本发明涉及垃圾分类领域，具体涉及一种基于人工智能的自动垃圾分类装置及方法
近年来，我国经济快速发展，人们生活水平不断提高，在生产与消费的大循环中，生活垃圾的产量不断增加，而清运速度有限，末端处理面临着负荷高、垃圾分类难的困境。将垃圾进行直接填埋和焚烧虽然一定程度上可以快速达到处理目标，但可利用资源也随之浪费，与绿色发展理念相违。有效的垃圾分拣收集工作有利于资源的高效回收，对环境保护、土地资源利用和生态文明建设具有重要促进作用。现有方法中，对垃圾进行人工分拣耗时耗力，效率低下；利用高光谱技术进行分拣检测精度高、分类效果好，但抗环境干扰能力差；利用机械手臂进行分拣精度高且速度快，但硬件成本高，且机构磨损及运行维护量都很大。
因此，目前需要一种结构简单、低成本、分类过程快捷高效的垃圾分类系统来解决上述问题。
本发明针对现有技术的不足，本发明提供一种适用于基于人工智能的自动垃圾分类装置，该装置能够对垃圾进行快速、简单、有效的自动分类，提升自动化效率，减轻人工压力。
为实现上述目的，本发明提供如下技术方案：一种基于人工智能的自动垃圾分类装置，其特征在于，包括：垃圾给料主体及收集装置，所述垃圾给料主体包括传动机构、图像采集器及感应传感器，所述传动机构表面两侧均设置有感应传感器，所述感应传感器后侧设置有第一支架，所述第一支架的顶部设置有图像采集器；
所述收集装置用于接收所述垃圾给料主体的分类垃圾，所述收集装置包括设有固定支架的底座及围绕所述底座上的固定支架设置的收集箱体，所述固定支架配置有执行电机、传动连接杆、旋转杆及分类挡板，所述执行电机驱动传动连接杆、旋转杆及分类挡板旋转配合实现分类垃圾投入对应收集箱体内。
优选地，所述传动机构内设置有驱动电机和控制器，所述电源通过延长线连接所述驱动电机及控制器，所述控制器用于对所述图像采集器采集的图像接收和处理，所述驱动电机用于驱动所述传动机构。
优选地，所述控制器包括：图像接收单元，用于获取所述图像采集器所采集的图像；图像处理单元，用于处理所述图像采集器所采集的图像，识别该图像中物体的种类；第一控制单元，用于控制所述传动机构的转动及发送所述图像处理单元识别后的指令。
优选地，所述第一控制单元设定识别结果的存储变量，用于存储图像的历史识别数据。
优选地，所述执行电机设置有第二控制单元，根据所述第一控制单元的处理信息发送信号至所述第二控制单元，用于所述图像采集器识别垃圾种类后驱动所述分类挡板到指定方向。
优选地，所述收集箱体为多个体积相同的箱体，所述第二控制单元内存储有对应所述收集箱体位置信息。
优选地，所述控制器包含垃圾图像分类模型，所述垃圾图像分类模型包含以下学习过程：
b、将步骤a中的数据集送入神经网络中进行模型的训练，形成生活垃圾图像识别模型；在网络模型的训练过程中，网络模型训练完一个epoch后，就进行一次模型验证；训练完毕后使用测试集测试网络模型。
优选地，所述垃圾图像分类模型的算法模型为inceptionv3算法模型、svm算法模型、vgg算法模型、resnet-50算法模型中的一种。
优选地，所述感应传感器为具备障碍物感应的传感器，所述感应传感器为光电传感器、超声波等距传感器中的一种。
本发明另一方面提供基于人工智能的自动垃圾分类的方法，所述方法在上述自动垃圾分类装置中进行，所述方法包括以下步骤：
s3、根据s1上料间隔时间和s2传感器感应时间，计算出传动机构上送料到分类挡板上的时间，再根据收集箱体标识不同种类垃圾的位置，设置分类挡板最优转角计算，以此确定所述执行电机的转动策略，设定垃圾类别的对应关系，实现垃圾的自动分类。
本发明通过精准的识别技术对垃圾进行识别，在针对识别之后的垃圾通过收集装置对垃圾进行相对应的垃圾进行分类，做到准确、快速、有效的分类，减轻人工分类的负担，有效的提高回收的效率，便于生活垃圾的分类回收，减少环境污染，实现资源的再利用。
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。
图7是本发明一种优选实施方式提供的采用resnet-50算法模型的网络结构图；
图9是本发明的自动垃圾分类方法优化技巧中所用到的余弦退火学习率策略对应的学习率规律曲线图。
下面结合附图和具体实施方式对本发明进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在本发明中，在未作相反说明的情况下，使用的方位词如“上、下、左、右”通常是指参考附图所示的上、下、左、右；“内、外”是指相对于各部件本身的轮廓的内、外。下面将参考附图并结合实施方式来详细说明本发明。
下面结合实施例对本发明作进一步的说明，但并不因此而使本发明受到任何限制。
参阅图1所示，本发明提供一种基于人工智能的自动垃圾分类装置，包括：垃圾给料主体10及收集装置20，所述垃圾给料主体10包括传动机构101、图像采集器103及感应传感器104，所述传动机构101表面两侧均设置有感应传感器104，所述感应传感器104后侧设置有第一支架102，所述第一支架102的顶部设置有图像采集器103；
所述收集装置20用于接收所述垃圾给料主体10的分类垃圾，所述收集装置20包括设有固定支架202的底座201及围绕所述底座201上的固定支架202设置的收集箱体207，所述固定支架202配置有执行电机208、传动连接杆203、旋转杆204及分类挡板205，所述执行电机208驱动传动连接杆203、旋转杆204及分类挡板205旋转配合实现分类垃圾投入对应收集箱体207内。
具体地，将垃圾间隔倒入到所述传动机构101上，通过所述感应传感器104感知垃圾进入所述图像采集器103的识别区域对垃圾进行识别处理，在针对垃圾进行识别处理后落入所述分类挡板205上，通过所述执行电机208对所述传动连接杆203、所述旋转杆204和所述分类挡板205的旋转配合，将垃圾投放至相对应的所述收集箱体207内，进行快速有效的垃圾分类，能够有效的对生活垃圾进行分类回收，减少环境污染，实现资源的再利用。
具体地可以理解为，垃圾在投放至所述传动机构101时，垃圾经过上料设备对垃圾进行震动或干燥处理，使垃圾能够在进行设备投入传动机构上是能够保持相对的个体，不会粘稠在一起使所述图像采集器103对垃圾识别能力增强，有效的提高垃圾的识别成功率，减少识别错误率，所述执行电机208安装的传动连接杆203能够进行升降及对所述分类挡板205进行角度调节。
根据本发明的一种优选的实施方式，所述传动机构101内设置有驱动电机301和控制器303，所述驱动电机301通过延长线用于驱动所述传动机构101。
根据本发明的一种优选的实施方式，所述控制器302包括：图像接收单元303，用于获取所述图像采集器103所采集的图像；图像处理单元304，用于处理所述图像采集器103所采集的图像，识别该图像中物体的种类；第一控制单元305，用于控制所述传动机构101的转动及处理所述图像处理单元304识别后的指令，所述第一控制单元305设定识别结果的存储变量，用于存储图像的历史识别数据。
具体地可以理解为，所述控制器302内设置有图像接收单元303、图像处理单元304及第一控制单元305，在所述图像接收单元303和图像处理单元304识别出垃圾图像信息后，通过所述第一控制单元305针对垃圾进行分类处理。
根据本发明的一种优选的实施方式，所述执行电机208设置有第二控制单元206，所述第一控制单元305的处理信息的发送信号至所述第二控制单元206，用于所述图像采集器103识别垃圾种类后驱动所述分类挡板205到指定方向。
根据本发明的一种优选的实施方式，所述收集箱体207为多个体积相同的箱体，所述第二控制单元206内存储有对应所述收集箱体207位置信息。
根据本发明的一种优选的实施方式，所述感应传感器104为具备障碍物感应的传感器，所述感应传感器104为光电传感器、超声波等距传感器中的一种。
本发明还提供一种基于人工智能的自动垃圾分类的方法，所述基于人工智能的自动垃圾分类的方法在上述基于人工智能的自动垃圾分类装置中进行；
s2、垃圾经过所述传动机构101两侧的感应传感器103触发图像采集器104进行图像采集；
s3、根据s1上料间隔时间和s2所述感应传感器104的感应时间，计算出所述传动机构101上送料到所述分类挡板205上的时间，再根据所述收集箱体207标识不同种类垃圾的位置，设置所述分类挡板205最优转角计算，以此确定所述执行电机208的转动策略，设定垃圾类别的对应关系，实现垃圾的自动分类。
根据本发明的一种优选的实施方式，所述控制器302包含垃圾图像分类模型，所述垃圾图像分类模型包含以下学习过程：
b、将步骤a中的数据集送入神经网络中进行模型的训练，形成生活垃圾图像识别模型；在网络模型的训练过程中，网络模型训练完一个epoch后，就进行一次模型验证；训练完毕后使用测试集测试网络模型；
读取图像采集器103的视频帧图像，将该帧图像传输到上述训练好的网络模型中；所述视频帧作为网络模型的输入层，进行神经网络计算，在网络模型的输出层得到所述视频帧的类别id及其概率值。
具体地，所述生活垃圾图像数据集中的生活垃圾图像来源为网络照片、现实生活照片和其他数据集中截取获得的生活垃圾图片。
根据本发明，优选地，数据集中的生活垃圾图像采用图像增强技术进行随机扩充，扩充数据集中的样本数量。
根据本发明，优选地，利用图像增强技术扩展训练图像，加强识别的抗干扰能力；更优选地，所述图像增强技术包括随机翻转、随机亮度和随机裁剪；图6为本发明的自动垃圾分类方法中所使用的图像增强技术效果图。
根据本发明，优选地，为了高精度和快速识别图像，所述垃圾图像分类模型的算法模型为inceptionv3算法模型、svm算法模型、vgg算法模型、resnet-50算法模型中的一种；优选为，resnet算法模型，包含resnet-18、resnet-34、resnet-50、resnet-101和resnet-152等算法模型；前述resnet算法模型采用恒等映射的思想，网络如果不需要更深的深度,可以走恒等映射的道路,而将残差映射置为0,从而不强迫数据经过很深的网络，加快了梯度的传播效率；更优选为resnet-50算法模型，resnet-50算法模型识别精度高并且耗时较少，保证了算法的实时性和准确性，更加适合本发明自动垃圾分类方法。
根据本发明，优选地，基于深度学习技术架构开发一种自动垃圾分类方法，图7为本发明所采用的resnet-50算法网络结构图，采用残差连接的思路加强梯度传播效率。
根据本发明，优选地，图8为本发明提供的自动垃圾分类方法流程图，采用的resnet-50算法模型作为垃圾图像分类模型，该方法包括以下步骤：
s2、将步骤s1中的数据集中的数据样本进行one-hot编码，送入到深度卷积神经网络resnet-50中进行模型的训练，形成生活垃圾图像分类模型；在垃圾图像分类模型的训练过程中，垃圾图像分类模型训练完一个epoch后，就进行模型验证；训练完毕后使用测试集测试垃圾图像分类模型；
s3、读取图像采集设备的视频帧图像，将该帧图像传输到步骤s2中训练好的垃圾图像分类模型中；所述视频帧作为垃圾图像分类模型的输入层，进行神经网络计算，在垃圾图像分类模型的输出层得到所述视频帧的类别id及其概率值；
根据本发明，优选地，，根据所选的resnet-50垃圾图像分类模型，将所有生活垃圾图像缩放到统一大小，例如图像大小为224×224像素，resnet有4次下采样，每次采样步长为2，刚好可以得到整数尺寸。
根据本发明，优选地，步骤s2中，数据集被划分为训练集、验证集和测试集；训练集用于网络的自主学习，验证集用于验证模型是否存在过拟合现象；测试集用于测试模型的最终精度。
根据本发明的，步骤s2中，为了约束训练网络，优化神经网络参数，所述垃圾图像分类模型还包含损失函数，优选地，所述损失函数为交叉熵损失函数，所述交叉熵损失函数分为p(x)和q(x)，p(x)代表数据的真实编码，q(x)代表经过softmax输出后的预测结果，交叉熵损失函数如下：
所述交叉熵损失函数交叉熵越小，预测值和真实值的概率的分布就越接近，利用该损失函数约束训练网络,有助于优化神经网络的参数。
根据本发明，所述垃圾图像分类模型训练过程，学习率过小会导致网络优化速度缓慢，学习率过大则会导致网络在极优值附近摆动，导致网络不能收敛。根据本发明的一种优选实施方式，本发明采用余弦退火算法对学习率进行动态调整。余弦退火学习率的规则如下：
表达式中：i是训练次数的索引值，和分别表示学习率的最大值和最小值，定义了学习率的范围，tcur表示当前执行的epoch数，ti是设定训练的epoch总数。余弦函数中，随着x的增加余弦值先缓慢下降，然后加速下降，之后再缓慢下降。这种下降模式非常适合学习率的下降，其学习率随训练轮数的变化呈周期性变化，使得模型跳出当前的局部最优解，进而寻找优于当前的解，实现模型精度的提升。如图9所示，本发明余弦退火学习率策略对应的学习率规律曲线图。采用前述技术方案，可以使得训练准确度得到提高，同时加强模型的泛化性能。
根据本发明的一种优选实施方式，所述垃圾图像分类模型训练过程，还包含的优化策略是迁移学习。所述迁移学习过程为：
a、下载官方给出的resnet-50在imagenet中的训练模型，并删除其末尾的全局平均池化层和全连接层；
c、在当前模型末端添加全局平均池化层和全连接层，设置这两层网络参数可训练，并将具有分类效果的全连接层的节点数设置为垃圾种类数。
本发明的垃圾图像分类问题的数据规模属于小规模(训练样本在10k以下)，预先加载模型在大数据集上训练好的权重，即迁移学习，可以使得训练准确度得到提高，同时加强模型的泛化性能。
根据本发明，优选地，步骤b中，所述类别id由数据集中所包含的生活垃圾类别确定，从而实现根据实际需求设定垃圾类别的对应关系，进而实现垃圾的自动分类。
根据本发明，优选地，所述垃圾图像分类模型训练过程中还包含使用硬件进行加速训练，提高垃圾图像分类模型的训练速度；更优选地，所述硬件包含gpu、tpu、英特尔神经计算棒中的一种或多种。
如图5所示，垃圾经过设备初步筛选后按间隔投入至所述传送机构101上，垃圾通过所述传送机构101的传送，通过所述感应传感器104的区域，在所述感应传感器104感应物体经过后，通过控制器302发送电信号至所述图像采集器103对所述传送机构101上的垃圾进行图像识别分类并归一化，按所述图像处理单元的垃圾识别的种类，所述第一控制单元305发送相应的指令使所述第二控制单元206选择识别垃圾种类的旋转策略，通过所述执行电机208的执行，使垃圾在到达所述分类挡板205后能够有效的投入至相对应的收集箱体207内，在投递完成之后所述分类挡板205回归原位进行下一次旋转投递。
以上结合附图详细描述了本发明的形式优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个具体技术特征以任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
