[发明专利]一种基于深度学习的智能分类系统及其实现方法

权利要求书

1.一种基于深度学习的智能分类系统，包括硬件和软件算法，其特征在于：所述硬件包括：

垃圾接收器，用于接收垃圾并在分类前将其放置在一旁以进行拍摄；

可移动垃圾箱，将从接收器箱接收的垃圾移动到相应的垃圾桶位置，并将垃圾放入垃圾桶中；

垃圾桶，用于垃圾分类后，四种不同类型的垃圾将分别放入相应的垃圾桶中；

可编程逻辑控制器，用于控制机器；

RGB相机：用于拍摄进入接收器箱的垃圾图像，安装在接收器箱顶部；

光幕传感器：包括发射器和接收器，用于检测接收器和发射器之间的物体；

计算机：用于运行垃圾分类软件，同时与Arduino Uno通信，以控制垃圾分类机的其他硬件；

软件算法是Python编程语言编写的智能垃圾分类机的软件，包括：

Pyfirmata库：用于将电脑与智能垃圾分类机中的硬件连接起来；

PyTorch库：用于进行图像分类的机器学习框架。

2.一种如权利要求1所述的基于深度学习的智能分类系统用的基于深度学习的智能分类实现方法，其特征在于：所述智能分类实现方法包括以下步骤：

步骤1：确定垃圾分类的类别并制作数据集；

步骤2：设计硬件系统；

步骤3：编写软件程序；

步骤4：制作垃圾分类模型；

步骤5：量化和部署；

步骤6：测试和调试；

步骤7：安装和使用。

3.根据权利要求2所述的一种基于深度学习的智能分类实现方法，其特征在于：确定垃圾分类的类别并制作数据集时，根据网络图片或自己拍摄图片，将垃圾分为不同的类别，如纸板箱或纸张、塑料瓶、易拉罐和食品袋；所有图像将以8:2的比例分为两组，80％的图像将用于训练模型，20％的图像将用来测试模型。

4.根据权利要求2所述的一种基于深度学习的智能分类实现方法，其特征在于：编写软件程序时，利用Python编写软件程序，包括使用PyTorch库进行图像分类、与Arduino Uno通信、控制PLC。

5.根据权利要求2所述的一种基于深度学习的智能分类实现方法，其特征在于：制作垃圾分类模型时，使用图像数据集中训练一个基于深度可分离卷积网络的模型，并进行训练。

6.根据权利要求2所述的一种基于深度学习的智能分类实现方法，其特征在于：量化和部署时，训练好的模型将被量化并部署到垃圾分类机的软件程序中。

7.根据权利要求2所述的一种基于深度学习的智能分类实现方法，其特征在于：测试和调试时，测试垃圾分类机的性能，并进行调试，以确保其能够准确地将垃圾分类到正确的垃圾桶中。

8.根据权利要求2所述的一种基于深度学习的智能分类实现方法，其特征在于：安装和使用时，将垃圾分类机安装在需要的位置，并向用户提供使用说明，正确地使用垃圾分类机。