一种智能垃圾分类方法、装置、存储介质和机器人制造方法及图纸

本发明专利技术公开了一种智能垃圾分类方法，通过获取原始垃圾视频流，并在原始垃圾视频流中以预设间隔抽取图像帧，然后将图像帧输入至垃圾分类预测模型中进行分析，输出图像帧对应的垃圾分类预测结果，其中垃圾分类预测模型为神经网络模型，利用大量垃圾分类图像做样本集，对垃圾分类预测模型进行大数据训练学习，提高模型的分类识别精确度，从而提高了垃圾识别的准确率，并且提高了识别分类效率，同时，当有新型垃圾出现时，通过采集新型垃圾样本图像扩充样本集，对模型进行二次训练学习，能够适应不断增加的新型垃圾的快速识别需求，是一种垃圾分类准确度高、分类效率高的智能垃圾分类方法。

【技术实现步骤摘要】
一种智能垃圾分类方法、装置、存储介质和机器人
本专利技术涉及垃圾分类领域，尤其是一种智能垃圾分类方法、装置、存储介质和机器人。
技术介绍
当前，城市卫生治理工作中的垃圾分类，主要通过物理+人工的方式进行，一般将垃圾分为可回收垃圾、厨余垃圾、有害垃圾和其它垃圾，而将垃圾进行分类的工作主要通过物理和人工两种方式进行分类，物理方式比如结合重量材料等特性，通过不同垃圾的体积、重量、硬度、是否可燃烧等物理特性，并综合应用震动、风动、压缩等物理方式，对垃圾进行分类，人工方式为通过人为视判，将不同垃圾按可回收，不可回收等维度，分门别类的装入不同的垃圾桶，进而进行分类。但是现有的分类手段存在分类不准确、分类效率不高并且无法应对新型垃圾的问题。在使用物理特性进行垃圾分类的过程中，对物理特性相似的垃圾，不容易精确区分，如塑料袋与可降解纸袋，两者质地相似，难以区分。在人工进行垃圾分类的过程中，需要通过视验，才能准确的将垃圾合理归类，这一环节一方面占用了大量的人力时间，会明显降低了社会运行效率，另一方面，也加重了人的负担。另外在使用物理分类的时候，对新出现在新型垃圾，特别是物理特性相似的新型垃圾，较难进行精确分类。因此需要结合现在神经网络技术提出一种新的垃圾分类技术，提高垃圾分类准确度和分类效率，解放人力，提高生产效率。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的是提供一种垃圾分类准确度和分类效率高的智能垃圾分类方法。另外本专利技术还提供一种智能垃圾分类装置、存储介质和机器人。本专利技术所采用的技术方案是：第一方面，本专利技术提供一种智能垃圾分类方法，包括步骤：获取原始垃圾视频流，并在所述原始垃圾视频流中以预设间隔抽取图像帧；将所述图像帧输入至训练好的垃圾分类预测模型中进行分析，输出当前图像帧对应的垃圾分类预测结果；所述垃圾分类预测模型为神经网络模型，通过垃圾样本分类图像组成的样本集进行模型训练。进一步地，所述垃圾样本分类图像组成的样本集的分类包括以下至少一种：废纸、塑料、玻璃、金属、布料、有害垃圾和其它垃圾。进一步地，所述垃圾分类预测模型包括8层，具体为：4个卷积层、3个最大池化层和1个softmax层，所述卷积层每2个之间为一个最大池化层。进一步地，每个最大池化层后面接一个ReLU激活函数。进一步地，所述垃圾分类预测模型的损失函数为均方误差函数，表示如下：其中，MSE表示均方误差，i＝1,...n表示样本空间，yi表示预测值，ypi表示真实值。进一步地，所述垃圾分类预测模型中还包括至少一层恒等连接的残差块。进一步地，还包括步骤：根据所述垃圾分类预测结果，驱动机械臂进行垃圾分拣。第二方面，本专利技术还提供一种智能垃圾分类装置包括：原始垃圾视频获取模块，用于获取原始垃圾视频流；图像帧抽取模块，用于在所述原始垃圾视频流中以预设间隔抽取图像帧；垃圾分类识别模块，用于将所述图像帧输入至垃圾分类预测模型中进行分析，输出所述图像帧对应的垃圾分类预测结果，所述垃圾分类预测模型为神经网络模型，通过垃圾样本分类图像组成的样本集进行模型训练。第三方面，本专利技术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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的智能垃圾分类方法。第四方面，本专利技术还提供一种智能垃圾分类的机器人，所述机器人通过如第一方面任一项所述的智能垃圾分类方法进行垃圾分拣。本专利技术的有益效果是：本专利技术通过获取原始垃圾视频流，并在原始垃圾视频流中以预设间隔抽取图像帧，然后将图像帧输入至垃圾分类预测模型中进行分析，输出图像帧对应的垃圾分类预测结果，其中垃圾分类预测模型为神经网络模型，利用大量垃圾分类图像做样本集，对垃圾分类预测模型进行大数据训练学习，提高模型的分类识别精确度，从而提高了垃圾识别的准确率，并且提高了识别分类效率，同时，当有新型垃圾出现时，通过采集新型垃圾样本图像扩充样本集，对模型进行二次训练学习，能够适应不断增加的新型垃圾的快速识别需求，是一种垃圾分类准确度高、分类效率高的智能垃圾分类方法。附图说明图1是本专利技术一种实施方式的智能垃圾分类方法的实现流程图；图2是本专利技术一种实施方式的智能垃圾分类方法的垃圾分类预测模型示意图；图3是本专利技术一种实施方式的智能垃圾分类方法的残差块示意图；图4是本专利技术一种实施方式的智能垃圾分类方法的机械臂分拣示意图；图5是本专利技术一种实施方式的智能垃圾分类装置结构框图。具体实施方式为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本专利技术实施例一提供一种智能垃圾分类方法，图1为本专利技术实施例提供的智能垃圾分类方法的实现流程图，如图1所示，该方法可以包括以下步骤：S1：获取原始垃圾视频，即对待分类的垃圾进行视频获取生成原始垃圾视频。S2：抽取图像帧，对步骤S1得到的原始垃圾视频，以预设间隔进行图像帧抽取，形成待分类垃圾的图像帧。S3：进行垃圾分类识别，将步骤S2中的图像帧，输入到训练好的垃圾分类预测模型中进行分析，输出当前图像帧对应的垃圾分类预测结果。S4：根据步骤S4中的垃圾分类预测结果，驱动机械臂进行垃圾分拣。具体的，垃圾分类预测模型为神经网络模型，其预先通过垃圾样本分类图像进行模型训练，其中垃圾分类样本图像为预先采集的大量不同类型的垃圾图像样本，其组成样本集对垃圾分类预测模型进行训练，得到预测准确度最高的模型参数。如图2所示，为本实施例的垃圾分类预测模型示意图，图中示出了，垃圾分类预测模型采用4个卷积层(ConvolutionalLayer)、3个最大池化层(MaxPoolingLayer)和1个softmax层构成一个8层网络，其中2个卷积层之间包括一个最大池化层，即最大池化层间隔排列，算法网络的输入层输入的是一个59×61×61×31×k大小的长方形，其中k是代表图像的通道数，输入图像之后，图像将进入第一个卷积层进行处理，其卷积核大小是5*5，得到输出之后接最大池化层，最大池化层输出之后接一个ReLU激活函数，后面的卷积层和最大池化层的操作都类似，而且每一个最大池化层输出后均存在ReLU的激活函数，因为ReLU函数有更强的拟合能力和效果。模型的输入为垃圾样本分类图像组成的样本集中的样本，例如一次训练流程中，从样本集中输入一张需要识别的彩色垃圾图像本文档来自技高网...

【技术保护点】
1.一种智能垃圾分类方法，其特征在于，包括步骤：/n获取原始垃圾视频流，并在所述原始垃圾视频流中以预设间隔抽取图像帧；/n将所述图像帧输入至训练好的垃圾分类预测模型中进行分析，输出当前图像帧对应的垃圾分类预测结果；/n所述垃圾分类预测模型为神经网络模型，通过垃圾样本分类图像组成的样本集进行模型训练。/n

【技术特征摘要】
1.一种智能垃圾分类方法，其特征在于，包括步骤：
获取原始垃圾视频流，并在所述原始垃圾视频流中以预设间隔抽取图像帧；
将所述图像帧输入至训练好的垃圾分类预测模型中进行分析，输出当前图像帧对应的垃圾分类预测结果；
所述垃圾分类预测模型为神经网络模型，通过垃圾样本分类图像组成的样本集进行模型训练。


2.根据权利要求1所述的一种智能垃圾分类方法，其特征在于，所述垃圾样本分类图像组成的样本集的分类包括以下至少一种：废纸、塑料、玻璃、金属、布料、有害垃圾和其它垃圾。


3.根据权利要求1所述的一种智能垃圾分类方法，其特征在于，所述垃圾分类预测模型包括8层，具体为：4个卷积层、3个最大池化层和1个softmax层，所述卷积层每2个之间为一个最大池化层。


4.根据权利要求3所述的一种智能垃圾分类方法，其特征在于，每个最大池化层后面接一个ReLU激活函数。


5.根据权利要求3所述的一种智能垃圾分类方法，其特征在于，所述垃圾分类预测模型的损失函数为均方误差函数，表示如下：



其中，MSE表示均方误差，i＝1,...n表...

【专利技术属性】
技术研发人员：宋海鹏，
申请(专利权)人：卓望数码技术深圳有限公司，
类型：发明
国别省市：广东;44