[发明专利]基于人工智能的可回收垃圾图像分类方法及系统

权利要求书

1.一种基于人工智能的可回收垃圾图像分类方法，其特征在于，包括：

步骤S1：部署硬件环境，建立摄像头、开发板主体和外接显示设备之间的联系；

步骤S2：摄像头检测垃圾后拍摄图片；

步骤S3：对图片进行预处理，按照预设的清晰度判别标准，对拍摄的图片进行清晰度比较，筛选出清晰度最高的一张图片；

步骤S4：对筛选出的图片进行背景分割，分割出图片中包含的物体；

步骤S5：将分割出的物体图片放入到卷积神经网络中进行图片分类，输出对应的概率分布；

步骤S6：对概率分布进行判别并做出对应措施。

2.根据权利要求1所述的基于人工智能的可回收垃圾图像分类方法，其特征在于，所述步骤S2包括：

步骤S2.1：在基于Linux的Ubuntu系统下，动态编译整体算法框架所依赖的darknet深度学习网络框架，形成算法库；

步骤S2.2：利用控制流的方式，动态地从摄像头持续获取图像，并显示在外接显示设备上形成监控画面；

步骤S2.3：利用PyQt5编写的跨平台的可视化界面对监控画面进行初始化，显示基本的信息以及控制按钮；

建立深度学习框架和动态摄像头图像采集的过程包括以下步骤：

步骤A：构建darknet深度学习网络框架，配置所需要的CUDA深度学习加速模块以及cudnn工具模块，安装OpenCV图像处理模块；

步骤B：对整体网络框架进行编译后，设置摄像头的流模式参数，保证拍摄效果。

3.根据权利要求1所述的基于人工智能的可回收垃圾图像分类方法，其特征在于，所述步骤S3包括：利用拉普拉斯算子对图片进行卷积操作，计算处理后的图片方差，根据方差值得大小，设定阈值比较图片的清晰度。

4.根据权利要求1所述的基于人工智能的可回收垃圾图像分类方法，其特征在于，所述步骤S4包括：利用图形学分割背景的方法，对筛选出的图片进行处理，得到物体占比符合预设要求的图像，具体步骤为：

步骤S4.1：对筛选出的图像进行灰度化处理；

步骤S4.2，对灰度化处理后的图像进行Sobel算子卷积运算，获取图像的横向梯度值图像gradX和纵向梯度值图像gradY；

步骤S4.3，对横向梯度值图像gradX和纵向梯度值图像gradY做差值，获取图像的边缘检测结果；

步骤S4.4，对图像的边缘检测结果进行图形学的腐蚀与膨胀算子卷积操作，去除噪音并突出边缘；

步骤S4.5，对去除噪音并突出边缘后的图像进行位置检测并标定主体，获取标定坐标点之后按照坐标点对原图像进行裁剪，获取图片中物体的图像。

5.根据权利要求1所述的基于人工智能的可回收垃圾图像分类方法，其特征在于，所述步骤S5包括：卷积神经网络的结构为基于tiny-darknet网络所优化得到的卷积神经网络，在自建的可回收垃圾图像数据集上进行训练并测试后部署于Jetson Nano开发板中，并在darknet深度学习网络框架中运行。

6.根据权利要求1所述的基于人工智能的可回收垃圾图像分类方法，其特征在于，所述步骤S6包括：对概率分布做信息熵计算，若信息熵大于预设的阈值，则判定为分类错误，对用户进行提示，依靠用户来决定是否信任判定结果；反之则输出概率最高的预测标签作为结果告知用户。

7.一种基于人工智能的可回收垃圾图像分类系统，其特征在于，包括：

模块M1：部署硬件环境，建立摄像头、开发板主体和外接显示设备之间的联系；

模块M2：摄像头检测垃圾后拍摄图片；

模块M3：对图片进行预处理，按照预设的清晰度判别标准，对拍摄的图片进行清晰度比较，筛选出清晰度最高的一张图片；

模块M4：对筛选出的图片进行背景分割，分割出图片中包含的物体；

模块M5：将分割出的物体图片放入到卷积神经网络中进行图片分类，输出对应的概率分布；

模块M6：对概率分布进行判别并做出对应措施。