CN113222063B - 快递纸箱垃圾分类方法、装置、设备及介质 - Google Patents

快递纸箱垃圾分类方法、装置、设备及介质 Download PDF

Info

Publication number
CN113222063B
CN113222063B CN202110600085.7A CN202110600085A CN113222063B CN 113222063 B CN113222063 B CN 113222063B CN 202110600085 A CN202110600085 A CN 202110600085A CN 113222063 B CN113222063 B CN 113222063B
Authority
CN
China
Prior art keywords
express
sample
carton
garbage
profile information
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
CN202110600085.7A
Other languages
English (en)
Other versions
CN113222063A (zh
Inventor
于凤英
王健宗
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110600085.7A priority Critical patent/CN113222063B/zh
Publication of CN113222063A publication Critical patent/CN113222063A/zh
Application granted granted Critical
Publication of CN113222063B publication Critical patent/CN113222063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

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

Abstract

本发明涉及人工智能领域，提供一种快递纸箱垃圾分类方法、装置、设备及介质，能够通过图像增强有效解决快递垃圾的噪声，解决了图像失真对分类准确率的影响，通过图像分割，有效避免了反光对分类的影响，引入了灰度特征，能够清楚地提取出快递纸箱的纹理特征，提高了后续快递纸箱垃圾分类的准确性，在构建样本集合时同时结合纹理特征及形状特征，以便进行更准确的分类，避免采用单一特征进行训练影响训练模型的准确度，将待处理图片输入至快递纸箱垃圾分类模型得到目标类别，进而能够基于计算机视觉实现对快递垃圾的准确分类，以辅助实现对快递垃圾的回收利用。此外，本发明还涉及区块链技术，快递纸箱垃圾分类模型可存储于区块链节点中。

Description

快递纸箱垃圾分类方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种快递纸箱垃圾分类方法、装置、设备及介质。
背景技术
随着快递行业的不断发展，快递量也呈指数式增长，由此产生了很多废旧纸箱垃圾，而快递纸箱的外涂胶带在二次利用时，产生的胶状化学物质会造成环境污染，因此，为了维护生态环境，回收快递的废旧纸箱并进行再次利用迫在眉睫。由于工厂流水线对效率的要求，人工作业实现快递纸箱的分类难以达成目标。
在垃圾分类领域，主要获得了以下进展：
(1)2015年，Ozkan等人的工作打开了CV(Computer Vision，计算机视觉)技术在垃圾分类识别领域的大门。Ozkan等人的分类识别目标是塑料瓶，经过降噪等图像预处理，实现了较高准确率的分类识别。
(2)SUDHAS、Esakr等学者的研究工作实现了CV技术在垃圾分类识别领域的更多应用，能够在宏观层面实现对垃圾材质的分类。
(3)国内在基于CV技术的垃圾分类识别领域的研究工作较少。专家学者们在2019年研究了对水面垃圾的分类，同年又实现了对建筑垃圾进行分类，直至2020年，国内基于CV技术的垃圾分类识别可以在80％左右准确率的情况下实现对生活废弃物的分类识别。
由以上可知，基于CV技术的垃圾分类识别已经有了很大发展，但是缺乏对单品种垃圾展开的研究，尤其是对于快递纸箱垃圾的分类，目前尚没有相关分类识别技术的研究。
发明内容
鉴于以上内容，有必要提供一种快递纸箱垃圾分类方法、装置、设备及介质，能够基于计算机视觉实现对快递垃圾的准确分类，以辅助实现对快递垃圾的回收利用。
一种快递纸箱垃圾分类方法，所述快递纸箱垃圾分类方法包括：
响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据；
对所述样本数据进行图像增强处理，得到增强样本；
对所述增强样本进行图像分割处理，得到轮廓信息集合；
提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合；
提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合；
将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合；
利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型；
当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别。
根据本发明优选实施例，所述对所述样本数据进行图像增强处理，得到增强样本包括：
对于所述样本数据中的每个子图像，按照指定尺度对所述子图像进行模糊处理，得到模糊图像；
计算所述子图像的对数值作为第一对数值，及计算所述模糊图像的对数值作为第二对数值；
计算所述第一对数值与所述第二对数值的差值作为第三对数值；
将所述第三对数值转化为像素值，得到所述子图像对应的增强图像；
组合得到的增强图像，得到所述增强样本。
根据本发明优选实施例，所述对所述增强样本进行图像分割处理，得到轮廓信息集合包括：
将所述增强样本输入至预先训练的神经网络模型中进行特征提取，得到特征图集合；
获取所述特征图集合中每个特征图的至少一个候选ROI；
将每个特征图的至少一个候选ROI输入至区域建议网络进行过滤，得到每个特征图的目标ROI；
对每个特征图的目标ROI进行对齐操作；
将对齐操作后的目标ROI输入至全卷积网络，并获取所述全卷积网络的输出作为每个特征图的轮廓信息；
利用得到的轮廓信息构建所述轮廓信息集合。
根据本发明优选实施例，所述提取所述轮廓信息集合中每个轮廓信息的纹理特征包括：
获取每个轮廓信息中像素点的数量；
确定每个轮廓信息中像素点的灰度值，及确定每个像素点取对应灰度值的概率；
根据每个轮廓信息中像素点的数量、每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的平均值；
根据每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的对比度；
根据每个像素点取对应灰度值的概率计算每个轮廓信息对应的熵；
组合每个轮廓信息对应的平均值、每个轮廓信息对应的对比度及每个轮廓信息对应的熵，得到每个轮廓信息的纹理特征。
根据本发明优选实施例，所述提取所述轮廓信息集合中每个轮廓信息的形状特征包括：
计算所述轮廓信息集合中每个轮廓信息的周长及面积；
将每个轮廓信息的周长及面积确定为每个轮廓信息的形状特征。
根据本发明优选实施例，所述利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型包括：
确定所述样本集合中每个训练样本的类别；
根据每个训练样本的类别对每个训练样本进行标签处理，得到标签样本集合；
按照预设比例划分所述标签样本集合，得到第一样本集合及第二样本集合；
将所述第一样本集合输入至支持向量机分类器进行训练，直至所述支持向量机分类器达到收敛，停止训练，得到中间模型；
利用所述第二样本集合验证所述中间模型；
当所述中间模型的准确率大于或者等于预设阈值时，将所述中间模型确定为所述快递纸箱垃圾分类模型。
根据本发明优选实施例，在获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别后，所述方法还包括：
根据类别与对应的处理措施建立快递垃圾处理表；
利用所述目标类别在所述快递垃圾处理表中进行匹配，并将匹配到的类别对应的处理措施确定为目标处理措施；
根据所述目标处理措施生成提示信息；
将所述提示信息发送至指定终端设备。
一种快递纸箱垃圾分类装置，所述快递纸箱垃圾分类装置包括：
获取单元，用于响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据；
增强单元，用于对所述样本数据进行图像增强处理，得到增强样本；
分割单元，用于对所述增强样本进行图像分割处理，得到轮廓信息集合；
构建单元，用于提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合；
所述构建单元，还用于提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合；
所述构建单元，还用于将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合；
训练单元，用于利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型；
分类单元，用于当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别。
一种计算机设备，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述快递纸箱垃圾分类方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现所述快递纸箱垃圾分类方法。
由以上技术方案可以看出，本发明能够对所述样本数据进行图像增强处理，得到增强样本，对所述增强样本进行图像分割处理，得到轮廓信息集合，提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合，进一步提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合，将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合，利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型，以便后续基于计算机视觉实现对快递垃圾的准确分类，当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别，通过所述快递纸箱垃圾分类模型进行垃圾分类，以辅助实现对快递垃圾的回收利用。
附图说明
图1是本发明快递纸箱垃圾分类方法的较佳实施例的流程图。
图2是本发明快递纸箱垃圾分类装置的较佳实施例的功能模块图。
图3是本发明实现快递纸箱垃圾分类方法的较佳实施例的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明快递纸箱垃圾分类方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述快递纸箱垃圾分类方法应用于一个或者多个计算机设备中，所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据。
在本实施例中，所述快递纸箱垃圾分类指令可以由负责快递纸箱垃圾分类的工作人员触发，也可以由开发人员触发，本发明不限制。
在本发明的至少一个实施例中，所述根据所述快递纸箱垃圾分类指令获取样本数据包括：
解析所述快递纸箱垃圾分类指令，得到所述快递纸箱垃圾分类指令所携带的信息；
获取与地址对应的预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式遍历所述快递纸箱垃圾分类指令所携带的信息，并将遍历到的信息确定为目标地址；
连接至所述目标地址，并获取所述目标地址出存储的数据构建所述样本数据。
例如：当所述预设标签为ADD时，构建的所述正则表达式为ADD()，利用正则表达式ADD()在所述快递纸箱垃圾分类指令所携带的信息中进行遍历，以获取到目标地址，其中，所述目标地址处存储着大量的数据，如：拍摄的快递垃圾的图片等。进一步整合所述目标地址处存储的数据，即可得到所述样本数据。
S11，对所述样本数据进行图像增强处理，得到增强样本。
可以理解的是，由于拍摄的角度问题，或者光照因素的影响，或者是由于拍照时的抖动等原因，可能导致所述样本数据中包含大量的噪声，影响后续分类的准确度。
因此，本实施例首先对所述样本数据进行图像增强处理，得到所述增强样本，具体包括：
对于所述样本数据中的每个子图像，按照指定尺度对所述子图像进行模糊处理，得到模糊图像；
计算所述子图像的对数值作为第一对数值，及计算所述模糊图像的对数值作为第二对数值；
计算所述第一对数值与所述第二对数值的差值作为第三对数值；
将所述第三对数值转化为像素值，得到所述子图像对应的增强图像；
组合得到的增强图像，得到所述增强样本。
其中，所述指定尺度可以进行自定义配置，所述指定尺度即为模糊的半径。
本实施例中，在按照所述指定尺度对所述子图像进行模糊处理，得到所述模糊图像时，可以采用高斯模糊算法，也可以采用均值模糊算法来代替高斯模糊算法，本发明不限制。
具体而言，采用下述公式计算所述第三对数值：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]
其中，R(x,y)表示像素点(x,y)携带图像细节信息的目标物体的反射分量；I(x,y)表示像素点(x,y)的原始输入，L(x,y)表示环境光的照射分量；Log[R(x,y)]表示所述第三对数值；Log[I(x,y)]表示所述第一对数值；Log[L(x,y)]表示所述第二对数值。
进一步地，将所述第三对数值转化为0到255范围的像素值，即可得到图像增强后的结果，即所述增强图像。
在上述实施方式中，能够通过图像增强有效解决快递垃圾的噪声，解决了图像失真对分类准确率的影响。
S12，对所述增强样本进行图像分割处理，得到轮廓信息集合。
在本发明的至少一个实施例中，所述对所述增强样本进行图像分割处理，得到轮廓信息集合包括：
将所述增强样本输入至预先训练的神经网络模型中进行特征提取，得到特征图集合；
获取所述特征图集合中每个特征图的至少一个候选ROI(Region Of Interest，感兴趣区域)；
将每个特征图的至少一个候选ROI输入至区域建议网络进行过滤，得到每个特征图的目标ROI；
对每个特征图的目标ROI进行对齐操作；
将对齐操作后的目标ROI输入至全卷积网络，并获取所述全卷积网络的输出作为每个特征图的轮廓信息；
利用得到的轮廓信息构建所述轮廓信息集合。
其中，所述预先训练的神经网络模型可以包括ResNeXt等。
例如：将增强样本A输入至ResNeXt网络中进行特征提取，得到feature map，根据预先设定的区域，确定feature map的多个候选ROI，进一步地，将多个候选ROI输入至RPN网络(Region Proposal Network，区域建议网络)，并在所述RPN网络中进行二值分类(前景或背景的分类)及BB回归(Bounding-box regression，边界框回归)，过滤掉一部分候选的ROI，得到feature map的目标ROI。进一步对所述目标ROI进行ROIAlign(ROI对齐)操作，将对齐操作后得到的ROI输入至FCN网络(Fully Convolutional Networks，全卷积网络)，并在FCN网络中进行分类回归，得到feature map的轮廓信息。
在上述实施方式中，通过对图像进行分割，有效避免了反光对分类的影响。
S13，提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合。
在本发明的至少一个实施例中，所述提取所述轮廓信息集合中每个轮廓信息的纹理特征包括：
获取每个轮廓信息中像素点的数量；
确定每个轮廓信息中像素点的灰度值，及确定每个像素点取对应灰度值的概率；
根据每个轮廓信息中像素点的数量、每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的平均值；
根据每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的对比度；
根据每个像素点取对应灰度值的概率计算每个轮廓信息对应的熵；
组合每个轮廓信息对应的平均值、每个轮廓信息对应的对比度及每个轮廓信息对应的熵，得到每个轮廓信息的纹理特征。
具体而言，采用下述公式计算每个轮廓信息对应的平均值：
其中，Ymean表示轮廓信息对应的平均值，m表示轮廓信息中像素点的数量，i表示像素点的灰度值，p(i)表示像素点取灰度值i的概率。
进一步地，采用下述公式计算每个轮廓信息对应的对比度：
其中，Ycon表示轮廓信息对应的对比度。
更进一步地，采用下述公式计算每个轮廓信息对应的熵：
其中，Yentropy表示轮廓信息对应的熵。
上述实施方式中，在提取纹理特征时，引入了灰度特征，能够清楚地提取出快递纸箱的纹理特征，提高了后续快递纸箱垃圾分类的准确性。
S14，提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合。
在本发明的至少一个实施例中，所述提取所述轮廓信息集合中每个轮廓信息的形状特征包括：
计算所述轮廓信息集合中每个轮廓信息的周长及面积；
将每个轮廓信息的周长及面积确定为每个轮廓信息的形状特征。
例如：当识别到的轮廓信息为四边形时，可以根据四边形的周长及面积的计算公式计算对应的形状特征，在此不赘述。
在上述实施方式中，能够引入形状特征，为后续的快递纸箱垃圾分类大号数据基础。
S15，将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合。
通过上述实施方式，能够在构建样本集合时同时结合纹理特征及形状特征，以便进行更准确的分类，避免采用单一特征进行训练影响训练模型的准确度。
S16，利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型。
在本发明的至少一个实施例中，所述利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型包括：
确定所述样本集合中每个训练样本的类别；
根据每个训练样本的类别对每个训练样本进行标签处理，得到标签样本集合；
按照预设比例划分所述标签样本集合，得到第一样本集合及第二样本集合；
将所述第一样本集合输入至支持向量机分类器进行训练，直至所述支持向量机分类器达到收敛，停止训练，得到中间模型；
利用所述第二样本集合验证所述中间模型；
当所述中间模型的准确率大于或者等于预设阈值时，将所述中间模型确定为所述快递纸箱垃圾分类模型。
其中，所述指定分类器可以包括支持向量机(Support Vector Machine,SVM)分类器。
可以理解的是，在训练阶段，每个训练样本的类别是已知的，因此，为了便于后续训练，需要为所述训练样本打标签。
例如：可以将训练样本标记为“快递纸箱”、“其他垃圾”。还可以进一步将属于“快递纸箱”细化为标签“大号快递纸箱”、“中号快递纸箱”及“小号快递纸箱”。
其中，所述预设比例可以进行自定义配置，如80％。所述预设阈值也可以进行自定义配置，如95％。
在根据所述预设比例划分所述标签样本集合后，得到的所述第一样本集合可以作为训练集，所述第二样本集合可以作为验证集。
通过拆分所述样本集合进行训练，能够有效保证模型的准确性，提高模型的分类效果，另外，采用支持向量机的方法进行分类识别，也可以获得较高的精确度。
S17，当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别。
在本实施例中，所述待处理图片可以由相关工作人员上传，所述待处理图片的形式可以包括照片等。
在本发明的至少一个实施例中，在获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别后，所述方法还包括：
根据类别与对应的处理措施建立快递垃圾处理表；
利用所述目标类别在所述快递垃圾处理表中进行匹配，并将匹配到的类别对应的处理措施确定为目标处理措施；
根据所述目标处理措施生成提示信息；
将所述提示信息发送至指定终端设备。
其中，所述快递垃圾处理表中存储着类别与处理措施的对应关系，例如：大号快递纸箱对应的处理措施为：投递至大号垃圾箱，等待回收。
其中，所述指定终端设备可以包括负责垃圾回收的工作人员的终端设备。
其中，所述提示信息中包括垃圾的类别及对应的处理措施，所述提示信息用于提示相关工作人员垃圾回收的处理方式。
本实施例通过预测类别并匹配相应的处理措施，以辅助工作人员进行准确的垃圾回收。
需要说明的是，为了提高数据的安全性，避免数据被恶意篡改，快递纸箱垃圾分类模型可以部署于区块链节点。
由以上技术方案可以看出，本发明能够响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据，对所述样本数据进行图像增强处理，得到增强样本，通过图像增强有效解决快递垃圾的噪声，解决了图像失真对分类准确率的影响，对所述增强样本进行图像分割处理，得到轮廓信息集合，通过对图像进行分割，有效避免了反光对分类的影响，提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合，在提取纹理特征时，引入了灰度特征，能够清楚地提取出快递纸箱的纹理特征，提高了后续快递纸箱垃圾分类的准确性，提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合，引入形状特征，为后续的快递纸箱垃圾分类大号数据基础，将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合，在构建样本集合时同时结合纹理特征及形状特征，以便进行更准确的分类，避免采用单一特征进行训练影响训练模型的准确度，利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型，通过拆分所述样本集合进行训练，能够有效保证模型的准确性，提高模型的分类效果，另外，采用支持向量机的方法进行分类识别，也可以获得较高的精确度，当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别，进而能够基于计算机视觉实现对快递垃圾的准确分类，以辅助实现对快递垃圾的回收利用。
如图2所示，是本发明快递纸箱垃圾分类装置的较佳实施例的功能模块图。所述快递纸箱垃圾分类装置11包括获取单元110、增强单元111、分割单元112、构建单元113、训练单元114、分类单元115。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
响应于快递纸箱垃圾分类指令，获取单元110根据所述快递纸箱垃圾分类指令获取样本数据。
在本实施例中，所述快递纸箱垃圾分类指令可以由负责快递纸箱垃圾分类的工作人员触发，也可以由开发人员触发，本发明不限制。
在本发明的至少一个实施例中，所述获取单元110根据所述快递纸箱垃圾分类指令获取样本数据包括：
解析所述快递纸箱垃圾分类指令，得到所述快递纸箱垃圾分类指令所携带的信息；
获取与地址对应的预设标签；
根据所述预设标签构建正则表达式；
利用所述正则表达式遍历所述快递纸箱垃圾分类指令所携带的信息，并将遍历到的信息确定为目标地址；
连接至所述目标地址，并获取所述目标地址出存储的数据构建所述样本数据。
例如：当所述预设标签为ADD时，构建的所述正则表达式为ADD()，利用正则表达式ADD()在所述快递纸箱垃圾分类指令所携带的信息中进行遍历，以获取到目标地址，其中，所述目标地址处存储着大量的数据，如：拍摄的快递垃圾的图片等。进一步整合所述目标地址处存储的数据，即可得到所述样本数据。
增强单元111对所述样本数据进行图像增强处理，得到增强样本。
可以理解的是，由于拍摄的角度问题，或者光照因素的影响，或者是由于拍照时的抖动等原因，可能导致所述样本数据中包含大量的噪声，影响后续分类的准确度。
因此，本实施例首先对所述样本数据进行图像增强处理，得到所述增强样本，具体包括：
对于所述样本数据中的每个子图像，按照指定尺度对所述子图像进行模糊处理，得到模糊图像；
计算所述子图像的对数值作为第一对数值，及计算所述模糊图像的对数值作为第二对数值；
计算所述第一对数值与所述第二对数值的差值作为第三对数值；
将所述第三对数值转化为像素值，得到所述子图像对应的增强图像；
组合得到的增强图像，得到所述增强样本。
其中，所述指定尺度可以进行自定义配置，所述指定尺度即为模糊的半径。
本实施例中，在按照所述指定尺度对所述子图像进行模糊处理，得到所述模糊图像时，可以采用高斯模糊算法，也可以采用均值模糊算法来代替高斯模糊算法，本发明不限制。
具体而言，采用下述公式计算所述第三对数值：
Log[R(x,y)]＝Log[I(x,y)]-Log[L(x,y)]
其中，R(x,y)表示像素点(x,y)携带图像细节信息的目标物体的反射分量；I(x,y)表示像素点(x,y)的原始输入，L(x,y)表示环境光的照射分量；Log[R(x,y)]表示所述第三对数值；Log[I(x,y)]表示所述第一对数值；Log[L(x,y)]表示所述第二对数值。
进一步地，将所述第三对数值转化为0到255范围的像素值，即可得到图像增强后的结果，即所述增强图像。
在上述实施方式中，能够通过图像增强有效解决快递垃圾的噪声，解决了图像失真对分类准确率的影响。
分割单元112对所述增强样本进行图像分割处理，得到轮廓信息集合。
在本发明的至少一个实施例中，所述分割单元112对所述增强样本进行图像分割处理，得到轮廓信息集合包括：
将所述增强样本输入至预先训练的神经网络模型中进行特征提取，得到特征图集合；
获取所述特征图集合中每个特征图的至少一个候选ROI(Region Of Interest，感兴趣区域)；
将每个特征图的至少一个候选ROI输入至区域建议网络进行过滤，得到每个特征图的目标ROI；
对每个特征图的目标ROI进行对齐操作；
将对齐操作后的目标ROI输入至全卷积网络，并获取所述全卷积网络的输出作为每个特征图的轮廓信息；
利用得到的轮廓信息构建所述轮廓信息集合。
其中，所述预先训练的神经网络模型可以包括ResNeXt等。
例如：将增强样本A输入至ResNeXt网络中进行特征提取，得到feature map，根据预先设定的区域，确定feature map的多个候选ROI，进一步地，将多个候选ROI输入至RPN网络(Region Proposal Network，区域建议网络)，并在所述RPN网络中进行二值分类(前景或背景的分类)及BB回归(Bounding-box regression，边界框回归)，过滤掉一部分候选的ROI，得到feature map的目标ROI。进一步对所述目标ROI进行ROIAlign(ROI对齐)操作，将对齐操作后得到的ROI输入至FCN网络(Fully Convolutional Networks，全卷积网络)，并在FCN网络中进行分类回归，得到feature map的轮廓信息。
在上述实施方式中，通过对图像进行分割，有效避免了反光对分类的影响。
构建单元113提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合。
在本发明的至少一个实施例中，所述构建单元113提取所述轮廓信息集合中每个轮廓信息的纹理特征包括：
获取每个轮廓信息中像素点的数量；
确定每个轮廓信息中像素点的灰度值，及确定每个像素点取对应灰度值的概率；
根据每个轮廓信息中像素点的数量、每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的平均值；
根据每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的对比度；
根据每个像素点取对应灰度值的概率计算每个轮廓信息对应的熵；
组合每个轮廓信息对应的平均值、每个轮廓信息对应的对比度及每个轮廓信息对应的熵，得到每个轮廓信息的纹理特征。
具体而言，采用下述公式计算每个轮廓信息对应的平均值：
其中，Ymean表示轮廓信息对应的平均值，m表示轮廓信息中像素点的数量，i表示像素点的灰度值，p(i)表示像素点取灰度值i的概率。
进一步地，采用下述公式计算每个轮廓信息对应的对比度：
其中，Ycon表示轮廓信息对应的对比度。
更进一步地，采用下述公式计算每个轮廓信息对应的熵：
其中，Yentropy表示轮廓信息对应的熵。
上述实施方式中，在提取纹理特征时，引入了灰度特征，能够清楚地提取出快递纸箱的纹理特征，提高了后续快递纸箱垃圾分类的准确性。
所述构建单元113提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合。
在本发明的至少一个实施例中，所述构建单元113提取所述轮廓信息集合中每个轮廓信息的形状特征包括：
计算所述轮廓信息集合中每个轮廓信息的周长及面积；
将每个轮廓信息的周长及面积确定为每个轮廓信息的形状特征。
例如：当识别到的轮廓信息为四边形时，可以根据四边形的周长及面积的计算公式计算对应的形状特征，在此不赘述。
在上述实施方式中，能够引入形状特征，为后续的快递纸箱垃圾分类大号数据基础。
所述构建单元113将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合。
通过上述实施方式，能够在构建样本集合时同时结合纹理特征及形状特征，以便进行更准确的分类，避免采用单一特征进行训练影响训练模型的准确度。
训练单元114利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型。
在本发明的至少一个实施例中，所述训练单元114利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型包括：
确定所述样本集合中每个训练样本的类别；
根据每个训练样本的类别对每个训练样本进行标签处理，得到标签样本集合；
按照预设比例划分所述标签样本集合，得到第一样本集合及第二样本集合；
将所述第一样本集合输入至支持向量机分类器进行训练，直至所述支持向量机分类器达到收敛，停止训练，得到中间模型；
利用所述第二样本集合验证所述中间模型；
当所述中间模型的准确率大于或者等于预设阈值时，将所述中间模型确定为所述快递纸箱垃圾分类模型。
其中，所述指定分类器可以包括支持向量机(Support Vector Machine,SVM)分类器。
可以理解的是，在训练阶段，每个训练样本的类别是已知的，因此，为了便于后续训练，需要为所述训练样本打标签。
例如：可以将训练样本标记为“快递纸箱”、“其他垃圾”。还可以进一步将属于“快递纸箱”细化为标签“大号快递纸箱”、“中号快递纸箱”及“小号快递纸箱”。
其中，所述预设比例可以进行自定义配置，如80％。所述预设阈值也可以进行自定义配置，如95％。
在根据所述预设比例划分所述标签样本集合后，得到的所述第一样本集合可以作为训练集，所述第二样本集合可以作为验证集。
通过拆分所述样本集合进行训练，能够有效保证模型的准确性，提高模型的分类效果，另外，采用支持向量机的方法进行分类识别，也可以获得较高的精确度。
当接收到待处理图片时，分类单元115将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别。
在本实施例中，所述待处理图片可以由相关工作人员上传，所述待处理图片的形式可以包括照片等。
在本发明的至少一个实施例中，在获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别后，根据类别与对应的处理措施建立快递垃圾处理表；
利用所述目标类别在所述快递垃圾处理表中进行匹配，并将匹配到的类别对应的处理措施确定为目标处理措施；
根据所述目标处理措施生成提示信息；
将所述提示信息发送至指定终端设备。
其中，所述快递垃圾处理表中存储着类别与处理措施的对应关系，例如：大号快递纸箱对应的处理措施为：投递至大号垃圾箱，等待回收。
其中，所述指定终端设备可以包括负责垃圾回收的工作人员的终端设备。
其中，所述提示信息中包括垃圾的类别及对应的处理措施，所述提示信息用于提示相关工作人员垃圾回收的处理方式。
本实施例通过预测类别并匹配相应的处理措施，以辅助工作人员进行准确的垃圾回收。
需要说明的是，为了提高数据的安全性，避免数据被恶意篡改，快递纸箱垃圾分类模型可以部署于区块链节点。
由以上技术方案可以看出，本发明能够响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据，对所述样本数据进行图像增强处理，得到增强样本，通过图像增强有效解决快递垃圾的噪声，解决了图像失真对分类准确率的影响，对所述增强样本进行图像分割处理，得到轮廓信息集合，通过对图像进行分割，有效避免了反光对分类的影响，提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合，在提取纹理特征时，引入了灰度特征，能够清楚地提取出快递纸箱的纹理特征，提高了后续快递纸箱垃圾分类的准确性，提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合，引入形状特征，为后续的快递纸箱垃圾分类大号数据基础，将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合，在构建样本集合时同时结合纹理特征及形状特征，以便进行更准确的分类，避免采用单一特征进行训练影响训练模型的准确度，利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型，通过拆分所述样本集合进行训练，能够有效保证模型的准确性，提高模型的分类效果，另外，采用支持向量机的方法进行分类识别，也可以获得较高的精确度，当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别，进而能够基于计算机视觉实现对快递垃圾的准确分类，以辅助实现对快递垃圾的回收利用。
如图3所示，是本发明实现快递纸箱垃圾分类方法的较佳实施例的计算机设备的结构示意图。
所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如快递纸箱垃圾分类程序。
本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如快递纸箱垃圾分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述计算机设备1的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行快递纸箱垃圾分类程序等)，以及调用存储在所述存储器12内的数据，以执行计算机设备1的各种功能和处理数据。
所述处理器13执行所述计算机设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个快递纸箱垃圾分类方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、增强单元111、分割单元112、构建单元113、训练单元114、分类单元115。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述快递纸箱垃圾分类方法的部分。
所述计算机设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器等。
进一步地，计算机可读存储介质可主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应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述计算机设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
可选地，该计算机设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的计算机设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述计算机设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种快递纸箱垃圾分类方法，所述处理器13可执行所述多个指令从而实现：
响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据；
对所述样本数据进行图像增强处理，得到增强样本；
对所述增强样本进行图像分割处理，得到轮廓信息集合；
提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合；
提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合；
将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合；
利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型；
当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种快递纸箱垃圾分类方法，其特征在于，所述快递纸箱垃圾分类方法包括：
响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据；
对所述样本数据进行图像增强处理，得到增强样本；
对所述增强样本进行图像分割处理，得到轮廓信息集合；
提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合；
提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合；
将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合；
利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型；
当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别；
所述对所述增强样本进行图像分割处理，得到轮廓信息集合包括：
将所述增强样本输入至预先训练的神经网络模型中进行特征提取，得到特征图集合；
获取所述特征图集合中每个特征图的至少一个候选ROI；
将每个特征图的至少一个候选ROI输入至区域建议网络进行过滤，得到每个特征图的目标ROI，包括：将多个候选ROI输入至所述区域建议网络在所述区域建议网络中进行二值分类及边界框回归，以对候选ROI进行过滤处理，得到每个特征图的目标ROI；
对每个特征图的目标ROI进行对齐操作；
将对齐操作后的目标ROI输入至全卷积网络，并获取所述全卷积网络的输出作为每个特征图的轮廓信息；
利用得到的轮廓信息构建所述轮廓信息集合。
2.如权利要求1所述的快递纸箱垃圾分类方法，其特征在于，所述对所述样本数据进行图像增强处理，得到增强样本包括：
对于所述样本数据中的每个子图像，按照指定尺度对所述子图像进行模糊处理，得到模糊图像；
计算所述子图像的对数值作为第一对数值，及计算所述模糊图像的对数值作为第二对数值；
计算所述第一对数值与所述第二对数值的差值作为第三对数值；
将所述第三对数值转化为像素值，得到所述子图像对应的增强图像；
组合得到的增强图像，得到所述增强样本。
3.如权利要求1所述的快递纸箱垃圾分类方法，其特征在于，所述提取所述轮廓信息集合中每个轮廓信息的纹理特征包括：
获取每个轮廓信息中像素点的数量；
确定每个轮廓信息中像素点的灰度值，及确定每个像素点取对应灰度值的概率；
根据每个轮廓信息中像素点的数量、每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的平均值；
根据每个轮廓信息中像素点的灰度值及每个像素点取对应灰度值的概率计算每个轮廓信息对应的对比度；
根据每个像素点取对应灰度值的概率计算每个轮廓信息对应的熵；
组合每个轮廓信息对应的平均值、每个轮廓信息对应的对比度及每个轮廓信息对应的熵，得到每个轮廓信息的纹理特征。
4.如权利要求1所述的快递纸箱垃圾分类方法，其特征在于，所述提取所述轮廓信息集合中每个轮廓信息的形状特征包括：
计算所述轮廓信息集合中每个轮廓信息的周长及面积；
将每个轮廓信息的周长及面积确定为每个轮廓信息的形状特征。
5.如权利要求1所述的快递纸箱垃圾分类方法，其特征在于，所述利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型包括：
确定所述样本集合中每个训练样本的类别；
根据每个训练样本的类别对每个训练样本进行标签处理，得到标签样本集合；
按照预设比例划分所述标签样本集合，得到第一样本集合及第二样本集合；
将所述第一样本集合输入至支持向量机分类器进行训练，直至所述支持向量机分类器达到收敛，停止训练，得到中间模型；
利用所述第二样本集合验证所述中间模型；
当所述中间模型的准确率大于或者等于预设阈值时，将所述中间模型确定为所述快递纸箱垃圾分类模型。
6.如权利要求1所述的快递纸箱垃圾分类方法，其特征在于，在获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别后，所述方法还包括：
根据类别与对应的处理措施建立快递垃圾处理表；
利用所述目标类别在所述快递垃圾处理表中进行匹配，并将匹配到的类别对应的处理措施确定为目标处理措施；
根据所述目标处理措施生成提示信息；
将所述提示信息发送至指定终端设备。
7.一种快递纸箱垃圾分类装置，其特征在于，所述快递纸箱垃圾分类装置包括：
获取单元，用于响应于快递纸箱垃圾分类指令，根据所述快递纸箱垃圾分类指令获取样本数据；
增强单元，用于对所述样本数据进行图像增强处理，得到增强样本；
分割单元，用于对所述增强样本进行图像分割处理，得到轮廓信息集合；
构建单元，用于提取所述轮廓信息集合中每个轮廓信息的纹理特征，并根据提取的纹理特征构建纹理特征集合；
所述构建单元，还用于提取所述轮廓信息集合中每个轮廓信息的形状特征，并根据提取的形状特征构建形状特征集合；
所述构建单元，还用于将所述纹理特征集合中的每个纹理特征与所述形状特征集合中对应的形状特征组合为一个训练样本，并根据组合得到的所有训练样本构建样本集合；
训练单元，用于利用所述样本集合训练指定分类器，得到快递纸箱垃圾分类模型；
分类单元，用于当接收到待处理图片时，将所述待处理图片输入至所述快递纸箱垃圾分类模型，并获取所述快递纸箱垃圾分类模型的输出作为所述待处理图片的目标类别；
所述分割单元对所述增强样本进行图像分割处理，得到轮廓信息集合包括：
将所述增强样本输入至预先训练的神经网络模型中进行特征提取，得到特征图集合；
获取所述特征图集合中每个特征图的至少一个候选ROI；
将每个特征图的至少一个候选ROI输入至区域建议网络进行过滤，得到每个特征图的目标ROI，包括：将多个候选ROI输入至所述区域建议网络在所述区域建议网络中进行二值分类及边界框回归，以对候选ROI进行过滤处理，得到每个特征图的目标ROI；
对每个特征图的目标ROI进行对齐操作；
将对齐操作后的目标ROI输入至全卷积网络，并获取所述全卷积网络的输出作为每个特征图的轮廓信息；
利用得到的轮廓信息构建所述轮廓信息集合。
8.一种计算机设备，其特征在于，所述计算机设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的快递纸箱垃圾分类方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被计算机设备中的处理器执行以实现如权利要求1至6中任意一项所述的快递纸箱垃圾分类方法。
CN202110600085.7A 2021-05-31 2021-05-31 快递纸箱垃圾分类方法、装置、设备及介质 Active CN113222063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110600085.7A CN113222063B (zh) 2021-05-31 2021-05-31 快递纸箱垃圾分类方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110600085.7A CN113222063B (zh) 2021-05-31 2021-05-31 快递纸箱垃圾分类方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113222063A CN113222063A (zh) 2021-08-06
CN113222063B true CN113222063B (zh) 2024-07-02

Family

ID=77082014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110600085.7A Active CN113222063B (zh) 2021-05-31 2021-05-31 快递纸箱垃圾分类方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113222063B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658125B (zh) * 2021-08-11 2024-02-23 全芯智造技术有限公司 用于评估版图热点的方法、设备和存储介质
CN114549902A (zh) * 2022-02-23 2022-05-27 平安普惠企业管理有限公司 一种图像分类方法、装置、计算机设备及存储介质
CN114841384A (zh) * 2022-05-06 2022-08-02 扬州市职业大学(扬州开放大学) 一种快递包装回收利用的管理***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897673A (zh) * 2017-01-20 2017-06-27 南京邮电大学 一种基于retinex算法和卷积神经网络的行人再识别方法
CN107092914A (zh) * 2017-03-23 2017-08-25 广东数相智能科技有限公司 基于图像识别的垃圾分类方法、装置和***
CN111144322A (zh) * 2019-12-28 2020-05-12 广东拓斯达科技股份有限公司 一种分拣方法、装置、设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897673A (zh) * 2017-01-20 2017-06-27 南京邮电大学 一种基于retinex算法和卷积神经网络的行人再识别方法
CN107092914A (zh) * 2017-03-23 2017-08-25 广东数相智能科技有限公司 基于图像识别的垃圾分类方法、装置和***
CN111144322A (zh) * 2019-12-28 2020-05-12 广东拓斯达科技股份有限公司 一种分拣方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN113222063A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222063B (zh) 快递纸箱垃圾分类方法、装置、设备及介质
Ruiz et al. Automatic image-based waste classification
CN111695609B (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
Gazcón et al. Automatic vehicle identification for Argentinean license plates using intelligent template matching
CN110705583A (zh) 细胞检测模型训练方法、装置、计算机设备及存储介质
CN111695392B (zh) 基于级联的深层卷积神经网络的人脸识别方法及***
CN110723432A (zh) 垃圾分类的方法及增强现实设备
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN111738212B (zh) 基于人工智能的交通信号灯识别方法、装置、设备及介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN108268641A (zh) ***信息识别方法及***信息识别装置、设备和存储介质
Rehman et al. An efficient approach for vehicle number plate recognition in Pakistan
CN116797864B (zh) 基于智能镜子的辅助化妆方法、装置、设备及存储介质
CN114998282B (zh) 图像检测方法、装置、电子设备及存储介质
CN115439850A (zh) 基于审单的图文字符识别方法、装置、设备及存储介质
Varkentin et al. Development of an application for car license plates recognition using neural network technologies
CN113657316B (zh) 移动交通违章监测方法、***、电子设备及存储介质
CN114913518A (zh) 基于图像处理的车牌识别方法、装置、设备及介质
CN114677526A (zh) 图像分类方法、装置、设备及介质
CN114267064A (zh) 一种人脸识别方法、装置、电子设备及存储介质
CN112183520A (zh) 数据信息智能处理方法、装置、电子设备及存储介质
Kavitha et al. Text detection based on text shape feature analysis with intelligent grouping in natural scene images
Fernandes et al. A robust automatic license plate recognition system for embedded devices
Umam et al. A light deep learning based method for bank serial number recognition

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