分类垃圾桶、基于深度学习的智能分类垃圾桶及分类方法

1.本发明属于垃圾分类技术领域，涉及分类垃圾桶，尤其是涉及一种分类垃圾桶、基于深度学习的智能分类垃圾桶及分类方法。


背景技术：

2.随着社会的进步，每年垃圾总量在不断增加，国家也随之推出了垃圾分类政策。但目前垃圾越来越多，种类越来越杂，也就导致垃圾更加不好分类，对后续的垃圾处理造成了很大的困难。虽然小区和街道随处可见分类垃圾桶，但是由于现在生活节奏的加快，垃圾分类标准较为混乱，大家扔垃圾时也十分匆忙，并不会注意垃圾应该分为哪一类就直接扔进垃圾桶。
3.目前也有部分可以自动进行垃圾分类的装置，但并不能很准确的将垃圾分拣出来。


技术实现要素：

4.本发明的装置可以方便地进行垃圾分类。更进一步地，本发明的装置可以利用了视觉识别原理，运用传送机构将垃圾输送到相应垃圾桶。本装置还设计了一个压缩机构，对饮料瓶进行压缩处理，增大空间利用率。
5.本发明的目的就是为了提供一种分类垃圾桶、基于深度学习的智能分类垃圾桶及分类方法。
6.本发明的目的可以通过以下技术方案来实现：
7.本发明第一方面提供一种分类垃圾桶，包括桶体以及一上一下位于桶体内部的垃圾分类单元和垃圾分类收集单元；
8.所述的桶体的顶部设有垃圾入口，
9.所述的垃圾分类单元包括一级传送带、位于一级传送带第一端下方的压缩机构以及位于一级传送带第二端下方的二级传送带，所述的一级传送带位于垃圾入口的下方，一级传送带和二级传送带的传送方向所在直线交错布置，
10.所述的垃圾分类收集单元包括设置于压缩机构下方的可回收垃圾筐以及分别设置于二级传送带第一端和第二端下方的干垃圾筐和湿垃圾筐。
11.优选地，垃圾分类单元还包括控制单元，所述的控制单元包括控制器和垃圾分类按钮组件，所述的控制器与一级传送带、二级传送带、压缩机构及垃圾分类按钮组件分别电性连接，所述的垃圾分类按钮组件由湿垃圾按钮、干垃圾按钮和可回收垃圾按钮组成，用于控制进入垃圾入口的垃圾进入垃圾分类收集单元中相应的垃圾筐中。
12.优选地，所述的一级传送带和二级传送带的传送方向所在直线在水平面内相互垂直。
13.优选地，所述的一级传送带和二级传送带均具有皮带和用于带动皮带正反向传送的驱动机构，所述的驱动机构由从动轮、主动轮以及用于带动主动轮正反向转动的驱动电
机组成。
14.优选地，所述的压缩机构为易拉罐压缩机构。
15.优选地，所述的垃圾入口处设有可打开的箱盖。
16.与现有技术相比，通过本发明的上述技术方案，使用者在使用分类垃圾桶时，只需要从一个垃圾入口将垃圾扔到垃圾桶中即可，然后可以根据垃圾的类型，仅需按压一下按钮，即可实现垃圾自动进入相应的垃圾筐中。垃圾桶结构更加紧凑，更容易布置垃圾桶，使用更加方便。而且所有垃圾筐在一个较为封闭的垃圾桶内，也更加美观。避免了设置三个独立的垃圾桶占用空间大，布置不方便的问题。
17.本发明第二方面提供一种基于深度学习的智能分类垃圾桶，包括桶体以及一上一下位于桶体内部的垃圾分类单元和垃圾分类收集单元；
18.所述的桶体的顶部设有垃圾入口，
19.所述的垃圾分类单元包括一级传送带、位于一级传送带第一端下方的压缩机构、位于一级传送带第二端下方的二级传送带以及位于一级传送带上方的图像采集摄像头，所述的一级传送带位于垃圾入口的下方，一级传送带和二级传送带的传送方向所在直线交错布置，
20.所述的垃圾分类收集单元包括设置于压缩机构下方的可回收垃圾筐以及分别设置于二级传送带第一端和第二端下方的干垃圾筐和湿垃圾筐。
21.优选地，所述的垃圾分类单元还包括控制器，所述的控制器分别与一级传送带、二级传送带、压缩机构及图像采集摄像头电性连接。
22.优选地，所述的图像采集摄像头用于采集落到一级传送带上的垃圾的图像信息，所述的控制器用于接收垃圾的图像信息并基于深度学习对垃圾图像信息进行识别，判断垃圾类型，进而控制一级传送带、二级传送带和/或压缩机构工作，使垃圾进入相应的垃圾筐。
23.优选地，所述的一级传送带和二级传送带的传送方向所在直线在水平面内相互垂直。
24.优选地，所述的一级传送带和二级传送带均具有皮带和用于带动皮带正反向传送的驱动机构，所述的驱动机构由从动轮、主动轮以及用于带动主动轮正反向转动的驱动电机组成。
25.优选地，所述的压缩机构为易拉罐压缩机构。
26.优选地，所述的垃圾入口处设有可打开的箱盖。
27.本发明第三方面提供一种基于深度学习的智能分类垃圾桶的分类方法，包括以下步骤：
28.s1：垃圾经由垃圾入口落到一级传送带上；
29.s2：图像采集摄像头进行取样，采集落到一级传送带上的垃圾的图像信息，控制器接收垃圾的图像信息，并与库中进行对比，判断垃圾类型：
30.若垃圾为可回收垃圾，一级传送带带动垃圾向其第一端方向传送，将垃圾送至压缩机构内，压缩机构对垃圾进行压缩处理，处理完成后，掉落到可回收垃圾筐内，
31.若垃圾为干垃圾，一级传送带带动垃圾向其第二端方向传送，将垃圾送至二级传送带上，二级传送带带动垃圾向其第一端方向传送，将垃圾传送至干垃圾筐中，
32.若垃圾为湿垃圾，一级传送带带动垃圾向其第二端方向传送，将垃圾送至二级传
送带上，二级传送带带动垃圾向其第第二端方向传送，将垃圾传送至湿垃圾筐中；
33.所述的步骤s2基于机器视觉，并利用卷积神经网络的深度学习模式进行。
34.与现有技术相比，通过采用本发明的上述技术方案，具有一下雨有益效果：
35.1、从源头上解决垃圾分类问题：虽说在公共场所垃圾很多，种类繁杂，但是家中的垃圾也有相同的问题。本发明可以将垃圾分类的想法应用到居民住户的家中，从源头上解决垃圾分类的问题，为后来的垃圾分类处理提供方便。
36.2、不必担心垃圾分类错误的问题：垃圾分类的另一大阻碍就是垃圾分类知识的匮乏导致了大家不知道我们的垃圾应属于哪一类，而本组作品就刚好有效的解决了一问题。我们只需要将垃圾扔进垃圾桶中，垃圾桶会自动根据分类规则将垃圾分类放入不同的子垃圾桶中，无需大家再思考分类问题。
37.3、将塑料瓶单独分类另作处理：饮料瓶作为一种特殊的可回收垃圾，我们将它单独放置，方便回收，方便拾荒者捡拾。
38.4、所占空间得到一定的改进，减少了空间的面积。
附图说明
39.图1为本发明实施例1的分类垃圾桶的结构示意图。
40.图2为本发明实施例2基于深度学习的智能分类垃圾桶的结构示意图。
41.图3为本发明的垃圾分类收集单元的俯视结构示意图。
42.图4(a)～4(d)为本发明不同视角下的一级传送带和二级传送带的结构示意图。
43.图5为本发明实施例2的分类方法的示意图。
44.图6为本发明实施例2中拍照取样的示意图。
45.图7为本发明实施例2中图像的采集与处理过程中的文件夹分类示意图。
46.图8为本发明实施例2中图像的采集与处理过程中的亮度更改示意图。
47.图9为本发明实施例2中模型训练过程中模型分析示例截图。
48.图10、图11和图12分别为本发明实施例2中模型训练过程中训练开始、训练中和训练结束状态的示例截图。
49.图13为本发明实施例2中垃圾分拣测试示例截图。
50.图中，1为桶体，11为垃圾入口，2为垃圾分类单元，21为一级传送带，22为二级传送带，23为压缩机构，201为皮带，202为主动轮，203为从动轮，204为驱动电机，3为垃圾分类收集单元，31为可回收垃圾筐，32为干垃圾筐，33为湿垃圾筐，4为控制器，5为垃圾分类按钮组件，6为图像采集摄像头。
具体实施方式
51.下面结合附图和具体实施例对本发明进行详细说明。
52.实施例1
53.一种分类垃圾桶，如图1和图3所示，包括桶体1以及一上一下位于桶体1内部的垃圾分类单元2和垃圾分类收集单元3；桶体1的顶部设有垃圾入口11，垃圾分类单元2包括一级传送带21、位于一级传送带21第一端下方的压缩机构23以及位于一级传送带21第二端下方的二级传送带22，一级传送带21位于垃圾入口11的下方，一级传送带21和二级传送带22
的传送方向所在直线交错布置，垃圾分类收集单元3包括设置于压缩机构23下方的可回收垃圾筐31以及分别设置于二级传送带22第一端和第二端下方的干垃圾筐32和湿垃圾筐33。
54.更具体地，本实施例中：
55.垃圾分类单元优选还包括控制单元，控制单元包括控制器4和垃圾分类按钮组件5，控制器4与一级传送带21、二级传送带22、压缩机构23及垃圾分类按钮组件5分别电性连接，垃圾分类按钮组件5由湿垃圾按钮、干垃圾按钮和可回收垃圾按钮组成，用于控制进入垃圾入口11的垃圾进入垃圾分类收集单元3中相应的垃圾筐中。控制器4可以采用市售的plc控制器或者微机控制器，控制器4的型号不会对本发明技术方案的实施造成困扰。
56.使用者在使用分类垃圾桶时，只需要从一个垃圾入口11将垃圾扔到垃圾桶中即可，然后可以根据垃圾的类型，仅需按压一下按钮，即可实现垃圾自动进入相应的垃圾筐中。垃圾桶结构更加紧凑，更容易布置垃圾桶，使用更加方便。而且所有垃圾筐在一个较为封闭的垃圾桶内，也更加美观。避免了设置三个独立的垃圾桶占用空间大，布置不方便的问题。
57.垃圾入口11处还可以设置可打开的箱盖。实际使用中，还可以设置人体感应器，并与控制器4连接，能够在感应到使用者靠近垃圾入口11时，实现箱盖的自动打开，更加方便使用者使用该垃圾桶。
58.一级传送带21和二级传送带22的传送方向所在直线优选在水平面内相互垂直。如图4(a)～4(d)所示。更优选一级传送带21和二级传送带22均具有皮带201和用于带动皮带201正反向传送的驱动机构，驱动机构由从动轮203、主动轮202以及用于带动主动轮202正反向转动的驱动电机204组成。
59.压缩机构23优选为易拉罐压缩机构。易拉罐压缩机构可以选择现有技术中的相关产品。或者，易拉罐压缩机构具有上下开口的筒体，筒体底部具有可向下翻开的底部挡板，内侧壁上具有可翻转的翻转式压缩板，并通过穿设于筒体上的气缸带动翻转式压缩版与底部挡板配合，在垃圾落入筒体中之后，对垃圾进行压缩，压缩结束后，打开底部挡板，使垃圾掉落到可回收垃圾筐中。
60.投放有害垃圾：投放有害垃圾时应轻拿轻放；废弃的药品要带包装一起投放；压力罐类有害垃圾要排空罐内容物后投放；而在公共场合产生的有害垃圾时，需携带其到有害垃圾投放点妥善投放；对于容易破损的有害垃圾，要对其进行完整包裹后投放。
61.实施例2
62.一种基于深度学习的智能分类垃圾桶，如图2和图3所示，包括桶体1以及一上一下位于桶体1内部的垃圾分类单元2和垃圾分类收集单元3；桶体1的顶部设有垃圾入口11，垃圾分类单元2包括一级传送带21、位于一级传送带21第一端下方的压缩机构23、位于一级传送带21第二端下方的二级传送带22以及位于一级传送带21上方的图像采集摄像头6，一级传送带21位于垃圾入口11的下方，一级传送带21和二级传送带22的传送方向所在直线交错布置，垃圾分类收集单元3包括设置于压缩机构23下方的可回收垃圾筐31以及分别设置于二级传送带22第一端和第二端下方的干垃圾筐32和湿垃圾筐33。
63.更具体地，本实施例中：
64.垃圾分类单元2还包括控制器4，控制器4分别与一级传送带21、二级传送带22、压缩机构23及图像采集摄像头6电性连接。图像采集摄像头6可以选择市售的各种型号的摄像
头，优选采用彩色摄像头。控制器可以采用市售的arm架构的控制器或者x86架构的控制器，或者其他现有技术中的合适控制器。图像采集摄像头6用于采集落到一级传送带21上的垃圾的图像信息，控制器4用于接收垃圾的图像信息并基于深度学习对垃圾图像信息进行识别，判断垃圾类型，进而控制一级传送带21、二级传送带22和/或压缩机构23工作，使垃圾进入相应的垃圾筐。
65.垃圾入口11处还可以设置可打开的箱盖。实际使用中，还可以设置人体感应器，并与控制器4连接，能够在感应到使用者靠近垃圾入口11时，实现箱盖的自动打开，更加方便使用者使用该垃圾桶。
66.一级传送带21和二级传送带22的传送方向所在直线优选在水平面内相互垂直。如图4(a)～4(d)所示。更优选一级传送带21和二级传送带22均具有皮带201和用于带动皮带201正反向传送的驱动机构，驱动机构由从动轮203、主动轮202以及用于带动主动轮202正反向转动的驱动电机204组成。
67.压缩机构23优选为易拉罐压缩机构。易拉罐压缩机构可以选择现有技术中的相关产品。或者，易拉罐压缩机构具有上下开口的筒体，筒体底部具有可向下翻开的底部挡板，内侧壁上具有可翻转的翻转式压缩板，并通过穿设于筒体上的气缸带动翻转式压缩版与底部挡板配合，在垃圾落入筒体中之后，对垃圾进行压缩，压缩结束后，打开底部挡板，使垃圾掉落到可回收垃圾筐中。
68.上述基于深度学习的智能分类垃圾桶的分类方法，参见图5所示，包括以下步骤：
69.s1：垃圾经由垃圾入口11落到一级传送带21上；
70.s2：图像采集摄像头6进行取样，采集落到一级传送带21上的垃圾的图像信息，控制器4接收垃圾的图像信息，并与库中进行对比，判断垃圾类型：
71.若垃圾为可回收垃圾，一级传送带21带动垃圾向其第一端方向传送，将垃圾送至压缩机构23内，压缩机构23对垃圾进行压缩处理，处理完成后，掉落到可回收垃圾筐31内，
72.若垃圾为干垃圾，一级传送带21带动垃圾向其第二端方向传送，将垃圾送至二级传送带22上，二级传送带22带动垃圾向其第一端方向传送，将垃圾传送至干垃圾筐32中，
73.若垃圾为湿垃圾，一级传送带21带动垃圾向其第二端方向传送，将垃圾送至二级传送带22上，二级传送带22带动垃圾向其第第二端方向传送，将垃圾传送至湿垃圾筐33中；
74.步骤s2基于机器视觉，并利用卷积神经网络的深度学习模式进行。
75.投放有害垃圾：投放有害垃圾时应轻拿轻放；废弃的药品要带包装一起投放；压力罐类有害垃圾要排空罐内容物后投放；而在公共场合产生的有害垃圾时，需携带其到有害垃圾投放点妥善投放；对于容易破损的有害垃圾，要对其进行完整包裹后投放。
76.本实施例中，基于深度学习算法：
77.(2)深度学习研究现状
78.深度学习是机器学习领域中新的研究方向之一。然而在大多数情况下，机器学习几乎能替代掉人工智能的概念。简单来说，深度学习就是利用机器学习的算法，使计算机可以学习数据库中的内在规律与特征，以便于对其它样本进行识别和推测。深度学习是一种复杂的机器学习算法，在很多方面都取得了优异的结果，并且在语音和图像识别方面超过其它相关技术。典型的深度学习模式有卷积神经网络模型、深度可信网络模型、堆叠协调网络模型等。
79.(2)本实施例采用卷积神经网络与基于机器视觉的智能分类垃圾桶
80.卷积神经网络是由交替卷积层和亚采样层组成的分层神经网络，用来模拟视觉神经的细胞，卷积神经网络不同模型的区别之处在于卷积层和子抽样层的实现方式和它们的训练方式。
81.卷积层的参数包括：输入图像个数、特征图像的个数、图像的大小以及每一层图像具有相同的大小(mx，my)；卷积核的大小(kx，ky)，卷积核的每个大小为(kx，ky)作用于输入图像的有效面积；跳过因子(sx，sy)定义卷积核在x，y方向跳过多少像素。经过卷积层特征提取后得到的输出图像尺寸由以下公式得到：
[0082][0083][0084]
采样层构造方法：该系统中卷积神经网络实现的最大区别是采用最大池采样层代替子采样层。在卷积神经网络的实现中，这些层被池采样和平均运算所代替，并且在卷积过程中跳过相邻像素以达到采样的目的。最大池采样层的输出通过取大小不重叠的矩阵(kx，ky)的最大值来获得。最大池采样提供了局部位移不变性,通过(kx，ky)因子对输入图像的每一个方向进行降采样。本实验通过2
×
2滤波窗口对特征图像区域进行最大池采样，提取窗口的最大值作为采样特征，对特征图像进行降采样。分类层的构造：选择卷积滤波器的卷积核大小、最大池采样矩阵以及跳跃因子，将最后一个卷积层的输出图像降采样到一个像素，一个全连接层将最后一个卷积层的输出结合为一个一维特征矩阵。在分类任务中，最后一层通常是一个完全连接的层，它将每个像素图像连接到输出层每个可能的分类。最后一层用softmax回归作为激活函数，每个神经元的输出代表分类结果的可能性。
[0085]
(3)图像的采集与处理
[0086]
对需要进行分类的项目进行拍照采集，同一物体同一摆放方式不同的角度进行拍照，同一物体不同的摆放方式多角度进行拍照。卷积神经网络的实现需要相同尺寸大小的训练图像。即拍完的照片要进行大小裁剪，裁剪后尺寸为4032*3024像素。如图6所示。
[0087]
将所拍取的照片分为三类干垃圾、湿垃圾、可回收垃圾，把照片移动到三个文件夹内，如图7所示。需要识别的三种垃圾照片外，还需要采集传送带的照片。因为那记在识别的过程中，传送带是作为整个背景，采集传送带照片，是为了在识别的过程中，让计算机去除背景之后再进行对比。
[0088]
由于采集到的训练样本有明显的光线变化，而且在实际测试中光线变化也会影响识别的准确率，为了使识别更加准确。我们将图像亮度进行调整，得到不同光线下的样本图片，如图8所示。
[0089]
(4)模型训练
[0090]
模型训练这个过程被称为迁移学习，转移学习通常用于深度学习应用程序。使用一个预先训练好的网络，并以此作为学习新任务的起点。
[0091]
与从零开始的随机初始化权值网络的训练相比，通过迁移学习调整网络通常会更快、更容易。可以使用少量的训练图像将学习到的功能快速转移到新任务中。训练一个预先
训练的网络来分类新的图像，要更改匹配数据，用适应新数据集的新层替换最终的层。将输出大小编辑为新数据中的类数。编辑学习率以在新层中比在传输层中更快地学习，删除原始层并连接新层。更换输出层，滚动到“层”选项板的末尾，并将新的分类输出层拖到画布上。删除原始输出层，并将新的层连接起来。准备好进行训练后，单击“分析”，并确保深度学习网络分析器报告的错误为零。如图9所示。
[0092]
返回到深度网络设计器并单击“导出”，深度网络设计器将网络导出到名为lgraph_1的新变量中，该变量包含已编辑的网络层。现在可以将层变量提供给trainnetwork函数。解压缩新图像并且加载这些图像作为图像数据存储，imagedatastore可以根据文件夹的名称自动标记图像，并将数据存储为imagedatastore的对象。在卷积神经网络的训练过程中，可以存储大量的图像数据，包括不能存储在存储器中的数据，并能有效地批量读取图像。
[0093]
训练前，解压压缩文件，目录会多出一个文件夹，文件夹内是进行训练的样本。为了更轻松地组织数据，使用imagedatastore函数构造一个数据结构来对数据进行管理。自动将数据分为训练数据和验证数据，其中训练数据占比70％，验证数据占比30％。需调整图像大小与预先训练网络的输入大小相匹配。
[0094]
指定训练选项：指定小批量大小，即每次迭代要使用多少图像。指定少量时期，历元是整个训练数据集上的完整训练周期。对于迁移学习，不需要为那么多的时代进行训练，每个历元的数据都会重新洗牌。将初始学习速率设置为一个小值，以减缓传输层中的学习速度。指定验证数据和小的验证频率。控制打开训练情节，在训练时监控进度。
[0095]
要训练网络，向trainnetwork功能提供从应用程序lgraph_1导出的层、训练图像和选项。默认情况下，trainnetwork使用可用的gpu(需要并行计算工具)，否则，它使用cpu。训练过程如图10、图11、图12所示。
[0096]
通过训练结果可以得到训练所用时间32分钟，训练后图像识别的准确率达到90％以上。
[0097]
(5)垃圾分拣测试
[0098]
通过计算机模拟垃圾分拣。利用微调网络对验证图像进行分类，计算分类精度。一次性在文件夹中抽取四张图片，排列方式为2*2，模拟分拣后电脑窗口显示四个带有预测标签的样本验证图像。如图13所示。
[0099]
利用垃圾桶进行测试垃圾分拣，选择已经训练好的模型，在垃圾桶内放入垃圾，通过垃圾桶上的摄像头获取一张照片，根据训练好的模型修改照片尺寸。查询类别，电脑窗口显示照片与垃圾类别。
[0100]
上述对实施例的描述是为便于该技术领域的普通技术人员能理解和使用发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。