[發(fā)明專利]一種基于邊緣計算和深度學(xué)習(xí)的垃圾箱垃圾識別方法

在審

• 申請?zhí)枺?/td>: 202010168548.2
• 申請日: 2020-03-12
• 公開（公告）號: CN111217062A
• 公開（公告）日: 2020-06-02
• 發(fā)明（設(shè)計）人: 李清秋;張鵬程;趙齊
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: B65F1/14
• 分類號: B65F1/14;B65F1/00;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 成立珍

本發(fā)明公開了一種基于邊緣計算和深度學(xué)習(xí)的垃圾箱垃圾識別方法，包括如下步驟：通過安裝在垃圾箱上固定角度的高分辨率攝像機(jī)對投放者所投的垃圾進(jìn)行掃描和拍攝完成數(shù)據(jù)收集；利用搭載垃圾識別模型的分布式邊緣服務(wù)器識別所投垃圾，在顯示屏上顯示識別垃圾檢測結(jié)果及語音播報，同時存儲垃圾圖片數(shù)據(jù)，完成未標(biāo)記垃圾數(shù)據(jù)上傳云服務(wù)器；云服務(wù)器運(yùn)用SSD算法訓(xùn)練垃圾檢測模型，通過邊緣服務(wù)器上傳的新數(shù)據(jù)定期更新垃圾檢測模型，使得識別結(jié)果準(zhǔn)確和實(shí)時。

技術(shù)領(lǐng)域

本發(fā)明涉及一種用于街道垃圾箱的垃圾識別方法，尤其涉及基于移動邊緣計算和深度學(xué)習(xí)的未知垃圾檢測方法，屬于信息處理技術(shù)領(lǐng)域。

背景技術(shù)

垃圾分類收集可以減少垃圾處理量和處理設(shè)備，降低處理成本，減少土地資源的消耗，具有社會、經(jīng)濟(jì)、生態(tài)三方面的效益。但是，由于垃圾種類眾多，人們在進(jìn)行垃圾分類時會耗費(fèi)大量的時間成本，特別是在人流量較大的街道，人們往往很難準(zhǔn)確判斷所扔垃圾的種類且將他們放入街道邊的垃圾桶中，為此研究者們對以往傳統(tǒng)的街道垃圾箱進(jìn)行了改造，在垃圾箱上添加了高分辨率攝像頭以用來識別代投放垃圾的種類、收集垃圾圖像。

隨著物聯(lián)網(wǎng)的快速發(fā)展和5G網(wǎng)絡(luò)的到來，線性增長的集中式云計算能力已經(jīng)無法與爆炸式增長的海量邊緣數(shù)據(jù)相匹配。因此，邊緣計算正在成為物聯(lián)網(wǎng)發(fā)展的支撐平臺。邊緣計算指的是在網(wǎng)絡(luò)的邊緣處理數(shù)據(jù)，以此減少請求響應(yīng)時間、提升電池續(xù)航能力、減少網(wǎng)絡(luò)帶寬同時保證數(shù)據(jù)的安全性和私密性，未來移動邊緣計算會在物聯(lián)網(wǎng)、電力供需、教育、電子商務(wù)中有著廣泛的應(yīng)用。

發(fā)明內(nèi)容

發(fā)明目的：針對于現(xiàn)有方法存在的問題，本發(fā)明提供一種基于邊緣計算和深度學(xué)習(xí)的垃圾箱垃圾識別方法。主要通過安裝在垃圾箱上的高分辨率攝像機(jī)對投放者所示的垃圾進(jìn)行掃描和圖像收集；利用邊緣服務(wù)器完成識別并臨時存儲；在顯示屏上顯示垃圾種類檢測結(jié)果；定期把這些數(shù)據(jù)傳輸?shù)皆品?wù)器，同時利用圖像識別SSD算法識別垃圾類別，并用這些結(jié)果更新垃圾訓(xùn)練模型，使得識別結(jié)果更加準(zhǔn)確高效。

一種基于邊緣計算和深度學(xué)習(xí)的垃圾箱垃圾識別方法，包括如下步驟：

步驟1：云服務(wù)器根據(jù)垃圾分類標(biāo)準(zhǔn)運(yùn)用SSD算法訓(xùn)練垃圾檢測模型；

SSD算法的全稱為Single Shot MultiBox Detector；

步驟2：投放者將待投放的垃圾放在高分辨率攝像機(jī)前進(jìn)行掃描；高分辨率攝像機(jī)設(shè)置在垃圾箱上；

步驟3：分布式邊緣服務(wù)器根據(jù)已訓(xùn)練好的垃圾檢測模型識別待投放垃圾，同時存儲垃圾圖片數(shù)據(jù)，完成未標(biāo)記垃圾數(shù)據(jù)上傳云服務(wù)器；

步驟4：顯示屏上顯示垃圾檢測結(jié)果及語音播報；

步驟5：云服務(wù)器定期更新垃圾訓(xùn)練模型。

所述步驟1云服務(wù)器根據(jù)垃圾分類標(biāo)準(zhǔn)運(yùn)用SSD算法訓(xùn)練垃圾檢測模型包括：

步驟11：在云服務(wù)器進(jìn)行垃圾檢測模型訓(xùn)練時使用SSD框架結(jié)構(gòu)，在VGG16網(wǎng)絡(luò)中將最后兩個全連接層改成卷積層，并增加了4個卷積層來構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)，在這6層上依次提取feature map，最終得到8732個缺省檢測框。

步驟12：prior box為被使用的缺省檢測框的包圍盒，將prior box和實(shí)際目標(biāo)框按照IOU值的大小進(jìn)行匹配。匹配時先從實(shí)際目標(biāo)框的角度出發(fā)，找到與目標(biāo)相匹配的IOU值最大的缺省檢測框進(jìn)入候選正樣本集。其中IOU值指的是目標(biāo)的真實(shí)邊框和檢測算法得到的預(yù)測框之間的重疊率，其具體計算公式如下：

步驟13：由于由步驟12所確定的正樣本數(shù)量太少，所以接著從缺省檢測框的角度出發(fā)，在缺省檢測框與實(shí)際目標(biāo)框滿足IOU＞0.5的樣本集中，選擇最大的缺省檢測框，也放入正樣本集。