【技术实现步骤摘要】
一种垃圾自动分类的装置及方法
本专利技术涉及垃圾自动分类
,特别涉及一种垃圾自动分类的装置及方法。
技术介绍
ResNet-50网络采用多个非常小的卷积核替换单一大尺寸的卷积核,其作用不仅可以减少ResNet-50网络的参数,同时可增加ResNet-50网络非线性激活函数数量,减少ResNet-50网络计算量。针对垃圾分类及识别的任务特征可知,垃圾分为四类,每类垃圾又包含很多不同种类的垃圾,如易拉罐,矿泉水瓶等,其本身包含了很多不同种类的特征,对分类及识别过程中的细节特征提取存在一定的难度。现实中垃圾分类技术采用不同垃圾类别的垃圾桶并排摆放,其局限性在于,人们需自行判断垃圾类别并手动进行垃圾分类;现今一些相对智能的垃圾桶其功能仅限于:实现自动开盖、自动打包等,没有实现垃圾自动识别分类的功能。
技术实现思路
为了克服上述现有技术的不足,本专利技术的目的在于提供一种垃圾自动分类的装置及方法,能够自动的、准确地及高效的实现垃圾的自动识别;并可以自动将垃圾归放至对应的垃圾桶中,无需手动分类投放。为了实现上述目的,本专利技术采用的技术方案是:一种垃圾自动分类的装置,包括机体1,所述机体1内安装有微处理器2,所述微处理器2内部存储有训练好的改进后的ResNet-50垃圾分类卷积神经网络模型;所述机体1上有用于投放垃圾的投放口3,所述投放口3安装有摄像头4进行图像采集,所述摄像头4与微处理器2输入端相连;所述机体1上有四种不同类别的垃圾桶,分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有 ...
【技术保护点】
1.一种垃圾自动分类的装置,其特征在于,包括机体(1),所述机体(1)内安装有微处理器(2),所述微处理器(2)内部存储有训练好的改进后的ResNet-50垃圾分类卷积神经网络模型;所述机体(1)上有用于投放垃圾的投放口(3),所述投放口(3)安装有摄像头(4)进行图像采集,所述摄像头(4)与微处理器(2)输入端相连;所述机体(1)上有四种不同类别的垃圾桶,分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有害垃圾垃圾桶和其他垃圾垃圾桶,用于实现不同类别的垃圾归类;所述机体(1)上有传送带(5)位于投放口(3)正下方,所述传送带(5)下方有驱动电机(6),用于传送带(5)的运转;所述传送带(5)与微处理器(2)输出端相连,用于将微处理器(2)输出的垃圾类别将其运输到对应桶内。/n
【技术特征摘要】
1.一种垃圾自动分类的装置,其特征在于,包括机体(1),所述机体(1)内安装有微处理器(2),所述微处理器(2)内部存储有训练好的改进后的ResNet-50垃圾分类卷积神经网络模型;所述机体(1)上有用于投放垃圾的投放口(3),所述投放口(3)安装有摄像头(4)进行图像采集,所述摄像头(4)与微处理器(2)输入端相连;所述机体(1)上有四种不同类别的垃圾桶,分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有害垃圾垃圾桶和其他垃圾垃圾桶,用于实现不同类别的垃圾归类;所述机体(1)上有传送带(5)位于投放口(3)正下方,所述传送带(5)下方有驱动电机(6),用于传送带(5)的运转;所述传送带(5)与微处理器(2)输出端相连,用于将微处理器(2)输出的垃圾类别将其运输到对应桶内。
2.根据权利要求1所述的一种垃圾自动分类的装置,其特征在于,所述四类垃圾桶上方均有对应的垃圾挡板(7),垃圾挡板(7)位于传送带(5)一侧,传送带(5)另一侧设置有推板(8),所述推板(8)下方有驱动电机(9),用于实现将垃圾推进对应的垃圾桶内;所述机体(1)上设置有用于实时显示垃圾分类结果的显示屏,所述显示屏位于机体(1)外侧方便人们浏览。
3.根据权利要求1所述的一种垃圾自动分类的装置,其特征在于,所述微处理器(2)输出端与显示屏相连,便于显示改进后的ResNet-50垃圾分类卷积神经网络模型所识别的结果输出。
4.基于权利要求1所述的一种垃圾自动分类的装置的使用方法,其特征在于,包括以下步骤;
Step1:人们将垃圾通过投放口(3)丢入;
Step2:摄像头(4)自动进行拍照,完成图像采集;
Step3:图像信息传输给微处理器(2),通过训练好的改进后的ResNet-50垃圾分类卷积神经网络模型,识别垃圾种类,并将识别出的种类信息传输给显示屏与传送带(5)下方的驱动电机(6);
Step4:传送带(5)下面驱动电机(6)开始运转,通过传送带(5)将垃圾运输到对应类别的垃圾桶上方;
Step5:对应垃圾桶上方的驱动电机(9)开始运转,带动对应垃圾桶上方的挡板7将垃圾推入下方对应的垃圾桶中;
Step6:显示屏显示本次垃圾分类结果,完成本次垃圾自动识别分类过程。
5.根据权利要求4所述的一种垃圾自动分类的装置的使用方法,其特征在于,所述Step3中具体的分类方法为,包括以下步骤;
步骤一:根据垃圾分类的任务,收集不同种类的的垃圾照片,并按照分类要求制作包含四大类共21875张照片的垃圾级数据集,分别为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾;
步骤二:对摄像头采集的数据图像进行预处理;
步骤三:对基于卷积神经网络ResNet-50模型根据设计需要进行改进,搭建改进后的网络模型;
步骤四:用步骤一制作的垃圾数据集在改进后的ResNet-50模型上进行训练,使模型能够实现对待检测垃圾图像的自主识别分类过程。
步骤五:模型实现垃圾分类的过程:垃圾图片输入改进...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。