本发明涉及识别分类应用,特别涉及一种固体废弃物的识别分类方法、系统、计算机设备和存储介质。
背景技术:
1、随着城市化进程的加速,生活和工业垃圾量大幅增加,正确分类和处理废弃物变得尤为重要。对废弃物进行准确分类不仅能提高资源回收的效率,还能减轻环境污染。然而,废弃物的种类繁多、形态各异,传统的人工分类方式效率低下、耗时耗力且易出错。因此,开发自动化和智能化废弃物分类技术具有重大意义。
技术实现思路
1、本发明的主要目的为提供一种固体废弃物的识别分类方法、系统、计算机设备和存储介质,通过视频采集和自动化的特征提取与分类处理,实现了废弃物分类的实时性。
2、为实现上述目的,本发明提供了一种固体废弃物的识别分类方法,包括以下步骤:
3、对废弃物的图像进行视频采集,得到废弃物视频;其中,废弃物包括固体废弃物和非固体废弃物;
4、通过分割模型对所述废弃物视频进行特征提取,得到废弃物特征;其中,所述分割模型是将resnet-50模型中的卷积层作为编码器,编码器的输出端与u-net模型中的解码器的输入端相连接;
5、通过lbp算子模型对废弃物特征进行加强处理,得到废弃物的纹理特征;
6、将废弃物的纹理特征输入预设的yolo模型中进行筛选,得到固体废弃物特征和非固体废弃物特征;
7、对所述固体废弃物特征进行分析处理,得到第一次保留的固体废弃物特征,对所述非固体废弃物特征进行分析处理,得到第一次保留的非固体废弃物特征,将所述第一次保留的固体废弃物特征与所述第一次保留的非固体废弃物特征进行融合,得到第一固体废弃物特征;其中,所述第一次保留的非固体废弃物特征是yolo模型筛选有误的固体废弃物特征;
8、对第一固体废弃物特征进行分类计算,得到固体废弃物的分类结果。
9、作为本发明进一步的方案,所述resnet-50模型中的卷积层包括第一卷积层以及bn层;所述通过分割模型对所述废弃物视频进行特征提取,得到废弃物特征包括:
10、将所述废弃物视频输入第一卷积层中进行特征提取,得到第一废弃物特征;
11、将所述第一废弃物特征输入bn层中进行提取,得到第二废弃物特征;
12、将所述第一废弃物特征和所述第二废弃物特征输入新conv-concat 模块进行融合拼接处理,得到第三废弃物特征;其中,所述新conv-concat 模块是设置在bn层和u-net的卷积块之间;
13、通过u-net的卷积块对所述第三废弃物特征进行归一化处理,得到废弃物特征。
14、作为本发明进一步的方案,所述通过lbp算子模型对废弃物特征进行加强处理,得到废弃物的纹理特征包括:
15、通过lbp算子模型对废弃物特征进行图像处理,生成废弃物特征图像,并对废弃物特征图像进行划分,得到多个局部废弃物特征图像的区域;
16、通过lbp算子模型对每个局部废弃物特征图像的区域进行计算,得到每个局部废弃物特征图像的区域相对应的第一纹理特征;
17、在每个所述第一纹理特征中选择像素点,将所述像素点的灰色度值与该像素点的邻域中的每个像素点的灰色度值进行进制转化,得到每个像素点的灰色度值对应的二进制数字;
18、基于所述每个像素点的灰色度值对应的二进制数字,得到废弃物的纹理特征。
19、作为本发明进一步的方案,所述将废弃物的纹理特征输入预设的yolo模型中进行筛选,得到固体废弃物特征和非固体废弃物特征包括:
20、将所述废弃物的纹理特征输入预设的yolo模型中进行提取,得到多个第二纹理特征;
21、对所述多个第二纹理特征进行特征编码处理,得到每个第二纹理特征对应的向量;
22、将所述每个第二纹理特征对应的向量输入预设的二分类模型,得到每个第二纹理特征对应的概率;
23、基于所述每个第一纹理特征对应的概率,得到固体废弃物特征对应的标签和非固体废弃物特征对应的标签;
24、将所述固体废弃物特征对应的标签输入预置标签编码模型进行编码转化,得到固体废弃物特征,将非固体废弃物特征的标签输入预置标签编码模型进行编码转化,得到非固体废弃物特征。
25、作为本发明进一步的方案,将所述第一次保留的固体废弃物特征与所述第一次保留的非固体废弃物特征进行融合,得到第一固体废弃物特征包括:
26、通过卷积神经网络对每个所述第一次保留的固体废弃物特征进行特征提取,得到对应的固体废弃物特征;
27、对每个所述固体废弃物特征进行特征计算,得到每个固体废弃物特征相对应的特征参数;
28、将所述每个固体废弃物特征相对应的特征参数与预设的固体废弃物特征参数的阈值进行对比;
29、若固体废弃物特征相对应的特征参数不在预设的固体废弃物特征参数的阈值内,则对该固体废弃物特征进行剔除;若固体废弃物特征相对应的特征参数在预设的固体废弃物特征参数的阈值内,则保留该固体废弃物特征;
30、通过卷积神经网络对各个所述第一次保留的非固体废弃物特征进行特征提取,得到对应的非固体废弃物特征;
31、对所述每个非固体废弃物特征进行特征计算,得到每个非固体废弃物特征相对应的特征参数;
32、将所述每个固体废弃物特征相对应的特征参数与预设的固体废弃物特征参数的阈值进行对比;
33、若非固体废弃物特征相对应的特征参数不在预设的非固体废弃物特征参数的阈值内,则对该固体废弃物特征进行剔除;若非固体废弃物特征相对应的特征参数在预设的固体废弃物特征参数的阈值内,则保留该非固体废弃物特征;
34、将保留的该固体废弃物特征和保留的该非固体废弃物特征进行融合,得到第一固体废弃物特征。
35、作为本发明进一步的方案,对所述第一固体废弃物特征进行分类计算,得到固体废弃物的分类结果包括:
36、将所述第一固体废弃物特征输入深度学习模型中进行计算,得到第一固体废弃物的特征参数;
37、基于所述第一固体废弃物的特征参数,对所述第一固体废弃物特征进行分类,得到固体废弃物的分类结果。
38、作为本发明进一步的方案,基于所述第一固体废弃物的特征参数,对所述第一固体废弃物特征进行分类,得到固体废弃物的分类结果,包括:
39、对第一固体废弃物特征的参数进行编码计算,得到第一固体废弃物特征的参数对应的向量;
40、对第一固体废弃物特征的参数对应的向量进行计算,得到第一固体废弃物的特征值;
41、将所述第一固体废弃物的特征值与预设的阈值区间进行对比;
42、若第一固体废弃物的特征值高于预设的阈值区间,则为固体可回收废弃物;
43、若第一固体废弃物的特征值处于预设的阈值区间,则为有害固体回收废弃物;
44、若第一固体废弃物的特征值低于预设的阈值区间,则为不可回收固体废弃物。
45、本发明还提供了一种固体废弃物的识别分类系统,包括:
46、采集模块,对废弃物的图像进行视频采集,得到废弃物视频;其中,废弃物包括固体废弃物和非固体废弃物;
47、提取模块,通过分割模型对所述废弃物视频进行特征提取,得到废弃物特征;其中,所述分割模型是将resnet-50模型中的卷积层作为编码器,编码器的输出端与u-net模型中的解码器的输入端相连接;
48、加强模块,通过lbp算子模型对废弃物特征进行加强处理,得到废弃物的纹理特征;
49、筛选模块,将废弃物的纹理特征输入预设的yolo模型中进行筛选,得到固体废弃物特征和非固体废弃物特征;
50、分析模块,对所述固体废弃物特征进行分析处理,得到第一次保留的固体废弃物特征,对所述非固体废弃物特征进行分析处理,得到第一次保留的非固体废弃物特征,将所述第一次保留的固体废弃物特征与所述第一次保留的非固体废弃物特征进行融合,得到第一固体废弃物特征;其中,所述第一次保留的非固体废弃物特征是yolo模型筛选有误的固体废弃物特征;
51、分类模块,对第一固体废弃物特征进行分类计算,得到固体废弃物的分类结果。
52、本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
53、本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
54、本发明提供的固体废弃物的识别分类方法、系统、计算机设备和存储介质,包括以下步骤:对废弃物的图像进行视频采集,得到废弃物视频;其中,废弃物包括固体废弃物和非固体废弃物;通过分割模型对所述废弃物视频进行特征提取,得到废弃物特征;其中,所述分割模型是将resnet-50模型中的卷积层作为编码器,编码器的输出端与u-net模型中的解码器的输入端相连接;通过lbp算子模型对废弃物特征进行加强处理,得到废弃物的纹理特征;将废弃物的纹理特征输入预设的yolo模型中进行筛选,得到固体废弃物特征和非固体废弃物特征;对所述固体废弃物特征进行分析处理,得到第一次保留的固体废弃物特征,对所述非固体废弃物特征进行分析处理,得到第一次保留的非固体废弃物特征,将所述第一次保留的固体废弃物特征与所述第一次保留的非固体废弃物特征进行融合,得到第一固体废弃物特征;其中,所述第一次保留的非固体废弃物特征是yolo模型筛选有误的固体废弃物特征;对第一固体废弃物特征进行分类计算,得到固体废弃物的分类结果;通过采用改进的resnet-50和u-net模型组合构建的分割模型来提取废弃物的特征信息,利用lbp算子对废弃物的纹理特征进行加强处理,获取更为准确的废弃物纹理信息,解决了传统的人工分类方式效率低下、耗时耗力且易出错,实现了利用深度学习模型进行特征提取和分类计算,显著提高了废弃物识别和分类的准确性以及高效处理废弃物图像并实现自动化分类,有助于提高废弃物处理的效率并降低错误分类的风险的有益效果。