[发明专利]固体废弃物识别预测模型的构建方法及其识别方法

说明书

本发明提供一种固体废弃物识别预测模型的构建方法，包括以下步骤：样品收集，收集不同类型的固体废弃物样品，将该些固体废弃物样品分类后放置在传送带上；数据采集，运用光谱相机对放置在传送带上的各固体废弃物样品采集各像素点N*N(N≧2)个波段的光谱数据；数据处理，对所采集的光谱数据进行预处理，获得预处理后的数据集；建立训练数据集，对预处理后的数据集进行归一化处理，把该些光谱数据转成灰度值，并将灰度值数据组合成灰度图，以作为训练数据集；模型训练，采用该训练数据集对深度学习模型进行训练，获得固体废弃物识别的预测模型。借由该方法所构建的预测模型可对不同类型的固体废弃物类别进行快速、精准的识别、预测。

技术领域

本发明涉及计算机技术领域，涉及深度学习与光谱数据在固体废弃物识别预测模型构建中的应用。

背景技术

固体废物是指人类在生产建设、日常生活和其他活动产生的且在一定时间和地点内无法利用而被丢弃的可污染环境的固体、半固体废弃物质。固体废物可以分为工业固体废物、城市生活垃圾和危险废物三大类。随着城市化进程不断推进，生活水平的逐步提高，城市固体废弃物的数量也逐年呈数量级增长。我国现已堆积的工业固体废物有60亿吨，生活垃圾有5亿吨。固体废弃物不仅存放需占用土地资源，而且会通过水源、土壤等媒介污染环境，破坏城市的生态环境，进而影响人们的生存与生活。固体废弃物经过分类、妥善处理后，通过一定的技术环节可再次转化为生产原料，实现资源的再利用或高效利用。

光谱检测技术是基于物质与辐射能作用时，测量由物质内部发生量子化的能级之间的跃迁而产生的发射、吸收或散射辐射的波长和强度，以此来鉴别物质及确定它的化学组成和相对含量。光谱的产生是由于物质的原子或分子的特定能级的跃迁。根据物质特征光谱的波长可进行定性分析。光谱的强度与物质的含量有关，由此可进行定量分析。目前，光谱检测技术因其准确、无污染、无破坏，测量速度快等优势，已被广泛应用于固体废弃物的检测和识别。

因此，在固体废弃物的分拣中，采用光谱技术如何实现对多样化的固体废弃物进行快速、精准的检测、识别，以高效地对数量庞大的固体废弃物进行分拣、利用，已成为本领域技术人员欲积极解决的问题之一。

发明内容

为解决固体废弃物分拣中的上述不足，本发明提供了一种固体废弃物识别预测模型的构建方法及其识别方法，可实现对不同种类固体废弃物的快速、精准识别，节省人力和时间。

为达所述优点至少其中之一或其他优点，本发明的一实施例提出一种固体废弃物识别预测模型的构建方法，至少包括以下步骤：样品收集，收集不同类型的固体废弃物样品，将所述固体废弃物样品分类后放置在传送带上；数据采集，运用光谱相机对放置在传送带上的每个固体废弃物样品采集每个像素点N*N(N≧2)个波段的光谱数据；数据处理，对所述采集的光谱数据进行预处理，获得预处理后的数据集；建立训练数据集，对所述预处理后的数据集进行归一化处理，把所述光谱数据转成灰度值，进而将灰度值数据组合成灰度图，以作为训练数据集；模型训练，采用所述训练数据集对深度学习模型进行训练，获得固体废弃物识别的预测模型。

在一些实施例中，所述不同类型的固体废弃物样品来源主要为城市生活固体废弃物，也称为城市生活垃圾。城市生活垃圾主要包括居民生活垃圾、商业垃圾、集贸市场垃圾、街道垃圾、公共场所垃圾、机关、学校、厂矿等单位的垃圾(工业废渣及特种垃圾等危险固体废物除外)。

在一些实施例中，所述不同类型的固体废弃物样品至少具有不同的材质、颜色。

在一些实施例中，所述预处理至少包括对所述采集的光谱数据进行平滑处理。

在一些实施例中，所述训练数据集的生成步骤包括把N*N(N≧2)个波段的光谱数据转成0～255的灰度值，而后将N*N(N≧2)个波段的光谱数据的灰度值数据组合成N*N的灰度图，进而作为所述训练数据集。

在一些实施例中，所述深度学习模型至少为目标检测模型。深度学习模型可以是目标检测模型中的实例分割模型。