[发明专利]一种基于深度学习的校园垃圾自动分类回收方法

说明书

本发明涉及一种基于深度学习的校园垃圾自动分类回收方法，属于计算机图像处理技术领域。首先通过规范化回收物摆放位置，得到同时包含回收物和预留信息码的图像信息，然后据信息码图形特征提取其位置及所携带的回收点信息，根据得到的信息码位置推算出回收物位置，再对原始图像进行切割得到单个回收物图像，将回收物图像送入分类神经网络得到初步判断结果R_m，对于材质接近的回收物，需联合光照反射测试后的结果R_s进行加权后得到最终分类结果R_f，最后根据提取的回收点信息中的回收类别与所有回收物的分类结果进行回收行为合规性判断，确定是否正确分类回收行为。

技术领域

本发明涉及一种基于深度学习的校园垃圾自动分类回收方法，属于计算机图像处理技术领域。

背景技术

随着我国城市化进程的推进，生活垃圾的处理成为了一个不容忽视的问题，据统计，1996年城市垃圾的清运费是1.16元/吨，而2017年城市垃圾的清运费约30元/吨。目前主要处理垃圾的方式为集中填埋或焚烧。但垃圾填埋的费用是高昂的，处理一吨垃圾的费用约为200元至300元人民币。而不论是垃圾填埋或是焚烧，都将对环境造成不可忽视的污染。同时也是对资源无谓的浪费，不断地把有限的地球资源变成垃圾，又把他们埋掉或烧掉。垃圾处理一个行而有效的方法是垃圾分类，通过分类投放、分类收集，把有用物资，如纸张、塑料、橡胶、玻璃、瓶罐、金属以及废旧家用电器等从垃圾中分离出来重新回收、利用，变废为宝。既提高垃圾资源利用水平，又可减少垃圾处置量。它是实现垃圾减量化和资源化的重要途径和手段。

近年来深度学习领域在诸如手写体识别、语音识别、图像识别和自然语音处理等技术领域取得了成功的应用。其中，卷积神经网络(CNN)由特征提取的卷积层和特征处理的采样层组成，利用共享权值的卷积核提取图像的空间特征。自2012年Alex-Net 在ImageNet图像分类比赛中获得压倒性胜利后得到了前有未有的发展。随后，更加强大的网络结构如VGG、Inception、ResNet等相继问世，其分类准确率在标准测试集上可以媲美甚至超过人类分类准确率。但是伴随着模型精度的提升是计算量，存储空间以及能耗方面的巨大开销，对于移动应用都是难以接受的。Google团队提出了一种轻量化的识别网络MobileNet，大大降低了卷积计算量，提供了可达准实时的处理速度。这些技术的出现使得基于图像识别的垃圾分类成为可能。

我国目前垃圾分类所采用的大多仍是人工操作。不论是采用集中回收后再处理，或是设置专人负责的回收点，其回收的经济效益不足；目前有一些基于扫码的分类回收方法，提供一个二维码供用户扫描后生成记录和积分，但其关键的物品分类功能仍然是依靠用户的自觉性，无法避免回收物混淆等情况出现。由于无法做出有效的分类回收合规性判断，导致其二维码扫描后的积分等奖励措施无法实施。

发明内容

本发明要解决的技术问题是提供一种基于深度学习的校园垃圾自动分类回收方法，以用于解决垃圾回收中的自动分类问题，实现在垃圾回收过程中自动提取预设信息和回收物图像，以此识别回收物类别并作出分类回收合规性判定。

本发明的技术方案是：一种基于深度学习的校园垃圾自动分类回收方法，首先通过规范化回收物摆放位置，得到同时包含回收物和预留信息码的图像信息，然后据信息码图形特征提取其位置及所携带的回收点信息，根据得到的信息码位置推算出回收物位置，再对原始图像进行切割得到单个回收物图像，将回收物图像送入分类神经网络得到初步判断结果R_m，对于材质接近的回收物，需联合光照反射测试后的结果R_s进行加权后得到最终分类结果R_f，最后根据提取的回收点信息中的回收类别与所有回收物的分类结果进行回收行为合规性判断，确定是否正确分类回收行为。

具体步骤为：

Step1、采集多类预期回收物图像信息，对其进行数据清洗和整理；

Step2、利用步骤1的训练集训练一个分类神经网络模型；