基于深度学习的智能人脸识别与垃圾分类系统的制作方法

本发明涉及垃圾分类技术领域，具体为基于深度学习的智能人脸识别与垃圾分类系统。

背景技术：

我国再生资源领域存在回收体系无序、产品标准缺失、技术落后等多重掣肘，一方面，大量可再生资源被当作垃圾处理掉，如废易拉罐、废纺织品等；另一方面，大量有害的垃圾为被当做一般垃圾，而没有进行妥善的处理，造成环境污染，垃圾分类在社会上引起了广泛的重视，很多小区都开始实行垃圾分类，国家更是投入了大量人力物力去制作分类垃圾箱，方别居民进行垃圾分类，还出现了智能分类垃圾桶。

在垃圾回收和分类领域，主要分为三种模式：第一种模式是在垃圾分捡厂统一进行挑选，属于人工分类，收集了所有的垃圾后，在垃圾分捡厂统一进行挑选，缺陷：由于集中统一挑选，垃圾的搬运转移耗时耗力，处理效率低。

第二种模式是利用箱体分类垃圾桶，在源头处分类，最常见的就是在传统垃圾桶的构造上，增设为两个箱体，可用不同颜色或者“可回收垃圾”、“不可回收垃圾”字样及标志来区分垃圾，方便在之后回收垃圾时直接进行分类，在源头处分类，省去了极大部分对垃圾进行分拣的过程，是于90年代在垃圾桶一物上的跨越性标志，具有很大的现实意义和方便性，缺陷：一方面，是否对分类垃圾大多依赖于居民的自我意识，相当一部分人不会主动进行垃圾分类，另一方面，分类垃圾桶需要垃圾投掷者的思考、区分手中垃圾的类别，如若没有对垃圾材质和垃圾类型大体分类的了解，有很大可能性对垃圾的可回收性质进行误判，从而使垃圾不能正确的归入到所对应的箱体；需要后期工作人员的检查，并不能实现完全分类。

第三种模式是机械结构分类的智能垃圾桶，智能垃圾桶将垃圾类别从源头处分类为塑料、玻璃、金属及其他，分析敲击模块采集的声音信号频率特性，检测判断塑料、玻璃和其它类，用行程开关检测可压缩性，可压缩垃圾认为是其他类，在投掷口与箱体之间设置滑道，在滑倒内对垃圾进行检测，分类完成后通过推动装置在滑道上推进垃圾，放置到对应箱体内，缺陷：相对成本较高，设计结构复杂，机械之间联动性强则稳定性相对较差，不易普及发展且耗能较大。

为此我们提出一种基于深度学习的智能人脸识别与垃圾分类系统用以解决上述问题。

技术实现要素：

本发明的目的在于提供基于深度学习的智能人脸识别与垃圾分类系统，具备智能识别分类的优点，解决了现有市场上垃圾分类设备不具备智能识别分类功能的问题。

为实现上述目的，本发明提供如下技术方案：基于深度学习的智能人脸识别与垃圾分类系统，包括垃圾图像的采集→垃圾图像类别的检测识别→存储垃圾。

优选的，通过垃圾存储闸门表面的摄像头对垃圾进行采集视频流。

优选的，通过图片识别装置对垃圾的图像进行识别判断图像画面中是否出现物体，若无则返回上一阶段重新采集图像，若出现物体则对图片进行分析判断是否包含可接受垃圾，若不包含则对用户进行提示无法处理此类垃圾，确定可接受垃圾后图像采集设备对人脸信息进行采集。

优选的，通过人脸信息采集记录后提取垃圾分类信息，传输至存储分单元根据垃圾类别开启对应的闸门，使用者将垃圾投放至存储装置中，通过存储装置中设有的检测单元对是否投入垃圾进行检测，监测超时后闭合闸门重新返回最初的摄像头采集视频流。

优选的，垃圾进入存储单元后通过闸门摄像头判断丢入垃圾是否与之前垃圾一致，若是则与人脸信息一同记录提示垃圾分类正确，若否设备则将人脸信息一同记录提示垃圾分类有误并返回最初的视频采集步骤。

与现有技术相比，本发明的有益效果如下：

1、本发明通过视频图像采集技术对垃圾进行识别分类，使垃圾的处理更加智能化，解决了现有市场上垃圾分类管理混乱，有益和有害垃圾混放，管理困难，后期处理浪费大量资源的现象。

2、本发明通过智能视频流识别算法，采用了较小的识别粒度，深度学习模块只返回物体的基本属性（例如：是塑料杯，卫生纸，纸盒，电池等），然后在数据库中进行进一步比对，这样的方案在保证速度和精度的条件下，将系统的图像识别部分和垃圾数据库部分进行了解耦，其中：深度学习算法部分，我们结合了单步图像检测与多步图像检测各自的优势，即在三个尺度，从低到高的卷积特征图上，分别使用若干不同比例（针对垃圾的形状）的滑动窗口进行物体检测，纯粹的单步检测算法可以实现极快的速度，但召回率较低，同时对于小物体不敏感；而纯粹的多步检测虽然精度高，但是由于需要额外的生成待检区域网络，检测速度对于硬件性能要求较高，这种多尺度滑动窗口检测的改进型单步检测方案在牺牲一定性能基础上，大大提高了检测的总体精度与对于小物体的敏感度，能够使视频流采集图像对垃圾进行识别成为了可能，使对垃圾识别的过程更加智能化，避免了人力识别的资源浪费，使垃圾投放的时间不受限制，垃圾分类投放情况变得可控。

附图说明

图1为本发明流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参阅图1，基于深度学习的智能人脸识别与垃圾分类系统，包括垃圾图像的采集→垃圾图像类别的检测识别→存储垃圾。

通过垃圾存储闸门表面的摄像头对垃圾进行采集视频流；

通过图片识别装置对垃圾的图像进行识别判断图像画面中是否出现物体，若无则返回上一阶段重新采集图像，若出现物体则对图片进行分析判断是否包含可接受垃圾，若不包含则对用户进行提示无法处理此类垃圾，确定可接受垃圾后图像采集设备对人脸信息进行采集；

通过人脸信息采集记录后提取垃圾分类信息，传输至存储分单元根据垃圾类别开启对应的闸门，使用者将垃圾投放至存储装置中，通过存储装置中设有的检测单元对是否投入垃圾进行检测，监测超时后闭合闸门重新返回最初的摄像头采集视频流；

垃圾进入存储单元后通过闸门摄像头判断丢入垃圾是否与之前垃圾一致，若是则与人脸信息一同记录提示垃圾分类正确，若否设备则将人脸信息一同记录提示垃圾分类有误并返回最初的视频采集步骤。

使用时，通过智能视频流识别算法，采用了较小的识别粒度，深度学习模块只返回物体的基本属性（例如：是塑料杯，卫生纸，纸盒，电池等），然后在数据库中进行进一步比对，这样的方案在保证速度和精度的条件下，将系统的图像识别部分和垃圾数据库部分进行了解耦，其中：深度学习算法部分，我们结合了单步图像检测与多步图像检测各自的优势，即在三个尺度，从低到高的卷积特征图上，分别使用若干不同比例（针对垃圾的形状）的滑动窗口进行物体检测，纯粹的单步检测算法可以实现极快的速度，但召回率较低，同时对于小物体不敏感；而纯粹的多步检测虽然精度高，但是由于需要额外的生成待检区域网络，检测速度对于硬件性能要求较高，这种多尺度滑动窗口检测的改进型单步检测方案在牺牲一定性能基础上，大大提高了检测的总体精度与对于小物体的敏感度，能够使视频流采集图像对垃圾进行识别成为了可能，使对垃圾识别的过程更加智能化，避免了人力识别的资源浪费，使垃圾投放的时间不受限制，垃圾分类投放情况变得可控，适合推广使用。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。