[发明专利]一种基于深度学习的瓶罐类垃圾识别分类机器人

权利要求书

1.一种基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，包括：

垃圾图像采集系统，用图像采集设备获取瓶罐类垃圾目标的图像，并将采集的图像信息传递给数字图像处理与训练识别系统；

数字图像处理与训练识别系统，是基于卷积神经网络通过对垃圾目标图像样本训练集的特征提取、创建分类器和训练分类器来达到定位识别分类；

工业机器人分拣系统，是将从数字图像处理与训练识别系统得到的识别分类信息以指令的形式传递给机械手臂完成垃圾的分拣。

2.根据权利要求1所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，卷积神经网络由七部分组成，分别为：输入层、卷积层、激活函数层、池化层、Dropout层、全连接层和输出层。

3.根据权利要求2所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，卷积神经网络各组成部分的处理过程如下：

输入层：输入图像矩阵；

卷积层：进行离散卷积运算以一定的卷积核对图像进行特征提取，多次训练选定具有较高识别率的卷积核大小和卷积步长；

池化层：降低上一步的运算量，加强识别分类的效果；

激活层：加入激励函数进行非线性运算，提高数据处理效率；

Dropout层：加速运算、避免过拟合、提高鲁棒性，并提升模型泛化能力；

全连接层：加强特征和分类的效果；

输出层：将目标识别分类结果输出，输出结果包括识别目标的中心坐标、尺寸和分类信息。

4.根据权利要求1所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，定位识别分类的具体进程为：

特征提取：包括两次，第一次为基于垃圾目标的形状轮廓特征提取，得到垃圾目标的尺寸大小、二维坐标以及初步的识别分类信息；第二次为OCR字符特征提取，是在第一次的基础上再次进行识别定位，定位采取的方式一样，识别则采用OCR字符识别，从瓶身或是瓶盖识别其字符的种类，并进行识别分类；

创建分类器：在卷积神经网络特征提取的基础上，进行两次特征识别分类器的创建，由深度学习网络模型从底层到高层、自动地提取特征信息；

训练分类器：基于从不同垃圾种类的若干张垃圾样本图像获取的轮廓特征和OCR字符特征，进行多次的训练识别并分类。

5.根据权利要求4所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，训练分类器时各种类垃圾的样本图像不少于100张，进行的训练次数不少于300次。

6.根据权利要求3所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，卷积神经网络的卷积核大小为5*5，OCR字符特征提取卷积核大小为8*8，步长选择均为2，输入图像为12*12的图像矩阵，卷积公式为：

式子中为垃圾图像矩阵中X行Y列的灰度值，则为卷积核。

7.根据权利要求3所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，Dropout层的Dropout率为0.5。

8.根据权利要求3所述的基于深度学习的瓶罐类垃圾识别分类机器人，其特征在于，激励层中采用Relu激活函数取代了传统的Sigmoid函数，使其更容易分类并避免了梯度消失的问题。