本实用新型属于垃圾回收装置领域，尤其是一种智能分类垃圾桶。
背景技术：
垃圾分类是对垃圾进行科学处理的前提，是垃圾无害化处理和回收利用的基础，对资源的可循环利用和环境保护具有十分重要的意义。
目前我国大多数城市的垃圾采用“集中混合收集-集中运输-集中处理”的模式，不但增大了分类处理难度，也造成了巨大的人力、资源的浪费。虽然我国的垃圾分类回收工作已全面展开，但垃圾分类回收设施过于简单，仅仅由几个带有“可回收”、“不可回收”标识的垃圾桶组成。由于民众垃圾分类知识较为匮乏，往往不能将垃圾进行正确归类，所以现阶段的分类垃圾桶并不能起到引导居民自觉进行垃圾分类投放的效果。
技术实现要素：
技术内容：本发明的目的是为了克服现有垃圾桶分类困难等不足，建立一种的智能分类垃圾桶。
技术方案：
本实用新型的目的是这样实现的：智能分类垃圾桶的装置和方法：
技术方案：一种智能分类垃圾桶，其特征在于：所述垃圾桶顶部从左至右依次设有包括照明灯、摄像头和通讯设备，所述照明灯下方桶体上设有管道，所述管道末端下方设有滑轨，所述滑轨上设有智能小车，所述智能小车与通讯设备相连接，所述滑轨下方依次设有可回收垃圾垃圾桶、不可回收垃圾垃圾桶、有害垃圾垃圾桶、其他垃圾垃圾桶、未能识别垃圾垃圾桶，所述垃圾桶底部为电源设备。
优选的，所述智能小车上方设有载物容器，所述管道用于将投入的垃圾落入智能小车的容器上。
优选的，所述容器为可翻转结构。
优选的，所述智能小车内置STM32F103系列单片机。
装置包括：照明装置、摄像头、电源装置、网络通信设备、滑轨、智能小车以及核心处理计算机；
该智能垃圾桶垃圾分类方法基于像采集模块、网络通信模块、图像识别模块、以及垃圾运送模块实现。其中，图像采集模块由照明装置和摄像头组成，负责采集垃圾的图像数据、网络通信模块负责将图像采集模块采集到的数据传输到服务器。图像识别模块位于远程服务器，负责对垃圾图像进行识别分类，判断该垃圾属于什么类别。最后将得到的信息通过网络通信模块传回垃圾桶，并通过垃圾运送模块将垃圾倒入指定位置。
该定位方法的具体步骤如下：
(1)图像分类器的建立：首先在服务器端通过对大量带有标注的、不同类别的垃圾图像运用YOLO算法进行训练，构建一个用于对垃圾图像进行分类的分类器。
(2)垃圾图像采样：垃圾投入垃圾桶后会落入一个固定的容器内，容器上方有照明设备和摄像头，对垃圾图像进行采集。
(3)图像特征识别：采集到垃圾图像后，网络通信模块会将图像传回服务器，并将该图像通过训练好的分类器进行分类，从而使别出改垃圾属于什么种类。
(4)分类投掷：网络通信设备会接收到服务器端的分类结果，并通过滑轨将垃圾投放到对应分类的垃圾桶内。
有益效果：本实用新型利用YOLO算法对垃圾进行自动分类，相对于其他目标检测算法将目标识别任务分类目标区域预测和类别预测等多个流程，YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速目标检测与识别，可以在垃圾投入垃圾桶后实时进行分类。
附图说明
图1为本实用新型装置示意图。
图2为本实用新型的系统流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本智能分类垃圾桶实现方式方法：
如图1所示，装置包括：摄像头1、照明灯2、管道3、智能小车4、通信设备5、滑轨6；可回收垃圾垃圾桶7、不可回收垃圾垃圾桶8、有害垃圾垃圾桶9、其他垃圾垃圾桶10、未能识别垃圾垃圾桶11、电源设备12，所述的摄像头1和照明灯2被固定在垃圾桶顶部，所述的光管道3用于将投入的垃圾落入智能小车4的容器上，智能小车4内置单片机，可控制小车的移动，小车的顶部安装有一个容器，用于放置待分类的垃圾。该容器可向由单片机控制向一侧翻转，从而将垃圾倒入垃圾桶内；所述的通信设备5用于将获取的图像数据传回服务器进行识别，并接收识别后的结果，所述的智能小车4通过滑轨6在垃圾桶内运动。电源设备12为整个智能垃圾桶供电。
该智能垃圾桶垃圾分类方法基于像采集模块、网络通信模块、图像识别模块、以及垃圾运送模块实现。如图2所示，该定位方法的具体步骤如下：
A.图像分类器的建立：首先对可回收垃圾、不可回收垃圾、有害垃圾、其他垃圾各收集一千张图片数据并进行标注。将已标注的数据通过YOLO算法进行训练来构建分类器。
具体的，YOLO算法将物体检测处理成一个回归问题，它以整张图为输入，直接在输出层进行回归，得到图片的所属类别，在保证一定精度的同时大大提高了检测速度，满足了实时检测的要求。
算法的实现方法如下：首先将一幅图像分成S*S个网格，如果某个物体的中心落在这个网格中，则这个网格就负责预测这个物体。每个网格要预测B个bounding box，每个bounding box除了要回归自身的位置之外，还要附带预测一个可信度。每个bounding box要预测(x,y,w,h)和可信度共5个值，每个网格还要预测一个类别信息，记为C类。则S*S个网格。输出一个S*S*(5*B+C)类别的分类器。每个网格预测的类别信息和bounding box预测的可信度信息相乘，就得到每个bounding box的属于某个类别的概率。
用于训练YOLO分类器的损失函数如下:
对标注样本训练的过程，即是通过随机梯度下降使损失函数最小化的过程。进而获得图片分类器，用于之后的分类检测。
B.垃圾图像采样：垃圾投入垃圾桶后通过管道3落入智能小车4上的容器中。摄像头1采集数据并通过通信设备5将图像传回服务器。
C.服务器端接收到图像后通过YOLO算法计算该垃圾图像所属的类别，并返回可能性最大的结果。
D.分类投掷：网络通信设备会接收到服务器端的分类结果，并将结果传送给智能小车中的单片机，通过单片机控制小车移动，将小车通过滑轨移动到指定的垃圾桶上方，并通过单片机控制小车上垃圾容器翻转将垃圾倒入制定垃圾桶中。