上一次损失函数值的差值，当所述差值的绝对值与上一次损失函数的比值小于预设阈值时，将预定数量的卷积核通道置零，直至所述垃圾分类神经网络收敛，获得所述垃圾分类神经网络模型。
可选的，所述获取待分类的垃圾图片，包括：
裁剪所述待分类的垃圾图片为预设大小的图片；
将裁剪后的待分类的垃圾图片进行尺度变换和归一化。
本申请第二方面提供一种垃圾分类的装置，包括：图片获取单元、输入单元和结果获取单元；
所述图片获取单元，用于获取待分类的垃圾图片；
所述输入单元，用于将所述待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中；
所述结果获取单元，用于根据所述垃圾分类神经网络模型的输出结果获得所述待分类的垃圾图片中垃圾的类别；
其中，所述垃圾分类神经网络模型为预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到的模型，所述标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
可选的，所述垃圾分类神经网络模型为十一层的神经网络，其中：
第一层、第三层、第四层、第六层、第七层和第八层为卷积层；第二层和第五层为批归一化层；第九层和第十层为全连接层；第十一层为输出层。
可选的，还包括训练单元，用于将所述样本垃圾图片输入到垃圾分类神经网络中，获得所述样本垃圾图片中垃圾的类别；
基于所述样本垃圾图片中垃圾的类别和所述样本垃圾图片对应的标签，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，获得所述垃圾分类神经网络模型。
可选的，所述训练单元包括通道置零单元，用于当计算所述垃圾分类神经网络的本次损失函数值与上一次损失函数值的差值，当所述差值的绝对值与上一次损失函数的比值小于预设阈值时，将预定数量的卷积核通道置零，直至所述垃圾分类神经网络收敛，获得所述垃圾分类神经网络模型。
可选的，所述图片获取单元包括图片裁剪单元和图片处理单元；
所述图片裁剪单元，用于裁剪所述待分类的垃圾图片为预设大小的图片；
所述图片处理单元，用于将裁剪后的待分类的垃圾图片进行尺度变换和归一化。
相对于现有技术，本申请上述技术方案的优点在于：
本申请实施例提供一种垃圾分类的方法，首先获取待分类的垃圾图片，然后将待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中，最后根据垃圾分类神经网络模型的输出结果获得待分类的垃圾图片中垃圾的类别。其中，垃圾分类神经网络模型为预先根据样本垃圾图片和样本垃圾图片对应的标签训练得到的模型，标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。由此可见，通过预先获得的垃圾分类神经网络模型，可以将垃圾进行分类，从而不依赖于个人知识经验，提高了垃圾分类的准确性。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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它的附图。
图1为本申请实施例提供的一种垃圾分类方法的流程图；
图2为本申请实施例提供的一种图片预处理方法的流程图；
图3为本申请实施例提供的一种待分类的垃圾图片；
图4为本申请实施例提供的一种垃圾分类神经网络模型的示意图；
图5为本申请实施例提供的一种垃圾分类神经网络模型的训练方法的流程图；
图6为本申请实施例提供的一种垃圾分类装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅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做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。
参见图1，图1为本申请实施例提供的一种垃圾分类方法的流程图，该方法可以包括以下步骤101-103。
S101：获取待分类的垃圾图片。
本申请实施例不具体限定获取待分类的垃圾图片的方式，例如本申请实施例提供的垃圾分类方法可以应用于移动终端，例如智能手机。利用智能手机对待分类的垃圾进行拍照，获取待分类垃圾的图片。
需要说明的是，为了能够更好地识别待分类的垃圾图片中垃圾的种类，提高垃圾分类的准确性，可以对待分类的垃圾图片进行预处理。
参见图2，图2为本申请实施例提供的一种图片预处理方法的流程图。
S201：裁剪所述待分类的垃圾图片为预设大小的图片。
将待分类的垃圾图片裁剪为预设大小的图片，去掉待分类垃圾图片中与垃圾无关的部分，以便减少计算量，提高分类的准确性。
例如，参见图3，该图为本申请实施例提供的一种待分类的垃圾图片。
待分类的垃圾图片的大小为4*4，待分类的垃圾在图片的中心，并未占据整个待分类的垃圾图片，而是仅占据图片的四分之一，则可以将待分类的垃圾图片的图片裁剪大小为2*2，包括位于中心的待分类垃圾，即按照虚线裁剪图片。
本申请实施例不具体限定预设大小的数值，本领域技术人员可以根据实际情况进行设置。
S202：将裁剪后的待分类的垃圾图片进行尺度变换和归一化。
将裁剪后的图片进行尺度变换和归一化，加快梯度下降求解最优的速度，以便更快得到垃圾分类的结果。
以上是本申请实施例提供的一种图片预处理方法，下面继续介绍垃圾分类的方法。
S102：将所述待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中。
垃圾分类神经网络模型是根据垃圾图片特点训练生成的，下面介绍一种垃圾分类神经网络模型。
垃圾分类神经网络模型具有十一层，其中第一层、第三层、第四层、第六层、第七层和第八层为卷积层；第二层和第五层为批归一化层(以下简称BN层)；第九层和第十层为全连接层；第十一层为输出层。
作为一种可能的实现方式，BN层可以与池化层结合，减少模型的运算量，提高运算速度。
参见图4，该图为本申请实施例提供的一种垃圾分类神经网络模型的示意图。
将待分类的垃圾图片输入到该垃圾神经网络模型中，第一层卷积层的感受野为196*196，提取待分类的垃圾图片中的信息，例如图片中像素信息、边缘信息、纹理信息等。
第二层BN层与池化层的结合层的感受野为49*49，将在第一层卷积层提取的特征进行降维，以缩小尺度，减少运算量。
第三层卷积层的感受野为47*47。
第四层卷积层的感受野为45*45。
第五层BN层与池化层的结合层的感受野为11*11，采用第二层与第五层分两次降维的目的是为了在不丢失特征的前提下，降低特征的维度，以便减少运算量。
第六层卷积层的感受野是9*9。
第七层卷积层的感受野是7*7。
第八层卷积层的感受野是5*5，卷积层越少计算内存越少，卷积层越多计算精度越高，本申请实施例选择三层卷积层是为了同时保证精度和运算内存，平衡垃圾分类神经网络模型的性能与精度。
第九层全连接层的感受野是64*1。
第十层全连接层的感受野是32*1，把高维变到低维，同时把有用的信息保留下来。
第十一层输出层的感受野是4*1。
S103：根据所述垃圾分类神经网络模型的输出结果获得所述待分类的垃圾图片中垃圾的类别。
垃圾的类别至少可以被分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
其中，所述垃圾分类神经网络模型为预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到的模型，所述标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
本申请实施例提供一种垃圾分类的方法，首先获取待分类的垃圾图片，然后将待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中，最后根据垃圾分类神经网络模型的输出结果获得待分类的垃圾图片中垃圾的类别。其中，垃圾分类神经网络模型为预先根据样本垃圾图片和样本垃圾图片对应的标签训练得到的模型，标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。由此可见，通过预先获得的垃圾分类神经网络模型，可以将垃圾进行分类，从而不依赖于个人知识经验，提高了垃圾分类的准确性。
下面介绍预先建立的垃圾分类神经网络模型的训练方法。
参见图5，该图为本申请实施例提供的一种垃圾分类神经网络模型的训练方法的流程图。
S501：将所述样本垃圾图片输入到垃圾分类神经网络中，获得所述样本垃圾图片中垃圾的类别。
收集不同光照、不同角度下的各种垃圾的图片作为样本垃圾图片，将样本垃圾图片输入到垃圾分类神经网络中，得到样本垃圾图片中垃圾的类别。
作为一种可能的实现方式，对所有的样本图片进行图片增强，以增加数据量与数据分布的多样性。
S502：基于所述样本垃圾图片中垃圾的类别和所述样本垃圾图片对应的标签，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，获得所述垃圾分类神经网络模型。
根据垃圾分类神经网络模型输出的垃圾类别与样本垃圾图片对应的标签，利用垃圾分类神经网络的损失函数进行训练，不断调整垃圾分类神经网路的参数直至垃圾分类神经网络达到最优性能，将训练好的垃圾分类神经网络作为垃圾分类神经网络模型。
本申请实施例不具体限定垃圾分类神经网络的损失函数的具体类型，例如采用交叉熵损失函数。
作为一种可能的实现方式，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络模型的参数具体为：
计算所述垃圾分类神经网络的本次损失函数值与上一次损失函数值的差值，当所述差值的绝对值与上一次损失函数的比值小于预设阈值时，将预定数量的卷积核通道置零，直至所述垃圾分类神经网络模型收敛，获得所述垃圾分类神经网络模型。
例如，本次损失函数值为loss_1，上一次损失函数值为loss_2，计算delta_loss＝|(loss_1—loss_2)|/loss_2。若delta_loss小于预设阈值，则进行置零。假设本次的损失函数值为0.19，上一次的损失函数值为0.2，预设阈值为10％。此时delta_loss＝|0.19-0.2|/0.2＝5％，小于预设阈值10％，则将预订数量卷积核通道置零，以便于提高垃圾分类神经网络模型的泛化能力。
本申请实施例不具体限定将卷积核通道置零的数量，例如，可以部分置零，也可以全部置零。
本申请实施例不具体限定预设阈值的数量，本领域技术人员可以根据实际需要进行设置。
本发明实施例除了提供的一种垃圾分类的方法外，还提供了一种垃圾分类的装置，如图6所示，包括：图片获取单元601、输入单元602和结果获取单元603，下面分别进行介绍。
图片获取单元601，用于获取待分类的垃圾图片。
输入单元602，用于将所述待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中。
结果获取单元603，用于根据所述垃圾分类神经网络模型的输出结果获得所述待分类的垃圾图片中垃圾的类别；
其中，所述垃圾分类神经网络模型为预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到的模型，所述标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
作为一种可能的实现方式，所述垃圾分类神经网络模型为十一层的神经网络，其中：
第一层、第三层、第四层、第六层、第七层和第八层为卷积层；第二层和第五层为批归一化层；第九层和第十层为全连接层；第十一层为输出层。
作为一种可能的实现方式，还包括训练单元，用于将所述样本垃圾图片输入到垃圾分类神经网络中，获得所述样本垃圾图片中垃圾的类别；
基于所述样本垃圾图片中垃圾的类别和所述样本垃圾图片对应的标签，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，获得所述垃圾分类神经网络模型。
作为一种可能的实现方式，所述训练单元包括通道置零单元，用于计算所述垃圾分类神经网络的本次损失函数值与上一次损失函数值的差值，当所述差值的绝对值与上一次损失函数的比值小于预设阈值时，将预定数量的卷积核通道置零，直至所述垃圾分类神经网络收敛，获得所述垃圾分类神经网络模型。
作为一种可能的实现方式，所述图片获取单元包括图片裁剪单元和图片处理单元；
所述图片裁剪单元，用于裁剪所述待分类的垃圾图片为预设大小的图片；
所述图片处理单元，用于将裁剪后的待分类的垃圾图片进行尺度变换和归一化。
本申请实施例提供一种垃圾分类的装置，图片获取单元、输入单元和结果获取单元。首先图片获取单元获取待分类的垃圾图片，然后输入单元将待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中，最后结果获取单元根据垃圾分类神经网络模型的输出结果获得待分类的垃圾图片中垃圾的类别。其中，垃圾分类神经网络模型为预先根据样本垃圾图片和样本垃圾图片对应的标签训练得到的模型，标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。由此可见，通过预先获得的垃圾分类神经网络模型，可以将垃圾进行分类，从而不依赖于个人知识经验，提高了垃圾分类的准确性。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外，还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种垃圾分类的方法，其特征在于，包括：
获取待分类的垃圾图片；
将所述待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中；
根据所述垃圾分类神经网络模型的输出结果获得所述待分类的垃圾图片中垃圾的类别；
其中，所述垃圾分类神经网络模型为预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到的模型，所述标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
2.根据权利要求1所述的方法，其特征在于，所述垃圾分类神经网络模型为十一层的神经网络，其中：
第一层、第三层、第四层、第六层、第七层和第八层为卷积层；第二层和第五层为批归一化层；第九层和第十层为全连接层；第十一层为输出层。
3.根据权利要求1或2所述的方法，其特征在于，预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到垃圾分类神经网络模型，具体包括：
将所述样本垃圾图片输入到垃圾分类神经网络中，获得所述样本垃圾图片中垃圾的类别；
基于所述样本垃圾图片中垃圾的类别和所述样本垃圾图片对应的标签，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，获得所述垃圾分类神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，包括：
计算所述垃圾分类神经网络的本次损失函数值与上一次损失函数值的差值，当所述差值的绝对值与上一次损失函数的比值小于预设阈值时，将预定数量的卷积核通道置零，直至所述垃圾分类神经网络收敛，获得所述垃圾分类神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述获取待分类的垃圾图片，包括：
裁剪所述待分类的垃圾图片为预设大小的图片；
将裁剪后的待分类的垃圾图片进行尺度变换和归一化。
6.一种垃圾分类的装置，其特征在于，包括：图片获取单元、输入单元和结果获取单元；
所述图片获取单元，用于获取待分类的垃圾图片；
所述输入单元，用于将所述待分类的垃圾图片输入到预先获得的垃圾分类神经网络模型中；
所述结果获取单元，用于根据所述垃圾分类神经网络模型的输出结果获得所述待分类的垃圾图片中垃圾的类别；
其中，所述垃圾分类神经网络模型为预先根据样本垃圾图片和所述样本垃圾图片对应的标签训练得到的模型，所述标签至少包括：可回收垃圾、厨余垃圾、有害垃圾和其他垃圾。
7.根据权利要求6所述的装置，其特征在于，所述垃圾分类神经网络模型为十一层的神经网络，其中：
第一层、第三层、第四层、第六层、第七层和第八层为卷积层；第二层和第五层为批归一化层；第九层和第十层为全连接层；第十一层为输出层。
8.根据权利要求7所述的装置，其特征在于，还包括训练单元，用于将所述样本垃圾图片输入到垃圾分类神经网络中，获得所述样本垃圾图片中垃圾的类别；
基于所述样本垃圾图片中垃圾的类别和所述样本垃圾图片对应的标签，利用所述垃圾分类神经网络的损失函数训练所述垃圾分类神经网络的参数，获得所述垃圾分类神经网络模型。
9.根据权利要求8所述的装置，其特征在于，所述训练单元包括通道置零单元，用于计算所述垃圾分类神经网络的本次损失函数值与上一次损失函数值的差值，当所述差值的绝对值与上一次损失函数的比值小于预设阈值时，将预定数量的卷积核通道置零，直至所述垃圾分类神经网络收敛，获得所述垃圾分类神经网络模型。
10.根据权利要求6所述的装置，其特征在于，所述图片获取单元包括图片裁剪单元和图片处理单元；
所述图片裁剪单元，用于裁剪所述待分类的垃圾图片为预设大小的图片；
所述图片处理单元，用于将裁剪后的待分类的垃圾图片进行尺度变换和归一化。
CN202010572969.1A 2020-06-22 2020-06-22 一种垃圾分类的方法及装置 Pending CN111695641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572969.1A CN111695641A (zh) 2020-06-22 2020-06-22 一种垃圾分类的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572969.1A CN111695641A (zh) 2020-06-22 2020-06-22 一种垃圾分类的方法及装置

Publications (1)

Publication Number Publication Date
CN111695641A true CN111695641A (zh) 2020-09-22

Family

ID=72482794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572969.1A Pending CN111695641A (zh) 2020-06-22 2020-06-22 一种垃圾分类的方法及装置

Country Status (1)

Country Link
CN (1) CN111695641A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132073A (zh) * 2020-09-28 2020-12-25 中国银行股份有限公司 垃圾分类方法及装置、存储介质及电子设备
CN112560576A (zh) * 2020-11-09 2021-03-26 华南农业大学 一种ai识图的垃圾分类与智能回收方法
CN114435795A (zh) * 2022-02-25 2022-05-06 湘南学院 一种垃圾分类***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140293069A1 (en) * 2013-04-02 2014-10-02 Microsoft Corporation Real-time image classification and automated image content curation
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能***
CN110598800A (zh) * 2019-09-23 2019-12-20 山东浪潮人工智能研究院有限公司 一种基于人工智能的垃圾分类识别方法
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
CN110929760A (zh) * 2019-10-30 2020-03-27 中国科学院自动化研究所南京人工智能芯片创新研究院 一种基于计算机视觉的垃圾分类软件
CN111259977A (zh) * 2020-01-22 2020-06-09 浙江工业大学 一种基于深度学习的垃圾分类装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140293069A1 (en) * 2013-04-02 2014-10-02 Microsoft Corporation Real-time image classification and automated image content curation
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能***
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
CN110598800A (zh) * 2019-09-23 2019-12-20 山东浪潮人工智能研究院有限公司 一种基于人工智能的垃圾分类识别方法
CN110929760A (zh) * 2019-10-30 2020-03-27 中国科学院自动化研究所南京人工智能芯片创新研究院 一种基于计算机视觉的垃圾分类软件
CN111259977A (zh) * 2020-01-22 2020-06-09 浙江工业大学 一种基于深度学习的垃圾分类装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132073A (zh) * 2020-09-28 2020-12-25 中国银行股份有限公司 垃圾分类方法及装置、存储介质及电子设备
CN112132073B (zh) * 2020-09-28 2024-03-29 中国银行股份有限公司 垃圾分类方法及装置、存储介质及电子设备
CN112560576A (zh) * 2020-11-09 2021-03-26 华南农业大学 一种ai识图的垃圾分类与智能回收方法
CN112560576B (zh) * 2020-11-09 2022-09-16 华南农业大学 一种ai识图的垃圾分类与智能回收方法
CN114435795A (zh) * 2022-02-25 2022-05-06 湘南学院 一种垃圾分类***

Similar Documents

Publication Publication Date Title
CN109753903B (zh) 一种基于深度学习的无人机检测方法
CN111695641A (zh) 一种垃圾分类的方法及装置
CN111950723B (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN113487618B (zh) 人像分割方法、装置、电子设备及存储介质
CN112614110B (zh) 评估图像质量的方法、装置及终端设备
CN113781510B (zh) 边缘检测方法、装置及电子设备
CN113191235B (zh) 杂物检测方法、装置、设备及存储介质
CN112088393A (zh) 图像处理方法、装置及设备
CN109523558A (zh) 一种人像分割方法及***
DE112016005482T5 (de) Objektdetektion mit adaptiven Kanalmerkmalen
CN111369477A (zh) 一种针对视频恢复任务的预分析和工具自适应的方法
CN115880516A (zh) 图像分类方法、图像分类模型训练方法及相关设备
CN112348809A (zh) 基于多任务深度学习的无参考屏幕内容图像质量评价方法
CN111339985A (zh) 基于混合卷积的手势检测方法
CN109886865A (zh) 自动屏蔽不良信息的方法、装置、计算机设备以及存储介质
CN115641592A (zh) 一种基于对比度优化的电力光学字符识别方法及***
CN111797922B (zh) 文本图像分类方法及装置
CN114419086A (zh) 边缘提取方法、装置、电子设备及存储介质
CN108737831A (zh) 一种数据处理方法及装置
CN113743593A (zh) 神经网络量化方法、***、存储介质及终端
CN114626501A (zh) 数据处理方法、装置、电子设备和存储介质
CN117376977B (zh) 一种手机5g无线信号测试***、方法、设备及介质
CN109447911A (zh) 图像复原的方法、装置、存储介质和终端设备
CN117292395B (zh) 审图模型的训练方法和训练装置及审图的方法和装置
CN114220111B (zh) 基于云平台的图文批量识别方法及***

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: 20200922

RJ01 Rejection of invention patent application after publication