CN115063638A - 基于图像识别的垃圾热值建模方法 - Google Patents
基于图像识别的垃圾热值建模方法 Download PDFInfo
- Publication number
- CN115063638A CN115063638A CN202210871875.3A CN202210871875A CN115063638A CN 115063638 A CN115063638 A CN 115063638A CN 202210871875 A CN202210871875 A CN 202210871875A CN 115063638 A CN115063638 A CN 115063638A
- Authority
- CN
- China
- Prior art keywords
- garbage
- heat value
- image
- modeling method
- image recognition
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于图像识别的垃圾热值建模方法,它包括如下步骤:第一步:采集垃圾可见光或近红外的高光谱图像,并根据需要采用生成对抗网络进行扩展,构建数据集;第二步:对数据集中图像进行局部语义标注、热值与成色的标注;第三步:训练以ResNet‑50为骨干网络的语义分割模型;第四步:采用训练好的语义分割模型进行图像分割,计算各垃圾成分的占比;第五步:训练预估计网络:以成分占比为主要输入参数,辅助从图像中提取的颜色、纹理等特征,对热值进行拟合;第六步:通过人工检测垃圾热值和垃圾入炉后产生的实际蒸汽量等实际生产数据来修正估计热值。本发明,可回收生活垃圾的高光谱图像进行识别分类,可以有效分辨垃圾类型。
Description
技术领域
本发明涉及一种基于图像识别的垃圾热值建模方法。
背景技术
高光谱成像技术(HyperspectralImagingSystem,HIS)在获得待测目标空间信息的同时可以采集到待测目标的光谱信息,从而达到“图谱合一”的目的。近年,利用高光谱成像技术实现目标探测,在遥感、农产品检测、生物医学等领域已得到广泛应用。结合当前我国可回收垃圾分类现状存在的问题:我国国土面积居世界第三,人口和城市众多带来垃圾产量相对较大,垃圾特性也越来越复杂,同时在我国大多区域现在依然靠人力分选可回收垃圾,分类效果相对较差,直接导致资源利用率下降[1],由此研究可回收垃圾分选技术应用于垃圾产量较大的城市可以高效分选常见可回收垃圾从而有效改善当前环境和资源问题。基于高光谱成像技术对可回收垃圾分类进行识别分类,就是我们对于这个问题的积极探索。当下人工智能技术通过智能化仪器设备代替或辅助人工,提高我们的工作效率,有效改善了我们的生活。同时,结合深度学习的算法建立卷积神经网络对可回收生活垃圾的高光谱图像进行识别分类,可以有效分辨垃圾类型,避免环境污染资源浪费,形成机械化和***化,将极大解决处理垃圾耗费资源过大的问题。
发明内容
为了解决上述问题,本发明提供一种基于图像识别的垃圾热值建模方法,它是采用基于深度学习的机器视觉方法进行垃圾图像识别和图像域内的热值的预测建模方法,可回收生活垃圾的高光谱图像进行识别分类,可以有效分辨垃圾类型。
一种基于图像识别的垃圾热值建模方法,它包括如下步骤:
第一步:采集垃圾可见光或近红外的高光谱图像,并根据需要采用生成对抗网络进行扩展,构建数据集;
第二步:对数据集中图像进行局部语义标注、热值与成色的标注;
第三步:训练以ResNet-50为骨干网络的语义分割模型;
第四步:采用训练好的语义分割模型进行图像分割,计算各垃圾成分的占比;
第五步:训练预估计网络:以成分占比为主要输入参数,辅助从图像中提取的颜色、纹理等特征,对热值进行拟合;
第六步:通过人工检测垃圾热值和垃圾入炉后产生的实际蒸汽量等实际生产数据来修正估计热值。
进一步的,第一步中,将近红外光照射在生活垃圾,根据不同垃圾的近红外特征吸收峰的宽度、数量、位置和相对强度等特征,判断出垃圾样本中含有的物质,然后基于物质的平均热值和图像面积占比,估算出视场内的垃圾热值。
进一步的,第二步中,图像域内的热值包括低位热值、上限低位热值和下限低位热值。
本发明的有益效果:
本发明可回收生活垃圾的高光谱图像进行识别分类,可以有效分辨垃圾类型,为垃圾分类工作奠定了基础。
基于机器视觉和深度学习,通过垃圾图像特征与其热值的相关性,解决垃圾发电***中垃圾热值的在线自动估计的问题,(1)本发明针对不同热值的垃圾,通过图像采集和特征提取,发现反映垃圾热值的垃圾图像关键特征及其他影响因素。(2)本发明基于垃圾样本的图像和热值数据,建立智能化的实时预测模型方法;并可对预测模型进行打包发布,实现垃圾热值的自动化估计。
具体实施方式
本发明基于图像识别技术对垃圾进行图像采集,研究反映垃圾热值差异的垃圾图像特征,以指导机器视觉感知技术的选取及热值预测建模。本发明内容包含两个层面的内容,一是研究垃圾图像的采集和特征提取技术,研究各种图像采集技术在面对各种垃圾的分辨能力,探索区分垃圾的关键图像特征;二是研究垃圾图像特征与热值的相关性、探索反映垃圾热值的关键图像特征,为构建预测垃圾热值的深度学习模型提供基础数据。
本发明结合垃圾图像特征与垃圾热值的相关性研究得出的结论和数据,建立垃圾图像与热值的关系数据集,基于多种深度学习算法通过多次的训练与测试,探索最佳的深度学习模型结构,建立基于图像识别技术的垃圾热值预测模型,并提出相应的垃圾热值预测建模策略框架。
对垃圾热值的测试,拟对不同时间及料坑不同位置的垃圾(主要针对可发酵的垃圾品种)进行取样分析,以提供垃圾的真实热值数据,用于机器学***台,提供综合热分析仪所需的供气和供水需求;步骤三:利用综合热分析仪可定制升温曲线的优势,同时测试垃圾的游离水含量、结晶水含量及燃烧热情况;步骤四:记录测量数据形成机器学习模型的训练数据集。
本发明广泛收集不同季节和不同时段的垃圾图片,采用机器视觉的方法对垃圾图片的照度和热值进行标定,探索垃圾图片特征与热值之间的潜在关系,建立垃圾图像和垃圾热值之间的数据集。并按照如下步骤进行建模:
第一步:采集垃圾可见光或近红外的高光谱图像,并根据需要采用生成对抗网络进行扩展,构建数据集;将近红外光照射在生活垃圾,根据不同垃圾的近红外特征吸收峰的宽度、数量、位置和相对强度等特征,判断出垃圾样本中含有的物质,然后基于物质的平均热值和图像面积占比,估算出视场内的垃圾热值。
第二步:对数据集中图像进行局部语义标注、热值与成色的标注;图像域内的热值包括低位热值、上限低位热值和下限低位热值。
第三步:训练以ResNet-50为骨干网络的语义分割模型。
第四步:采用训练好的语义分割模型进行图像分割,计算各垃圾成分的占比。
第五步:训练预估计网络:以成分占比为主要输入参数,辅助从图像中提取的颜色、纹理等特征,对热值进行拟合。
第六步:通过人工检测垃圾热值和垃圾入炉后产生的实际蒸汽量等实际生产数据来修正估计热值。
本发明基于图像识别的垃圾热值测量实验室主要采用近红外短波(900~1700nm)的高光谱摄像机对各种生活垃圾废弃物进行拍摄,研究在不同成分在不同波长下的成像光谱特征,从而建立垃圾成分类别与图像特征的关系模型。
Claims (3)
1.一种基于图像识别的垃圾热值建模方法,其特征在于,它包括如下步骤:
第一步:采集垃圾可见光或近红外的高光谱图像,并根据需要采用生成对抗网络进行扩展,构建数据集;
第二步:对数据集中图像进行局部语义标注、热值与成色的标注;
第三步:训练以ResNet-50为骨干网络的语义分割模型;
第四步:采用训练好的语义分割模型进行图像分割,计算各垃圾成分的占比;
第五步:训练预估计网络:以成分占比为主要输入参数,辅助从图像中提取的颜色、纹理等特征,对热值进行拟合;
第六步:通过人工检测垃圾热值和垃圾入炉后产生的实际蒸汽量等实际生产数据来修正估计热值。
2.如权利要求1所述的基于图像识别的垃圾热值建模方法,其特征在于,第一步中,将近红外光照射在生活垃圾,根据不同垃圾的近红外特征吸收峰的宽度、数量、位置和相对强度等特征,判断出垃圾样本中含有的物质,然后基于物质的平均热值和图像面积占比,估算出视场内的垃圾热值。
3.如权利要求1所述的基于图像识别的垃圾热值建模方法,其特征在于,第二步中,图像域内的热值包括低位热值、上限低位热值和下限低位热值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871875.3A CN115063638A (zh) | 2022-07-22 | 2022-07-22 | 基于图像识别的垃圾热值建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871875.3A CN115063638A (zh) | 2022-07-22 | 2022-07-22 | 基于图像识别的垃圾热值建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063638A true CN115063638A (zh) | 2022-09-16 |
Family
ID=83205374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210871875.3A Withdrawn CN115063638A (zh) | 2022-07-22 | 2022-07-22 | 基于图像识别的垃圾热值建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063638A (zh) |
-
2022
- 2022-07-22 CN CN202210871875.3A patent/CN115063638A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN108154134B (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
CN101551341B (zh) | 基于图像与光谱信息融合的肉品在线无损检测方法与装置 | |
CN101144780B (zh) | 猪肉新鲜度智能检测装置 | |
CN103900972B (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
CN107764976B (zh) | 土壤氮素快速诊断方法及在线监测*** | |
CN103439342A (zh) | 基于热图时序特征的红外无损检测方法 | |
CN201392319Y (zh) | 一种基于图像与光谱信息融合的肉品在线无损检测装置 | |
CN112415050B (zh) | 一种基于温度分布差异的羊肉掺假定性判别方法 | |
CN103344583A (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测***及方法 | |
CN116761049B (zh) | 一种家用智能安防监控方法及*** | |
CN114359695A (zh) | 基于不确定性估计的绝缘子破损识别方法 | |
CN112613438A (zh) | 一种便携式柑橘在线测产仪 | |
CN113674265B (zh) | 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定性检测方法 | |
CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN115063638A (zh) | 基于图像识别的垃圾热值建模方法 | |
CN117011759A (zh) | 钻爆法隧道掌子面围岩多元地质信息解析方法及*** | |
CN110991243A (zh) | 一种基于颜色通道hsv结合卷积神经网络的秸秆燃烧识别方法 | |
CN114494850A (zh) | 一种村庄无人居住院落智能识别方法及*** | |
CN115545962A (zh) | 一种基于多传感器***的作物生长周期管控方法及*** | |
CN109633113A (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及*** | |
CN115219472A (zh) | 一种定量识别混合水体多污染源的方法及*** | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN113607660B (zh) | 一种基于时序变温过程中视觉成像的掺假羊肉定性检测方法 | |
Liu et al. | Automatic terahertz recognition of hidden defects in layered polymer composites based on a deep residual network with transfer learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220916 |