TWI726229B - 基於深度學習及電腦視覺技術之垃圾分類系統及方法 - Google Patents

基於深度學習及電腦視覺技術之垃圾分類系統及方法 Download PDF

Info

Publication number
TWI726229B
TWI726229B TW107128191A TW107128191A TWI726229B TW I726229 B TWI726229 B TW I726229B TW 107128191 A TW107128191 A TW 107128191A TW 107128191 A TW107128191 A TW 107128191A TW I726229 B TWI726229 B TW I726229B
Authority
TW
Taiwan
Prior art keywords
garbage
control unit
trash
neural network
images
Prior art date
Application number
TW107128191A
Other languages
English (en)
Other versions
TW202009802A (zh
Inventor
吳炳飛
曾婉茹
陳昱銘
吳秉璋
吳宜樵
鐘孟良
Original Assignee
國立陽明交通大學
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 國立陽明交通大學 filed Critical 國立陽明交通大學
Priority to TW107128191A priority Critical patent/TWI726229B/zh
Priority to US16/259,245 priority patent/US10824936B2/en
Publication of TW202009802A publication Critical patent/TW202009802A/zh
Application granted granted Critical
Publication of TWI726229B publication Critical patent/TWI726229B/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F1/00—Refuse receptacles; Accessories therefor
    • B65F1/0033—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles
    • B65F1/004—Refuse receptacles; Accessories therefor specially adapted for segregated refuse collecting, e.g. receptacles with several compartments; Combination of receptacles the receptacles being divided in compartments by partitions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/70—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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Sorting Of Articles (AREA)

Abstract

一種基於深度學習及電腦視覺技術的垃圾分類系統及方法，該系 統包含垃圾分類裝置以及垃圾分類演算模組。垃圾分類裝置包含垃圾理瓶機構、垃圾感測器、垃圾分類機構、控制單元。垃圾理瓶機構係設置以批次處理垃圾，控制單元依據垃圾感測器之訊號驅動垃圾理瓶機構並依據辨識結果控制垃圾分類機構之分類閘門旋轉。垃圾分類演算模組利用複數個攝影機於不同角度拍攝之影像並包括動態物件偵測演算模組、影像前處理演算模組、辨識模組、以及遴選演算模組。辨識模組係基於卷積層神經網路的辨識方法，可辨識四種類別垃圾，並產生辨識結果。本垃圾分類系統能夠快速且能批次處理垃圾，並能處理鐵罐、鋁罐、鋁箔包及寶特瓶等類別。

Description

基於深度學習及電腦視覺技術之垃圾分類系統及方法
本發明係關於垃圾分類處理之領域，特別是涉及一種基於深度學習及電腦視覺技術的智慧垃圾分類系統。
根據行政院環保署的統計顯示，臺灣的資源回收量有逐年上升的趨勢，從2001年的1,056,753公噸，持續上升到2015年的3,319,617公噸，上漲了3倍的量。而從資源回收率方面來觀察，從2001年的12.68%，持續上漲至2015年的45.92%，如此快速的回收率提升，可見垃圾分類問題亟需解決。
根據經濟合作暨發展組織(Organization for Economic Co-operation and Development,OECD)的資料顯示，其資源回收率55%可媲美奧地利、德國及南韓等先進國家，也遠高於美國的35%，如此高的回收率與回收量需要一套自動化的分類技術與系統。
目前台灣有的自動資源回收系統的辨識方法皆以條碼辨識或是影像辨識以外的感測單元為主，除了因為需要條碼而有大量施行上的困難，也有因為需要對資料庫作比對而耗費大量時間的問題。
為了解決上述的問題，本發明係提供一種基於深度學習及電腦視覺技術的垃圾分類系統及方法，此系統包含：複數個攝影裝置，分別設置以不同之角度拍攝垃圾物件，而產生複數個垃圾影像；控制單元，係與複數個攝影裝置連接，以接收複數個影像，以識別垃圾物件之種類，控制單元包含：複數個類神經網路模型，分別由對應複數個攝影裝置之拍攝角度所拍攝之影像所訓練，複數個類神經網路係就複數個垃圾影像進行垃圾物件之辨識，以判斷各複數個垃圾影像中的垃圾物件之種類；以及投票遴選演算模組，連接於複數個類神經網路模型，以綜合各複數個類神經網路模型對複數個垃圾影像中的垃圾物件之種類之判斷結果，以識別垃圾物件之種類；以及垃圾分類裝置，係接收垃圾物件，並受控制單元之控制而依據垃圾物件之種類，將垃圾物件分配至對應之垃圾通道。
較佳地，控制單元可以進一步包含動態物件偵測模組，其將複數個攝影裝置於一時間點以及該時間點之下一個時間點所拍攝之複數個垃圾影像相減來偵測垃圾物件是否正在經過複數個攝影裝置，若是，則產生驅動訊號以驅動複數個類神經網路模型以及投票遴選演算模組以識別經過複數個攝影裝置之垃圾物件之種類，若否，則不啟動複數個類神經網路模型以及投票遴選演算模組。
較佳地，垃圾分類裝置可以進一步包含金屬感測器，係與控制單元連接，以感測垃圾物件是否為金屬，以輸出金屬感測訊號至控制單元，控制單元根據金屬感測訊號以及投票遴選演算模組之判斷結果來識別垃圾物件之種類。
較佳地，垃圾分類裝置可以進一步包含：遮罩，係設置於垃圾分類裝置上以遮擋外部光源；以及燈源，係設置於遮罩內部以提供穩定的光線來提升垃圾物件之識別準確率。
較佳地，垃圾分類裝置可以進一步包含：垃圾感測器，係連接控制單元，並感測垃圾物件是否進入垃圾分類裝置，若是，則傳送感測訊號至控制單元；葉扇，係連接控制單元，當控制單元接收感測訊號，葉扇受控制單元之控制而擾動垃圾物件，以減少垃圾物件的交疊狀況，達到批次處理垃圾物件的功能，進而提升垃圾物件之識別準確率；以及控制門，係連接控制單元，當控制單元接收感測訊號，控制單元控制該控制門，使垃圾物件得以批次進行識別。
根據本發明另一目的提供一種基於深度學習及電腦視覺技術的垃圾分類方法，此方法包含：於控制單元內設置複數個類神經網路模型，複數個類神經網路模型分別以對應複數個攝影裝置之拍攝角度所拍攝之影像來訓練；設置複數個攝影裝置分別以不同之角度拍攝垃圾物件，並產生複數個垃圾影像；連接複數個攝影裝置至控制單元，並將複數個垃圾影像傳送至控制單元；透過複數個類神經網路對複數個垃圾影像進行垃圾物件之辨識；綜合複數個類神經網路之辨識結果並傳送至連接複數個類神經網路且設置於控制單元內之投票遴選演算模組，以識別垃圾物件之種類；以及根據投票遴選演算模組之識別結果，透過控制單元控制與其連接之垃圾分類裝置，將垃圾物件分配至對應之垃圾通道。
較佳地，垃圾分類方法可以進一步包含：在控制單元內設置動態物件偵測模組，並透過複數個攝影裝置於一時間點以及該時間點之下一個時間點所拍攝之複數個垃圾影像之間的影像相減結果來偵測垃圾物件是否正在經過複數個攝影裝置，若是，則產生驅動訊號以驅動複數個類神經網路模型以及投票遴選演算模組以識別經過複數個攝影裝置之垃圾物件之種類，若否，則不啟動複數個類神經網路模型以及投票遴選演算模組。
較佳地，垃圾分類方法可以進一步包含：連接金屬感測器至控制單元，並以金屬感測器感測垃圾物件是否為金屬，以輸出金屬感測訊號至控制單元；以及結合金屬感測訊號與投票遴選演算模組之識別結果來識別垃圾物件之種類。
較佳地，垃圾分類方法可以進一步包含：設置遮罩於垃圾分類裝置上以遮擋外部光源；以及設置燈源於遮罩內部以提供穩定的光線來提升垃圾物件之識別準確率。
較佳地，垃圾分類方法可以進一步包含：設置垃圾感測器、葉扇以及控制門於垃圾分類裝置上，並分別連接控制單元；以垃圾感測器感測垃圾物件是否進入垃圾分類裝置，若是，則傳送感測訊號至控制單元；以及透過控制單元控制該控制門以使垃圾物件得以批次進行識別，並且控制葉扇來擾動垃圾物件，以減少垃圾物件的交疊狀況，進而提升垃圾物件之識別準確率。
相較於先前技術，本發明提出之垃圾分類裝置及方法能夠批次處理大量垃圾，並且利用多個攝影裝置擷取不同角度的垃圾影像，分別輸入到不同的類神經網路模型，得到影像辨識結果，再以金屬感測器輔助辨識，得到最後的辨識結果，不需要以條碼作為辨識基礎，亦不需要與資料庫進行特徵比對，具有高辨識精確度及高效率。
1:基座
2:垃圾傳遞機構
3:垃圾理瓶機構
5:第三垃圾感測器
8:垃圾分類機構
9:垃圾存放桶
31:開口
32:控制門驅動馬達
33:控制門
34:葉扇驅動馬達
35:葉扇
41:第一垃圾感測器
42:第二垃圾感測器
61:遮罩
62:燈源
71:第一攝影機
72:第二攝影機
73:金屬感測器
81:分類閘門驅動馬達
82:分類閘門
83:垃圾通道
100:垃圾分類裝置
101、102、103:垃圾物件
600:控制單元
601:上方攝影機擷取之影像
602:側方攝影機擷取之影像
611:動態物件偵測模組
620:影像前處理模組
621:影像白平衡模組
622:影像直方圖等化模組
623:影像去模糊模組
624:影像感興趣區間切割模組
630:辨識模組
631:第一卷積層神經網路模型
632:第二卷積層神經網路模型
640:投票遴選演算模組
650:影像辨識結果
660:辨識單元
第1圖係繪示根據本發明一實施例之垃圾分類裝置之結構示意圖。
第2圖係繪示根據本發明一實施例之垃圾理瓶機構之作動示意圖。
第3圖係繪示根據本發明一實施例之垃圾理瓶機構之作動示意圖。
第4圖係繪示根據本發明一實施例之垃圾分類機構之結構示意圖。
第5圖係繪示根據本發明一實施例之垃圾分類機構之作動示意圖。
第6圖係繪示根據本發明一實施例之垃圾分類系統之方塊圖。
第7圖係說明根據本發明一實施例之垃圾分類方法流程圖。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效，茲將本發明配合附圖，並以實施例之表達形式詳細說明如下，而其中所使用之圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後之真實比例與精準配置，故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的申請專利範圍，合先敘明。
參照第1圖，根據本發明之一目的提出一種垃圾分類裝置100，其包含一可自由移動的基座1、垃圾傳遞機構2、垃圾理瓶機構3、第一垃圾感測器41、第二垃圾感測器42、第三垃圾感測器5、辨識單元660、垃圾分類機構8、垃圾存放桶9以及控制單元600(請參照第6圖)。其中，控制單元600可以是例如具有較佳運算能力之嵌入式板或類似的運算處理器。
垃圾傳遞機構2設於基座1上，用於傳遞垃圾，使垃圾得以朝著傳遞方向M傳遞，該垃圾傳遞機構2可以例如是輸送帶。
垃圾理瓶機構3係提供批次處理垃圾之功能，並且有效降低垃圾的交疊現象，垃圾理瓶機構3設於基座1上方，並且與垃圾傳遞機構2連接，垃圾理瓶機構3基底為垃圾傳遞器，垃圾傳遞器用於將垃圾朝著N方向傳遞，該垃圾理瓶機構3上側設有開放式開口31且下側設有一可選擇性開合之控制門33，該控制門33與控制門驅動馬達32固接，垃圾理瓶機構3進一步包括至少一葉扇驅動馬達34及至少一葉扇35，開放性開口31提供了使用者投入垃圾之功用，葉扇驅動馬達34及葉扇35彼此連接並用來擾動垃圾，垃圾理瓶機構3提供了垃圾批次處理之功用。第一垃圾感測器41係設置於垃圾理瓶機構3上側之開口31之側壁處，並與控制單元600以電性連接，第一垃圾感測器41提供了辨識有無垃圾進入垃圾分類裝置100之功能，並產生第一感測訊號。第二垃圾感測器42係設置於垃圾理瓶機構3之下側壁處，其提供了辨識垃圾理瓶機構3內是否還留有垃圾之功能，並產生第二感測訊號。參照第2圖及第3圖，其繪示根據本發明一實施例之垃圾理瓶機構之作動示意圖，其中，第2圖係繪示垃圾理瓶機構3之控制門33關閉時的狀態；第3圖則繪示垃圾理瓶機構3之控制門33打開時的狀態。控制門33開啟時，排列好的垃圾物件101~103將沿著方向N滑落至垃圾傳遞機構2上，待垃圾物件通過第三垃圾感測器5後會再次觸發控制門33關閉，並繼續上述過程直到第二垃圾感測器42偵測到已無垃圾物件留在垃圾理瓶機構3為止。
第三垃圾感測器5係設置於垃圾傳遞機構2上並在垃圾理瓶機構3與垃圾傳遞機構2之接口附近，第三垃圾感測器5提供了辨識有無垃圾通過之功能，並產生第三感測訊號，第三感測訊號用以調控垃圾理瓶機構3之控制門33的開闔，以達到批次處理垃圾之功用。
可遮擋外部光源的遮罩61設置於垃圾傳遞機構2的上方，燈源62則設置於遮罩61的內部，以提供穩定的環境光線，以提升辨識準確率。
辨識單元660至少包括第一攝影機71、第二攝影機72及金屬感測器73，辨識單元660係設置於垃圾傳遞機構2的上方並在遮罩61的內側，第一攝影機71係設置以由上而下垂直拍攝垃圾傳遞機構2上的垃圾物件，第二攝影機72則由斜側方向斜向拍攝垃圾傳遞機構2上的垃圾物件，第一攝影機71及第二攝影機72所拍攝之影像則被輸入至後面即將描述的基於深度學習及電腦視覺技術的垃圾分類演算模組並產生攝影機感測訊號。金屬感測器73係設置於垃圾傳遞機構2的側壁上以提供輔助辨識金屬類別垃圾之功能，並且提供金屬感測訊號。辨識單元660最後結合攝影機感測訊號及金屬感測訊號以產生第四感測訊號。
參照第4圖及第5圖，第4圖係繪示根據本發明一實施例之垃圾分類機構之結構示意圖；第5圖係繪示垃圾分類機構之作動示意圖。垃圾分類機構8設於垃圾傳遞機構2之上方以提供分類垃圾之功能，垃圾分類機構8包括至少兩個分類閘門驅動馬達81、至少兩個分類閘門82以及多個平行並列的垃圾通道83，分類閘門驅動馬達81與分類閘門82固接並置於垃圾通道83前方較靠近辨識單元660之一端，兩個分類閘門82透過旋轉的方式來決定三個垃圾通道83的各自入口的開闔狀態，垃圾通道83分別用以通過(分類)不同種類的垃圾。
請重新參照第1圖，垃圾存放桶9係設置於垃圾通道83末端的下方，以提供垃圾物件暫存之功能。
控制單元600可資訊聯通垃圾傳遞機構2、垃圾理瓶機構3、第一垃圾感測器41、第二垃圾感測器42、第三垃圾感測器5、辨識單元660以及垃圾分類機構8，控制單元600依據第一感測訊號來驅動垃圾理瓶機構3、垃圾傳遞機構2以及辨識單元660之運作，依據第二感測訊號及第三感測訊號來控制垃圾理瓶機構3之控制門33，來達到批次處理垃圾之功能，並且依據第四感測訊號來控 制垃圾分類機構8之分類閘門82進行旋轉作動，如第5圖所示，兩個閘門因三種不同的旋轉角度的搭配可形成左、中及右三個不同的垃圾通道入口。
關於上述透過基於深度學習及電腦視覺技術的垃圾分類演算法來產生第四感測訊號之過程，請參照第6圖以及下面的詳細描述。
第6圖係繪示根據本發明一實施例提供之一種基於深度學習及電腦視覺技術的垃圾分類演算模組。該垃圾分類演算模組利用複數個攝影機所擷取之影像，並且利用包括動態物件偵測模組611、影像前處理模組620、辨識模組630以及投票遴選演算模組640對上述影像進行處理及辨識。
根據本發明一實施例，複數個攝影機係設置以從不同方向拍攝於垃圾傳遞機構2上輸送的垃圾物件，複數個攝影機之數量為兩個，第6圖中之上方攝影機擷取之影像601係指由第一攝影機71所拍攝之影像，而第6圖中之側方攝影機擷取之影像602係指第二攝影機72所拍攝之影像。
在第6圖中，動態物件偵測模組611是透過將第一攝影機71和/或第二攝影機72於一時間點以及該時間點之下一個時間點所拍攝之複數個垃圾影像相減來偵測是否有垃圾物件正在垃圾傳遞機構2上輸送，若是，則產生驅動訊號，驅動訊號再驅動後續的演算模組(影像前處理模組620、辨識模組630以及投票遴選演算模組640)作動；若否，則無驅動訊號產生，而無法驅動後續的演算模組作動，以減少演算系統作動的成本。
影像前處理模組620包括影像白平衡模組621、影像直方圖等化模組622、影像去模糊模組623以及影像感興趣區間切割模組624，並將感興趣區間之影像傳遞至辨識模組630。其中，影像去模糊模組623係設置以將垃圾物件移動時所拍攝的模糊影像進一步去模糊，以增加後續辨識的精確度；影像感興趣區間切割模組624係指將所拍攝之垃圾影像中之垃圾物件切割出來，而捨棄該影 像中不是該垃圾物件的部分。整體來說，影像前處理模組620係設置以提升後續辨識之精確度。
辨識模組630包括至少兩個卷積層神經網路模型，卷積層神經網路模型可以是例如VGG16卷積網路模型，各個卷積層神經網路模型分別用以辨識不同攝影機所拍攝的影像，根據本實施例之辨識模組630包括兩個卷積層神經網路模型，第一卷積層神經網路模型631係以垂直於垃圾傳遞機構2之第一攝影機71所拍攝之垃圾影像來訓練，因此，第一卷積層神經網路模型631對於垂直於垃圾傳遞機構2之第一攝影機71所拍攝之垃圾影像有較高的辨識準確率，而第二卷積層神經網路模型632係以一定角度側向於垃圾傳遞機構2之第二攝影機72所拍攝之垃圾影像來訓練，其對側向於垃圾傳遞機構2之第二攝影機72所拍攝之垃圾影像有較高的辨識準確率。
根據本發明一實施例之辨識模組630可辨識四種類別之垃圾，並產生辨識結果，但本發明不限於此，辨識模組630可以辨識之垃圾種類數量可以是任意的，其取決於訓練第一卷積層神經網路模型631及第二卷積層神經網路模型632之垃圾種類數量，用以訓練之垃圾種類數量越多，其可辨識之垃圾種類數量就越多。
投票遴選演算模組640係接收辨識模組630的結果，隨著累積多個辨識結果後，進一步以統計來決定最終的影像辨識結果650。根據本發明一實施例之投票遴選示例，請參照表1：
Figure 107128191-A0305-02-0012-2
Figure 107128191-A0305-02-0013-1
參照表1，其代表經過訓練後的第一卷積層神經網路模型631及第二卷積層神經網路模型632對第一攝影機71所拍攝的10張影像及第二攝影機72所拍攝的10張影像進行辨識，並將所產生之辨識模組結果以投票遴選演算模組640進行統計，決定最終的影像辨識結果650(投票遴選結果)。在表1中，經過第一卷積層神經網路模型631的辨識，第一攝影機71所拍攝的10張影像中，有一張被辨識為第一類垃圾、兩張被辨識為第二類垃圾、兩張被辨識為第三類垃圾、五張被辨識為第四類垃圾；經過第二卷積層神經網路模型632的辨識，第二攝影機72所拍攝的10張影像中，有兩張被辨識為第一類垃圾、兩張被辨識為第二類垃圾、兩張被辨識為第三類垃圾、四張被辨識為第四類垃圾。上述辨識模組結果經過投票遴選演算模組640進行統計後，得出表1所示之綜合結果，代表被第一攝影機71及第二攝影機72所拍攝之垃圾物件經過此垃圾分類演算模組被辨識為第四類垃圾。
根據本發明一實施例，經過第6圖所示之垃圾分類演算模組得出之影像辨識結果650(攝影機感測訊號)進一步透過辨識單元660結合由金屬感測器73所測得之金屬感測訊號，以產生第四感測訊號，第四感測訊號則決定垃圾分類機構8之分類閘門82進行旋轉作動，開啟該垃圾物件之種類所對應之垃圾通道之入口，並關閉該垃圾通道以外之其餘垃圾通道之入口，透過垃圾傳遞機構2將該垃圾物件輸送至該垃圾通道之出口，以暫存至垃圾存放桶9內之對應位置。
根據本發明一實施例之垃圾分類系統，係以兩部攝影機分別由垂直方向以及相對於水平線約45度之側向拍攝垃圾物件，搭配上述之垃圾分類演算模組及金屬感測器，能夠以高於99%之辨識率，分辨至少四種垃圾物件(鐵罐、鋁罐、鋁箔包及寶特瓶)。
接下來請參照第7圖，其說明根據本發明一實施例之垃圾分類方法流程圖，該垃圾分類方法適用於上述之垃圾分類系統。作為示例，請同時參照第1圖、第6圖以及第7圖，以進一步了解本實施例之垃圾分類方法之流程(步驟S71~步驟S76)：
步驟S71：於控制單元內設置複數個類神經網路模型，複數個類神經網路模型分別以對應複數個攝影裝置之拍攝角度所拍攝之影像來訓練。設置第一攝影機71以垂直方向向下拍攝已知種類之垃圾物件，並設置第二攝影機72以一側向方向拍攝已知種類之垃圾物件，第一攝影機71以及第二攝影機72皆拍攝複數個垃圾影像。在控制單元600內設置第一卷積層神經網路模型631及第二卷積層神經網路模型632；其中，第一卷積層神經網路模型631已藉由第一攝影機71所拍攝之複數個垃圾影像進行訓練，以最佳化第一卷積層神經網路模型631之參數；並且第二卷積層神經網路模型632已藉由第二攝影機72所拍攝之複數個垃圾影像進行訓練，以最佳化第二卷積層神經網路模型632之參數。
步驟S72：設置複數個攝影裝置分別以不同之角度拍攝垃圾物件，並產生複數個垃圾影像。維持第一攝影機71以及第二攝影機72於步驟S71內之位置及拍攝角度，並對待辨識之垃圾物件進行拍攝，產生分別產生複數個垃圾影像。
步驟S73：連接複數個攝影裝置至控制單元，並將複數個垃圾影像傳送至控制單元。連接第一攝影機71以及第二攝影機72至控制單元600，並將步驟S72的複數個垃圾影像傳送至控制單元600。
步驟S74：透過複數個類神經網路對複數個垃圾影像進行垃圾物件之辨識。以第一卷積層神經網路模型631對步驟S72中由第一攝影機71所拍攝之複數個垃圾影像進行辨識；並且以第二卷積層神經網路模型632對步驟S72中由第二攝影機72所拍攝之複數個垃圾影像進行辨識。
步驟S75：綜合複數個類神經網路之辨識結果並傳送至連接複數個類神經網路且設置於控制單元內之投票遴選演算模組，以識別垃圾物件之種類。綜合第一卷積層神經網路模型631以及第二卷積層神經網路模型632之辨識結果並傳送至投票遴選演算模組，產生影像辨識結果650。
步驟S76：根據投票遴選演算模組之識別結果，透過控制單元控制與其連接之垃圾分類裝置，將垃圾物件分配至對應之垃圾通道。根據步驟S75中之影像辨識結果650，透過控制單元600控制分類閘門82之旋轉方向，使垃圾物件分配至對應之垃圾通道，並落入垃圾存放桶9內之對應位置。根據本發明一實施例，控制單元600可進一步結合步驟S75中之影像辨識結果650以及金屬感測器73所感測之金屬感測訊號，來辨識該垃圾物件之種類。
接下來請參照表2，係根據本發明一實施例之垃圾分類系統對四種類型之垃圾物件(寶特瓶、鋁箔包、鐵鋁罐以及不同於前述三類之垃圾)進行辨識之結果，其中，未利用金屬感測器進行輔助辨識：
Figure 107128191-A0305-02-0015-3
如表2所示，具有複數個模型(卷積層神經網路模型)之垃圾分類系統具有較佳的分類準確率，也就是說，根據本發明概念之以不同角度對垃圾物件進行拍攝，並將拍攝所得影像輸入對應之複數個卷積層神經網路模型進行運算之方式，相較於僅由一個角度拍攝垃圾物件，以及僅有一個對應之卷積層神經網路模型之方式，具有較高的辨識精確度。
以上所述僅為舉例性，而非為限制性者。任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應包含於後附之申請專利範圍中。
1:基座
2:垃圾傳遞機構
3:垃圾理瓶機構
5:第三垃圾感測器
8:垃圾分類機構
9:垃圾存放桶
31:開口
32:控制門驅動馬達
33:控制門
34:葉扇驅動馬達
35:葉扇
41:第一垃圾感測器
42:第二垃圾感測器
61:遮罩
62:燈源
71:第一攝影機
72:第二攝影機
73:金屬感測器
81:分類閘門驅動馬達
82:分類閘門
83:垃圾通道
100:垃圾分類裝置

Claims (8)

  1. 一種基於深度學習及電腦視覺技術之垃圾分類系統，其包含：複數個攝影裝置，分別設置以不同之角度拍攝一垃圾物件，而產生複數個垃圾影像；一控制單元，係與該複數個攝影裝置連接，以接收該複數個影像，以識別該垃圾物件之種類，該控制單元包含：複數個類神經網路模型，分別由對應該複數個攝影裝置之拍攝角度所拍攝之影像所訓練，該複數個類神經網路係就該複數個垃圾影像進行該垃圾物件之辨識，以判斷各該複數個垃圾影像中該垃圾物件之種類；一投票遴選演算模組，連接於該複數個類神經網路模型，以綜合各該複數個類神經網路模型對該複數個垃圾影像中該垃圾物件之種類之判斷結果，以識別該垃圾物件之種類；一動態物件偵測模組，其將該複數個攝影裝置於一時間點以及該時間點之下一個時間點所拍攝之該複數個垃圾影像相減來偵測該垃圾物件是否正在經過該複數個攝影裝置，若是，則產生一驅動訊號以驅動該複數個類神經網路模型以及該投票遴選演算模組以識別經過該複數個攝影裝置之該垃圾物件之種類，若否，則不啟動該複數個類神經網路模型以及該投票遴選演算模組；以及一垃圾分類裝置，係接收該垃圾物件，並受該控制單元之控制而依據該垃圾物件之種類，將該垃圾物件分配至對應之一垃圾通道。
  2. 如申請專利範圍第1項所述之垃圾分類系統，其中該垃圾分類裝置進一步包含一金屬感測器，係與該控制單元連接，以感測該垃圾物件是否為金屬，以輸出一金屬感測訊號至該控制單元，該控制單元根據該 金屬感測訊號以及該投票遴選演算模組之判斷結果來識別該垃圾物件之種類。
  3. 如申請專利範圍第2項所述之垃圾分類系統，其中該垃圾分類裝置進一步包含：一遮罩，係設置於該垃圾分類裝置上以遮擋外部光源；以及一燈源，係設置於該遮罩內部以提供穩定的光線來提升該垃圾物件之識別準確率。
  4. 如申請專利範圍第3項所述之垃圾分類系統，其中該垃圾分類裝置進一步包含：一垃圾感測器，係連接該控制單元，並感測該垃圾物件是否進入該垃圾分類裝置，若是，則傳送一感測訊號至該控制單元；一葉扇，係連接該控制單元，當該控制單元接收該感測訊號，該葉扇受該控制單元之控制而擾動該垃圾物件，以減少該垃圾物件的交疊狀況，達到批次處理該垃圾物件的功能，進而提升該垃圾物件之識別準確率；以及一控制門，係連接該控制單元，當該控制單元接收該感測訊號，該控制單元控制該控制門，使該垃圾物件得以批次進行識別。
  5. 一種基於深度學習及電腦視覺技術之垃圾分類方法，其適用於一垃圾分類裝置，該垃圾分類方法包含：於一控制單元內設置複數個類神經網路模型，該複數個類神經網路模型係分別以對應複數個攝影裝置之拍攝角度所拍攝之影像來訓練；設置該複數個攝影裝置分別以不同之角度拍攝一垃圾物件，並產生複 數個垃圾影像；連接該複數個攝影裝置至該控制單元，並將該複數個垃圾影像傳送至該控制單元；透過該複數個類神經網路模型對該複數個垃圾影像進行該垃圾物件之辨識；綜合該複數個類神經網路模型之辨識結果並傳送至連接該複數個類神經網路模型且設置於該控制單元內之一投票遴選演算模組，以識別該垃圾物件之種類；在該控制單元內設置一動態物件偵測模組，並透過該複數個攝影裝置於一時間點以及該時間點之下一個時間點所拍攝之該複數個垃圾影像之間的影像相減結果來偵測該垃圾物件是否正在經過該複數個攝影裝置，若是，則產生一驅動訊號以驅動該複數個類神經網路模型以及該投票遴選演算模組以識別經過該複數個攝影裝置之該垃圾物件之種類，若否，則不啟動該複數個類神經網路模型以及該投票遴選演算模組；以及根據該投票遴選演算模組之識別結果，透過該控制單元控制與其連接之一垃圾分類裝置，將該垃圾物件分配至對應之一垃圾通道。
  6. 如申請專利範圍第5項所述之垃圾分類方法，其進一步包含：連接一金屬感測器至該控制單元，並以該金屬感測器感測該垃圾物件是否為金屬，以輸出一金屬感測訊號至該控制單元；以及結合該金屬感測訊號與該投票遴選演算模組之識別結果來識別該垃圾物件之種類。
  7. 如申請專利範圍第6項所述之垃圾分類方法，其進一步包含： 設置一遮罩於該垃圾分類裝置上以遮擋外部光源；以及設置一燈源於該遮罩內部以提供穩定的光線來提升該垃圾物件之識別準確率。
  8. 如申請專利範圍第7項所述之垃圾分類方法，其進一步包含：設置一垃圾感測器、一葉扇以及一控制門於該垃圾分類裝置上，並分別連接該控制單元；以該垃圾感測器感測該垃圾物件是否進入該垃圾分類裝置，若是，則傳送一感測訊號至該控制單元；以及透過該控制單元控制該控制門以使該垃圾物件得以批次進行識別，並且控制該葉扇來擾動該垃圾物件，以減少該垃圾物件的交疊狀況，進而提升該垃圾物件之識別準確率。
TW107128191A 2018-08-13 2018-08-13 基於深度學習及電腦視覺技術之垃圾分類系統及方法 TWI726229B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107128191A TWI726229B (zh) 2018-08-13 2018-08-13 基於深度學習及電腦視覺技術之垃圾分類系統及方法
US16/259,245 US10824936B2 (en) 2018-08-13 2019-01-28 Recycling system and method based on deep-learning and computer vision technology

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107128191A TWI726229B (zh) 2018-08-13 2018-08-13 基於深度學習及電腦視覺技術之垃圾分類系統及方法

Publications (2)

Publication Number Publication Date
TW202009802A TW202009802A (zh) 2020-03-01
TWI726229B true TWI726229B (zh) 2021-05-01

Family

ID=69405099

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107128191A TWI726229B (zh) 2018-08-13 2018-08-13 基於深度學習及電腦視覺技術之垃圾分類系統及方法

Country Status (2)

Country Link
US (1) US10824936B2 (zh)
TW (1) TWI726229B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12017255B2 (en) 2015-07-16 2024-06-25 Sortera Technologies, Inc. Sorting based on chemical composition
US11278937B2 (en) 2015-07-16 2022-03-22 Sortera Alloys, Inc. Multiple stage sorting
US11969764B2 (en) 2016-07-18 2024-04-30 Sortera Technologies, Inc. Sorting of plastics
JP7206451B2 (ja) * 2020-03-12 2023-01-18 公立大学法人会津大学 対象物選別システム、対象物選別プログラム、情報処理装置、対象物選別方法及び選別装置
CN111444977A (zh) * 2020-04-03 2020-07-24 成都禧来科技有限公司 一种实现垃圾自动分类的方法
CN111498326A (zh) * 2020-04-03 2020-08-07 成都禧来科技有限公司 一种基于二类识别模型的垃圾自动分类机
CN111498331B (zh) * 2020-04-30 2022-02-01 昆明理工大学 基于深度学习的垃圾视觉识别方法、装置及分类回收装置
EP4161708A1 (en) * 2020-06-08 2023-04-12 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Sorting system for sorting objects belonging to at least two classes of objects having different acoustic signatures when impacting an impact body and associated methods
CN111619992A (zh) * 2020-06-11 2020-09-04 中南林业科技大学 一种基于机器视觉的智能垃圾分类***及方法
CN112520259A (zh) * 2020-07-26 2021-03-19 北京一青科技有限公司 具有智能分类识别功能的***装置
ES2893149A1 (es) * 2020-07-28 2022-02-08 Cecotec Res And Development Contenedor de residuos y procedimiento de gestion de residuos asociado
CN112429444A (zh) * 2020-11-02 2021-03-02 武汉理工大学 垃圾回收机器人及其控制方法
CN112270673A (zh) * 2020-11-11 2021-01-26 珠海格力智能装备有限公司 垃圾的处理方法和垃圾的处理装置
CN112620165B (zh) * 2020-12-11 2022-09-13 江西理工大学 垃圾分类方法
CN112793952A (zh) * 2020-12-22 2021-05-14 厦门叁壹伍捌信息技术有限公司 一种基于物联网的智慧社区管理设备
CN112722614A (zh) * 2020-12-30 2021-04-30 浙江金实乐环境工程有限公司 一种基于人脸识别技术的垃圾分类投放箱
CN113003036A (zh) * 2021-02-26 2021-06-22 光控特斯联(重庆)信息技术有限公司 一种基于物体识别算法的社区垃圾分类方法和***
WO2023003669A1 (en) * 2021-07-20 2023-01-26 Sortera Alloys, Inc. Material classification system
WO2023003670A1 (en) * 2021-07-20 2023-01-26 Sortera Alloys, Inc. Material handling system
CN113723388B (zh) * 2021-08-06 2023-12-29 盛视科技股份有限公司 一种基于x光图像的袋装垃圾分类检测方法
CN114092877A (zh) * 2021-11-03 2022-02-25 北京工业大学 一种基于机器视觉的垃圾桶无人值守***设计方法
CN113731832B (zh) * 2021-11-04 2022-02-15 南京信息工程大学 一种用于垃圾转运站的垃圾分拣处理方法和***
CN114228950A (zh) * 2021-11-26 2022-03-25 江苏科技大学 一种基于OpenCV与深度学习的水面物体打捞方法及打捞船
WO2023122679A1 (en) * 2021-12-22 2023-06-29 Ecotone Renewables Co. Apparatus, system and method for automated food waste processing
WO2023143704A1 (en) * 2022-01-26 2023-08-03 Robert Bosch Gmbh System and method for identification of objects and prediction of object class
CN114871140B (zh) * 2022-05-10 2023-06-27 苏州天准科技股份有限公司 电极双面检测装置、检测方法和电极综合检测设备
CN114821283B (zh) * 2022-06-29 2022-09-09 山东施卫普环保科技有限公司 一种基于视觉感知的清扫车垃圾清扫方法及***
CN117421692B (zh) * 2023-12-18 2024-04-09 深圳火眼智能有限公司 垃圾投放站的垃圾违规投放识别方法、装置、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014179667A2 (en) * 2013-05-03 2014-11-06 Ecowastehub Corp. Solid waste identification & segregation system
US20140379588A1 (en) * 2013-03-15 2014-12-25 Compology, Inc. System and method for waste managment
US9639535B1 (en) * 2015-12-16 2017-05-02 Waste Repurposing International, Inc. Waste identification systems and methods
CN107463946A (zh) * 2017-07-12 2017-12-12 浙江大学 一种结合模板匹配与深度学习的商品种类检测方法
CN107552412A (zh) * 2016-06-30 2018-01-09 休伦瓦雷钢铁公司 废料分拣***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140379588A1 (en) * 2013-03-15 2014-12-25 Compology, Inc. System and method for waste managment
WO2014179667A2 (en) * 2013-05-03 2014-11-06 Ecowastehub Corp. Solid waste identification & segregation system
US9639535B1 (en) * 2015-12-16 2017-05-02 Waste Repurposing International, Inc. Waste identification systems and methods
CN107552412A (zh) * 2016-06-30 2018-01-09 休伦瓦雷钢铁公司 废料分拣***
CN107463946A (zh) * 2017-07-12 2017-12-12 浙江大学 一种结合模板匹配与深度学习的商品种类检测方法

Also Published As

Publication number Publication date
TW202009802A (zh) 2020-03-01
US20200050922A1 (en) 2020-02-13
US10824936B2 (en) 2020-11-03

Similar Documents

Publication Publication Date Title
TWI726229B (zh) 基於深度學習及電腦視覺技術之垃圾分類系統及方法
CN109559458B (zh) 基于神经网络识别商品的收银方法以及自助收银台
Gou et al. Vehicle license plate recognition based on extremal regions and restricted Boltzmann machines
US12006141B2 (en) Systems and methods for detecting waste receptacles using convolutional neural networks
Anagnostopoulos et al. A license plate-recognition algorithm for intelligent transportation system applications
WO2020134102A1 (zh) 物品识别方法、装置、售货***和存储介质
Sharma et al. Efficient detector adaptation for object detection in a video
CN103345631A (zh) 图像特征提取、训练、检测方法及模块、装置、***
WO2023124474A1 (zh) 安检信息绑定方法、装置、电子设备及可读存储介质
Varga et al. Vision-based autonomous load handling for automated guided vehicles
CN105956656B (zh) 一种用于对运动物体进行计数的设备
Huynh et al. Convolutional neural network for motorbike detection in dense traffic
Huang et al. Deep learning object detection applied to defect recognition of memory modules
CN113361657A (zh) 用于识别烟箱箱号的装置、方法、烟丝装箱设备和工控机
CN104615971B (zh) 一种用于化肥质量追溯***的二维码跟踪识别方法
Ilayarajaa et al. Text recognition in moving vehicles using deep learning neural networks
CN105975910A (zh) 一种用于对运动物体进行视频识别的技术处理方法及其***
Dong et al. Moving object and shadow detection based on RGB color space and edge ratio
Nagaoka et al. Automatic mackerel sorting machine using global and local features
TWI596552B (zh) Car models recognition system and method
Wachs et al. Recognizing Human Postures and Poses in Monocular Still Images.
CN110572618B (zh) 一种非法拍照行为监控方法、装置及***
Kavitha et al. Design of IoT based Smart Coin Classifier using OpenCV and Arduino
CN114255435A (zh) 传送装置异常检测方法、装置、电子设备及存储介质
aSamantha et al. Vision based pedestrian detection using histogram of oriented gradients, adaboost & linear support vector machines