一种垃圾异物识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种垃圾异物识别方法、装置、电子设备及存储介质，该方法包括获取目标垃圾图像，并识别目标垃圾图像中的目标垃圾异物；对目标垃圾异物进行标注，用以建立目标垃圾异物数据集；利用目标垃圾异物数据集，对预设模型进行迭代优化训练，当预设模型达到预设标准时，确认预设模型为异物识别模型；获取待检测的垃圾图像，并将待检测的垃圾图像输入到异物识别模型中，输出识别结果。针对复杂环境下遮挡目标，可以更好提取目标特征，进一步提高目标识别的准确率和识别速度，解决了机械分选精度低的问题，同时在恶劣作业环境下，智能识别代替人工识别，实现了餐厨垃圾分选阶段的无人化或者少人化，解决了招工难、工人工作环境差的问题。境差的问题。境差的问题。

【技术实现步骤摘要】
一种垃圾异物识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及垃圾智能识别
，尤其涉及一种垃圾异物识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着居民生活水平的不断提高和餐饮行业的快速发展，餐厨垃圾产生量进入爆发式增长阶段，随之所带来的环境和生态问题日益显著。餐厨垃圾是指餐厅、企事业单位食堂、饭馆等盈利性商家产生的桶装垃圾。
[0003]餐厨垃圾需要采用无害化处理技术及资源利用方式促进资源高效再利用，其资源化利用前需要经过分选过程，分选出损害三相分离设备以及影响有机质利用率的异物质。目前，餐厨垃圾通常采用人工分选、机械分选等分选方式去除杂质，然而人工分选面临着作业时间长、作业环境恶劣、招工难问题，而机械分选虽然分选效率高，但是处理精度低，分选出很多有用的有机物质，导致资源浪费。
[0004]随着物联网技术与人工智能技术的发展，中国垃圾分类行业逐步具备智能化特点，从市场雏型阶段的人工机器分类时代迈向智能分类的初期阶段。而智能识别方法多数用在比较容易分类的生活垃圾上面，生活垃圾具有表面特征清晰，识别目标完整，遮挡干扰较少等特点，智能识别方法可以较轻松的获取目标特征从而进行检测识别。由于餐厨垃圾物料的特殊性、复杂性，目前餐厨垃圾分选阶段智能识别方法的应用未发现有相关研究资料及信息。如公开号为CN112660671B的专利就公开一种餐厨垃圾的异物质图像识别系统及管理系统，通过对垃圾图像进行局部抠图处理，以得到异物图像，将异物图像与预先存储的异物对比图像做匹配，并根据匹配结果生成对应的异物识别结果信息。上述专利虽然可以对垃圾进行分类，但是需要图像边界清晰、遮挡少和特征明显才能进行特征提取与匹配，由于餐厨垃圾呈现复杂的油
‑
水
‑
固物料特性及不均一性，所需要识别的目标被油污、剩菜剩饭等东西遮挡覆盖，抠图难以捕捉高级语义特征和复杂内容，导致遮挡目标的识别率不高。

技术实现思路

[0005]针对餐厨垃圾油
‑
水
‑
固物料混合不均一性，遮挡情况严重，造成目标边界模糊，特征不清晰，现有的餐厨垃圾识别技术不能有效的提取餐厨垃圾异物质特征，从而导致识别准确率较低的问题，本专利技术提供了一种垃圾异物识别方法、装置、电子设备及存储介质，将智能化技术应用到餐厨垃圾分选阶段，检测和识别餐厨垃圾中的异物质并给出位置信息，提高目标识别的准确率和识别速度，实现餐厨垃圾异物质识别无人或少人化。
[0006]为实现上述目标，本专利技术提供了以下技术方案：
[0007]第一方面，本专利技术提供了一种垃圾异物识别方法，该方法包括：
[0008]获取目标垃圾图像，并识别目标垃圾图像中的目标垃圾异物；
[0009]对目标垃圾异物进行标注，用以建立目标垃圾异物数据集；
[0010]利用目标垃圾异物数据集，对预设模型进行迭代优化训练，当预设模型达到预设
标准时，确认预设模型为异物识别模型；
[0011]获取待检测的垃圾图像，并将待检测的垃圾图像输入到异物识别模型中，输出识别结果。
[0012]在一个可能的实现方式中，对目标垃圾异物进行标注，用以建立目标垃圾异物数据集之前，方法还包括：
[0013]通过随机裁剪、垂直翻转、水平翻转和随机旋转一定角度的方式对目标垃圾异物进行数据增强。
[0014]在一个可能的实现方式中，对目标垃圾异物进行标注，用以建立目标垃圾异物数据集，包括：
[0015]利用标注工具，标注出目标垃圾异物的位置坐标信息、尺寸信息以及所属类别信息，用以建立目标垃圾异物数据集。
[0016]在一个可能的实现方式中，预设模型以SSD网络为基础网络，以多分支深度卷积神经网络替换SSD中的VGG16网络，并去除深度卷积神经网络的全局池化层以及全连接层，保留全部的卷积层。
[0017]在一个可能的实现方式中，预设模型还添加通道注意力机制。
[0018]在一个可能的实现方式中，预设模型的损失函数为Focalloss。
[0019]在一个可能的实现方式中，利用目标垃圾异物数据集，对预设模型进行迭代优化训练，当预设模型达到预设标准时，确认预设模型为异物识别模型，包括：
[0020]将目标垃圾异物数据集输入到预设模型中进行迭代优化训练，获得训练结果；
[0021]当训练结果低于预设平均精确阈值时，修改预设模型参数，直至训练结果等于或大于预设平均精确阈值时，结束迭代，确认预设模型为异物识别模型。
[0022]第二方面，本专利技术提供了一种垃圾异物识别装置，该装置包括：
[0023]第一图像采集模块，用于获取目标垃圾图像；
[0024]第一图像识别模块，用于识别目标垃圾图像中的目标垃圾异物；
[0025]标注模块，用于对目标垃圾异物进行标注，用以建立目标垃圾异物数据集；
[0026]训练模块，利用目标垃圾异物数据集，对预设模型进行迭代优化训练，当预设模型达到预设标准时，确认预设模型为异物识别模型；
[0027]第二图像采集模块，用于获取待检测的垃圾图像；
[0028]第二图像识别模块，用于并将待检测的垃圾图像输入到异物识别模型中，输出识别结果。
[0029]第三方面，提供了一种电子设备，该电子设备承载资源调度系统，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
[0030]存储器，用于存放计算机程序；
[0031]处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例的垃圾异物识别方法。
[0032]第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一项实施例的垃圾异物识别方法的。
[0033]本专利技术实施例提供的上述技术方案与现有技术相比具有如下优点：
[0034]本专利技术实施例提供的一种垃圾异物识别方法，获取目标垃圾图像，并识别目标垃圾图像中的目标垃圾异物；对目标垃圾异物进行标注，用以建立目标垃圾异物数据集；利用目标垃圾异物数据集，对预设模型进行迭代优化训练，当预设模型达到预设标准时，确认预设模型为异物识别模型；获取待检测的垃圾图像，并将待检测的垃圾图像输入到异物识别模型中，输出识别结果。通过该方式，针对复杂环境下遮挡目标，可以更好提取目标特征，进一步提高目标识别的准确率和识别速度，解决了机械分选精度低的问题，同时在恶劣作业环境下，智能识别代替人工识别，实现了餐厨垃圾分选阶段的无人化或者少人化，解决了招工难、工人工作环境差的问题。
附图说明
[0035]图1为本专利技术实施例提供的一种垃圾异物识别方法流程示意图；
[0036]图2为本专利技术实施例提供的垃圾异物识别方法现场布局示意图；
[0037]图3为本专利技术实施例提供的预设模型示意图；
[0038]图4为预设模型训练方法流程示意图；
[0039]图5为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾异物识别方法，其特征在于，所述方法包括以下步骤：获取目标垃圾图像，并识别所述目标垃圾图像中的目标垃圾异物；对所述目标垃圾异物进行标注，用以建立所述目标垃圾异物数据集；利用所述目标垃圾异物数据集，对预设模型进行迭代优化训练，当所述预设模型达到预设标准时，确认所述预设模型为异物识别模型；获取待检测的垃圾图像，并将所述待检测的垃圾图像输入到所述异物识别模型中，输出识别结果。2.根据权利要求1所述的方法，其特征在于，所述对所述目标垃圾异物进行标注，用以建立所述目标垃圾异物数据集之前，所述方法还包括：通过随机裁剪、垂直翻转、水平翻转和随机旋转一定角度的方式对所述目标垃圾异物进行数据增强。3.根据权利要求1所述的方法，其特征在于，所述对所述目标垃圾异物进行标注，用以建立所述目标垃圾异物数据集，包括：利用标注工具，标注出所述目标垃圾异物的位置坐标信息、尺寸信息以及所属类别信息，用以建立所述目标垃圾异物数据集。4.根据权利要求1所述的方法，其特征在于，所述预设模型以SSD网络为基础网络，以多分支深度卷积神经网络替换SSD中的VGG16网络，并去除所述多分支深度卷积神经网络的全局池化层以及全连接层，保留全部的卷积层。5.根据权利要求4所述的方法，其特征在于，所述预设模型还添加通道注意力机制。6.根据权利要求4所述的方法，其特征在于，所述预设模型的损失函数为Focalloss。7.根据权利要求1所述的方法，其特征在于，所述利用所述目标垃圾异物数据集，对预设模型进行迭代优化训练，...

【专利技术属性】
技术研发人员：赵骥，李松柏，齐晓锐，吴教丰，
申请(专利权)人：浙江清华长三角研究院，
类型：发明
国别省市：