一种垃圾智能分类方法及智能分类垃圾桶 专利技术说明

包装,储藏,运输设备的制造及其应用技术1.本发明涉及一种智能家居技术领域，特别是关于一种应用于简单生活场景下的垃圾智能分类方法及智能分类垃圾桶。背景技术：2.由于人民日常生产生活种类愈加丰富多样，导致日常生产生活中产生种类繁多的垃圾。在城市垃圾日益增长的情况下，如何高效的实施垃圾分类处理就显得尤为重要。3.目前，市面上对于垃圾产生即进行分类的产品较少，大部分产品只能存放一种垃圾，无法达到对垃圾的自动分类存放的目的。多数垃圾桶以智能感应为卖点，大致分为按钮电动式、红外传感翻盖式、红外传感侧拉式；或在垃圾桶功能上发展，如可伸缩式、防止异味等。上述类型垃圾桶未切入到城市垃圾回收的痛点，依旧依靠集中回收后的再分类处理，导致大部分城市垃圾以集中回收后填埋为主要处理方式，垃圾处理效率较低。若未在垃圾产生源头进行垃圾分类工作，将对后续的垃圾处理工作造成许多困难。4.因此，为解决城市垃圾源头的分类问题，是本领域技术人员亟待解决的技术问题。技术实现要素：5.针对上述问题，本发明的目的是提供一种垃圾智能分类方法及智能分类垃圾桶，其能在垃圾产生后立即进行分类存放，便于后续的垃圾集中处理或回收再利用。6.为实现上述目的，本发明采取以下技术方案：一种垃圾智能分类方法，其包括：通过爬取各种垃圾的图片作为图片数据集，用作训练数据；将图片数据集输入构建的垃圾分类神经网络模型中，对图片进行分类，每类图片归入一个文件夹，文件夹名称即对垃圾分类的标签；将识别的分类结果传输至控制器，控制器根据分类结果发出对相应直流减速电机的控制指令。7.进一步，垃圾分类神经网络模型的构建，包括：卷积神经网络的第一层为步长为1、全零填充、采用批标准化操作、relu激活函数的预设大小的卷积核，对输入神经网络的数据集进行卷积计算，将结果送入第一基本单元；第一基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据集连接给第二基本单元；第二基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据集连接给第三基本单元；第三基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据集连接给第四基本单元；第四基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据连接给全局平均池化层；将全局平均池化层的数据连接到4个分类的全连接层，由全连接层输出卷积神经网络的识别结果。8.一种用于实现上述垃圾智能分类方法的智能分类垃圾桶，其包括：垃圾桶外壳，包括下壳和上壳；上壳活动连接在下壳的顶部，下壳的顶部设置有安装用横梁，且下壳的内部划分为至少3个垃圾容置腔；垃圾识别装置，设置在上壳的内侧，用于对经上壳投入的垃圾进行图像识别，并将图像识别的结果传输至控制器；垃圾分类投放机构，其底部设置在下壳顶部的横梁上，垃圾分类投放机构的顶部与上壳活动连接；控制器，分别与垃圾识别装置和垃圾分类投放机构连接，根据接收到的垃圾图像识别结果控制垃圾分类投放机构动作，将分类后的垃圾投入相应的垃圾容置腔内。9.进一步，垃圾识别装置采用摄像头。10.进一步，垃圾分类投机构包括垃圾分类机构主体、光轴驱动结构、第一直流减速电机、第一法兰盘和投放机构；11.垃圾分类机构主体的底部设置有扇形缺口，且垃圾分类机构主体设置在光轴驱动结构上，由光轴驱动结构带动垃圾分类机构主体进行旋转；12.光轴驱动结构的顶部通过第一法兰盘与上壳连接，且光轴驱动结构的输入端与第一直流减速电机的输出端连接；光轴驱动结构的底部经螺栓与投放机构连接；13.第一直流减速电机的输入端与控制器连接，由控制器控制其工作，进而由第一直流减速电机带动光轴驱动结构进行转动，以带动垃圾分类机构主体动作。14.进一步，光轴驱动结构包括第一止推轴承、第一光轴固定件、第二光轴固定件、第二止推轴承、齿轮、第三止推轴承和第三光轴固定件；15.在光轴上从上到下依次设置有第一止推轴承、第一光轴固定件、第二光轴固定件、第二止推轴承、第三止推轴承和第三光轴固定件；位于第二止推轴承与第三止推轴承之间设置有齿轮，由齿轮驱动垃圾分类机构主体旋转。16.进一步，齿轮采用与第一直流减速电机减速比为1:32的齿轮。17.进一步，投放机构包括第二直流减速电机、扇叶、连杆、异形齿轮、承托板和第二法兰盘；18.承托板通过螺栓设置在垃圾分类机构主体的底部，且两者之间具有空隙以用于安装扇叶、连杆和异形齿轮；螺栓的底部穿过承托板，经第二法兰盘固定在下壳顶部的横梁上；19.承托板的顶部镜像设置有两个啮合的异形齿轮，每个异形齿轮的端部分类连接一个扇叶，两个扇叶呈对称设置形成对称开合结构；20.连杆设置为两个，两个连杆的第一端活动连接在承托板的端部，两个连杆的第二端连接在两个扇叶上，以辅助异形齿轮带动两个扇叶进行开合动作；21.第二直流减速电机设置在垃圾分类机构主体上，其输出轴穿过垃圾分类机构主体后与其中一个异形齿轮同轴连接，以带动该异形齿轮转动；第二直流减速电机与控制器连接，由控制器控制其动作，以带动两个扇叶开合，并控制开合的程度。22.进一步，异形齿轮由齿轮部和连接杆一体成型，齿轮部与连接杆的连接部位不具有锯齿结构；两个异形齿轮的两个连接杆和两个连杆形成的平行四连杆结构能完全对称运动，联合带动两个扇叶进行开合。23.进一步，齿轮部为齿形不对称分布的结构，连接杆与连杆为等尺寸结构。24.本发明由于采取以上技术方案，其具有以下优点：本发明由摄像头获取垃圾图像信息，由控制器进行垃圾图像信息处理工作，获得当前垃圾的物理信息；控制器由获得的垃圾信息输出电机控制指令，以达到对直流减速电机角度控制的目的。本发明能精准控制垃圾分类装置，使分类装置精准旋转到正确位置。附图说明25.图1是本发明一实施例中垃圾智能分类方法流程图；26.图2是本发明一实施例中智能分类垃圾桶整体结构示意图；27.图3是图1中的垃圾桶箱体的剖视图；28.图4是本发明一实施例中智能分类垃圾桶整体结构爆炸图；29.图5是本发明一实施例中垃圾分类投放机构的正视图；30.图6是本发明一实施例中垃圾分类投放机构的左视图；31.图7是本发明一实施例中垃圾分类投放机构的仰视图；32.图8是本发明一实施例中投放机构结构图；33.图9是本发明一实施例中投放机构的俯视图；34.图10是本发明一实施例中垃圾分类机构主体的正视图；35.图11是本发明一实施例中垃圾分类机构主体的左视图；36.图12是本发明一实施例中垃圾分类机构主体的俯视图；37.图13是本发明一实施例中承托板结构图；38.图14是本发明一实施例中异形齿轮结构图；39.附图标记：40.1-下壳，2-上壳；41.10-垃圾分类机构主体，11-扇叶，12-连杆，13-异形齿轮，14-承托板，15-第二法兰盘，16-第一法兰盘，17-第一止推轴承，18-第一光轴固定件，19-第二光轴固定件，20-第二止推轴承，21-齿轮，22-第三止推轴承，23-第三光轴固定件，24-第二直流减速电机。具体实施方式42.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。43.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。44.本发明公开了一种应用于简单生活场景下的垃圾智能分类方法及智能分类垃圾桶，由垃圾识别装置将垃圾信息发送至控制器，由控制器控制驱动电机，通过使用齿轮或同步带连接直流减速电机驱动垃圾分类机构绕光轴转动，使垃圾分类装置旋转到正确位置；由控制器控制垃圾投放机构扇叶开合，将不同垃圾投放至相应垃圾存放桶；通过控制器控制垃圾识别装置、垃圾分类机构、垃圾投放机构工作，提高了自动化控制程度。使用本使用新型可有效提高垃圾分类效率，降低后期垃圾集中分类处理工作难度。45.在本发明的一个实施例中，提供一种垃圾智能分类方法。本实施例中，垃圾智能分类方法包括以下步骤：46.1)通过爬取各种垃圾的图片作为图片数据集，用作训练数据；47.2)将图片数据集输入构建的垃圾分类神经网络模型中，对图片进行分类，每类图片归入一个文件夹，文件夹名称即对垃圾分类的标签；48.3)将识别的分类结果传输至控制器，控制器根据分类结果发出对相应直流减速电机的控制指令。49.上述步骤2)中，垃圾分类神经网络模型的构建，垃圾分类神经网络模型为卷积神经网络，其构建方法包括以下步骤：50.2.1)卷积神经网络的第一层为步长为1、全零填充、采用批标准化操作、relu激活函数的预设大小的卷积核，对输入神经网络的数据集进行卷积计算，将结果送入第一基本单元；51.本实施例中，卷积核的预设大小优选为16*3*3。52.2.2)第一基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据集连接给第二基本单元。53.其中，本实施例优选将四个分支的数据按4*16＝64的深度堆叠。54.具体的，第一个为包含步长为2、全零填充、采用批标准化操作、rule激活函数的16*1*1卷积核分支连接到卷积连接器；55.第二个为包含步长为2、全零填充、采用批标准化操作、rule激活函数16*1*1卷积核和步长为2、全零填充、采用批标准化操作、rule激活函数16*3*3卷积核的分支连接到卷积连接器；56.第三个为包含步长为2、全零填充、采用批标准化操作、rule激活函数16*1*1卷积核和步长为2、全零填充、采用批标准化操作、rule激活函数16*5*5卷积核的分支连接到卷积连接器；57.第四个为包含步长为2、全零填充3*3最大池化核和步长为2、全零填充、采用批标准化操作、rule激活函数16*1*1卷积核的分支连接到卷积链接器。58.2.3)第二基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据集连接给第三基本单元。其中，本实施例中优选将四个分支的数据按4*16＝64的深度堆叠。59.具体的，第一个为包含步长为1、全零填充、采用批标准化操作、rule激活函数的16*1*1卷积核分支连接到卷积连接器；60.第二个为包含步长为1、全零填充、采用批标准化操作、rule激活函数16*1*1卷积核和步长为1、全零填充、采用批标准化操作、rule激活函数16*3*3卷积核的分支连接到卷积连接器；61.第三个为包含步长为1、全零填充、采用批标准化操作、rule激活函数16*1*1卷积核和步长为1、全零填充、采用批标准化操作、rule激活函数16*5*5卷积核的分支连接到卷积连接器；62.第四个为包含步长为1、全零填充3*3最大池化核和步长为1、全零填充、采用批标准化操作、rule激活函数16*1*1卷积核的分支连接到卷积链接器。63.2.4)第三基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据集连接给第四基本单元。其中，本实施例中优选将四个分支的数据按4*32＝128的深度堆叠。64.具体的，第一个为包含步长为2、全零填充、采用批标准化操作、rule激活函数的32*1*1卷积核的分支连接到卷积连接器；65.第二个为包含步长为2、全零填充、采用批标准化操作、rule激活函数32*1*1卷积核和步长为2、全零填充、采用批标准化操作、rule激活函数32*3*3卷积核的分支连接到卷积连接器；66.第三个为包含步长为2、全零填充、采用批标准化操作、rule激活函数32*1*1卷积核和步长为2、全零填充、采用批标准化操作、rule激活函数32*5*5卷积核的分支连接到卷积连接器；67.第四个为包含步长为2、全零填充3*3最大池化核和步长为2、全零填充、采用批标准化操作、rule激活函数32*1*1卷积核的分支连接到卷积链接器。68.2.5)第四基本单元包含四个分支，每个分支均连接至卷积连接器，卷积连接器将四个分支的数据进行深度堆叠，将得到的数据连接给全局平均池化层。其中，本实施例中优选四个分支的数据按4*32＝128的深度堆叠。69.第一个为包含步长为1、全零填充、采用批标准化操作、rule激活函数的32*1*1卷积核的分支连接到卷积连接器；70.第二个为包含步长为1、全零填充、采用批标准化操作、rule激活函数32*1*1卷积核和步长为1、全零填充、采用批标准化操作、rule激活函数32*3*3卷积核的分支连接到卷积连接器；71.第三个为包含步长为1、全零填充、采用批标准化操作、rule激活函数32*1*1卷积核和步长为1、全零填充、采用批标准化操作、rule激活函数32*5*5卷积核的分支连接到卷积连接器；72.第四个为包含步长为1、全零填充3*3最大池化核和步长为1、全零填充、采用批标准化操作、rule激活函数32*1*1卷积核的分支连接到卷积链接器。73.2.6)将全局平均池化层的数据连接到4个分类的全连接层，由全连接层输出卷积神经网络的识别结果。74.上述实施例中，还包括模型训练的步骤。具体的，模型训练为：将图片数据集输入卷积神经网络，对模型进行训练。数据集在神经网路前向传播后，计算出模型的预测值y，将模型预测值与实际值y-进行比较，计算出损失函数loss。75.其中，损失函数使用交叉熵函数h(y-,y)：76.h(y-,y)＝-∑y-*lny77.卷积神经网络模型训练的目的是为了优化参数使得损失函数最小，优化器起到降低损失函数的作用，损失函数降低的方向就是损失函数梯度下降的方向。优化器使用自适应矩阵估计(adam)优化器：待优化参数ω，损失函数f(ωt)，初始学习率α，t表示当前迭代次数。78.计算出损失函数关于当前参数的梯度gt：79.80.计算一阶动量mt：81.mt＝β1·mt-1+(1-β1)·gt82.计算二阶动量vt：[0083][0084]计算当前时刻的下降梯度ηt：[0085][0086]根据下降梯度更新下一时刻参数：[0087]ωt+1＝ωt-ηt[0088]式中，ωt表示t时刻下降梯度参数，β是一个超参数，根据经验常取接近1的数值β1＝0.9，β2＝0.999，mt-1表示t-1时刻下降梯度参数，vt-1表示t-1时刻二阶动量。[0089]卷积神经网络在训练后，得到优化参数的模型具有较高的预测准确率。[0090]上述实施例中，卷积神经网络模型通过不同尺寸卷积层和池化层的横向组合(卷积、池化后的尺寸相同，通道可以相加)来拓宽网络深度，增加了卷积神经网络对与尺寸的适应性。卷积神经网络每两个基本单元构成一个block，一个block中第一个基本单元的卷积步长为2，使得输出特征图尺寸减半。为尽可能保证特征抽取中信息承载量一致，将第二个基本单元的通道数加倍。[0091]上述实施例中，基本单元在同一层网络中使用了多个尺寸的卷积核，相较于在同一层网络中使用相同尺寸卷积核的卷积神经网络模型，神经网络可以提取不同尺寸的特征，通过1*1卷积核作用到输入特征图的每个像素点，通过设定少于输入特征图深度的1*1卷积核个数，减少了输出特征图深度，起到了降维的作用，减少了参数量和计算量。[0092]上述实施例中，卷积神经网络所采用的全局平均池化相比于平均池化(在特征图上以窗口的形式滑动，取窗口内的平均值为采样值)，全局平均池化不再以窗口滑动的形式取均值，而是直接针对特征图取平均值，即每个特征图输出一个值。通过这种方式，每个特征图都与分类概率直接联系起来，这替代了全连接层的功能，并且不产生额外的训练参数，减小了训练模型过拟合的可能。[0093]上述实施例中，还包括模型评估的步骤。本实施例中采用tf.keras.metrics中的sparsecategoricalaccuracy评估器来评估模型在测试集上的性能，该评估器能够对模型预测的结果与真实结果进行比较，并输出预测正确的样本数占总样本数的比例。迭代测试数据集，每次通过update_state()方法向评估器输入两个参数：y_pred和y_true，即模型预测出的结果和真实结果。评估器具有内部变量来保存当前评估指标相关的参数数值(例如当前已传入的累计样本数和当前预测正确的样本数)。迭代结束后，使用result()方法输出最终的评估指标值。[0094]在本发明的一个实施例中，提供一种智能分类垃圾桶，该垃圾桶用于实现上述实施例中垃圾智能分类方法。本实施例中，如图2至图4所示，该智能分类垃圾桶包括：[0095]垃圾桶外壳，包括下壳1和上壳2；上壳2活动连接在下壳1的顶部，下壳1的顶部设置有安装用横梁，且下壳1的内部划分为至少3个垃圾容置腔；[0096]垃圾识别装置，设置在上壳2的内侧，用于对经上壳2投入的垃圾进行图像识别，并将图像识别的结果传输至控制器；[0097]垃圾分类投放机构，其底部设置在下壳1顶部的横梁上，垃圾分类投放机构的顶部与上壳2活动连接；[0098]控制器，分别与垃圾识别装置和垃圾分类投放机构连接，根据接收到的垃圾图像识别结果控制垃圾分类投放机构动作，将分类后的垃圾投入相应的垃圾容置腔内。[0099]上述实施例中，横梁可以采用十字架结构，以便于分类后垃圾的投入，还能实现对垃圾分类投放机构的承载。[0100]上述实施例中，垃圾识别装置可以采用摄像头，摄像头将拍摄到的垃圾图像数据传输至控制器内，由控制器对图像数据进行处理，得到相应的分类结果。[0101]上述实施例中，如图5至图14所示，垃圾分类投放机构包括垃圾分类机构主体10、光轴驱动结构、第一直流减速电机、第一法兰盘16和投放机构。[0102]垃圾分类机构主体10的底部设置有扇形缺口，且垃圾分类机构主体10设置在光轴驱动结构上，由光轴驱动结构带动垃圾分类机构主体10进行旋转。[0103]光轴驱动结构的顶部通过第一法兰盘16与上壳2连接，且光轴驱动结构的输入端与第一直流减速电机的输出端连接；光轴驱动结构的底部经螺栓与投放机构连接；[0104]第一直流减速电机的输入端与控制器连接，由控制器控制其工作，进而由第一直流减速电机带动光轴驱动结构进行转动，以带动垃圾分类机构主体10动作。[0105]可选的，光轴驱动结构包括第一止推轴承17、第一光轴固定件18、第二光轴固定件19、第二止推轴承20、齿轮21、第三止推轴承22和第三光轴固定件23。[0106]在光轴上从上到下依次设置有第一止推轴承17、第一光轴固定件18、第二光轴固定件19、第二止推轴承20、第三止推轴承22和第三光轴固定件23。位于第二止推轴承20与第三止推轴承22之间设置有齿轮21，由齿轮21驱动垃圾分类机构主体10旋转。[0107]具体的，如图6所示，垃圾分类机构主体10由第一止推轴承17和第一光轴固定件18固定在光轴上。齿轮21通过固定在两侧的第二光轴固定件19和第三光轴固定件23安装在光轴上，与垃圾分类机构主体10上的第一直流减速电机通过齿轮传动，以使垃圾分类机构主体10进行旋转。[0108]其中，齿轮21采用与第一直流减速电机减速比为1:32的齿轮。[0109]可选的，如图8至图9所示，投放机构通过设置的对称开合结构实现垃圾的投放。具体的，投放机构包括第二直流减速电机24、扇叶11、连杆12、异形齿轮13、承托板14和第二法兰盘15。[0110]承托板14通过螺栓设置在垃圾分类机构主体10的底部，且两者之间具有空隙以用于安装扇叶11、连杆12和异形齿轮13；螺栓的底部穿过承托板14，经第二法兰盘15固定在下壳1顶部的横梁上。[0111]承托板14的顶部镜像设置有两个啮合的异形齿轮13，每个异形齿轮13的端部分类连接一个扇叶11，两个扇叶11呈对称设置形成对称开合结构；[0112]连杆12设置为两个，两个连杆12的第一端活动连接在承托板14的端部，两个连杆12的第二端连接在两个扇叶11上，以辅助异形齿轮13带动两个扇叶11进行开合动作；[0113]第二直流减速电机24设置在垃圾分类机构主体10上，其输出轴穿过垃圾分类机构主体10后与其中一个异形齿轮13同轴连接，以带动该异形齿轮13转动；第二直流减速电机24与控制器连接，由控制器控制其动作，进而带动两个扇叶11开合，并控制开合的程度。[0114]其中，如图14所示，异形齿轮13由齿轮部和连接杆一体成型，齿轮部与连接杆的连接部位不具有锯齿结构，且齿轮部为齿形不对称分布的结构，连接杆与连杆12为等尺寸结构。通过设置两个异形齿轮13的安装相对位置以及齿轮部的配合，以达到两个连接杆和两个连杆12形成的平行四连杆结构能完全对称运动，进而联合带动两个扇叶11进行开合。[0115]可选的，第二直流减速电机24可以设置为两台，均与控制器连接，由控制器控制分别用于驱动一个异形齿轮13，以使两个异形齿轮13进行镜像运动。[0116]可选的，垃圾分类机构主体10上设置有称重环，用于对投放的垃圾进行称重，并将称重结果传输至控制器内。[0117]综上，本发明摄像头获取垃圾图像信息，由控制器进行垃圾图像信息处理工作，获得当前垃圾的物理信息；控制器由获得的垃圾信息输出电机控制指令，以达到对直流减速电机角度控制的目的。本发明能精准控制垃圾分类装置，使分类装置精准旋转到正确位置。[0118]最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!