技术领域本发明涉及垃圾处理技术，尤其涉及基于图像识别与二维码识别技术的垃圾分类评价方法。
背景技术：
城市垃圾资源化利用可以为国民经济提供巨大的经济效益，并由此带来生活环境清洁与舒适的社会效益。而垃圾资源回收再利用，最重要的环节就是要把垃圾经过分离、分类，然后根据所分离出来的垃圾按照其特性加以利用，现有垃圾分类只是简单的依赖于人工，人工作业效率低且容易出错，无法满足城市垃圾资源化的高要求。
技术实现要素：
为解决上述技术问题，本发明的目的是提供基于图像识别与二维码识别技术的垃圾分类评价方法，对居民垃圾分类情况进行评价，评价结果与处理费用挂钩，以此促进居民垃圾分类意识及习惯的养成。本发明采用的技术方案是：基于图像识别与二维码识别技术的垃圾分类评价方法，包括以下步骤：（A）对卷积神经网络算法进行大样本垃圾分类图像识别训练；（B）利用二维码标识与扫描垃圾的归属；（C）采集待识别的垃圾图像；（D）使用经步骤A中垃圾分类大样本数据训练后的卷积神经网络算法对垃圾图像进行识别；（E）输出不同垃圾图像的分类结果。进一步，所述基于图像识别与二维码识别技术的垃圾分类评价方法还包括步骤（F）根据识别后输出的分类结果计算垃圾处理费用。进一步，所述步骤E中还计算所分类垃圾错误率，步骤F中垃圾处理费用=垃圾重量*（1+分类垃圾错误率）*系数*单位垃圾处理费。进一步，所述基于图像识别与二维码识别技术的垃圾分类评价方法还包括步骤（G）反馈垃圾的分类结果与处理费用给所属住户及管理部门。进一步，所述步骤B包括：在垃圾袋上贴置或打印二维码，然后扫描二维码确认垃圾归属的住户。进一步，所述步骤C包括：（C1）利用机械打开垃圾袋；（C2）对垃圾袋内部垃圾进行拍照，对图像进行预处理；（C3）算法输入预处理后的垃圾照片。本发明的有益效果：本发明的垃圾分类评价方法基于二维码技术确定垃圾归属的住户，并采用卷积神经网络算法对垃圾图像进行识别，以二维图像为网络的直接输入，减少了复杂特征提取和数据重建等计算过程，输入图像和网络的拓扑结构能有很好的吻合，特征提取和模式分类同时进行，并在训练中产生，权值共享可以很大程度上减少网络训练参数，使网络结构的适应性更强，大大提升了垃圾处理的效率，由此带来生活环境清洁与舒适的社会效益。附图说明下面结合附图对本发明的具体实施方式做进一步的说明。图1是本发明垃圾分类评价方法的流程图。具体实施方式如图1所示，为本发明基于图像识别与二维码识别技术的垃圾分类评价方法，包括以下步骤：（A）对卷积神经网络算法进行大样本垃圾分类图像识别训练；（B）利用二维码标识与扫描垃圾的归属；该步骤B包括：在垃圾袋上贴置或打印二维码，然后扫描二维码确认垃圾归属的住户。（C）采集待识别的垃圾图像；该步骤C包括：（C1）利用机械打开垃圾袋；（C2）对垃圾袋内部垃圾进行拍照，对图像进行预处理；（C3）算法输入预处理后的垃圾照片。（D）使用经步骤A中垃圾分类大样本数据训练后的卷积神经网络算法对垃圾图像进行识别；（E）输出不同垃圾图像的分类结果与分类垃圾错误率。（F）根据识别后输出的分类结果计算垃圾处理费用，该垃圾处理费用=垃圾重量*（1+分类垃圾错误率）*系数*单位垃圾处理费。（G）反馈垃圾的分类结果与处理费用给所属住户及管理部门。其中，上述卷积神经网络算法的结构是一种多层的感知器，每层由二维平面组成，而每个平面由多个独立的神经元组成，网络中包含一些简单元和复杂元，分别记为C元和S元。C元聚合在一起构成卷积层，S元聚合在一起构成下采样层。输入图像通过滤波器和可加偏置进行卷积，在C层产生N个特征图（N值可人为设定），然后特征映射图经过求和、加权值和偏置，再通过一个激活函数（通常选用Sigmoid函数）得到S层的特征映射图。根据人为设定C层和S层的数量，以上工作依次循环进行。最终，对最尾部的下采样和输出层进行全连接，得到最后的输出。卷积的过程：用一个可训练的滤波器fx去卷积一个输入的图像（在C1层是输入图像，之后的卷积层输入则是前一层的卷积特征图），通过一个激活函数(一般使用的是Sigmoid函数)，然后加一个偏置bx，得到卷积层Cx。子采样的过程包括：每邻域的m个像素（m是人为设定）求和变为一个像素，然后通过标量Wx+1加权，再增加偏置bx+1，然后通过激活函数Sigmoid产生特征映射图。从一个平面到下一个平面的映射可以看作是作卷积运算，S层可看作是模糊滤波器，起到了二次特征提取的作用。隐层与隐层之间的空间分辨率递减，而每层所含的平面数递增，这样可用于检测更多的特征信息。对于子采样层来说，有N个输入特征图，就有N个输出特征图，只是每个特征图的的尺寸得到了相应的改变，具体运算如下式，式中down（）表示下采样函数。down()+))而卷积神经网络的训练过程是：卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入和输出之间的映射关系，而不需要任何输入和输出之间的精确数学表达式。用已知的模式对卷积网络加以训练，网络就具有了输入输出对之间的映射能力。卷积神经网络执行的是有监督的导师训练，所以样本集是由形如（输入向量，理想输出向量）的向量对构成。卷积神经网络训练算法类似于BP算法，主要分为4步，这4步分为两个阶段：1.向前传播过程1）从样本集中读取（X,Y）,将X输入网络。2）计算相应的实际输出Op。在此阶段，信息从输入层经过逐层变换，传送到输出层，输入与每层的权值矩阵点乘，得到输出结果：Op=Fn（…(F2(F1(XpW(1))W(2))…)W(n)）。2.向后传播阶段1）计算实际输出和理想输出的差值；2）按极小误差发反向传播调整权值矩阵。卷积神经网络主要用于识别位移、缩放及其它形式扭曲不变形的二维图像。由卷积神经网络的特征检测层通过训练，由于同一特征平面上的神经元权值相同，所以网络可以并行学习，这种以局部权值共享的特殊结构在语音识别和图像处理方面具有独特的优越性，使其布局更类似于生物神经网络。卷积神经网络较一般神经网络在图像识别方面有如下优点：1）以二维图像为网络的直接输入，减少了复杂特征提取和数据重建等计算过程。2）输入图像和网络的拓扑结构能有很好的吻合。3）特征提取和模式分类同时进行，并在训练中产生。4）权值共享可以很大程度上减少网络训练参数，是网络结构的适应性更强。以上所述仅为本发明的优先实施方式，本发明并不限定于上述实施方式，只要以基本相同手段实现本发明目的的技术方案都属于本发明的保护范围之内。