CN116630725B - 基于多维筛选的垃圾分类处理方法、装置、设备及介质 - Google Patents
基于多维筛选的垃圾分类处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116630725B CN116630725B CN202310909878.6A CN202310909878A CN116630725B CN 116630725 B CN116630725 B CN 116630725B CN 202310909878 A CN202310909878 A CN 202310909878A CN 116630725 B CN116630725 B CN 116630725B
- Authority
- CN
- China
- Prior art keywords
- garbage
- image
- target
- preset
- packaging
- 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
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 731
- 238000012216 screening Methods 0.000 title claims abstract description 41
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 238000004806 packaging method and process Methods 0.000 claims abstract description 108
- 238000003066 decision tree Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 41
- 235000013305 food Nutrition 0.000 claims abstract description 34
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000005192 partition Methods 0.000 claims abstract description 16
- 238000000926 separation method Methods 0.000 claims abstract description 15
- 239000004033 plastic Substances 0.000 claims description 27
- 229920003023 plastic Polymers 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 239000002699 waste material Substances 0.000 claims description 12
- 239000002184 metal Substances 0.000 claims description 10
- 229910052751 metal Inorganic materials 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004064 recycling Methods 0.000 claims description 8
- 239000010806 kitchen waste Substances 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 5
- 229920001131 Pulp (paper) Polymers 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000003895 organic fertilizer Substances 0.000 claims description 3
- 238000004537 pulping Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims 2
- 230000001954 sterilising effect Effects 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 235000013410 fast food Nutrition 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000010794 food waste Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000010819 recyclable waste Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002361 compost Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000010816 packaging waste Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- -1 pulp Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及垃圾分类技术，揭露了一种基于多维筛选的垃圾分类处理方法，包括：获取预设的垃圾存放点的目标垃圾，对目标垃圾进行平面分离，对平面目标垃圾对应的目标垃圾图像进行图像划分，得到目标垃圾划分图像；获取食品包装垃圾数据集，提取食品包装垃圾数据集的核心包装垃圾特征，根据核心包装垃圾特征构建垃圾分类决策树；提取目标垃圾划分图像的核心垃圾特征，对核心垃圾特征进行垃圾预分选，得到目标分选垃圾；根据垃圾属性对目标分选垃圾进行垃圾再分选，得到再分选垃圾；对目标分选垃圾及再分选垃圾进行垃圾分类处理。本发明还提出一种基于多维筛选的垃圾分类处理装置、设备以及介质。本发明可以提高垃圾分类处理的效率。
Description
技术领域
本发明涉及垃圾分类技术领域，尤其涉及一种基于多维筛选的垃圾分类处理方法、装置、设备及介质。
背景技术
随着快餐、外卖行业的迅猛发展，食品包装垃圾的产生量越来越大。食品包装垃圾中包括大量纸类、塑料，具有重量轻、体积大、数量多的特点，为了对居民生活方式和生活习惯进行改善，需要从源头上减少生活垃圾的产生量，以及做好垃圾的合理分类。
现有的垃圾分类处理方法多为将大量纸类、塑料直接混入生活垃圾进行处理，对生活垃圾进行填埋、焚烧等。实际应用中，增加了生活垃圾的处理负荷，不利于生活垃圾源头减量及分类回收，可能导致资源浪费和垃圾分类处理效率低下，从而对进行垃圾分类处理的效率较低。
发明内容
本发明提供一种基于多维筛选的垃圾分类处理方法、装置、设备及介质，其主要目的在于解决进行垃圾分类处理的效率较低的问题。
为实现上述目的，本发明提供的一种基于多维筛选的垃圾分类处理方法，包括：
S1、获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
S2、获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
S3、获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，根据所述核心包装垃圾特征构建垃圾分类决策树，其中，所述提取所述食品包装垃圾数据集的核心包装垃圾特征，包括：
S31、获取所述食品包装垃圾数据集中的包装垃圾图像；
S32、利用预设的等价模式算法提取所述包装垃圾图像的右侧局部特征；
S33、利用如下的特征提取公式计算所述包装垃圾图像的左侧局部特征：
其中，/>为所述左侧局部特征，/>为领域半径，/>为邻域中像素点的数量，/>为目标像素对应的/>值，/>为邻域的第/>个像素，/>为第/>个邻域像素点的灰度值，/>为灰度阈值；
S34、将所述右侧局部特征与所述左侧局部特征进行特征融合，得到所述核心包装垃圾特征；
S4、提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
S5、利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
S6、通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理。
可选地，所述利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像，包括：
将所述目标垃圾图像的目标色彩空间转换为第一色彩空间，得到第一目标垃圾图像；
利用预设的小波比例去噪算法对所述第一目标垃圾图像进行图像去噪处理，得到去噪垃圾图像；
通过预设的自适应步长算法确定初始聚类中心，利用预设的聚类算法根据所述初始聚类中心对所述去噪垃圾图像进行聚类划分，得到聚类垃圾图像；
利用预设的开闭操作对所述聚类垃圾图像进行图像校正，得到所述目标垃圾划分图像。
可选地，所述利用预设的小波比例去噪算法对所述第一目标垃圾图像进行图像去噪处理，得到去噪垃圾图像，包括：
利用预设的正交小波变换将所述第一目标垃圾图像变换为小波系数；
根据所述小波系数的高频信息确定所述第一目标垃圾图像的噪声方差；
利用如下的重构图像公式根据所述噪声方差及预设的窗口尺寸确定所述去噪垃圾图像：
其中，/>为所述去噪垃圾图像，/>为目标图像像素的空间坐标，/>为最大值函数，/>为所述窗口尺寸，/>为包含/>的窗口内小波系数，/>为所述小波系数，/>为所述噪声方差，/>为目标图像像素的空间坐标中/>轴对应的像素值，/>为目标图像像素的空间坐标中/>轴对应的像素值。
可选地，所述将所述右侧局部特征与所述左侧局部特征进行特征融合，得到所述核心包装垃圾特征，包括：
计算所述右侧局部特征对应的右侧局部直方图，以及计算所述左侧局部特征对应的左侧局部直方图；
对所述右侧局部直方图进行归一化，得到右侧归一化直方图，对所述左侧局部直方图进行归一化，得到左侧归一化直方图；
将所述右侧归一化直方图与所述左侧归一化直方图进行顺序级联，生成所述核心包装垃圾特征。
可选地，所述根据所述核心包装垃圾特征构建垃圾分类决策树，包括：
对所述核心包装垃圾特征进行分类标注，得到特征分类标注；
任一选取所述特征分类标注作为根节点，在所述根节点上***左节点和右节点；
根据预设的***条件将未被选取的特征分类标注分配至所述左节点和右节点中，得到所述垃圾分类决策树。
可选地，所述利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾，包括：
提取所述核心垃圾特征中的餐厨垃圾特征；
根据所述餐厨垃圾特征逐一将所述核心垃圾特征与所述垃圾分类决策树中核心包装垃圾特征进行特征匹配，得到餐厨垃圾集；
根据所述餐厨垃圾集确定目标垃圾中的可回收物垃圾集；
将所述可回收物垃圾集作为所述目标分选垃圾。
可选地，在所述利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾之前，还包括：
获取待训练垃圾样本集，以及获取每个预设的弱分类器对应的权重系数；
根据所述待训练垃圾样本集及所述权重系数对每个所述弱分类器进行训练，计算训练后的每个所述弱分类器的学习率；
利用如下的更新学习率公式根据所述学习率更新下一级弱分类器对应的所述权重系数，得到更新权重系数：
其中，/>为第级弱分类器的第/>个待训练垃圾样本的更新权重系数，/>为第/>级弱分类器的第/>个待训练垃圾样本的权重系数，/>为第/>级弱分类器的学习率，/>为常数，/>为训练垃圾样本数量，/>为第/>个待训练垃圾样本的实际分类值，/>为第/>级弱分类器对第/>个待训练垃圾样本的预测值，/>为第/>级弱分类器的最大误差；
根据所述更新权重系数对每个所述弱分类器进行优化，直至每个所述弱分类器的误差率小于预设的误差阈值时，将每个所述弱分类器进行加权平均，得到所述垃圾分类器。
为了解决上述问题，本发明还提供一种基于多维筛选的垃圾分类处理装置，所述装置包括：
垃圾平面分离模块，用于获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
图像划分模块，用于获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
决策树构建模块，用于获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，根据所述核心包装垃圾特征构建垃圾分类决策树；
垃圾预分选模块，用于提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
垃圾再分选模块，用于利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
垃圾分类处理模块，用于通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于多维筛选的垃圾分类处理方法。
为了解决上述问题，本发明还提供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计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多维筛选的垃圾分类处理方法。
本发明实施例通过对目标垃圾进行平面分离，可以实现对垃圾进行图像识别的全面性；对平面目标垃圾对应的目标垃圾图像进行图像划分，得到目标垃圾中每个垃圾对应的垃圾图片，即目标垃圾划分图像；提取食品包装垃圾数据集的核心包装垃圾特征，进而根据核心包装垃圾特征构建垃圾分类决策树，实现目标垃圾的快速分类，提高垃圾分类的效率；将目标垃圾划分图像的核心垃圾特征通过垃圾分类决策树进行预分选，初步分选出目标分选垃圾，再根据预先构建的垃圾分类器对目标分选垃圾进行垃圾再分选，实现目标垃圾的精准分类，提高垃圾分类的准确性；对分选出的目标分选垃圾及再分选垃圾进行垃圾处理，使垃圾达到最大有用化，并提高垃圾分类处理的效率。因此本发明提出的基于多维筛选的垃圾分类处理方法、装置、设备及介质，可以解决进行垃圾分类处理时的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于多维筛选的垃圾分类处理方法的流程示意图；
图2为本发明一实施例提供的图像划分的流程示意图；
图3为本发明一实施例提供的提取核心包装垃圾特征的流程示意图；
图4为本发明一实施例提供的基于多维筛选的垃圾分类处理装置的功能模块图；
图5为本发明一实施例提供的实现所述基于多维筛选的垃圾分类处理方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于多维筛选的垃圾分类处理方法。所述基于多维筛选的垃圾分类处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于多维筛选的垃圾分类处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于多维筛选的垃圾分类处理方法的流程示意图。在本实施例中，所述基于多维筛选的垃圾分类处理方法包括：
S1、获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
本发明其中一个实际应用场景中，无论是西式快餐垃圾还是外卖垃圾，都有大范围分布，小范围集中的特点，即分布区域遍布整个城市，每个区、街道都有分布，快餐垃圾集中在餐厅，外卖垃圾集中在写字楼、工地或是人流集中区域的固定位置。因此，对该类型垃圾的收运需要安排车辆到各个集中点，进行分散收集，并将收集后的垃圾在运输车上分类分区域放置。
本发明实施例中，在进行垃圾收集时，垃圾会有堆叠现象，若直接识别垃圾图像，只能识别出垃圾表面，而被堆叠的部分却无法识别，因此，需要将目标垃圾分离在平面上，便于对目标垃圾图像的识别。
S2、获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
本发明实施例中，对于垃圾分类，首先要从固定的垃圾存放点对垃圾进行收集，并将垃圾运输至垃圾处理区域，之后对垃圾进行分类及处理。
详细地，在收集不同垃圾存放点的垃圾时，在垃圾运输车上会有装载摄像头，对平面目标垃圾进行拍摄，得到目标垃圾图像，利用图像划分算法对目标垃圾图像中的每种垃圾进行图像识别，得到每种垃圾的图像，从而根据垃圾图像对目标垃圾进行更加准确的分类，进而提高垃圾分类的效率。
本发明实施例中，参图2所示，所述利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像，包括：
S21、将所述目标垃圾图像的目标色彩空间转换为第一色彩空间，得到第一目标垃圾图像；
S22、利用预设的小波比例去噪算法对所述第一目标垃圾图像进行图像去噪处理，得到去噪垃圾图像；
S23、通过预设的自适应步长算法确定初始聚类中心，利用预设的聚类算法根据所述初始聚类中心对所述去噪垃圾图像进行聚类划分，得到聚类垃圾图像；
S24、利用预设的开闭操作对所述聚类垃圾图像进行图像校正，得到所述目标垃圾划分图像。
详细地，所述目标色彩空间为RGB色彩空间，所述第一色彩空间为HSV色彩空间，HSV色彩空间在用于图片颜色分割时，有比较大的作用，H和S分量代表了色彩信息，用H和S分量来表示颜色距离，颜色距离指代表两种颜色之间的数值差异。因此，对于不同的彩色区域，混合H和S变量，划定阈值，即可对图像进行分割，需要将目标垃圾图像的RGB色彩空间转换为HSV色彩空间，进而对目标垃圾图像进行划分。
具体地，所述小波比例去噪算法能够根据小波系数的局部特征及时地调整去噪处理方法，使其具有很强的自适应性，进而提高去噪效果。
本发明实施例中，所述利用预设的小波比例去噪算法对所述第一目标垃圾图像进行图像去噪处理，得到去噪垃圾图像，包括：
利用预设的正交小波变换将所述第一目标垃圾图像变换为小波系数；
根据所述小波系数的高频信息确定所述第一目标垃圾图像的噪声方差；
利用如下的重构图像公式根据所述噪声方差及预设的窗口尺寸确定所述去噪垃圾图像：
其中，为所述去噪垃圾图像，/>为目标图像像素的空间坐标，/>为最大值函数，为所述窗口尺寸，/>为包含/>的窗口内小波系数，/>为所述小波系数，/>为所述噪声方差，/>为目标图像像素的空间坐标中/>轴对应的像素值，/>为目标图像像素的空间坐标中/>轴对应的像素值。
详细地，当第一目标垃圾图像的图像尺寸为对第一目标垃圾图像做正交小波变换得到小波系数/>进而选用正方形窗口，把小波系数放在窗口中央，可确定小波系数的方差，其中窗口尺寸可以选择3×3、5×5、7×7等。确定所述第一目标垃圾图像的噪声方差可以使用中值估计法，可从第1级小波分解的高频信息部分的小波系数中得到，利用中值函数计算噪声方差，即其中/>为图像尺寸，/>为中值函数，/>为高频信息部分的小波系数。
具体地，所述重构图像公式可以根据噪声方差及窗口尺寸计算所述第一目标垃圾图像的重构原图像，即所述去噪垃圾图像对所述第一目标垃圾图像进行去噪处理，可以提高图像分割的准确性。
本发明实施例中，利用预设的聚类算法根据所述初始聚类中心对所述去噪垃圾图像进行聚类划分，首先要通过预设的自适应步长算法确定初始聚类中心，若采用固定的步长，不利于算法的收敛和稳定，若步长取值过小，会降低算法的收敛速度，若步长取值过大，会使算法的稳定性降低，极易出现振荡等问题，因此，采用自适应步长算法确定初始聚类中心，所述自适应步长算法是根据当前迭代得到的聚类中心在图像上的聚类误差越小，则步长越小，并将当前步长作为下一次迭代的参考量，经过迭代次数确定最终的初始聚类中心。
详细地，利用聚类算法对所述去噪垃圾图像进行聚类划分，得到聚类垃圾图像，其中，所述聚类算法是指根据聚类个数将输入的n个数据对象划分为k个聚类，以便使所获得的聚类满足同一聚类中的对象相似度较高，而不同聚类中的对象相似度较低，即通过初始聚类中心，在迭代过程中，不断计算一个样本到聚类中心的距离，并将该样本归到距离最短的中心所在的类，利用均值法更新该类的中心值，对所有的聚类中心进行迭代，以得到最终的聚类垃圾图像。所述聚类垃圾图像为第一目标垃圾图像中划分出来的单张图像，如在第一目标垃圾图像中有纸张、塑料、餐厨垃圾等，而所述聚类垃圾图像是指将纸张、塑料、餐厨垃圾从第一目标垃圾图像中划分出来，得一张张分散的垃圾图像。
具体地，为了使聚类垃圾图像的划分效果更好，需要利用形态学的开闭操作对所述聚类垃圾图像的灰度图像的边缘进行图像校正，进而得到所述目标垃圾划分图像，进而提高垃圾分类的准确性。
进一步地，为了对垃圾进行分类，需要根据预先的垃圾数据集构建垃圾分类决策树，以便提高垃圾分类的准确性及垃圾分类的效率。
S3、获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，根据所述核心包装垃圾特征构建垃圾分类决策树；
本发明实施例中，所述食品包装垃圾数据集包括快餐垃圾、外卖垃圾、塑料包装垃圾、纸类垃圾、餐厨垃圾（如食物残渣、杂物）等垃圾。
详细地，可利用具有数据抓取功能的计算机语句（如java语句、python语句等）从预先确定的存储区域抓取存储的食品包装垃圾数据集，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
本发明实施例中，所述核心包装垃圾特征中包括食品包装垃圾的颜色特征、纹理特征、形状特征等。其中主要提取的核心包装垃圾特征为局部纹理特征。如当垃圾为纸类垃圾时，提取纸类垃圾的局部纹理特征，表示纸类垃圾图像或纸类垃圾图像区域所对应的表面性质。
本发明实施例中，参图3所示，所述提取所述食品包装垃圾数据集的核心包装垃圾特征，包括：
S31、获取所述食品包装垃圾数据集中的包装垃圾图像；
S32、利用预设的等价模式算法提取所述包装垃圾图像的右侧局部特征；
S33、利用如下的特征提取公式计算所述包装垃圾图像的左侧局部特征：
其中，/>为所述左侧局部特征，/>为领域半径，/>为邻域中像素点的数量，/>为目标像素对应的/>值，/>为邻域的第/>个像素，/>为第/>个邻域像素点的灰度值，/>为灰度阈值；
S34、将所述右侧局部特征与所述左侧局部特征进行特征融合，得到所述核心包装垃圾特征。
详细地，对获取的每幅所述包装垃圾图像进行图像增强处理，得到增强包装垃圾图像，其中图像增强处理包括对图像进行灰度化及中值滤波处理，以平滑图像中的脉冲噪声、同时保护尖锐的边缘。并将每幅图像增强之后的包装垃圾图像均匀地划分无叠加成m×n块，如4×4，8×4，8×8等。
具体地，对图像进行预处理之后，利用所述等价模式算法提取所述包装垃圾图像的右侧局部二值特征，其中，所述等价模式算法为Uniform LBP算法，利用Uniform LBP算法对LBP模型进行降维，对于K个邻域内采样点，使得模式数量由原来的种减少为种，通过邻域像素点的数量、邻域像素点的灰度值及中心像素的灰度值确定所述右侧局部特征。
进一步地，所述特征提取公式主要是提取包装垃圾图像的左侧局部特征，在计算值时将不考虑中心灰度值，直接对比邻域灰度值与灰度阈值/>的大小，若邻域灰度值小于灰度阈值/>则计算/>值（局部二值），反之，则为0。因此，通过计算/>值确定所述包装垃圾图像的左侧局部特征。
更进一步地，为了提高鲁棒性能，在不增加计算复杂度的情况下，将左侧局部特征与右侧局部特征两个部分进行级联形成最终的核心包装垃圾特征。
本发明实施例中，所述将所述右侧局部特征与所述左侧局部特征进行特征融合，得到所述核心包装垃圾特征，包括：
计算所述右侧局部特征对应的右侧局部直方图，以及计算所述左侧局部特征对应的左侧局部直方图；
对所述右侧局部直方图进行归一化，得到右侧归一化直方图，对所述左侧局部直方图进行归一化，得到左侧归一化直方图；
将所述右侧归一化直方图与所述左侧归一化直方图进行顺序级联，生成所述核心包装垃圾特征。
详细地，将述右侧局部特征与所述左侧局部特征进行特征融合，即进行级联操作，级联主要由3个部分组成，首先将每个分块归一化生成所述右侧归一化直方图和左侧归一化直方图，最后将右侧归一化直方图和左侧归一化直方图按照从左至右的顺序级联生成所述核心包装垃圾特征的直方图，将直方图连接成为一个特征向量，将此特征向量表示所述核心包装垃圾特征。
具体地，为了对垃圾进行分类处理，对所述核心包装垃圾特征进行分析，构建垃圾分类决策树，根据垃圾分类决策树对目标垃圾进行分类处理。
本发明实施例中，所述垃圾分类决策树是按照各个核心包装垃圾特征建立的树形结构，叶节点表示对于的类别，特征选择的顺序不同，得到的决策树的形状也不同，进而对有着不同垃圾特征的垃圾进行分类。
本发明实施例中，所述根据所述核心包装垃圾特征构建垃圾分类决策树，包括：
对所述核心包装垃圾特征进行分类标注，得到特征分类标注；
任一选取所述特征分类标注作为根节点，在所述根节点上***左节点和右节点；
根据预设的***条件将未被选取的特征分类标注分配至所述左节点和右节点中，得到所述垃圾分类决策树。
详细地，所述核心包装垃圾特征是用向量进行表示的，即通过将每个包装垃圾特征的特征向量构建垃圾分类决策树，可以提高构建垃圾分类决策树的效率。此外，对核心包装垃圾特征中每个垃圾特征向量进行分类标注，其中决策树学习的关键是对属性进行分类，一般在分类的过程中，希望决策树的分支节点所包含的样本尽可能属于同一类别,因此，要对核心包装垃圾特征进行分类标注。如将纸质垃圾分类标注为报纸、包装盒、卫生纸、餐巾纸等；塑料垃圾分类标注为废容器塑料、包装塑料等。
具体地，从核心包装垃圾特征中任意选取一个特征分类标注作为根节点，并在根节点上***出左节点和右节点，并根据***条件将未被选取的特征分类标注分配至所述左节点和右节点中，直到所有的特征分类标注均被选取，得到垃圾分类决策树。其中，所述***条件包括纸质垃圾条件、塑料垃圾条件、金属垃圾条件、餐厨垃圾条件等。
进一步地，构建垃圾***决策树之后，可以对目标垃圾进行垃圾分类，即通过垃圾分类决策树对目标垃圾进行预分选，得到初步分选垃圾。
S4、提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
本发明实施例中，所述核心垃圾特征是指所述目标垃圾划分图像中每个垃圾图像的局部纹理特征。
详细地，所述提取所述目标垃圾划分图像的核心垃圾特征与S2中所述提取所述食品包装垃圾数据集的核心包装垃圾特征步骤一致，在此不再赘述。
本发明实施例中，对目标垃圾进行预分选，即首选分选出餐厨垃圾和可回收物，然后再对可回收物进行再分选，最终将垃圾进行精确分类。
本发明实施例中，所述利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾，包括：
提取所述核心垃圾特征中的餐厨垃圾特征；
根据所述餐厨垃圾特征逐一将所述核心垃圾特征与所述垃圾分类决策树中核心包装垃圾特征进行特征匹配，得到餐厨垃圾集；
根据所述餐厨垃圾集确定目标垃圾中的可回收物垃圾集；
将所述可回收物垃圾集作为所述目标分选垃圾。
详细地，对垃圾进行预分选主要是筛选出餐厨垃圾和可回收物垃圾，即首先要提取出所述核心垃圾特征中的餐厨垃圾特征，利用预设的计算机语句（如java语句、python语句等）提取所述餐厨垃圾特征。
具体地，利用所述垃圾分类决策树对餐厨垃圾特征进行筛选，将餐厨垃圾进行筛选条件，逐一与垃圾分类决策树中的核心包装垃圾特征进行匹配，筛选出餐厨垃圾集，进而将未筛选出的核心垃圾特征确定为可回收物垃圾集，将预分选出的所述可回收物垃圾集作为所述目标分选垃圾，进而对目标分选垃圾进行更精细的垃圾分选。其中，核心垃圾特征与核心包装垃圾特征都是用特征向量进行表示的，因此，可利用余弦匹配公式将所述核心垃圾特征与核心包装垃圾特征进行特征匹配，得到餐厨垃圾集。
进一步地，对将预分选出的目标分选垃圾进行更精细的垃圾分选，确保垃圾分类的准确性，因此，需要对目标分选垃圾进行垃圾再分选。
S5、利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
本发明实施例中，所述垃圾分类器为根据待训练的垃圾对分类器进行训练，以得到可以用于对目标分选垃圾进行垃圾再分选的一种垃圾分类器，即通过垃圾分类器从目标分选垃圾的含有杂质的可回收物再分选出纸浆、塑料、金属、垃圾杂物等。其中所述垃圾属性是指垃圾所属的类别，如纸质、塑料等。
本发明实施例中，在所述利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾之前，还包括：
获取待训练垃圾样本集，以及获取每个预设的弱分类器对应的权重系数；
根据所述待训练垃圾样本集及所述权重系数对每个所述弱分类器进行训练，计算训练后的每个所述弱分类器的学习率；
利用如下的更新学习率公式根据所述学习率更新下一级弱分类器对应的所述权重系数，得到更新权重系数：
其中，/>为第级弱分类器的第/>个待训练垃圾样本的更新权重系数，/>为第/>级弱分类器的第/>个待训练垃圾样本的权重系数，/>为第/>级弱分类器的学习率，/>为常数，/>为训练垃圾样本数量，/>为第/>个待训练垃圾样本的实际分类值，/>为第/>级弱分类器对第/>个待训练垃圾样本的预测值，/>为第/>级弱分类器的最大误差；
根据所述更新权重系数对每个所述弱分类器进行优化，直至每个所述弱分类器的误差率小于预设的误差阈值时，将每个所述弱分类器进行加权平均，得到所述垃圾分类器。
详细地，首先要获取待训练垃圾样本集，在训练弱分类器前，初始化各待训练垃圾样本集得到权重系数集合为根据待训练垃圾样本集及权重系数集合对多个弱分类器进行训练，并计算每个弱分类器的误差率，进而根据误差率计算每个弱分类器的学***均，得到弱分类器组成的强分类器识别模型，将强分类器识别模型作为垃圾分类器。
本发明实施例中，所述再分选垃圾包括纸浆、塑料、杂物、金属等。利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾，即将所述目标分选垃圾对应的垃圾图片输入至所述垃圾分类器中，根据垃圾属性在所述垃圾分类器中与预先训练的垃圾样本集进行垃圾特征属性匹配，进而对目标分选垃圾进行分类。
详细地，对于筛选分类之后的垃圾，需要采用相应的垃圾处理技术对分选出的垃圾进行处理，保证垃圾能够最大程度的有用化，如将易腐有机成分为主的厨房垃圾单独分类，为垃圾堆肥供给原料，生产出有机肥，有利于改善土壤肥力，减少化肥施用量等，因此，需要将分类垃圾进行有效处理。
S6、通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理。
本发明实施例中，所述垃圾处理需求是指对于筛选出的垃圾进行合理的处理，对于于分选出的餐厨垃圾可以交由有资质的特许经营权企业处理，而所述目标分选垃圾物进入再分选流程，得到再分选垃圾，将再分选垃圾中的纸和塑料及少量杂物经过制浆工艺，纸制品粉碎后随浆液流出，经脱水后变成纸浆，直接出售给纸制品制造企业。塑料及其他少量不溶于水的部分分离后，通过滚筒筛及金属分选机分成塑料、杂物及金属。塑料和金属均可出售给下游再利用企业。其他杂物进行压缩打包，压缩过程中进行了初步脱水，打包后产物交由其他垃圾处理单位处理。
详细地，可以将分选出来的纸类和塑料可作为资源化产品进行回收再利用，食物残渣等餐厨垃圾经干燥灭菌处理后产出有机肥原材料等资源化产品。可以提高了废品回收利用比例，减少了原材料的需求，减少二氧化碳的排放，以及将不一样类别的垃圾进行了分流，使最终进入垃圾处理体系的量大大减少，减轻垃圾处理体系的压力。
本发明实施例通过对目标垃圾图像进行图像划分，得到目标垃圾中每个垃圾对应的垃圾图片，即目标垃圾划分图像；提取食品包装垃圾数据集的核心包装垃圾特征，进而根据核心包装垃圾特征构建垃圾分类决策树，实现目标垃圾的快速分类，提高垃圾分类的效率；将目标垃圾划分图像的核心垃圾特征通过垃圾分类决策树进行预分选，初步分选出目标分选垃圾，再根据预先构建的垃圾分类器对目标分选垃圾进行垃圾再分选，实现目标垃圾的精准分类，提高垃圾分类的准确性；对分选出的目标分选垃圾及再分选垃圾进行垃圾处理，使垃圾达到最大有用化，并提高垃圾分类处理的效率。因此本发明提出的基于多维筛选的垃圾分类处理方法、装置、设备及介质，可以解决进行垃圾分类处理时的效率较低的问题。
如图4所示，是本发明一实施例提供的基于多维筛选的垃圾分类处理装置的功能模块图。
本发明所述基于多维筛选的垃圾分类处理装置100可以安装于电子设备中。根据实现的功能，所述基于多维筛选的垃圾分类处理装置100可以包括垃圾平面分离模块101、图像划分模块102、决策树构建模块103、垃圾预分选模块104、垃圾再分选模块105及垃圾分类处理模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述垃圾平面分离模块101，用于获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
所述图像划分模块102，用于获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
所述决策树构建模块103，用于获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，根据所述核心包装垃圾特征构建垃圾分类决策树；
所述垃圾预分选模块104，用于提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
所述垃圾再分选模块105，用于利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
所述垃圾分类处理模块106，用于通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理。
详细地，本发明实施例中所述基于多维筛选的垃圾分类处理装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多维筛选的垃圾分类处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于多维筛选的垃圾分类处理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于多维筛选的垃圾分类处理程序。
其中，所述处理器10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。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于多维筛选的垃圾分类处理程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11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。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于多维筛选的垃圾分类处理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，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。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。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），通常用于在该电子设备与其他电子设备之间建立通信连接。所述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，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，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。
例如，尽管未示出，所述电子设备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10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。所述电子设备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。
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。
所述电子设备1中的所述存储器11存储的基于多维筛选的垃圾分类处理程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，根据所述核心包装垃圾特征构建垃圾分类决策树；
提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，根据所述核心包装垃圾特征构建垃圾分类决策树；
提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
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。***权利要求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)
1.一种基于多维筛选的垃圾分类处理方法，其特征在于，所述方法包括：
S1、获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
S2、获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
S3、获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，其中所述核心包装垃圾特征为局部纹理特征，根据所述核心包装垃圾特征构建垃圾分类决策树，其中，所述提取所述食品包装垃圾数据集的核心包装垃圾特征，包括：
S31、获取所述食品包装垃圾数据集中的包装垃圾图像，对所述包装垃圾图像进行图像增强处理，得到增强包装垃圾图像，对所述增强包装垃圾图像均匀划分为无叠加块垃圾图像，其中图像增强处理包括对图像进行灰度化及中值滤波处理；
S32、利用预设的等价模式算法提取所述包装垃圾图像的右侧局部特征；
S33、利用如下的特征提取公式计算所述包装垃圾图像的左侧局部特征：
其中，A为所述左侧局部特征，R为领域半径，K为邻域中像素点的数量，LBPR,K为目标像素对应的LBP值，m为邻域的第m个像素，gK为第K个邻域像素点的灰度值，C为灰度阈值；
S34、计算所述右侧局部特征对应的右侧局部直方图，以及计算所述左侧局部特征对应的左侧局部直方图，对所述右侧局部直方图进行归一化，得到右侧归一化直方图，对所述左侧局部直方图进行归一化，得到左侧归一化直方图，将右侧归一化直方图和左侧归一化直方图按照从左至右的顺序级联生成所述核心包装垃圾特征的直方图，将直方图连接为特征向量，将特征向量表示所述核心包装垃圾特征；
S4、提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
S5、利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
S6、通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理，其中所述垃圾分类处理包括将再分选垃圾中的纸和塑料经过制浆工艺，纸制品粉碎后随浆液流出，经脱水后变成纸浆，塑料及不溶于水的部分分离后，通过滚筒筛及金属分选机分成塑料、杂物及金属，将分选出来的纸类和塑料作为资源化产品进行回收利用，餐厨垃圾通过干燥灭菌处理后生产有机肥原材料资源化产品。
2.如权利要求1所述的基于多维筛选的垃圾分类处理方法，其特征在于，所述利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像，包括：
将所述目标垃圾图像的目标色彩空间转换为第一色彩空间，得到第一目标垃圾图像；
利用预设的小波比例去噪算法对所述第一目标垃圾图像进行图像去噪处理，得到去噪垃圾图像；
通过预设的自适应步长算法确定初始聚类中心，利用预设的聚类算法根据所述初始聚类中心对所述去噪垃圾图像进行聚类划分，得到聚类垃圾图像；
利用预设的开闭操作对所述聚类垃圾图像进行图像校正，得到所述目标垃圾划分图像。
3.如权利要求2所述的基于多维筛选的垃圾分类处理方法，其特征在于，所述利用预设的小波比例去噪算法对所述第一目标垃圾图像进行图像去噪处理，得到去噪垃圾图像，包括：
利用预设的正交小波变换将所述第一目标垃圾图像变换为小波系数；
根据所述小波系数的高频信息确定所述第一目标垃圾图像的噪声方差；
利用如下的重构图像公式根据所述噪声方差及预设的窗口尺寸确定所述去噪垃圾图像：
其中，G(i,j)为所述去噪垃圾图像，(i,j)为目标图像像素的空间坐标，max为最大值函数，N为所述窗口尺寸，σ(i,j)为包含H(i,j)的窗口内小波系数，H(i,j)为所述小波系数，δ为所述噪声方差，i为目标图像像素的空间坐标中x轴对应的像素值，j为目标图像像素的空间坐标中y轴对应的像素值。
4.如权利要求1所述的基于多维筛选的垃圾分类处理方法，其特征在于，所述根据所述核心包装垃圾特征构建垃圾分类决策树，包括：
对所述核心包装垃圾特征进行分类标注，得到特征分类标注；
任一选取所述特征分类标注作为根节点，在所述根节点上***左节点和右节点；
根据预设的***条件将未被选取的特征分类标注分配至所述左节点和右节点中，得到所述垃圾分类决策树。
5.如权利要求1所述的基于多维筛选的垃圾分类处理方法，其特征在于，所述利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾，包括：
提取所述核心垃圾特征中的餐厨垃圾特征；
根据所述餐厨垃圾特征逐一将所述核心垃圾特征与所述垃圾分类决策树中核心包装垃圾特征进行特征匹配，得到餐厨垃圾集；
根据所述餐厨垃圾集确定目标垃圾中的可回收物垃圾集；
将所述可回收物垃圾集作为所述目标分选垃圾。
6.如权利要求1所述的基于多维筛选的垃圾分类处理方法，其特征在于，在所述利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾之前，还包括：
获取待训练垃圾样本集，以及获取每个预设的弱分类器对应的权重系数；
根据所述待训练垃圾样本集及所述权重系数对每个所述弱分类器进行训练，计算训练后的每个所述弱分类器的学习率；
利用如下的更新学习率公式根据所述学习率更新下一级弱分类器对应的所述权重系数，得到更新权重系数：
其中，wu+1,v为第u+1级弱分类器的第v个待训练垃圾样本的更新权重系数，wuv为第u级弱分类器的第v个待训练垃圾样本的权重系数，αu为第u级弱分类器的学习率，e为常数，V为训练垃圾样本数量，yv为第v个待训练垃圾样本的实际分类值，hu(xv)为第u级弱分类器对第v个待训练垃圾样本的预测值，Eu为第u级弱分类器的最大误差；
根据所述更新权重系数对每个所述弱分类器进行优化，直至每个所述弱分类器的误差率小于预设的误差阈值时，将每个所述弱分类器进行加权平均，得到所述垃圾分类器。
7.一种基于多维筛选的垃圾分类处理装置，其特征在于，所述装置包括：
垃圾平面分离模块，用于获取预设的垃圾存放点的目标垃圾，对所述目标垃圾进行平面分离，得到平面目标垃圾；
图像划分模块，用于获取所述平面目标垃圾对应的目标垃圾图像，利用预设的图像划分算法对所述目标垃圾图像进行图像划分，得到目标垃圾划分图像；
决策树构建模块，用于获取预设的食品包装垃圾数据集，提取所述食品包装垃圾数据集的核心包装垃圾特征，其中所述核心包装垃圾特征为局部纹理特征，根据所述核心包装垃圾特征构建垃圾分类决策树，其中，所述提取所述食品包装垃圾数据集的核心包装垃圾特征，包括：获取所述食品包装垃圾数据集中的包装垃圾图像，对所述包装垃圾图像进行图像增强处理，得到增强包装垃圾图像，对所述增强包装垃圾图像均匀划分为无叠加块垃圾图像，其中图像增强处理包括对图像进行灰度化及中值滤波处理；利用预设的等价模式算法提取所述包装垃圾图像的右侧局部特征；利用如下的特征提取公式计算所述包装垃圾图像的左侧局部特征：
其中，A为所述左侧局部特征，R为领域半径，K为邻域中像素点的数量，LBPR,K为目标像素对应的LBP值，m为邻域的第m个像素，gK为第K个邻域像素点的灰度值，C为灰度阈值；计算所述右侧局部特征对应的右侧局部直方图，以及计算所述左侧局部特征对应的左侧局部直方图，对所述右侧局部直方图进行归一化，得到右侧归一化直方图，对所述左侧局部直方图进行归一化，得到左侧归一化直方图，将右侧归一化直方图和左侧归一化直方图按照从左至右的顺序级联生成所述核心包装垃圾特征的直方图，将直方图连接为特征向量，将特征向量表示所述核心包装垃圾特征；
垃圾预分选模块，用于提取所述目标垃圾划分图像的核心垃圾特征，利用所述垃圾分类决策树对所述核心垃圾特征进行垃圾预分选，得到目标分选垃圾；
垃圾再分选模块，用于利用预先构建的垃圾分类器根据预设的垃圾属性对所述目标分选垃圾进行垃圾再分选，得到再分选垃圾；
垃圾分类处理模块，用于通过预设的垃圾处理需求对所述目标分选垃圾及所述再分选垃圾进行垃圾分类处理，其中所述垃圾分类处理包括将再分选垃圾中的纸和塑料经过制浆工艺，纸制品粉碎后随浆液流出，经脱水后变成纸浆，塑料及不溶于水的部分分离后，通过滚筒筛及金属分选机分成塑料、杂物及金属，将分选出来的纸类和塑料作为资源化产品进行回收利用，餐厨垃圾通过干燥灭菌处理后生产有机肥原材料资源化产品。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于多维筛选的垃圾分类处理方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于多维筛选的垃圾分类处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909878.6A CN116630725B (zh) | 2023-07-24 | 2023-07-24 | 基于多维筛选的垃圾分类处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310909878.6A CN116630725B (zh) | 2023-07-24 | 2023-07-24 | 基于多维筛选的垃圾分类处理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630725A CN116630725A (zh) | 2023-08-22 |
| CN116630725B true CN116630725B (zh) | 2023-10-31 |
Family
ID=87613818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310909878.6A Active CN116630725B (zh) | 2023-07-24 | 2023-07-24 | 基于多维筛选的垃圾分类处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630725B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110479638A (zh) * | 2019-08-08 | 2019-11-22 | 南京英锐祺科技有限公司 | 一种垃圾分类的方法及*** |
| CN111539251A (zh) * | 2020-03-16 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和*** |
| CN114120136A (zh) * | 2022-01-27 | 2022-03-01 | 人民中科(济南)智能技术有限公司 | 对垃圾进行分类的方法、装置以及存储介质 |
| CN114565602A (zh) * | 2022-03-10 | 2022-05-31 | 河南省人民医院 | 基于多通道融合的图像识别方法、装置和存储介质 |
| CN115311652A (zh) * | 2022-07-13 | 2022-11-08 | 南京中科创达软件科技有限公司 | 对象检测方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-07-24 CN CN202310909878.6A patent/CN116630725B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110479638A (zh) * | 2019-08-08 | 2019-11-22 | 南京英锐祺科技有限公司 | 一种垃圾分类的方法及*** |
| CN111539251A (zh) * | 2020-03-16 | 2020-08-14 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的安检物品识别方法和*** |
| CN114120136A (zh) * | 2022-01-27 | 2022-03-01 | 人民中科(济南)智能技术有限公司 | 对垃圾进行分类的方法、装置以及存储介质 |
| CN114565602A (zh) * | 2022-03-10 | 2022-05-31 | 河南省人民医院 | 基于多通道融合的图像识别方法、装置和存储介质 |
| CN115311652A (zh) * | 2022-07-13 | 2022-11-08 | 南京中科创达软件科技有限公司 | 对象检测方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| The Mobile Robot for Garbage Sorting and Handling Based on Machine Vision;Qihua Zhou等;《2021 IEEE International Conference on Artificial Intelligence, Robotics, and Communication (ICAIRC)》;第37-39页 * |
| 基于图像 LBP 特征与 Adaboost 分类器的垃圾分拣识别方法;陈昱辰等;《南方衣机》;第52卷(第21期);第136-138、144页 * |
| 陈昱辰等.基于图像 LBP 特征与 Adaboost 分类器的垃圾分拣识别方法.《南方衣机》.2021,第52卷(第21期),第136-138、144页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630725A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10678847B2 (en) | Method and device for searching a target in an image | |
| Hu et al. | Surface defect classification in large-scale strip steel image collection via hybrid chromosome genetic algorithm | |
| CN105469096B (zh) | 一种基于哈希二值编码的特征袋图像检索方法 | |
| CN108345850B (zh) | 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法 | |
| CN107368614A (zh) | 基于深度学习的图像检索方法及装置 | |
| CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
| CN114937179B (zh) | 垃圾图像分类方法、装置、电子设备及存储介质 | |
| US20210295039A1 (en) | Methods and electronic devices for automated waste management | |
| Chen et al. | Seeking multi-thresholds directly from support vectors for image segmentation | |
| CN101777125B (zh) | 一种高分辨率遥感图像复杂类别的监督分类方法 | |
| CN103106265A (zh) | 相似图像分类方法及*** | |
| CN112733936A (zh) | 一种基于图像识别的可回收垃圾分类方法 | |
| Liu et al. | Novel Smart Waste Sorting System Based on Image Processing Algorithms: SURF-BoW and Multi-class SVM. | |
| Ali et al. | Content-based image retrieval based on late fusion of binary and local descriptors | |
| Song et al. | Two-level hierarchical feature learning for image classification | |
| Hiranmai et al. | Comparative study of various feature extraction techniques for pedestrian detection | |
| CN116630725B (zh) | 基于多维筛选的垃圾分类处理方法、装置、设备及介质 | |
| CN100446001C (zh) | 一种范例推理与Fuzzy ARTMAP网络相结合的遥感影像分类方法 | |
| CN110807159B (zh) | 数据标记方法、装置、存储介质及电子设备 | |
| CN115272778A (zh) | 基于rpa和计算机视觉的可回收垃圾分类方法及*** | |
| Ju et al. | A novel neutrosophic logic svm (n-svm) and its application to image categorization | |
| Kokoulin et al. | The hierarchical approach for Image processing in objects recognition system | |
| Chang | Waste Detection Based On Mask R-CNN | |
| Bao et al. | Insect Recognition Based on Complex Frequency Domain Transform and Multi-feature Fusion | |
| Rahman et al. | An Image Processing Approach to Identify Plastic Garbage |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, device, equipment, and medium for garbage classification and treatment based on multidimensional screening Effective date of registration: 20231129 Granted publication date: 20231031 Pledgee: Shenzhen Rural Commercial Bank Co.,Ltd. Gongming Sub branch Pledgor: GUANGDONG BEIDOU XIANGCHEN TECHNOLOGY CO.,LTD. Registration number: Y2023980068485 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |