导航：X技术最新专利计算;推算;计数设备的制造及其应用技术
1.本技术涉及智能识别领域，且更为具体地，涉及一种智能垃圾分类系统及其分类方法。
2.垃圾分类是对垃圾收集处置传统方式的改革，是对垃圾进行有效处置的一种科学管理方法。面对日益增长的垃圾产量和环境状况恶化的局面，通过垃圾分类管理，最大限度地实现垃圾资源利用，减少垃圾处置量，改善生存环境质量，是当前世界各国共同关注的迫切问题之一。
3.垃圾分类最重要的就是垃圾分类回收，也就是人们在日常生活中在扔垃圾时的分类，但是由于我国实施垃圾分类时间较短，人们对于垃圾分类知识较为欠缺，对于使用普通垃圾桶而言，在丢弃的过程中，如果对垃圾种类不很清楚，则需要通过网络搜索，此时，对于使用者来说是较为麻烦的，不方便用户的使用。
4.因此，期待一种智能垃圾分类系统，其能够帮助用户智能地判断垃圾所属的类型，以便于用户进行垃圾分类。
5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种智能垃圾分类系统及其分类方法，其通过综合利用局部二值模式处理和canny边缘检测提取待识别垃圾的图像特征，并将所提取的特征图与所述待识别垃圾的图像进行沿通道维度的聚合，通过卷积神经网络进行对聚合后图像的特征提取以得到检测特征图，继而将校正后的检测特征图通过分类器以得到分类结果，提高了垃圾类别识别的精准度。
8.纹理加强模块，用于对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图；
9.多通道聚合模块，用于将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像；
10.卷积编码模块，用于将所述多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图；
11.特征分布校正模块，用于对所述检测特征图进行特征分布校正以得到校正后检测特征图；以及
12.垃圾分类结果生成模块，用于将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。
13.在上述智能垃圾分类系统中，所述卷积编码模块，包括：卷积单元，用于对所述输入数据进行卷积处理以得到卷积特征图；池化单元，用于对所述卷积特征图进行池化处理
以得到池化特征图；激活单元，用于对所述池化特征图进行非线性激活处理以得到激活特征图；通道注意力单元，用于将所述激活特征图通过通道注意力模块以得到通道注意力特征图；以及，空间注意力单元，用于将所述通道注意力特征图输入空间注意力模块以得到空间注意力特征图。
14.在上述智能垃圾分类系统中，所述通道注意力单元，包括：全局均值池化子单元，用于计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；非线性激活子单元，用于将所述通道特征向量输入softmax激活函数以得到通道注意力权重特征向量；以及，通道注意力施加子单元，用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述激活特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
15.在上述智能垃圾分类系统中，所述空间注意力单元，包括：空间感知子单元，用于使用所述空间注意力模块的卷积层对所述通道注意力特征图进行卷积编码以得到空间注意力图；概率化子单元，用于将所述空间注意力图输入所述空间注意力模块的softmax激活函数以得到空间注意力得分图；以及，空间注意力施加子单元，用于计算所述空间注意力得分图和所述通道注意力特征图的按位置点乘以得到所述空间注意力特征图。
16.在上述智能垃圾分类系统中，所述特征分布校正模块，进一步用于：以如下公式对所述检测特征图进行特征分布校正以得到校正后检测特征图；其中，所述公式为：f
17.在上述智能垃圾分类系统中，所述垃圾分类结果生成模块，展开单元，用于将所述校正后检测特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
20.对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图；
21.将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像；
22.将所述多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图；
24.将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。
25.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智能垃圾分类方法。
26.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智能垃圾分类
27.与现有技术相比，本技术提供的一种智能垃圾分类系统及其分类方法，其通过综合利用局部二值模式处理和canny边缘检测提取待识别垃圾的图像特征，并将所提取的特征图与所述待识别垃圾的图像进行沿通道维度的聚合，通过卷积神经网络进行对聚合后图像的特征提取以得到检测特征图，继而将校正后的检测特征图通过分类器以得到分类结果，提高了垃圾类别识别的精准度。
28.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
32.图4图示了根据本技术实施例的智能垃圾分类系统中卷积编码模块的框图；
33.图5图示了根据本技术实施例的智能垃圾分类系统中通道注意力单元的框图；
34.图6图示了根据本技术实施例的智能垃圾分类系统中空间注意力单元的框图；
37.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
39.相应地，垃圾分类问题是一个典型的分类问题，这可以通过特征提取器+分类器的二阶段模型来实现，具体地，利用特征提取器来提取待识别垃圾图像中的图像特征，接着，把所提取到的图像特征输入到分类器中进行分类判断以得到用于表示待识别垃圾所属的垃圾类别标签。但是，垃圾种类众多，类间差距大，类内差距同样大，这导致在利用深度神经网络来构建垃圾分类模型时，其性能表现相对较差。
40.针对上述问题，在本技术的技术方案中，在获取待识别垃圾的图像后，首先对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图。这里，局部二值模式是计算机视觉领域中一个非常有效的纹理描述特征，具有很多优点，比如旋转不变性、平移不变性以及可以消除光照变化的问题等，而canny算子有三个规范，即边缘点被误报的概率低、检测到的边缘点尽可能位于真实边缘的中心和单边只有一个响应。也就是，在数据源域端，对所述待识别垃圾进行域变换以得到具有不同图像表征能力的图像数据。接着，将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像。也就是，将局部二值模式图
和canny边缘检测特征图与rgb图像(待识别垃圾的图像)进行合并为5通道作为网络的输入，扩充网络输入端的数据宽度，使得网络可以学习与表达的东西更加丰富，有利于提高精确度。
41.在垃圾分类的场景中，图像上不同位置的像素重要性可能不同，不同通道的像素重要性也可能不同，因此，在利用卷积神经网络模型进行图像特征提取时，引入注意力机制，可用特定网络调整不同像素对检测结果的影响力，从而分离出更显著的特征。其具体思路为：首先学习特征图中不同位置或不同通道的重要性权值，然后将学习到的重要性权值与原特征图中值相乘，输出新特征图。
42.特别地，在本技术的技术方案中，使用cbam(convolutional block attention module)注意力机制，其结合了通道与空间的注意力机制模块。通道注意力模块保持通道维度不变，只压缩空间维度，因此该模块对垃圾类别信息敏感；空间注意力模块空间维度不变，压缩通道维度，因此该模块对垃圾位置信息敏感。
43.在将所述多通道图像通过使用具有cbam注意力块的卷积神经网络以得到检测特征图时，由于具有cbam注意力块的卷积神经网络包含了通道注意力模块和空间注意力模块，使得在预定维度上强化了所述检测特征图沿所述预定维度的特征分布，从而在通过分类器进行分类时，由于所述分类器的权重也需要在所述预定维度上适配，可能发生与所述检测特征图的类相干干涉。
44.因此，对所述检测特征图，例如记为f进行基于预分类的类概率相干补偿机制校正，表示为：
47.也就是，由于所述检测特征图存在强化的沿所述预定维度的特征分布，因此在对其进行分类时，分类器本身的权重矩阵也会在所述预定维度上存在强化分布，从而对所述检测特征图造成的类相干干涉。基于此，在本技术的技术方案中，将通过预分类得到的分类器的类别概率值作为所述检测特征图的分类的乘性干扰噪声项，来对所述检测特征图来进行类概率的相干补偿，可以恢复无干扰情况下的所述检测特征图f的等效概率强度表征，即优化后的检测特征图f
，从而实现所述检测特征图的校正，提高分类结果的准确性。这样，提高垃圾类别识别的精准度，以便于用户能够基于所识别的垃圾类型来进行垃圾分类处理。
48.基于此，本技术提出了一种智能垃圾分类系统，其包括：待识别垃圾图像采集模块，用于获取待识别垃圾的图像；纹理加强模块，用于对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图；多通道聚合模块，用于将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像；卷积编码模块，用于将所述多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图；特征分布校正模块，用于对所述检测特征图进行特征分布校正以得到校正后检测特征图；以及，垃圾分类结果生成模块，用于将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。
49.图1图示了根据本技术实施例的智能垃圾分类系统的应用场景图。如图1所示，在
该应用场景中，通过摄像头(例如，如图1中所示意的c)获取待识别垃圾的图像。接着，将所述获取的待识别垃圾的图像输入至部署有用于智能垃圾分类算法的服务器(例如，图1中的s)中，其中，所述服务器能够以所述智能垃圾分类算法对所述待识别垃圾的图像进行处理，以生成用于表示待识别垃圾所属的垃圾类别标签的分类结果。
50.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
52.图2图示了根据本技术实施例的智能垃圾分类系统的框图。如图2所示，根据本技术实施例的智能垃圾分类系统300，包括：待识别垃圾图像采集模块310；纹理加强模块320；多通道聚合模块330；卷积编码模块340；特征分布校正模块350；以及，垃圾分类结果生成模块360。
53.其中，所述待识别垃圾图像采集模块310，用于获取待识别垃圾的图像；所述纹理加强模块320，用于对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图；所述多通道聚合模块330，用于将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像；所述卷积编码模块340，用于将所述多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图；所述特征分布校正模块350，用于对所述检测特征图进行特征分布校正以得到校正后检测特征图；以及，所述垃圾分类结果生成模块360，用于将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。
54.图3图示了根据本技术实施例的智能垃圾分类系统的系统架构图。如图3所示，首先通过所述待识别垃圾图像采集模块310获取待识别垃圾的图像；然后，所述纹理加强模块320对所述待识别垃圾图像采集模块310获取的待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图；所述多通道聚合模块330将所述纹理加强模块320得到的局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像；接着，所述卷积编码模块340将所述多通道聚合模块330生成的多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图；所述特征分布校正模块350对所述卷积编码模块340得到的检测特征图进行特征分布校正以得到校正后检测特征图；进而，所述垃圾分类结果生成模块360将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。
55.具体地，在所述智能垃圾分类系统300的运行过程中，所述待识别垃圾图像采集模块310，用于获取待识别垃圾的图像。在本技术的一个具体示例中，可通过摄像头来获取待识别垃圾的图像，应垃圾的形态存在不完整或模糊的情况，因此，对所述摄像头的清晰度有一定的要求。
56.具体地，在所述智能垃圾分类系统300的运行过程中，所述纹理加强模块320，用于对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图。在本技术的技术方案中，对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图。这里，局部二值模式是
计算机视觉领域中一个非常有效的纹理描述特征，具有很多优点，比如旋转不变性、平移不变性以及可以消除光照变化的问题等，而canny算子有三个规范，即边缘点被误报的概率低、检测到的边缘点尽可能位于真实边缘的中心和单边只有一个响应。也就是，在数据源域端，对所述待识别垃圾进行域变换以得到具有不同图像表征能力的图像数据。
57.具体地，在所述智能垃圾分类系统300的运行过程中，所述多通道聚合模块330，用于将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像。也就是，将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像。也就是，将局部二值模式图和canny边缘检测特征图与rgb图像(待识别垃圾的图像)进行合并为5通道作为网络的输入，扩充网络输入端的数据宽度，使得网络可以学习与表达的东西更加丰富，有利于提高精确度。
58.具体地，在所述智能垃圾分类系统300的运行过程中，所述卷积编码模块340，用于将所述多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图。应可以理解，在垃圾分类的场景中，图像上不同位置的像素重要性可能不同，不同通道的像素重要性也可能不同，因此，在利用卷积神经网络模型进行图像特征提取时，引入注意力机制，可用特定网络调整不同像素对检测结果的影响力，从而分离出更显著的特征。特别地，在本技术的技术方案中，使用cbam(convolutional block attention module)注意力机制，其结合了通道与空间的注意力机制模块。通道注意力模块保持通道维度不变，只压缩空间维度，因此该模块对垃圾类别信息敏感；空间注意力模块空间维度不变，压缩通道维度，因此该模块对垃圾位置信息敏感。
59.图4图示了根据本技术实施例的智能垃圾分类系统中卷积编码模块的框图。如图4所示，所述卷积编码模块340，包括：卷积单元341，用于对所述输入数据进行卷积处理以得到卷积特征图；池化单元342，用于对所述卷积特征图进行池化处理以得到池化特征图；激活单元343，用于对所述池化特征图进行非线性激活处理以得到激活特征图；通道注意力单元344，用于将所述激活特征图通过通道注意力模块以得到通道注意力特征图；以及，空间注意力单元345，用于将所述通道注意力特征图输入空间注意力模块以得到空间注意力特征图。
60.图5图示了根据本技术实施例的智能垃圾分类系统中通道注意力单元的框图。如图5所示，所述通道注意力单元344，包括：全局均值池化子单元3441，用于计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；非线，用于将所述通道特征向量输入softmax激活函数以得到通道注意力权重特征向量；以及，通道注意力施加子单元3443，用于以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述激活特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。
61.图6图示了根据本技术实施例的智能垃圾分类系统中空间注意力单元的框图。如图6所示，所述空间注意力单元345，包括：空间感知子单元3451，用于使用所述空间注意力模块的卷积层对所述通道注意力特征图进行卷积编码以得到空间注意力图；概率化子单元3452，用于将所述空间注意力图输入所述空间注意力模块的softmax激活函数以得到空间注意力得分图；以及，空间注意力施加子单元3453，用于计算所述空间注意力得分图和所述
62.具体地，在所述智能垃圾分类系统300的运行过程中，所述特征分布校正模块350，用于对所述检测特征图进行特征分布校正以得到校正后检测特征图。在本技术的技术方案中，在将所述多通道图像通过使用具有cbam注意力块的卷积神经网络以得到检测特征图时，由于具有cbam注意力块的卷积神经网络包含了通道注意力模块和空间注意力模块，使得在预定维度上强化了所述检测特征图沿所述预定维度的特征分布，从而在通过分类器进行分类时，由于所述分类器的权重也需要在所述预定维度上适配，可能发生与所述检测特征图的类相干干涉。
63.因此，对所述检测特征图，例如记为f进行基于预分类的类概率相干补偿机制校正，表示为：
66.也就是，由于所述检测特征图存在强化的沿所述预定维度的特征分布，因此在对其进行分类时，分类器本身的权重矩阵也会在所述预定维度上存在强化分布，从而对所述检测特征图造成的类相干干涉。基于此，在本技术的技术方案中，将通过预分类得到的分类器的类别概率值作为所述检测特征图的分类的乘性干扰噪声项，来对所述检测特征图来进行类概率的相干补偿，可以恢复无干扰情况下的所述检测特征图f的等效概率强度表征，即优化后的检测特征图f
，从而实现所述检测特征图的校正，提高分类结果的准确性。这样，提高垃圾类别识别的精准度，以便于用户能够基于所识别的垃圾类型来进行垃圾分类处理。
67.具体地，在所述智能垃圾分类系统300的运行过程中，所述垃圾分类结果生成模块360，用于将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。即用户可通过所识别的垃圾类型来进行垃圾分类处理。在本技术的一个具体示例中，所述垃圾分类结果生成模块，展开单元，用于将所述校正后检测特征图基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
68.综上，根据本技术实施例的智能垃圾分类系统300被阐明，其通过综合利用局部二值模式处理和canny边缘检测提取待识别垃圾的图像特征，并将所提取的特征图与所述待识别垃圾的图像进行沿通道维度的聚合，通过卷积神经网络进行对聚合后图像的特征提取以得到检测特征图，继而将校正后的检测特征图通过分类器以得到分类结果，提高了垃圾类别识别的精准度。
69.如上所述，根据本技术实施例的智能垃圾分类系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的智能垃圾分类系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能垃圾分类系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能垃圾分类系统300同样可以是该终端设备的众多硬件模块之一。
70.替换地，在另一示例中，该智能垃圾分类系统300与该终端设备也可以是分立的设
备，并且该智能垃圾分类系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
72.图7图示了根据本技术实施例的智能垃圾分类方法的流程图。如图7所示，根据本技术实施例的智能垃圾分类方法，包括步骤：s110，获取待识别垃圾的图像；s120，对所述待识别垃圾的图像进行局部二值模式处理和canny边缘检测以得到局部二值模式图和canny边缘检测图；s130，将所述局部二值模式图、所述canny边缘检测图和所述待识别垃圾的图像进行沿通道维度的聚合以得到多通道图像；s140，将所述多通道图像通过使用cbam注意力机制的卷积神经网络模型以得到检测特征图；s150，对所述检测特征图进行特征分布校正以得到校正后检测特征图；以及，s160，将所述校正后检测特征图通过分类器以得到分类结果，所述分类结果用于表示待识别垃圾所属的垃圾类别标签。
73.在一个示例中，在上述智能垃圾分类方法中，所述步骤s140，包括：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行池化处理以得到池化特征图；对所述池化特征图进行非线性激活处理以得到激活特征图；将所述激活特征图通过通道注意力模块以得到通道注意力特征图；以及，将所述通道注意力特征图输入空间注意力模块以得到空间注意力特征图。其中，所述将所述激活特征图通过通道注意力模块以得到通道注意力特征图，包括：计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；将所述通道特征向量输入softmax激活函数以得到通道注意力权重特征向量；以及，以所述通道注意力权重特征向量中各个位置的特征值作为权重分别对所述激活特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道注意力特征图。所述将所述通道注意力特征图输入空间注意力模块以得到空间注意力特征图，包括：使用所述空间注意力模块的卷积层对所述通道注意力特征图进行卷积编码以得到空间注意力图；将所述空间注意力图输入所述空间注意力模块的softmax激活函数以得到空间注意力得分图；以及，计算所述空间注意力得分图和所述通道注意力特征图的按位置点乘以得到所述空间注意力特征图。
74.在一个示例中，在上述智能垃圾分类方法中，所述步骤s150，包括：以如下公式对所述检测特征图进行特征分布校正以得到校正后检测特征图；其中，所述公式为：f
75.在一个示例中，在上述智能垃圾分类方法中，所述步骤s160，包括：将所述校正后检测特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
76.综上，根据本技术实施例的智能垃圾分类方法被阐明，其通过综合利用局部二值模式处理和canny边缘检测提取待识别垃圾的图像特征，并将所提取的特征图与所述待识别垃圾的图像进行沿通道维度的聚合，通过卷积神经网络进行对聚合后图像的特征提取以得到检测特征图，继而将校正后的检测特征图通过分类器以得到分类结果，提高了垃圾类别识别的精准度。
81.处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
82.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的智能垃圾分类系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如全局有功功率特征矩阵等各种内容。
83.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
85.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
86.当然，为了简化，图8中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
88.除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的智能垃圾分类方法中的功能中的步骤。
89.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
90.此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的智能垃圾分类方法中的功能中的步骤。
91.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
92.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
93.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
94.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
95.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
96.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
1.计算机视觉 2.无线.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用
