CN112101149A - 一种建筑垃圾分类方法及*** - Google Patents
一种建筑垃圾分类方法及*** Download PDFInfo
- Publication number
- CN112101149A CN112101149A CN202010899036.3A CN202010899036A CN112101149A CN 112101149 A CN112101149 A CN 112101149A CN 202010899036 A CN202010899036 A CN 202010899036A CN 112101149 A CN112101149 A CN 112101149A
- Authority
- CN
- China
- Prior art keywords
- information
- output result
- output
- construction waste
- waste
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种建筑垃圾分类方法及***,获得第一图像信息,将所述第一图像信息输入第一分类模型,获得第一输出信息:包括第一输出结果和第二输出结果;获得所述建筑垃圾的挥发气体成分信息;将所述第一输出结果和所述挥发气体成分信息输入第二分类模型,获得第二输出信息:包括第三输出结果和第四输出结果,根据所述第二输出结果和所述第四输出结果,获得第五输出结果;根据第五输出结果和挥发气体成分信息构建训练数据集;将训练数据集输入第一训练模型,获得第三输出信息,所述第三输出信息包括有害垃圾的污染级别信息;根据所述有害垃圾的污染级别信息对所述建筑垃圾进行处理。达到有效对可回收建筑垃圾回收利用、保护环境的技术效果。
Description
技术领域
本发明涉及垃圾分类领域,尤其涉及一种建筑垃圾分类方法及***。
背景技术
在我国建筑行业高速发展与壮大的同时,急剧增加的还有我国建筑垃圾投 放点与填埋场的数量。建筑垃圾是指人们在从事拆迁、建设、装修、修缮等建 筑业的生产活动中产生的渣土、废旧混凝土、废旧砖石及其他废弃物的统称, 主要由混凝土、钢筋、砌块等可回收资源和其他有害物质组成。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述 技术至少存在如下技术问题:
在现有的建筑施工技术中,由于我国不完善的建筑垃圾回收与资源化***, 建筑垃圾被直接进行填埋或堆放处理,造成严重的环境污染。
发明内容
本申请实施例通过提供一种建筑垃圾分类方法及***,解决了现有技术中 建筑垃圾直接进行填埋或堆放处理,造成严重的环境污染的问题,达到对建筑 垃圾进行分类处理,达到有效对可回收建筑垃圾回收利用、保护环境的技术效 果。
鉴于上述问题,提出了本申请实施例提供一种建筑垃圾分类方法及***。
第一方面,本申请实施例提供了一种建筑垃圾分类方法,所述方法包括: 获得第一图像信息,所述第一图像信息包括建筑垃圾的图像信息;将所述第一 图像信息输入第一分类模型,获得第一输出信息,其中,所述第一输出信息包 括第一输出结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃 圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的结果;获得所述建 筑垃圾的挥发气体成分信息;将所述第一输出结果和所述挥发气体成分信息输 入第二分类模型,获得第二输出信息,其中,所述第二输出信息包括第三输出 结果和第四输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果, 所述第四结果为所述建筑垃圾为有害垃圾的结果;根据所述第二输出结果和所 述第四输出结果,获得第五输出结果;根据所述第五输出结果和所述挥发气体 成分信息构建训练数据集;将所述训练数据集输入第一训练模型,获得第三输 出信息,其中,所述第三输出信息包括有害垃圾的污染级别信息;根据所述有 害垃圾的污染级别信息对所述建筑垃圾进行处理。
另一方面,本申请还提供了一种建筑垃圾分类***,其中,所述***包括: 第一获得单元,所述第一获得单元用于获得第一图像信息,所述第一图像信息 包括建筑垃圾的图像信息;第一输入单元,所述第一输入单元用于将所述第一 图像信息输入第一分类模型,获得第一输出信息,其中,所述第一输出信息包 括第一输出结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃 圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的结果;第二获得单 元,所述第二获得单元用于获得所述建筑垃圾的挥发气体成分信息;第二输入 单元,所述第二输入单元用于将所述第一输出结果和所述挥发气体成分信息输 入第二分类模型,获得第二输出信息,其中,所述第二输出信息包括第三输出 结果和第四输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果, 所述第四结果为所述建筑垃圾为有害垃圾的结果;第三获得单元,所述第三获 得单元用于根据所述第二输出结果和所述第四输出结果,获得第五输出结果; 第四获得单元,所述第四获得单元用于根据所述第五输出结果和所述挥发气体 成分信息构建训练数据集。第三输入单元,所述第三输入单元用于将所述训练 数据集输入第一训练模型,获得第三输出信息,其中,所述第三输出信息包括 有害垃圾的污染级别信息;第一处理单元,所述第一处理单元用于根据所述有 害垃圾的污染级别信息对所述建筑垃圾进行处理。
第三方面,本发明提供了一种建筑垃圾分类***,包括存储器、处理器及 存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所 述程序时实现权利要求1-7任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优 点:
由于采用了获得所述建筑垃圾的第一图像信息,将所述第一图像信息输入 第一分类模型初步判断所述建筑垃圾为有害垃圾还是无害垃圾,将所述无害垃 圾的结果和建筑垃圾挥发气体成分信息输入第二分类模型,再根据所述输出为 有害垃圾的结果、第一分类模型判断为有害垃圾的结果与所述挥发气体成分信 息构建数据训练集对第一训练模型进行训练的方式,保证了所述训练模型可以 对建筑垃圾污染级别等级进行准确判断,进而达对建筑垃圾进行准确有效的分 类处理,达到有效对可回收建筑垃圾回收利用、保护环境的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术 手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、 特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种建筑垃圾分类方法的流程示意图;
图2为本申请实施例一种建筑垃圾分类方法中获得第一分类模型的流程示 意图;
图3为本申请实施例一种建筑垃圾分类方法中获得第二分类模型的流程示 意图;
图4为本申请实施例一种建筑垃圾分类方法中获得准确的第二分类模型的 流程示意图;
图5为本申请实施例一种建筑垃圾分类方法中训练数据集处理的流程示意 图;
图6为本申请实施例一种建筑垃圾分类方法中获得更加准确的训练数据集 的流程示意图;
图7为本申请实施例一种建筑垃圾分类方法中进一步判断所述有害垃圾的 污染级别信息的流程示意图;
图8为本申请实施例一种建筑垃圾分类方法中进一步判断所述有害垃圾的 污染级别信息的流程示意图;
图9为本申请实施例一种建筑垃圾分类***的结构示意图;
图10为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一输入单元12,第二获得单元13,第 二输入单元14,第三获得单元15,第四获得单元16,第三输入单元17,第一 处理单元18,总线300,接收器301,处理器302,发送器303,存储器304, 总线接口306。
具体实施方式
本申请实施例通过提供一种建筑垃圾分类方法及***,解决了现有技术中 建筑垃圾直接进行填埋或堆放处理,造成严重的环境污染的问题,达到对建筑 垃圾进行分类处理,达到有效对可回收建筑垃圾回收利用、保护环境的技术效 果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的 实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本 申请不受这里描述的示例实施例的限制。
申请概述
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种建筑垃圾分类方法,所述方法包括:获得第一图 像信息,所述第一图像信息包括建筑垃圾的图像信息;将所述第一图像信息输 入第一分类模型,获得第一输出信息,其中,所述第一输出信息包括第一输出 结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃圾的结果, 所述第二输出结果为所述建筑垃圾为有害垃圾的结果;获得所述建筑垃圾的挥 发气体成分信息;将所述第一输出结果和所述挥发气体成分信息输入第二分类 模型,获得第二输出信息,其中,所述第二输出信息包括第三输出结果和第四 输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果,所述第四结 果为所述建筑垃圾为有害垃圾的结果;根据所述第二输出结果和所述第四输出 结果,获得第五输出结果;根据所述第五输出结果和所述挥发气体成分信息构 建训练数据集;将所述训练数据集输入第一训练模型,获得第三输出信息,其 中,所述第三输出信息包括有害垃圾的污染级别信息;根据所述有害垃圾的污 染级别信息对所述建筑垃圾进行处理。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的 各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种建筑垃圾分类方法,其中,所述方 法包括:
步骤S100:获得第一图像信息,所述第一图像信息包括建筑垃圾的图像信 息;
具体而言,所述图像是客观对象的一种相似性的、生动性的描述或写真, 是人类社会活动中最常用的信息载体,第一图像信息是通过图像捕获设备自动 获得的建筑垃圾的清晰的图像的信息。所述图像捕获设备是具有清晰摄像单元 的摄像装置,这里不做具体的限定。
步骤S200:将所述第一图像信息输入第一分类模型,获得第一输出信息, 其中,所述第一输出信息包括第一输出结果和第二输出结果,所述第一输出结 果为所述建筑垃圾为无害垃圾的结果,所述第二输出结果为所述建筑垃圾为有 害垃圾的结果;
具体而言,所述第一分类模型为一机器学习模型,所述机器学习模型通过 多组数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:建筑 垃圾的图像信息和用来标识建筑垃圾是否有害的标识信息。通过大量训练数据 的训练,进而获得更加准确的机器学习模型来处理所述第一图像信息,进而达 到对所述第一图像信息进行准确处理的效果,进而准确的对所述建筑垃圾进行 判断,获得准确的有害垃圾和无害垃圾的分类效果,进而达到有效对可回收建 筑垃圾回收利用、保护环境的技术效果。
步骤S300:获得所述建筑垃圾的挥发气体成分信息;
具体而言,所述挥发气体为所述建筑垃圾挥发出的气体成分信息,通过对 所述挥发出的气体成分信息进行判断,能够有效分辨出通过图片信息无法区别 的建筑垃圾信息,进而达到对所述建筑垃圾是否为有害垃圾进行更加准确的判 断的效果。
步骤S400:将所述第一输出结果和所述挥发气体成分信息输入第二分类模 型,获得第二输出信息,其中,所述第二输出信息包括第三输出结果和第四输 出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果,所述第四输出 结果为所述建筑垃圾为有害垃圾的结果;
具体而言,所述第二分类模型基于逻辑回归模型构建的,详细来说,将所 述第一输出结果作为横坐标,所述挥发气体成分信息作为纵坐标,建立坐标系, 通过所述坐标系,基于逻辑回归模型,获得逻辑回归线。所述逻辑回归线的一 侧代表第三输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果; 所述逻辑回归线的另一侧代表第四输出结果,所述第四输出结果为所述建筑垃 圾为有害垃圾的结果。通过对所述第一分类模型判断出的建筑垃圾为无害垃圾 的结果进行进一步的判断,进而达到对所述建筑垃圾是否为有害垃圾进行准确 判断的效果,进而实现有效对可回收建筑垃圾回收利用、保护环境的技术效果。
步骤S500:根据所述第二输出结果和所述第四输出结果,获得第五输出结 果;
具体而言,所述第二输出结果为通过第一分类模型根据所述建筑垃圾的图 像信息判定的所述建筑垃圾为有害垃圾的结果,所述第四输出结果为第二分类 模型根据所述建筑垃圾挥发气体成分判定的所述建筑垃圾为有害垃圾的结果, 结合所述建筑垃圾的图像信息、挥发气体成分信息获得第五输出结果。
步骤S600:根据所述第五输出结果和所述挥发气体成分信息构建训练数据 集。
具体而言,通过第五输出结果和所述挥发气体成分信息作为一组训练数据, 将大量的第五输出结果和所述挥发气体成分信息的组合的多组训练数据构成训 练数据集,将所述训练数据集用于下述的第一训练模型的训练,进而使得所述 训练模型有足够的“经验”来处理所述输入的建筑垃圾的信息,进而获得准确的有 害垃圾的污染级别信息来对所述建筑垃圾进行合理准确的分类,进而实现有效 对可回收建筑垃圾回收利用、保护环境的技术效果。
步骤S700:将所述训练数据集输入第一训练模型,获得第三输出信息,其 中,所述第三输出信息包括有害垃圾的污染级别信息;
具体而言,所述第一训练模型为神经网络模型,所述神经网络模型即机器 学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的 处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络***,它反映 了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习***。神经网 络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑***的一阶特性的一种描述。简单地讲,它是一个数 学模型。通过大量训练数据集的训练,将所述第五输出结果、所述挥发气体成 分信息输入神经网络模型,则输出有害垃圾的污染级别信息。更进一步而言, 所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第五输出结果、所述挥发气体成分信息和用来标识所述建筑垃圾污染级别的标识信息, 将所述第五输出结果、所述挥发气体成分信息输入到神经网络模型中,所述神 经网络模型输出有害垃圾的污染级别信息,判断所述输出信息与用来标识所述 建筑垃圾污染级别的标识信息是否一致,如一致,进行下一组数据的监督学习; 如果所述输出信息与用来标识所述建筑垃圾污染级别的标识信息不一致,则所 述神经网络模型进行自我修正、调整,直至获得的输出信息与用来标识所述建 筑垃圾污染级别的标识信息一致,则结束本组数据监督学习,进行下一组数据 监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时, 则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神 经网络模型处理所述输入数据更加准确,进而使得输出的建筑垃圾污染级别的 信息更加准确,进而获得准确的有害垃圾的污染级别信息来对所述建筑垃圾进 行合理准确的分类,进而实现有效对可回收建筑垃圾回收利用、保护环境的技 术效果。
步骤S800:根据所述有害垃圾的污染级别信息对所述建筑垃圾进行处理。
具体而言:根据上述判断的所述建筑垃圾的污染级别的不同,对所述建筑 垃圾进行处理,具体包括:对于污染级别低的建筑垃圾进行无害化处理,进而 将其转化为无害垃圾,进行回收和再利用;对于污染级别高的建筑垃圾进行集 中处理,将其危害将至最低,“因材施教”的将不同污染级别的垃圾分类处理,进 而达到保护环境的技术效果。
如图2所示,为了获得第一分类模型,本申请实施例S200还包括:
步骤S210:将第一图像信息输入所述第一分类模型,其中,所述第一分类 模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据 均包括:建筑垃圾的图像信息和用来标识建筑垃圾是否有害的标识信息;
步骤S220:获得所述第一分类模型的第一输出信息,其中,所述第一输出 信息包括第一输出结果和第二输出结果,所述第一输出结果为所述建筑垃圾为 无害垃圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的结果;
具体而言,所述第一分类模型为一机器学习模型,所述机器学习模型通过 多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括: 建筑垃圾的图像信息和用来标识建筑垃圾是否有害的标识信息。所述训练模型 的第一输出信息包括第一输出结果和第二输出结果,所述第一输出结果为所述 建筑垃圾为无害垃圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的 结果;通过大量训练数据的训练,进而获得更加准确的机器学习模型来处理所 述第一图像信息,进而达到对所述第一图像信息进行准确处理的效果,进而准 确的对所述建筑垃圾进行判断,获得准确的有害垃圾和无害垃圾的分类效果, 进而达到有效对可回收建筑垃圾回收利用、保护环境的技术效果。
如图3所示,为了获得第二分类模型,本申请实施例步骤S400还包括:
步骤S410:将所述第一输出结果作为横坐标;
步骤S420:将所述挥发气体成分信息作为纵坐标;
步骤S430:采用逻辑回归模型根据所述横坐标和所述纵坐标获得逻辑回归 线,其中,逻辑回归线包括第一位置和第一角度,所述第一位置和所述第一角 度位于所述横坐标和所述纵坐标所构建的坐标系中;其中,所述逻辑回归线的 一侧表示第一输出结果,所述逻辑回归线的另一侧表示第二输出结果,其中, 所述第一输出结果和所述第二输出结果不同。
具体而言,所述第二分类模型基于逻辑回归模型构建的,详细来说,将所 述第一输出结果作为横坐标,所述挥发气体成分信息作为纵坐标,建立坐标系, 通过所述坐标系,基于逻辑回归模型,获得逻辑回归线。所述逻辑回归线的一 侧代表第三输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果; 所述逻辑回归线的另一侧代表第四输出结果,所述第四输出结果为所述建筑垃 圾为有害垃圾的结果。逻辑回归线包括第一位置和第一角度,所述第一位置和 所述第一角度位于所述横坐标和所述纵坐标所构建的坐标系中,且所述逻辑回 归线受所述第一位置和第一角度的控制,通过对所述第一分类模型判断出的建 筑垃圾为无害垃圾的结果进行进一步的判断,进而达到对所述建筑垃圾是否为 有害垃圾进行准确判断的效果,进而实现有效对可回收建筑垃圾回收利用、保 护环境的技术效果。
如图4所示,为了获得准确的第二分类模型,本申请实施例步骤S430还包 括:
步骤S431:获得所述挥发气体成分信息中硫酸根离子的含量信息;
步骤S432:获得预定硫酸根离子含量的阈值;
步骤S433:判断所述挥发气体成分信息中硫酸根离子的含量是否超过所述 预定硫酸根离子含量的阈值;
步骤S434:当所述挥发气体成分信息中硫酸根离子的含量是否超过所述预 定硫酸根离子含量的阈值时,获得第一影响参数;
步骤S435:所述第一影响参数用于修正所述逻辑回归线的第一角度。
具体而言,当所述建筑垃圾的硫酸根离子含量超过所述阈值时,则所述建 筑垃圾需小心处理,因为硫酸根离子在厌氧条件下会转化为具有臭鸡蛋味的硫 化氢,对人民的生命造成严重的威胁,因此当所述建筑垃圾的挥发气体成分信 息硫酸根离子含量超过所述预定阈值时,则产生第一影响参数,所述第一影响 参数用调整所述逻辑回归线的第一角度,进而达到对所述逻辑回归线进一步精 确化的处理,进而达到对所述建筑垃圾是否为有害垃圾进行准确判断的效果, 进而实现有效对可回收建筑垃圾回收利用、保护环境的技术效果。
如图5所示,将所述训练数据集输入训练模型之前,本申请实施例步骤S600 还包括:
步骤S610:获得第一训练数据,并根据所述第一训练数据生成第一验证码, 其中,所述第一验证码是与所述第一训练数据一一对应的;
步骤S620:获取第二训练数据,根据所述第二训练数据和第一验证码生成 第二验证码;以此类推,获取第N训练数据,根据所述第N训练数据和第N-1 验证码生成第N验证码,其中,N为大于1的自然数,所述第一训练数据、所 述第二训练数据和所述第N训练数据均为所述训练数据集中的数据信息;
步骤S630:将构成所述训练数据集的所有训练数据和验证码分别复制保存 在M台设备上,其中,M为大于1的自然数。
具体而言,所述第一训练数据包括所述第五输出结果和所述挥发气体成分 信息,获得第一训练数据和根据第一训练数据生成的与所述第一训练数据一一 对应的第一验证码;获得第二训练数据,获得根据第二训练数据和第一验证码 生成的第二验证码;以此类推,获取第N训练数据,获得根据第N训练数据和 第N-1验证码生成的第N验证码,其中,N为大于1的自然数,所述每组训练 数据均包括:所述第五输出结果和所述挥发气体成分信息。将构成所述训练数 据集的所有训练数据和验证码分别复制保存在M台设备上,其中,所述第一训 练数据和第一验证码作为第一区块保存在一台设备上,所述第二训练数据和第 二验证码作为第二区块保存在一台设备上,···所述第N训练数据和第N验 证码作为第N区块保存在一台设备上,当需要调用所述训练数据时,每后一个 节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈 希技术对于每一存储单位进行串接,使得所述训练数据不易丢失和遭到破坏, 通过区块链的逻辑对所述训练数据进行加密处理,保证了所述训练数据的安全 性,并存储于多台设备上,所述存储于多台设备上的数据通过共识机制进行处 理,即少数服从多数,当一台或多台设备被篡改时,只要存储正确数据的设备 数量大于被篡改的设备数量,则获得的训练数据仍然是正确的,进一步的保证 了训练数据的安全性。进而达到通过所述训练数据训练获得的训练模型更加准 确,使得所述训练模型输出的建筑垃圾的污染级别信息更加准确,进而实现有 效对可回收建筑垃圾回收利用、保护环境的技术效果。
如图6所示,为了获得更加准确的训练数据集,所述步骤S620还包括:
步骤S621:将所述第N训练数据和第N-1验证码作为第N区块;
步骤S622:获得所述第N区块记录时间,所述第N区块记录时间表示第N 区块需要记录的时间;
步骤S623:根据所述第N区块记录时间,获得所述M台设备中运力最快的 第一设备;
步骤S624:将第N区块的记录权发送给所述第一设备。
具体而言,将所述第N训练数据和第N-1验证码作为第N区块,将所述第 N区块发送给M台设备进行记录,获取M台设备中记录速度最快的设备作为第 一设备,通过M台设备中工作量竞争的关系,获得所述M台设备中计算存储速 度最快的设备对所述区块进行存储的方式,保证了所述区块记载的储存速度, 进而保证了所述区块的安全性,进而保证了训练数据的安全性,为获得准确的 训练模型夯实了基础,进而可以获得准确的有害垃圾的污染级别信息,进而实 现有效对可回收建筑垃圾回收利用、保护环境的技术效果。
如图7所示,为了进一步判断所述有害垃圾的污染级别信息,所述步骤S800 还包括:
步骤S810:获得所述有害垃圾的成分信息;
步骤S820:根据所述有害垃圾的成分信息,获得所述有害垃圾的发酵指数 信息;
步骤S830:获得预定发酵指数阈值;
步骤S840:判断所述有害垃圾的发酵指数是否超过所述预定发酵指数阈值;
步骤S850:如果所述有害垃圾的发酵指数超过所述预定发酵指数阈值,获 得第一填埋标准。
具体而言,建筑垃圾在堆放和填埋过程中,受到雨水的淋溶、冲刷,以及 地表水和地下水的浸泡,然后经过发酵而渗滤出的污水统称为渗滤液或淋滤液, 它会对周围的地表水和地下水造成严重污染。获得所述有害垃圾的成分信息, 根据所述有害垃圾的成分信息获得所述有害垃圾的发酵指数,通过判断所述有 害垃圾的发酵指数是否超过预定的发酵指数阈值,如果所述有害垃圾的发酵指 数超过所述预定发酵指数阈值,获得第一填埋标准,将所述超过预定发酵指数 阈值的有害垃圾按第一填埋标准填埋。通过对所述有害垃圾的发酵指数进一步 的限定,对所述有害垃圾进行合理的分类处理,进而获得更加合理的有害垃圾 的处理方式,进而达到保护环境的技术效果。
如图8所示,为了进一步判断所述有害垃圾的污染级别信息,所述步骤S800 还包括:
步骤S860:获得所述有害垃圾的成分信息;
步骤S870:根据所述有害垃圾的成分信息,获得所述有害垃圾的厌氧指数 信息;
步骤S880:获得预定厌氧指数阈值;
步骤S890:判断所述有害垃圾的厌氧指数是否超过所述预定厌氧指数阈值;
步骤S900:如果所述有害垃圾的厌氧指数超过所述预定厌氧指数阈值,获 得第一预警信息,所述第一预警信息用于提醒所述有害垃圾禁止填埋处理。
具体而言,当所述建筑垃圾的厌氧指数超过一定范围时,通过在温度、水 分等作用下,某些有机物会进行分解。产生有害气体,如建筑垃圾废石膏中含 有大量的硫酸根离子,硫酸根离子在厌氧条件下会转化为具有臭鸡蛋味的硫化 氢。因此当所述有害垃圾的厌氧指数超过所述预定厌氧指数阈值时,则有可能 进行填埋处理后产生有害气体,因此当所述有害垃圾的厌氧指数超过预定厌氧 指数阈值,则产生第一预警信息,所述预警信息用于提醒所述有害垃圾禁止填 埋处理,通过对所述有害垃圾的厌氧指数进行进一步的限定,进而获得更加合 理的有害垃圾的处理方式,进而达到保护环境的技术效果。
综上所述,本申请实施例所提供的一种建筑垃圾分类方法及***具有如下 技术效果:
1、由于采用了获得所述建筑垃圾的第一图像信息,将所述第一图像信息输 入第一分类模型初步判断所述建筑垃圾为有害垃圾还是无害垃圾,将所述无害 垃圾的结果和建筑垃圾挥发气体成分信息输入第二分类模型,再根据所述输出 为有害垃圾的结果、第一分类模型判断为有害垃圾的结果与所述挥发气体成分 信息构建数据训练集对第一训练模型进行训练的方式,保证了所述训练模型可 以对建筑垃圾污染级别等级进行准确判断,进而达对建筑垃圾进行准确有效的 分类处理,达到有效对可回收建筑垃圾回收利用、保护环境的技术效果。
2、由于采用了将所述第一分类模型和第二分类模型进行多组训练数据监督 学习的方式,使得获得的所述第一分类模型和第二分类模型具备更加完善的经 验去处理所述输入数据,进而获得更加准确的对所述建筑垃圾为有害垃圾和无 害垃圾的判断的技术效果。
3、由于采用了将所述训练数据集进行基于区块链逻辑的加密处理,并将所 述第N区块发送给M台设备进行记录,获取M台设备中记录速度最快的设备 作为第一设备,通过M台设备中工作量竞争的关系,获得所述M台设备中计算 存储速度最快的设备对所述区块进行存储的方式,保证了所述区块记载的储存 速度,进而保证了所述区块的安全性,进而保证了训练数据的安全性,为获得 准确的训练模型夯实了基础,进而可以获得准确的有害垃圾的污染级别信息, 进而实现有效对可回收建筑垃圾回收利用、保护环境的技术效果。
4、由于采用了对所述有害垃圾的成分信息进一步的分析的方式,对所述有 害垃圾的发酵指数和厌氧指数进行进一步的限定,对所述有害垃圾进行合理的 分类处理,进而获得更加合理的有害垃圾的处理方式,进而达到保护环境的技 术效果。
实施例二
基于与前述实施例中一种建筑垃圾分类方法同样发明构思,本发明还提供 了一种建筑垃圾分类***,如图9所示,所述***包括:
第一获得单元11,所述第一获得单元11用于获得第一图像信息,所述第一 图像信息包括建筑垃圾的图像信息;
第一输入单元12,所述第一输入单元12用于将所述第一图像信息输入第一 分类模型,获得第一输出信息,其中,所述第一输出信息包括第一输出结果和 第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃圾的结果,所述第 二输出结果为所述建筑垃圾为有害垃圾的结果;
第二获得单元13,所述第二获得单元13用于获得所述建筑垃圾的挥发气体 成分信息;
第二输入单元14,所述第二输入单元14用于将所述第一输出结果和所述挥 发气体成分信息输入第二分类模型,获得第二输出信息,其中,所述第二输出 信息包括第三输出结果和第四输出结果,所述第三输出结果为所述建筑垃圾为 无害垃圾的结果,所述第四结果为所述建筑垃圾为有害垃圾的结果;
第三获得单元15,所述第三获得单元15用于根据所述第二输出结果和所述 第四输出结果,获得第五输出结果;
第四获得单元16,所述第四获得单元16用于根据所述第五输出结果和所述 挥发气体成分信息构建训练数据集;
第三输入单元17,所述第三输入单元17用于将所述训练数据集输入第一训 练模型,获得第三输出信息,其中,所述第三输出信息包括有害垃圾的污染级 别信息;
第一处理单元18,所述第一处理单元18用于根据所述有害垃圾的污染级别 信息对所述建筑垃圾进行处理。
进一步的,所述***还包括:
第四输入单元,所述第四输入单元用于将第一图像信息输入所述第一分类 模型,其中,所述第一分类模型通过多组训练数据训练获得,所述多组中的训 练数据中的每一组训练数据均包括:建筑垃圾的图像信息和用来标识建筑垃圾 是否有害的标识信息;
第五获得单元,所述第五获得单元用于获得所述第一分类模型的第一输出 信息,其中,所述第一输出信息包括第一输出结果和第二输出结果,所述第一 输出结果为所述建筑垃圾为无害垃圾的结果,所述第二输出结果为所述建筑垃 圾为有害垃圾的结果。
进一步的,所述***还包括:
第六获得单元,所述第六获得单元用于将所述第一输出结果作为横坐标;
第七获得单元,所述第七获得单元用于将所述挥发气体成分信息作为纵坐 标;
第八获得单元,所述第八获得单元用于采用逻辑回归模型根据所述横坐标 和所述纵坐标获得逻辑回归线,其中,逻辑回归线包括第一位置和第一角度, 所述第一位置和所述第一角度位于所述横坐标和所述纵坐标所构建的坐标系 中;其中,所述逻辑回归线的一侧表示第一输出结果,所述逻辑回归线的另一 侧表示第二输出结果,其中,所述第一输出结果和所述第二输出结果不同。
进一步的,所述***还包括:
第九获得单元,所述第九获得单元用于获得第一训练数据,并根据所述第 一训练数据生成第一验证码,其中,所述第一验证码是与所述第一训练数据一 一对应的;
第十获得单元,所述第十获得单元用于获取第二训练数据,根据所述第二 训练数据和第一验证码生成第二验证码;以此类推,获取第N训练数据,根据 所述第N训练数据和第N-1验证码生成第N验证码,其中,N为大于1的自然 数,所述第一训练数据、所述第二训练数据和所述第N训练数据均为所述训练 数据集中的数据信息;
第十一获得单元,所述第十一获得单元用于将构成所述训练数据集的所有 训练数据和验证码分别复制保存在M台设备上,其中,M为大于1的自然数。
进一步的,所述***还包括:
第十二获得单元,所述第十二获得单元用于将所述第N训练数据和第N-1 验证码作为第N区块;
第十三获得单元,所述第十三获得单元用于获得所述第N区块记录时间, 所述第N区块记录时间表示第N区块需要记录的时间;
第十四获得单元,所述第十四获得单元用于根据所述第N区块记录时间, 获得所述M台设备中运力最快的第一设备;
第十五获得单元,所述第十五获得单元用于将第N区块的记录权发送给所 述第一设备。
进一步的,所述***还包括:
第十六获得单元,所述第十六获得单元用于获得所述有害垃圾的成分信息;
第十七获得单元,所述第十七获得单元用于根据所述有害垃圾的成分信息, 获得所述有害垃圾的发酵指数信息;
第十八获得单元,所述第十八获得单元用于获得预定发酵指数阈值;
第一判断单元,所述第一判断单元用于判断所述有害垃圾的发酵指数是否 超过所述预定发酵指数阈值;
第十九获得单元,所述第十九获得单元用于如果所述有害垃圾的发酵指数 超过所述预定发酵指数阈值,获得第一填埋标准;
第二十获得单元,所述第二十获得单元用于根据所述第一填埋标准,对所 述有害垃圾进行填埋。
进一步的,所述***还包括:
第二十一获得单元,所述第二十一获得单元用于获得所述有害垃圾的成分 信息;
第二十二获得单元,所述第二十二获得单元用于根据所述有害垃圾的成分 信息,获得所述有害垃圾的厌氧指数信息;
第二十三获得单元,所述第二十三获得单元用于获得预定厌氧指数阈值;
第二判断单元,所述第二判断单元用于判断所述有害垃圾的厌氧指数是否 超过所述预定厌氧指数阈值;
第二十四获得单元,所述第二十四获得单元用于如果所述有害垃圾的厌氧 指数超过所述预定厌氧指数阈值,获得第一预警信息,所述第一预警信息用于 提醒所述有害垃圾禁止填埋处理。
前述图1实施例一中的一种建筑垃圾分类方法的各种变化方式和具体实例 同样适用于本实施例的一种建筑垃圾分类***,通过前述对一种建筑垃圾分类 方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种建筑垃圾分 类***的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图10来描述本申请实施例的电子设备。
图10图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种建筑垃圾分类方法的发明构思,本发明还提供一 种建筑垃圾分类***,其上存储有计算机程序,该程序被处理器执行时实现前 文所述一种建筑垃圾分类方法的任一方法的步骤。
其中,在图10中,总线架构(用总线300来代表),总线300可以包括任 意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处 理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸 如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些 都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在 总线300和接收器301和发送器303之间提供接口。接收器301和发送器303 可以是同一个元件,即收发机,提供用于在传输介质上与各种其他***通信的 单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存 储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种建筑垃圾分类方法,所述方法包括:获得第一图 像信息,所述第一图像信息包括建筑垃圾的图像信息;将所述第一图像信息输 入第一分类模型,获得第一输出信息,其中,所述第一输出信息包括第一输出 结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃圾的结果, 所述第二输出结果为所述建筑垃圾为有害垃圾的结果;获得所述建筑垃圾的挥 发气体成分信息;将所述第一输出结果和所述挥发气体成分信息输入第二分类 模型,获得第二输出信息,其中,所述第二输出信息包括第三输出结果和第四 输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果,所述第四结 果为所述建筑垃圾为有害垃圾的结果;根据所述第二输出结果和所述第四输出 结果,获得第五输出结果;根据所述第五输出结果和所述挥发气体成分信息构 建训练数据集;将所述训练数据集输入第一训练模型,获得第三输出信息,其 中,所述第三输出信息包括有害垃圾的污染级别信息;根据所述有害垃圾的污 染级别信息对所述建筑垃圾进行处理。解决了现有技术中建筑垃圾直接进行填 埋或堆放处理,造成严重的环境污染的问题,达到对建筑垃圾进行分类处理, 达到有效对可回收建筑垃圾回收利用、保护环境的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计 算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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、专用计算机、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***。
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。尽管 已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性 概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解 释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发 明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及 其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种建筑垃圾分类方法,其中,所述方法包括:
获得第一图像信息,所述第一图像信息包括建筑垃圾的图像信息;
将所述第一图像信息输入第一分类模型,获得第一输出信息,其中,所述第一输出信息包括第一输出结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的结果;
获得所述建筑垃圾的挥发气体成分信息;
将所述第一输出结果和所述挥发气体成分信息输入第二分类模型,获得第二输出信息,其中,所述第二输出信息包括第三输出结果和第四输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果,所述第四结果为所述建筑垃圾为有害垃圾的结果;
根据所述第二输出结果和所述第四输出结果,获得第五输出结果;
根据所述第五输出结果和所述挥发气体成分信息构建训练数据集;
将所述训练数据集输入第一训练模型,获得第三输出信息,其中,所述第三输出信息包括有害垃圾的污染级别信息;
根据所述有害垃圾的污染级别信息对所述建筑垃圾进行处理。
2.如权利要求1所述的方法,其中,所述将所述第一图像信息输入第一分类模型,获得第一输出信息,包括:
将第一图像信息输入所述第一分类模型,其中,所述第一分类模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:建筑垃圾的图像信息和用来标识建筑垃圾是否有害的标识信息;
获得所述第一分类模型的第一输出信息,其中,所述第一输出信息包括第一输出结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的结果。
3.如权利要求1所述的方法,其中,所述第二分类模型包括:
将所述第一输出结果作为横坐标;
将所述挥发气体成分信息作为纵坐标;
采用逻辑回归模型根据所述横坐标和所述纵坐标获得逻辑回归线,其中,逻辑回归线包括第一位置和第一角度,所述第一位置和所述第一角度位于所述横坐标和所述纵坐标所构建的坐标系中;其中,所述逻辑回归线的一侧表示第一输出结果,所述逻辑回归线的另一侧表示第二输出结果,其中,所述第一输出结果和所述第二输出结果不同。
4.如权利要求1所述的方法,其中,所述将所述训练数据集输入训练模型之前,包括:
获得第一训练数据,并根据所述第一训练数据生成第一验证码,其中,所述第一验证码是与所述第一训练数据一一对应的;
获取第二训练数据,根据所述第二训练数据和第一验证码生成第二验证码;以此类推,获取第N训练数据,根据所述第N训练数据和第N-1验证码生成第N验证码,其中,N为大于1的自然数,所述第一训练数据、所述第二训练数据和所述第N训练数据均为所述训练数据集中的数据信息;
将构成所述训练数据集的所有训练数据和验证码分别复制保存在M台设备上,其中,M为大于1的自然数。
5.如权利要求4所述的方法,其中,所述方法包括:
将所述第N训练数据和第N-1验证码作为第N区块;
获得所述第N区块记录时间,所述第N区块记录时间表示第N区块需要记录的时间;
根据所述第N区块记录时间,获得所述M台设备中运力最快的第一设备;
将第N区块的记录权发送给所述第一设备。
6.如权利要求1所述的方法,其中,所述方法包括:
获得所述有害垃圾的成分信息;
根据所述有害垃圾的成分信息,获得所述有害垃圾的发酵指数信息;
获得预定发酵指数阈值;
判断所述有害垃圾的发酵指数是否超过所述预定发酵指数阈值;
如果所述有害垃圾的发酵指数超过所述预定发酵指数阈值,获得第一填埋标准;
根据所述第一填埋标准,对所述有害垃圾进行填埋。
7.如权利要求1所述的方法,其中,所述方法包括:
获得所述有害垃圾的成分信息;
根据所述有害垃圾的成分信息,获得所述有害垃圾的厌氧指数信息;
获得预定厌氧指数阈值;
判断所述有害垃圾的厌氧指数是否超过所述预定厌氧指数阈值;
如果所述有害垃圾的厌氧指数超过所述预定厌氧指数阈值,获得第一预警信息,所述第一预警信息用于提醒所述有害垃圾禁止填埋处理。
8.一种建筑垃圾分类***,其中,所述***包括:
第一获得单元,所述第一获得单元用于获得第一图像信息,所述第一图像信息包括建筑垃圾的图像信息;
第一输入单元,所述第一输入单元用于将所述第一图像信息输入第一分类模型,获得第一输出信息,其中,所述第一输出信息包括第一输出结果和第二输出结果,所述第一输出结果为所述建筑垃圾为无害垃圾的结果,所述第二输出结果为所述建筑垃圾为有害垃圾的结果;
第二获得单元,所述第二获得单元用于获得所述建筑垃圾的挥发气体成分信息;
第二输入单元,所述第二输入单元用于将所述第一输出结果和所述挥发气体成分信息输入第二分类模型,获得第二输出信息,其中,所述第二输出信息包括第三输出结果和第四输出结果,所述第三输出结果为所述建筑垃圾为无害垃圾的结果,所述第四结果为所述建筑垃圾为有害垃圾的结果;
第三获得单元,所述第三获得单元用于根据所述第二输出结果和所述第四输出结果,获得第五输出结果;
第四获得单元,所述第四获得单元用于根据所述第五输出结果和所述挥发气体成分信息构建训练数据集。
第三输入单元,所述第三输入单元用于将所述训练数据集输入第一训练模型,获得第三输出信息,其中,所述第三输出信息包括有害垃圾的污染级别信息;
第一处理单元,所述第一处理单元用于根据所述有害垃圾的污染级别信息对所述建筑垃圾进行处理。
9.一种建筑垃圾分类***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899036.3A CN112101149B (zh) | 2020-08-31 | 2020-08-31 | 一种建筑垃圾分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010899036.3A CN112101149B (zh) | 2020-08-31 | 2020-08-31 | 一种建筑垃圾分类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101149A true CN112101149A (zh) | 2020-12-18 |
CN112101149B CN112101149B (zh) | 2022-01-18 |
Family
ID=73756623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010899036.3A Active CN112101149B (zh) | 2020-08-31 | 2020-08-31 | 一种建筑垃圾分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101149B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818810A (zh) * | 2021-01-27 | 2021-05-18 | 广西融安蚂蚁农业发展有限公司 | 一种基于大数据的金桔智能分拣方法和装置 |
CN115436374A (zh) * | 2022-11-07 | 2022-12-06 | 湖南迪亚环境工程股份有限公司 | 一种基于物联网的渗滤液污水监测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000305354A (ja) * | 1999-04-19 | 2000-11-02 | Ricoh Co Ltd | 画像形成装置 |
CN101036916A (zh) * | 2007-04-24 | 2007-09-19 | 大连理工大学 | 基于生物预处理的生活垃圾综合处理工艺 |
CN110598784A (zh) * | 2019-09-11 | 2019-12-20 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
CN210730508U (zh) * | 2019-08-05 | 2020-06-12 | 湖北金福阳科技股份有限公司 | 一种自动生活垃圾处理装置 |
CN111573039A (zh) * | 2020-05-22 | 2020-08-25 | 倪慧珍 | 一种基于大数据的垃圾分类智能处理*** |
-
2020
- 2020-08-31 CN CN202010899036.3A patent/CN112101149B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000305354A (ja) * | 1999-04-19 | 2000-11-02 | Ricoh Co Ltd | 画像形成装置 |
CN101036916A (zh) * | 2007-04-24 | 2007-09-19 | 大连理工大学 | 基于生物预处理的生活垃圾综合处理工艺 |
CN210730508U (zh) * | 2019-08-05 | 2020-06-12 | 湖北金福阳科技股份有限公司 | 一种自动生活垃圾处理装置 |
CN110598784A (zh) * | 2019-09-11 | 2019-12-20 | 北京建筑大学 | 基于机器学习的建筑垃圾分类方法及装置 |
CN111573039A (zh) * | 2020-05-22 | 2020-08-25 | 倪慧珍 | 一种基于大数据的垃圾分类智能处理*** |
Non-Patent Citations (2)
Title |
---|
SHA MENG 等: "X-DenseNet: Deep Learning for Garbage Classification Based on Visual Images", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
杨皓文 等: "基于NB-IoT的智能垃圾分类***", 《物联网技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818810A (zh) * | 2021-01-27 | 2021-05-18 | 广西融安蚂蚁农业发展有限公司 | 一种基于大数据的金桔智能分拣方法和装置 |
CN115436374A (zh) * | 2022-11-07 | 2022-12-06 | 湖南迪亚环境工程股份有限公司 | 一种基于物联网的渗滤液污水监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN112101149B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hacker et al. | Regulating ChatGPT and other large generative AI models | |
CN112101149B (zh) | 一种建筑垃圾分类方法及*** | |
Chandy et al. | Cyberattack detection using deep generative models with variational inference | |
CN110991568B (zh) | 目标识别方法、装置、设备和存储介质 | |
WO2009141631A3 (en) | An improved neuro type-2 fuzzy based method for decision making | |
CN111950068A (zh) | 一种基于Bim的维护建筑设备的方法和装置 | |
CN112150435B (zh) | 一种预制构件的施工管理方法及装置 | |
CN113255941B (zh) | 一种桥梁施工废料的处理方法和装置 | |
CN110969264A (zh) | 模型训练方法、分布式预测方法及其*** | |
Tam et al. | ELECTRE III in evaluating performance of construction plants: case study on concrete vibrators | |
Schieferdecker | Responsible software engineering | |
El-Khoja et al. | Prediction of rubberised concrete strength by using artificial neural networks | |
Benedetti et al. | A new rule generation method to develop a decision support system for integrated management at river basin scale | |
CN114203262A (zh) | 一种基于可循环清洁压裂液体系的污水利用方法及*** | |
CN117557121A (zh) | 一种港口建设项目环境影响的评价方法 | |
Bukovics et al. | FUZZY SIGNATURE BASED MODEL FOR QUALIFICATION AND RANKING OF RESIDENTIAL BUILDINGS. | |
CN112116515A (zh) | 一种疫情后社区大健康信息处理方法及*** | |
CN101520727A (zh) | 用于软件***设计中的关键知识保护的方法和设备 | |
Zashcholkin et al. | Formation of the Interval Stego Key for the Digital Watermark Used in Integrity Monitoring of FPGA-based Systems. | |
Lee et al. | A Study on the Influence of a Sewage Treatment Plant's Operational Parameters using the Multiple Regression Analysis Model | |
Daneshgar et al. | A full‐scale operational digital twin for a water resource recovery facility—A case study of Eindhoven Water Resource Recovery Facility | |
Kolokoltsov et al. | Inspection games in a mean field setting | |
Meng et al. | Integrated modelling and control of urban wastewater systems | |
CN113569315B (zh) | 桥梁集群动态评估方法、装置、设备和可读存储介质 | |
CN118171328B (zh) | 面向水利数字孪生应用的安全与隐私强化方法和*** |
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 |