智能干垃圾分类云端系统及其工作方法技术方案

本发明专利技术涉及一种智能干垃圾分类云端系统及其工作方法，云端系统包括图像接收与处理模块、深度学习模型、模型结果处理与返回模块，所述图像接收与处理模块用于接收网络传输的图片信息并对图片进行预处理，所述深度学习模型连接图像接收与处理模块，该深度学习模型用于识别垃圾图片信息，模型结果处理与返回模块连接深度学习模型，用于将将映射垃圾类别并传输返回。本发明专利技术通过前端拍照设备传输的垃圾图片可以预测出该垃圾属于可回收垃圾还是其他垃圾，准确度超过95％，提高了分类精度；该云端系统无需在每一台前端智能垃圾分类装置上部署，通过远程图片传输实现分类，降低了开发成本和系统成本。

Intelligent dry waste classification cloud system and its working method

【技术实现步骤摘要】
智能干垃圾分类云端系统及其工作方法
本专利技术涉及垃圾分类计数领域，具体涉及一种智能干垃圾分类云端系统及其工作方法。
技术介绍
中国大陆目前90％以上可以利用的废弃物被填埋或焚烧掉。比如每年15亿多吨建筑垃圾，再生利用的仅有几千吨，而实现最大利用的前提便是垃圾分类。在北京、杭州等城市，垃圾分类试点已经推行了14年，却未见明显实效，尽管小区门口放了不同颜色的垃圾桶，但仍然各种垃圾混杂、免费发放的可降解垃圾袋也被用来装其他垃圾。没有解决精确的分类正确率问题，前端二次混合、转运二次混合使得后端设备处理能力无法满足处理要求。对于居民、清运者的奖励刺激较小，无法促动年青一代主动分类，公共场合的垃圾分类无法实行有效的奖励刺激。如果前端不分类，或者在转运过程中混合，后端的处理效率和污染水平指数级上升，生活垃圾在后端分类，转运成本极大，前端分类可以把需转运的生活垃圾减量30-50％。因此，智能的垃圾分类的研发具有重要意义。
技术实现思路
本专利技术的目的在于提供一种智能干垃圾分类云端系统及其工作方法，用以解决现有技术中的前端垃圾分类难的问题。本专利技术一方面提供了一种智能干垃圾分类云端系统，包括图像接收与处理模块、深度学习模型、模型结果处理与返回模块，所述图像接收与处理模块用于接收网络传输的图片信息并对图片进行预处理，所述深度学习模型连接图像接收与处理模块，该深度学习模型用于识别垃圾图片信息，模型结果处理与返回模块连接深度学习模型，用于将将映射垃圾类别并传输返回。进一步的，所述深度学习模型为DenseNet压缩深度模型。本专利技术另一方面提供一种智能干垃圾分类云端系统的工作方法，包括如下步骤：(1)图像接收和处理模块通过http服务接收网络传输过来的图片信息并对图片进行预处理；(2)图像接收和处理模块将预处理过的图片信息输送至DenseNet压缩深度模型，DenseNet压缩深度模型通过图像特征在channel上的连接来实现特征重用，并将结果输出至模型结果处理与返回模块；(3)模型结果处理与返回模块把DenseNet压缩深度模型输出的结果映射到可回收垃圾或其他垃圾类别，并将结果通过http服务的post方式返回分类结果。进一步的，所述步骤(1)中对图片进行预处理具体为：基于opencv框架对网络传输过来的图片进行预处理，处理成299*299像素大小的图片，然后进行归一化操作，对应图片的每个像素上减去RGB的均值。进一步的，在所述步骤(1)之前，还包括深度学习模型载入用户级自定义词典，自定义可回收类别的垃圾模型和其他类别的垃圾模型，其中自定义的垃圾模型的样本数大于50W。采用上述本专利技术技术方案的有益效果是：本专利技术通过前端拍照设备传输的垃圾图片可以预测出该垃圾属于可回收垃圾还是其他垃圾，准确度超过95％，提高了分类精度；该云端系统无需在每一台前端智能垃圾分类装置上部署，通过远程图片传输实现分类，降低了开发成本和系统成本。附图说明图1为本专利技术智能干垃圾分类云端系统结构示意图；具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。如图1所示，本专利技术智能干垃圾分类云端系统，包括图像接收与处理模块、深度学习模型、模型结果处理与返回模块，所述图像接收与处理模块用于接收网络传输的图片信息并对图片进行预处理，所述深度学习模型连接图像接收与处理模块，该深度学习模型用于识别垃圾图片信息，模型结果处理与返回模块连接深度学习模型，用于将将映射垃圾类别并传输返回。具体的，所述深度学习模型为DenseNet压缩深度模型，DenseNet是一种具有密集连接的卷积神经网络，在该网络中，任何两层之间都有直接的连接，DenseNet通过图像特征在channel上的连接来实现特征重用，让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能。该智能干垃圾分类云端系统的工作方法，包括如下步骤：首先，深度学习模型载入用户级自定义词典，自定义可回收类别的垃圾模型和其他类别的垃圾模型，其中自定义的垃圾模型的样本数大于50W；图像接收和处理模块通过http服务接收前端拍照设备网络传输过来的垃圾的图片信息并基于opencv框架对网络传输过来的图片进行预处理，处理成299*299像素大小的图片，然后进行归一化操作，对应图片的每个像素上减去RGB的均值，通过网络传输图片，避免在每台垃圾分类设备上安装此云端系统，节约成本；图像接收和处理模块将预处理过的图片信息输送至DenseNet压缩深度模型，DenseNet压缩深度模型通过图像特征在channel上的连接来实现特征重用，并将结果输出至模型结果处理与返回模块，应用图片缓存技术，可以让深度学习模型同时识别多个图片，提升效率；模型结果处理与返回模块把DenseNet压缩深度模型输出的结果映射到可回收垃圾或其他垃圾类别，并将结果通过http服务的post方式返回分类结果。综上，本专利技术通过前端拍照设备传输的垃圾图片可以预测出该垃圾属于可回收垃圾还是其他垃圾，准确度超过95％，提高了分类精度；该云端系统无需在每一台前端智能垃圾分类装置上部署，通过远程图片传输实现分类，降低了开发成本和系统成本。最后应说明的是：以上各实施例仅用以说明本专利技术的技术方案，而非对其限制；尽管参照前述各实施例对本专利技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本专利技术各实施例技术方案的范围。本文档来自技高网...

【技术保护点】
1.一种智能干垃圾分类云端系统，其特征在于，包括图像接收与处理模块、深度学习模型、模型结果处理与返回模块，所述图像接收与处理模块用于接收网络传输的图片信息并对图片进行预处理，所述深度学习模型连接图像接收与处理模块，该深度学习模型用于识别垃圾图片信息，模型结果处理与返回模块连接深度学习模型，用于将将映射垃圾类别并传输返回。/n

【技术特征摘要】
1.一种智能干垃圾分类云端系统，其特征在于，包括图像接收与处理模块、深度学习模型、模型结果处理与返回模块，所述图像接收与处理模块用于接收网络传输的图片信息并对图片进行预处理，所述深度学习模型连接图像接收与处理模块，该深度学习模型用于识别垃圾图片信息，模型结果处理与返回模块连接深度学习模型，用于将将映射垃圾类别并传输返回。


2.根据权利要求1所述的智能干垃圾分类云端系统，其特征在于，所述深度学习模型为DenseNet压缩深度模型。


3.一种智能干垃圾分类云端系统的工作方法，其特征在于，包括如下步骤：
(1)图像接收和处理模块通过http服务接收网络传输过来的垃圾图片信息并对图片进行预处理；
(2)图像接收和处理模块将预处理过的图片信息输送至DenseNet压缩深度模型，DenseNet压缩深度模型通过图...

【专利技术属性】
技术研发人员：秦迎梅，曹子龙，陈思豪，
申请(专利权)人：阿尔飞思昆山智能物联科技有限公司，
类型：发明
国别省市：江苏;32