[发明专利]一种基于光谱图像的固体废弃物识别方法

说明书

本发明提供一种基于光谱图像的固体废弃物识别方法，包括以下步骤：收集不同类型的固体废弃物样品，并采集该些固体废弃物样品的波段光谱数据；对采集的光谱数据进行预处理，获得预处理后的数据集；在所述预处理后的数据集中选取所述不同类型的固体废弃物样品的N(N≧3)个不同特征波段的波段光谱数据作为训练数据集；采用该训练数据集对深度学习模型进行训练，获得检测模型；运用获得的检测模型对实际的待检测固体废弃物进行识别分类。借助该种基于光谱图像的固体废弃物识别方法能够对多样化、不同种类的固体废弃物进行快速、精准的识别分类，提高固体废弃物的分拣效率，降低人工成本。

技术领域

本发明涉及计算机技术领域，尤其涉及深度学习与视觉光谱融合方法在固体废弃物识别中的应用。

背景技术

近年来随着经济和中国城市化进程的快速发展，人们生活水平逐渐提高，与之相伴而生的是固体废弃物(简称固废垃圾或固废物)的数量级增长。这些固废垃圾如果随意堆放，不但占用土地空间，影响人们的生产生活，还会给自然环境带来巨大的危害或风险。从资源高效利用、环境保护等方面综合考虑，对固体废弃物的管理方式之一是回收利用，首当其冲的是要对固废垃圾进行分类。目前，传统的人工分拣方式主要是依靠分拣人员的经验、知识等进行分拣作业，费时费力，效率低，难以及时、快速、有效地对每日增长的固废垃圾实行分拣、识别。

在机器学习领域中，深度学习在图像处理问题上明显优势，深度学习的方法检测速度快。传统深度学习的固废物检测方法多数是采用普通工业相机拍摄固废物图像，经人工添加标签制成数据集后输入神经网络进行训练获得预测模型，该预测模型可用于固废物的检测、识别。采用普通工业相机拍摄的图片对模型进行训练时，训练获得的预测模型对于固废物的检测主要是基于固废物的颜色和形状。这种预测模型在固废物的颜色、形状单一的情况下检测结果的精准度较高，识别效果较好。然而，若不同类别的固废物若具有相似形状、颜色时，这种预测模型在识别过程中极易发生误分类的状况，这极大的制约了深度学习在固废物检测、识别中的应用及检测的精准度与检测效率。

近红外光谱引起自身特性可实现对样品快速、高效、准确、低成本的无损非接触检测，不消耗化学试剂而不致污染环境等优点，已经被广泛应用在各种检测领域。运用近红外光谱对固废物进行检测时，在固废物类别较多、分类工况较为复杂时，传统的机器学习很难实现快速检测、识别。

另外，在实际工作条件下工况纷繁复杂，固废物及传送带的污染通常较为严重，这极大地影响了检测的准确率，使产品的产量和纯度大大降低，致使实验室条件下获得的检测方法在实践中难以达到预期效果，不利于相关检测方法的开发、研究。

因此，在固体废弃物的分拣中，在工况条件繁杂的实践情况下如何实现对多样化的固体废弃物进行快速、精准的检测，以高效地对日常生活中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，本发明提供了一种基于光谱图像的固体废弃物识别方法，能够对多样化、不同种类的固体废弃物进行快速、精准的识别分类，提高固体废弃物的分拣效率。

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基于光谱图像的固体废弃物识别方法，包括以下步骤：数据采集，收集不同类型的固体废弃物样品，并采集所述固体废弃物样品的波段光谱数据；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，在所述预处理后的数据集中选取所述不同类型的固体废弃物样品的N(N≧3)个不同特征波段的波段光谱数据作为训练数据集；模型训练，采用所述训练数据集对深度学习模型进行训练，获得检测模型；检测识别，运用所述检测模型对实际的待检测固体废弃物进行识别分类。

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)。