[发明专利]一种智能垃圾桶在线自主学习方法及系统

说明书

本发明公开一种智能垃圾桶在线自主学习方法及系统，主要包括离线状态模型训练以及在线状态自学习优化模型两部分内容，首先收集产生垃圾较多的历史场景数据，对场景数据进行分析，提取能够反映垃圾数量的特征参数，通过将特征参数引入特征空间，利用机器学习算法训练分类器，分类器用于完成对不同场景产生的垃圾量级的分类，随后通过数据采集中心获取实时场景数据，通过模型在线学习优化平台提取特征参数，将参数带入分类器得出垃圾量级分类结果，并通过垃圾收集设备得到实际收集垃圾数量的反馈结果，根据反馈结果对分类器进行增量式学习训练，不断调整分类器模型以适应各种各样的场景，从而提高垃圾收集效率。

技术领域

本发明涉及垃圾收集技术领域，尤其涉及一种智能垃圾桶在线自主学习方法及系统。

背景技术

根据住建部发布的《生活垃圾分类制度实施方案》，到2020年底，随着相关体系和制度逐步完善后，环卫市场也将迈入新阶段，根据E20研究院固废产业研究中心的预测，预计2020年，环卫行业产值将达到3000亿元左右，其中传统清扫保洁业务约1490亿元，环卫车辆设备900余亿元，垃圾清运业务约350亿元，垃圾分类约200亿元，公厕运营192亿元。

其中传统清洁仍然扮演着主要角色，传统清洁模式智能化、机械化程度及运营效率较低，其保洁清运工作需要大量监督人员，人工成本及运营成本也会相应增加。同时还会造成资源浪费以及资源利用率低下，其它场景下的垃圾清理工作同样存在类似问题。例如在旅游景点或园区的垃圾桶配置上，无法根据不同任务场景合理分配垃圾桶和人员数量，闲置资源可能会随着环境的变化而损坏；人流量多的地方可能存在垃圾桶匹配不足问题。

随着人工智能在各行各业的迅速发展，在汽车行业自动驾驶技术的基础上，基于机器学习技术、可自主运动收集垃圾的智能垃圾桶相关技术也日益成熟，智能垃圾桶可以通过接收上位机信号，规划路线前往不同场景收集垃圾，能够减少人力物力的投入，但相应地也存在一些弊端，例如对场景多样性分析识别的问题，在某一相对较长或较短的时段出现的场景，导致识别模型存在误识别或识别率低的问题，目前往往采用人为离线训练的方式尝试解决该问题，但会大大增加工作量，如定期进行人为离线训练，则在该时间段内可能会出现多种新场景导致识别效果不好；如每天都进行检查调整，新场景可能长时间都不会出现，反而造成人力的浪费。

发明内容

鉴以此，本发明的目的在于提供一种智能垃圾桶在线自主学习方法及系统，以至少解决以上问题。

一种智能垃圾桶在线自主学习方法，包括以下步骤：

获取包括垃圾产生数据的历史场景数据，根据各个历史场景的垃圾产生数据进行量化分级；

分析历史场景数据，提取特征参数；

将提取的特征参数引入特征空间，从历史场景数据中抽取部分样本并计算每个样本的特征指标值，根据样本对应的特征指标值和量化分级构建分类器，作为训练模型；

垃圾收集设备采集场景数据，前往相应场景收集垃圾，同时应用训练模型对场景数据进行分类获得分类结果；

模型在线学习优化平台对分类结果以及实际采集的垃圾数量进行对比，获得反馈结果，根据反馈结果对训练模型进行优化更新。

进一步的，分析历史场景数据，提取特征参数，具体包括：对历史场景数据进行显著性检验，确定显著性大的特征指标。

进一步的，根据各个历史场景的垃圾产生数据进行量化分级具体包括：

将垃圾数量由少到多划分为若干个等级，各个等级对应不同的分值；

根据同一历史场景不同时刻的垃圾产生数据确定不同时刻的分值，并求取不同时刻分值的平均值，将平均值对应的垃圾数量等级作为相应历史场景的量化分级。