垃圾分类的方法技术

本发明专利技术涉及公共卫生技术领域，尤其涉及垃圾分类的方法

【技术实现步骤摘要】
垃圾分类的方法、系统及存储介质


[0001]本专利技术涉及公共卫生
，尤其涉及垃圾分类的方法
、
系统及存储介质
。

技术介绍

[0002]随着城市化进程的加速和城市人口的持续增长，产生的垃圾量急剧上升
。
正确的垃圾分类不仅可以有效的资源再利用，还可以大大减少环境污染
。
为了鼓励市民参与垃圾分类，垃圾分为干垃圾
、
湿垃圾
、
有害垃圾以及可回收垃圾四个类别，各地政府采用了多种策略和手段，例如在社区建立垃圾分类投放点或垃圾回收站，进行广泛的垃圾分类宣传等
。
[0003]尽管政府和相关部门进行了广泛宣传，市民在日常生活中仍然面临垃圾分类的难题
。
由于垃圾种类繁多，对于大部分人来说，尤其是那些缺乏专业垃圾分类知识的市民，他们很难学会和适应垃圾分类
。
实际操作中，大部分垃圾仍然被投放到错误的垃圾桶中，这不仅导致垃圾分类的准确率低，而且为投放者带来了很多不便
。
[0004]为了解决这一问题，现有的技术方案
(
中国专利技术专利，申请号：
202110270882.3)
采用了切割垃圾的方式进行垃圾识别
。
这种方案主要依赖图像识别技术来判断垃圾的种类
。
具体来说，当系统识别到容器中存在多种垃圾时，会先对容器进行切割，然后再对容器内部的垃圾进行识别；现有技术存在较多缺陷，包括：
[0005]设备磨损与维护：由于现有技术依赖于频繁切割容器来识别垃圾，这不仅增加了设备的磨损，而且导致设备内部被垃圾污染，使得设备难以维护和长久使用；
[0006]潜在的健康和安全风险：频繁的切割会积累细菌
、
病毒
、
气味和腐蚀性物质，增加了潜在的健康和安全风险；
[0007]图像识别的局限性：现有技术主要依赖图像识别技术，但这也意味着只有在容器是透明的情况下，才能准确地识别容器内的垃圾种类；而大多数实际使用的容器并不是透明的，这大大限制了现有技术的应用范围；
[0008]误识别的风险：如果一个透明容器的外部有图案或标签，现有技术会误判为容器内有多种垃圾，从而触发不必要的切割操作
。

技术实现思路

[0009]针对上述现有技术存在较多缺陷，无法长期应用并推广的问题，本专利技术提供垃圾分类的方法
、
系统及存储介质，实现了准确
、
安全和高效的进行垃圾分类
。
[0010]一种垃圾分类的方法，包括以下步骤：
[0011]采集垃圾的基础属性
、
物理特征数据以及化学特征数据；
[0012]将采集的数据输入预训练好的深度学习模型中，对垃圾所属的类型进行初步鉴定，并生成初步鉴定结果；
[0013]判断初步鉴定结果是否满足预设要求，若满足，则鉴定成功并确定垃圾所属的类型；若不满足，则鉴定失败并进行深度鉴定；
[0014]基于初步鉴定结果的失败原因确定深度鉴定的方式并进行深度鉴定，根据生成的
深度鉴定结果确定垃圾所属的类型
。
[0015]优选的，所述基础属性包括：垃圾外部包装状态及基础物理参数；所述垃圾外部包装状态包括：是否存在外部包装以及外部包装的类型；所述基础物理参数包括：垃圾重量
、
体积及密度的数值数据；
[0016]所述物理特征数据包括：声学数据
、
电导率数据以及电容数据；以及
[0017]所述化学特征数据包括：化学组成信息数据
、
气体种类及其浓度数据
。
[0018]优选的，所述深度学习模型包括输入层
、
隐藏层及输出层；
[0019]所述输入层包括采集到垃圾的数据
x
；
[0020]所述隐藏层计算表达式为：
[0021]h1＝
σ
(W1x+b1)
[0022]其中，
h1是隐藏层的激活值；
σ
是
softmax
激活函数；
W1是隐藏层的权重矩阵；
b1是隐藏层的偏置向量；
[0023]所述输出层计算表达式为：
[0024]z
＝
W2h1+b2[0025]其中，
z
是输出层的原始输出；
W2是输出层的权重矩阵；
b2是输出层的偏置向量
。
[0026]优选的，通过所述
softmax
激活函数将所述深度学习模型的输出转换为概率分布，
softmax
激活函数的表达式为：
[0027][0028]其中，
C
是垃圾类型的总数量；
p
是
softmax
激活函数的输出，
p
是一个长度为
C
的向量，表示每个垃圾类型的概率分布；
i
是垃圾的类型；
p
i
是向量
p
的第
i
个元素，即垃圾类型
i
的概率；
z
是一个长度为
C
的向量，表示深度学习模型的原始输出；
z
i
是向量
z
的第
i
个元素，即垃圾类型
i
的原始输出；
e
是自然数的底数，等于
2.71828。
[0029]优选的，所述初步鉴定结果包括：初步垃圾分类结果与其余垃圾类型及其对应的置信度，其中，初步垃圾分类结果为最高置信度对应的垃圾类型；
[0030]将最高置信度与预设阈值进行对比，若最高置信度大于或等于预设阈值，则满足预设要求，将最高置信度对应的初步分类结果确定为垃圾分类的类型；若最高置信度小于预设阈值，则不满足预设要求并进行深度鉴定
。
[0031]优选的，所述初步鉴定结果的失败原因用于表示置信度不能满足预设要求的原因，失败原因包括：化学成分不明确
、
物理属性不明确
、
模型预测冲突以及外部干扰，根据失败原因类型确定执行深度鉴定的方式
。
[0032]优选的，通过所述深度鉴定后，进行数据整合，生成深度鉴定结果，数据整合内容包括：初步鉴定结果
、
深度鉴定的分类结果以及深度鉴定过程中收集的相关数据及对应分析数据
。
[0033]优选的，还包括将每次垃圾分类的鉴定结果作为训练样本来更新深度学习模型，鉴定结果包括：
[0034]整个垃圾分类过程仅进行初步鉴定后生成的初步鉴定结果，以及
[0035]整个垃圾分类过程依次进行初步鉴定及深度鉴定后生成的深度鉴定结果
。
[0036]一种垃圾分类的系统，包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种垃圾分类的方法，其特征在于，包括以下步骤：采集垃圾的基础属性
、
物理特征数据以及化学特征数据；将采集的数据输入预训练好的深度学习模型中，对垃圾所属的类型进行初步鉴定，并生成初步鉴定结果；判断初步鉴定结果是否满足预设要求，若满足，则鉴定成功并确定垃圾所属的类型；若不满足，则鉴定失败并进行深度鉴定；基于初步鉴定结果的失败原因确定深度鉴定的方式并进行深度鉴定，根据生成的深度鉴定结果确定垃圾所属的类型
。2.
根据权利要求1所述的垃圾分类的方法，其特征在于，所述基础属性包括：垃圾外部包装状态及基础物理参数；所述垃圾外部包装状态包括：是否存在外部包装以及外部包装的类型；所述基础物理参数包括：垃圾重量
、
体积及密度的数值数据；所述物理特征数据包括：声学数据
、
电导率数据以及电容数据；以及所述化学特征数据包括：化学组成信息数据
、
气体种类及其浓度数据
。3.
根据权利要求1所述的垃圾分类的方法，其特征在于，所述深度学习模型包括输入层
、
隐藏层及输出层；所述输入层包括采集到垃圾的数据
x
；所述隐藏层计算表达式为：
h1＝
σ
(W1x+b1)
其中，
h1是隐藏层的激活值；
σ
是
softmax
激活函数；
W1是隐藏层的权重矩阵；
b1是隐藏层的偏置向量；所述输出层计算表达式为：
z
＝
W2g1+b2其中，
z
是输出层的原始输出；
W2是输出层的权重矩阵；
b2是输出层的偏置向量
。4.
根据权利要求3所述的垃圾分类的方法，其特征在于，通过所述
softmax
激活函数将所述深度学习模型的输出转换为概率分布，
softmax
激活函数的表达式为：其中，
C
是垃圾类型的总数量；
p
是
softmax
激活函数的输出，
p
是一个长度为
C
的向量，表示每个垃圾类型的概率分布；
i
是垃圾的类型；
p
i
是向量
p
的第
i
个元素，即垃圾类型
i
的概率；
z
是一个长度为
C
的向量，表示深度学习模型的原始输出；<...

【专利技术属性】
技术研发人员：李畅，李思儒，张翌，
申请(专利权)人：浙江立创信息技术服务有限公司，
类型：发明
国别省市：