本发明属于工程用车的货物介质识别技术领域，涉及一种基于深度学习技术识别货物介质种类的方法。
背景技术：
随着我国城市化进程步伐日益加快，建筑垃圾随之增加。数据表明，我国城市建筑垃圾已占城市垃圾总量的30%～40%，是第一大城市垃圾源。预计2020年，新建住宅300亿平方米，建筑垃圾至少达500亿吨。据建筑垃圾资源化产业技术创新战略联盟发布的资料显示，国外建筑废弃物处置和利用都有较高的技术门槛和行业规范，这对建筑废弃物处置利用行业起到指导监督作用。如美欧日均高度重视建筑废弃物再生技术标准及各种强制性的使用规范。而我国目前建筑垃圾处理行业缺少强制性的严格相关规范，使得我国建筑垃圾回收利用率5%远远低于英国的48%、新加坡的63%、香港的80%、日本的95%。
若要保证建筑垃圾资源化的质量和效果，首先要做到的是对建筑垃圾进行分类；现阶段，行业内还完全依靠人工将建筑垃圾进行分类，然后分别运往不同的处理机构。但其中人为因素较大，极易发生建筑垃圾处理不规范的情况，不利于监管部门的管理和回收利用的顺利进行。
技术实现要素：
本发明所要解决的技术问题是，克服现有技术的缺点，提供一种基于深度学习技术识别货物介质种类的方法，通过人工神经网络模型，基于深度学习技术对大量的货物图片进行处理，建立样本模型，对导入的货物图片自动识别介质类型，从而达到固体废弃物智能化分类的目的。
为了解决以上技术问题，本发明提供一种基于深度学习技术识别货物介质种类的方法，包括如下具体步骤：
s1：收集汇总标记了不同介质属性的货物图片；
s2：输入货物介质图片，建立样本模型，并通过不断训练、修正样本模型；
s3：导入实时拍摄的货物图片，通过样本模型自动识别货物介质种类，并导出结果。
本发明进一步限定的技术方案是：
前述s1中不同介质属性的货物包括建筑垃圾、石头、沙子、干黄土、泥土、泥浆和装修垃圾。
前述s2中，可以通过服务器完成样本模型的训练。
前述s2中，服务器完成样本模型的训练后，可将样本模型的算法移植至车载智能终端和/或车载外置设备。
进一步的，
本发明还提供一种基于深度学习技术识别货物介质种类的系统，系统包括深度学习模块，深度学习模块的输入端连接车载外置设备，其输出端连接结果接收装置；车载外置设备用于拍摄实时货物图片，深度学习模块接收货物图片后输出识别结果为何种介质，结果接收装置接收介质信息。
本发明还提供一种基于深度学习技术识别货物介质种类的系统，系统包括深度学习模块，深度学习模块的输入端连接车载外置设备，其输出端连接服务器，服务器连接结果接收装置；车载外置设备用于拍摄实时货物图片，深度学习模块接收货物图片后输出识别结果为何种介质并将介质信息发送至服务器，服务器可将介质信息转发给结果接收装置。
本发明还提供一种基于深度学习技术识别货物介质种类的系统，系统包括深度学习模块，深度学习模块的输入端连接车载智能终端，车载智能终端连接车载外置设备，深度学习模块的输出端连接结果接收装置；车载外置设备用于拍摄实时货物图片并将图片发送至车载智能终端，车载智能终端将货物图片转发至深度学习模块，深度学习模块接收货物图片后输出识别结果为何种介质并将介质信息发送至结果接收装置。
前述深度学习模块可嵌入服务器和/或车载智能终端进行使用。
前述结果接收装置为移动智能终端。
前述移动智能终端包括智能手机、pc或pad。
本发明的有益效果是：
本发明通过输入大量不同类型的固体废弃物图片，并对图片进行分类标记，如：建筑垃圾、石头、沙子、干黄土、泥土和泥浆，采用现有的人工神经网络模型，基于深度学习技术对大量的固体废弃物图片进行处理，建立样本模型，从而在导入实时拍摄的固体废弃物图片时，系统根据已有的样本模型自动识别图片中废弃物的介质类型，从而达到固体废弃物智能化、自动化分类的目的。有利于建筑垃圾的回收再利用，对建筑废弃物处置利用行业起到指导监督作用。
附图说明
图1为本发明的原理流程图；
图2为系统构成示意图一；
图3为系统构成示意图二；
图4为系统构成示意图三。
具体实施方式
以下通过实施例来对本发明方案进行进一步说明，其中：
深度学习模块采用leadtek/丽台teslap4深度学习处理器；
车载智能终端采用streamax/锐明d5型汽车行驶记录仪；
车载外置设备采用streamax/锐明c2型红外防暴半球型高清车载摄像机；
服务器采用联想thinksystemsr950gpu服务器。
实施例1
本实施例提供一种基于深度学习技术识别货物介质种类的方法，如图1所示，包括如下具体步骤：
s1：收集汇总标记了不同介质属性的货物图片；
s2：输入货物介质图片，建立样本模型，并通过不断训练、修正样本模型；
s3：导入实时拍摄的货物图片，通过样本模型自动识别货物介质种类，并导出结果。
前述s1中不同介质属性的货物包括建筑垃圾、石头、沙子、干黄土、泥土、泥浆和装修垃圾。前述s2中，可以通过服务器完成样本模型的训练。前述s2中，服务器完成样本模型的训练后，可将样本模型的算法移植至车载智能终端和/或车载外置设备。
使用时，将大量标记了不同介质属性的货物图片输入服务器中，训练服务器对各种介质属性的图片进行识别标记，服务器建立样本模型，并通过不断训练、修正样本模型；后将样本模型的算法移植至车载外置设备中，通过车载外置设备（streamax/锐明c2型红外防暴半球型高清车载摄像机）拍摄货箱中的货物图片，通过车载外置设备中植入的样本模型的算法，对货物图片进行自动识别，得出物介质种类，并导出识别结果。
实施例2
本实施例还提供一种基于深度学习技术识别货物介质种类的系统，如图2所示，前述系统包括深度学习模块，深度学习模块的输入端连接车载外置设备，其输出端连接结果接收装置；车载外置设备用于拍摄实时货物图片，深度学习模块接收货物图片后输出识别结果为何种介质，结果接收装置接收介质信息。
或者，如图3所示，前述系统包括深度学习模块，深度学习模块的输入端连接车载外置设备，其输出端连接服务器，服务器连接结果接收装置；车载外置设备用于拍摄实时货物图片，深度学习模块接收货物图片后输出识别结果为何种介质并将介质信息发送至服务器，服务器可将介质信息转发给结果接收装置。
或者，如图4所示，前述系统包括深度学习模块，深度学习模块的输入端连接车载智能终端，车载智能终端连接车载外置设备，深度学习模块的输出端连接结果接收装置；车载外置设备用于拍摄实时货物图片并将图片发送至车载智能终端，车载智能终端将货物图片转发至深度学习模块，深度学习模块接收货物图片后输出识别结果为何种介质并将介质信息发送至结果接收装置。
前述深度学习模块可嵌入服务器和/或车载智能终端进行使用。前述结果接收装置为移动智能终端。前述移动智能终端包括智能手机、pc或pad。
本实施例通过输入大量不同类型的固体废弃物图片，并对图片进行分类标记，如：建筑垃圾、石头、沙子、干黄土、泥土和泥浆，采用现有的人工神经网络模型，基于深度学习技术对大量的固体废弃物图片进行处理，建立样本模型，从而在导入实时拍摄的固体废弃物图片时，系统根据已有的样本模型自动识别图片中废弃物的介质类型，从而达到固体废弃物智能化、自动化分类的目的。有利于建筑垃圾的回收再利用，对建筑废弃物处置利用行业起到指导监督作用。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。