[发明专利]一种能识别废弃物的智能分类回收系统

权利要求书

1.一种能识别废弃物的智能分类回收系统，其特征在于：包括视觉库模块，用于将采集的大量垃圾样本搭建废弃物图像数据中心；图像采集模块包括若干个固定的摄像头(1)，每个摄像头(1)固定识别一类或多类物品，以及用于对垃圾进行图像采样；废弃物识别模块，用于将采集的图像传输给树莓派进行图像处理及识别；模型训练模块：用于将实时图像样本上传至云服务器定期训练更新；电机驱动模块，用于传送垃圾，便于垃圾图像的采集；控制中心，用于通过控制舵机带动弹片将分类后的废弃物弹入相应的垃圾存储箱中，同时获取弹入垃圾的重量信息，并根据垃圾的重量结算金额；电源模块：为整个系统提供电源；手机客户端，用于控制垃圾倒入垃圾箱内以及提现结算金额。

2.根据权利要求1所述的能识别废弃物的智能分类回收系统，其特征在于：所述电源模块将12V转成5V和3.3V为树莓派和其他各模块供电。

3.根据权利要求1所述的能识别废弃物的智能分类回收系统，其特征在于：所述电机驱动模块的电机采用双MOS桥两路驱动，MOS管采用内阻低、性能稳定的LR7843，增加总线驱动芯片74HC08。

4.一种能识别废弃物的智能分类回收系统的视觉库模块建立方法，其特征在于：采集不同种类废弃物作为样本，然后提取图像的深度特征；首先搭建一个预训练的多层卷积神经网络，然后去掉该网络的最后两个全连接层，再加上新的两个全连接层，冻结其他层的权重并对最后两个全连接层进行训练，最后将训练好的的整个网络作为分类模型。

5.根据权利要求4所述的能识别废弃物的智能分类回收系统视觉库模块建立方法，其特征在于：包括如下步骤

S1、构建识别图像样本数据集并制作相应的样本标签其中N表示有N类识别图像，表示第i类识别图像的集合，Lai表示第i类识别图像的标签集合；

S2、将样本数据集分为训练集部分Tr和测试集部分Te；

S3、搭建一个多层的卷积神经网络，其中，前n层分别用L1～Ln表示；每层均包含卷积层和池化层，最后两层为全连接层，分别用fc(-1)和fc(-2)表示；

S4、利用垃圾分类图像样本进行卷积神经网络地训练：将识别图像训练集输入搭建好的网络中，计算整个卷积神经网络的输出值，即输入图像所对应的垃圾分类类别的概率值。

6.根据权利要求5所述的能识别废弃物的智能分类回收系统视觉库模块建立方法，其特征在于：步骤S2具体为，针对样本数据集中每类识别图像，设其样本总数为n，从中随机抽取m张图像构建训练集，其余n-m张图像构建测试集，则有：其中，Tri表示第i类识别图像的训练集合，所述训练集合包含了m张图像，Tei表示第i类识别图像的测试集合，所述测试集合包含n-m张图像。

7.根据权利要求5所述的能识别废弃物的智能分类回收系统视觉库模块建立方法，其特征在于：步骤S4具体为，假设第l层为卷积层，则在卷积层中输出的新的像素点可由公式计算得出：

其中，f(·)代表激活函数，代表上一层特征图像的某个像素值，代表卷积层，*代表卷积运算，代表上一层的输入值，考虑到本层输出可以与上一层多个特征图像关联，M_j代表参数与上一层的特征图像的子集，代表偏置层，上标表示第l层；

假设第l层为池化层，则第l层第j个特征图的计算公式为：

其中，表示的池化参数，表示第l-1层第j个特征图，dn(·)表示池化函数；

假设第l层为全连接层，则第l层第j个特征图的计算公式为：

其中，x^l-1表示第l-1层所有特征图的加权结果。