【技术实现步骤摘要】
本专利技术涉及垃圾分类智能识别，具体为基于深度学习的垃圾分类智能识别方法、系统及介质。
技术介绍
1、垃圾分类智能识别技术，是指利用人工智能和计算机视觉技术，通过对垃圾进行图像或其他传感器数据的分析，自动判断垃圾的种类和属性的技术，它可以对垃圾进行快速且准确的分类，将垃圾分为可回收物、有害垃圾、湿垃圾和干垃圾等不同类别，该技术可以应用于垃圾处理、回收利用和环境保护等领域，提高垃圾分类工作的效率和准确性，减少人工处理成本，促进可持续发展和资源循环利用。
2、现有的垃圾分类智能识别技术通常都是通过计算机视觉技术实现，而在计算机视觉技术通常都是进行边缘检测，而边缘检测的准确性取决于边缘检测算子，且需要统一图像分辨率，同时由于垃圾分类驳杂，在进行边缘检测时难以定义统一的检测标准，导致对垃圾图像的垃圾轮廓提取不够准确，进一步导致在进行垃圾分类智能识别时准确率下降的问题，同时，现有的部分垃圾分类智能识别技术是直接将垃圾图像输入深度学习模型进行模型训练，未提取垃圾图像的图像特征，导致现有的垃圾分类智能识别技术的精准性不足，比如在申请公开号为cn113610191a的中国专利中，公开了垃圾分类模型建模方法、垃圾分类方法及装置，该方案就是将生活垃圾图像形成一个图像集合，再直接输入深度卷积神经网络中进行模型训练，未对垃圾图像提取图像特征，导致垃圾分类识别不够准确，现有的垃圾分类智能识别技术还存在边缘检测不够准确以及提取的图像特征不足，导致垃圾分类智能识别的结果不准确的问题。
技术实现思路
2、为实现上述目的，第一方面，本申请提供基于深度学习的垃圾分类智能识别方法，包括如下步骤：
3、读取图像数据库，获取垃圾图像以及分类信息；
4、对垃圾图像进行特征提取，得到垃圾图像的垃圾轮廓以及灰度特征；
5、对垃圾轮廓、灰度特征以及分类信息进行深度学习；
6、深度学习完成后，对垃圾图像进行分类识别，检测分类识别的准确率。
7、进一步地，读取图像数据库，获取垃圾图像以及分类信息，所述分类信息包括可回收垃圾、不可回收垃圾以及有害垃圾。
8、进一步地，对垃圾图像进行特征提取，得到垃圾图像的垃圾轮廓以及灰度特征包括如下子步骤：
9、获取垃圾图像，对垃圾图像进行灰度化处理，得到垃圾灰度图；
10、获取垃圾灰度图的分辨率，所述分辨率的格式为n×m，所述n与m均为非零自然数；对垃圾灰度图中的像素点进行编号，命名为像素编号，所述像素编号通过符号s(i,j)表示，s(i,j)表示处于横向上第i个且处于竖向上第j个的像素点，1≤i≤n，1≤j≤n；
11、计算n/2以及m/2，分别以p和q表示，p和q保留整数，获取s(p,q)处的像素点，标记为中心点；
12、以中心点的中心为原点，平行于垃圾灰度图底部为x轴，平行于垃圾灰度图侧面为y轴建立直角坐标系，命名为灰度坐标系；
13、以中心点为起始，沿着x轴正方向、x轴反方向、y轴正方向以及y轴反方向依次获取坐标轴经过的像素点的灰度值，命名为轴线灰度值；
14、对x轴正方向、x轴反方向、y轴正方向以及y轴反方向的轴线灰度值进行编号，依次通过符号zxh、fxh、zyh以及fyh表示，h为正整数，h表示在不同方向上距原点第h个轴线灰度值；
15、针对zxh，计算相邻轴线灰度值的梯度值，通过符号tzxh表示，tzxh代表zxh-zxh+1；针对fxh，计算相邻轴线灰度值的梯度值，通过符号tfxh表示，tfxh代表fxh-fxh+1；针对zyh，计算相邻轴线灰度值的梯度值，通过符号tzyh表示，tzyh代表zyh-zyh+1；针对fyh，计算相邻轴线灰度值的梯度值，通过符号tfyh表示，tfyh代表fyh-fyh+1；
16、以h为横轴，分别以tzxh、tfxh、tzyh以及tfyh为纵轴建立直角坐标系，依次命名为正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系；
17、对正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系进行分析，提取垃圾图像的垃圾轮廓以及灰度特征。
18、进一步地，对正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系进行分析，提取垃圾图像的垃圾轮廓以及灰度特征包括如下子步骤：
19、将tzxh、tfxh、tzyh以及tfyh录入正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系中，绘制折线图，将h与h+1之间的线段命名为梯度线段；
20、计算梯度线段的斜率，表示为kh，kh代表h与h+1之间的梯度线段的斜率；将相邻的且斜率相同的梯度线段进行整合；
21、查找斜率为零的梯度线段，命名为等梯度变化线段，对等梯度变化线段进行编号，标记为等梯度编号，通过符号dg表示，g为正整数；
22、获取等梯度变化线段的长度，命名为线段长度，查找线段长度中的最大值，标记为最大长度；对正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系均分析一个最大长度；
23、分别获取正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系中最大长度对应的等梯度变化线段中包含的像素点对应的h值，命名为线段组成值，获取线段组成值的最小值，依次命名为zxh、fxh、zyh以及fyh；
24、获取zxh、fxh、zyh以及fyh中的最小值，标记为最近边界值；
25、对最近边界值所在的线段组成值进行分析。
26、进一步地，对最近边界值所在的线段组成值进行分析包括如下子步骤：
27、计算线段组成值的平均值并保留整数，将计算得到的数值标记为边界点值，通过符号e表示；
28、获取边界点值对应的像素编号，命名为边界编号；
29、获取边界编号对应的像素点的8邻域中8个像素点，命名为邻域点，获取邻域点的灰度值，自左上至右下依次命名为一邻域灰度值、二邻域灰度值、三邻域灰度值、四邻域灰度值、五邻域灰度值、六邻域灰度值、七邻域灰度值以及八邻域灰度值；将一邻域灰度值、二邻域灰度值、三邻域灰度值、四邻域灰度值、五邻域灰度值、六邻域灰度值、七邻域灰度值以及八邻域灰度值统称为邻域灰度值；
30、将邻域灰度值以外的灰度值命名为像素灰度值，将由第一数量的像素点组成的连续的像素点整合为像素集合；所述连续的像素点指在平行于x本文档来自技高网...
【技术保护点】
1.基于深度学习的垃圾分类智能识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的垃圾分类智能识别方法，其特征在于，读取图像数据库，获取垃圾图像以及分类信息，所述分类信息包括可回收垃圾、不可回收垃圾以及有害垃圾。
3.根据权利要求2所述的基于深度学习的垃圾分类智能识别方法，其特征在于，对垃圾图像进行特征提取，得到垃圾图像的垃圾轮廓以及灰度特征包括如下子步骤：
4.根据权利要求3所述的基于深度学习的垃圾分类智能识别方法，其特征在于，对正X梯度坐标系、反X梯度坐标系、正Y梯度坐标系以及反Y梯度坐标系进行分析，提取垃圾图像的垃圾轮廓以及灰度特征包括如下子步骤：
5.根据权利要求4所述的基于深度学习的垃圾分类智能识别方法，其特征在于，对最近边界值所在的线段组成值进行分析包括如下子步骤：
6.根据权利要求5所述的基于深度学习的垃圾分类智能识别方法，其特征在于，基于垃圾轮廓，选定特征区域分析垃圾图像的灰度特征包括如下子步骤：
7.根据权利要求6所述的基于深度学习的垃圾分类智能识别方法，其特征在于，
8.根据权利要求7所述的基于深度学习的垃圾分类智能识别方法，其特征在于，深度学习完成后，对垃圾图像进行分类识别，检测分类识别的准确率包括如下子步骤：
9.适用于权利要求1-8任意一项所述的基于深度学习的垃圾分类智能识别方法的系统，其特征在于，包括图像数据库、特征提取模块、深度学习模块以及垃圾分类识别模块；所述包括图像数据库、特征提取模块以及垃圾分类识别模块分别与深度学习模块数据连接；
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，运行如权利要求1-8任一项所述方法中的步骤。
...【技术特征摘要】
1.基于深度学习的垃圾分类智能识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的垃圾分类智能识别方法，其特征在于，读取图像数据库，获取垃圾图像以及分类信息，所述分类信息包括可回收垃圾、不可回收垃圾以及有害垃圾。
3.根据权利要求2所述的基于深度学习的垃圾分类智能识别方法，其特征在于，对垃圾图像进行特征提取，得到垃圾图像的垃圾轮廓以及灰度特征包括如下子步骤：
4.根据权利要求3所述的基于深度学习的垃圾分类智能识别方法，其特征在于，对正x梯度坐标系、反x梯度坐标系、正y梯度坐标系以及反y梯度坐标系进行分析，提取垃圾图像的垃圾轮廓以及灰度特征包括如下子步骤：
5.根据权利要求4所述的基于深度学习的垃圾分类智能识别方法，其特征在于，对最近边界值所在的线段组成值进行分析包括如下子步骤：
6.根据权利要求5所述的基于深度...
【专利技术属性】
技术研发人员：苏雪，居成君，
申请(专利权)人：江苏万城智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。