基于卷积神经网络的垃圾分类小车系统

目前,垃圾分类主要靠民众自主分类,以校区或居住点为单位,将已经初步分类的垃圾运输后处理,此方式往往容易导致错漏,效率低,针对该问题,本文提出基于神经网络的垃圾分类小车系统,旨在通过机械化的标准规范化初步垃圾分类,简化垃圾分类问题,提高资源再利用率。该系统通过基于卷积神经网络的YOLO物体识别系统识别垃圾种类后,利用机械臂自主夹取,以完成垃圾分类。此外,小车配备自主避障系统,能适应一般环境的路线规划,为垃圾分类的普及化和简易化提供思路。     

基于深度学习的智能垃圾分拣车系统

针对生活垃圾的高效分类及搬运处理,设计了一款以边缘嵌入式AI设备Jetson Nano为控制器的光电智能小车系统,该系统设计以YOLOv5为目标检测算法,以Pytorch1.8.1为深度学习框架.使智能小车从指定区域出发,通过自身的光电传感器在指定范围内搜寻垃圾,利用六轴机械臂对垃圾进行分拣并送到指定分类地点.对采集到...     

一种基于Jetson Nano深度学习的生活垃圾智能分类桶

长期以来,垃圾处理往往伴随着巨大的资源浪费和环境污染,尽管我国已经出台相关垃圾分类政策,但由于人工分类成本高、分类效率低下等一系列问题,该类政策难以大规模推行。据此,提出了一种以单片机(single chiped microcomputer, SCM)为基础,围绕Jetson Nano为核心设计的生活垃圾智能分类桶。其图像识别基于深度学习设计,通过上位机和摄像头判断投入垃圾桶的垃圾类型,将分析得到的数据传递给下位机;下位机通过控制二维云台进行垃圾分类投放;采用红外测距模块进行满载检测,并在APP界面内进行满溢警报,从而完成了类型识别、分类投放、满溢检测、满载报警的完整过程,实现了生活垃圾自动分类。该装置经实测工作稳定,并有内置的学习函数保障其续航能力,具有很强的实用性。     

基于YOLO v3的地面垃圾检测与清洁度评定方法

针对传统清洁机器人缺乏清洁效果反馈的问题,提出了基于YOLO v3算法的地面垃圾检测与清洁度评定方法.利用由垃圾巡检小车搭载的Jetson TX2和USB摄像头采集地面垃圾图像,选择兼具检测精度与速度的YOLO v3模型进行垃圾检测与分类;然后通过对不同类别的垃圾分配不同的权重系数,并与统计的垃圾数量加权出清洁度指数,...     

智能垃圾分类系统的设计

许多城市都要求生活垃圾分类，但是目前大多数人在垃圾种类区分方面存在一定的困难。为了解决这个问题，基于深度学习的图像识别方法设计一个智能垃圾分类系统。通过TensorFlow2.3和MobileNetV2构建和训练垃圾分类模型，应用Qt Designer与Python设计一个便于用户操作的上位机图形界面。将智能垃圾分类和垃圾桶控制有机结合，利用ESP32-CAM获取需要识别的垃圾图像，通过Wi-Fi发送给上位机进行图库比对，并将识别结果通过Wi-Fi发送至ESP-8266，启动驱动控制，打开相应垃圾桶盖。系统测试结果表明，所设计的智能垃圾分类系统能够准确地识别垃圾类型，使用户能够无接触地投放垃圾。     

基于支持向量机的垃圾标签检测模型

为解决Folksonomy存在垃圾标签的问题,提出垃圾标签检测模型。利用向量空间模型表征用户特征,再用支持向量机将Folksonomy用户二分类。通过检测出隐藏在正常用户群体中的垃圾投放人,以此减少垃圾标签数量。实验结果表明,基于支持向量机的垃圾标签检测模型具有更高的分类精度,优于其他检测方法。     

基于深度学习的算法模型在垃圾分类中的应用研究

近年来,城市一体化发展水平提高,垃圾问题对于全世界都是一个非常棘手的问题。基于垃圾分类算法进行了研究,旨在提高垃圾分类的准确性和效率,提出了一种基于深度学习的垃圾分类算法,利用卷积神经网络和支持向量机进行图像特征提取和分类,采用迁移学习的方法建立了一种在已有的数据集基础上进行模型训练和优化,从而制作出一个垃圾分类应用的分析平台。     

基于改进遗传算法的支持向量机微信垃圾文章识别

近几年,随着微信的快速发展和普及,微信已经成为智能移动设备必备的应用之一,但与之同时也出现了大量微信诈骗信息、垃圾广告等,给人们带来了极大的困扰。本文将从搜狗微信搜索中抽取微信文章样本,将微信垃圾文章识别看做文本分类问题,采用支持向量机对样本进行分类模型的训练,并应用改进的遗传算法对支持向量机的参数进行优化。文中详细的介绍了改进遗传算法在支持向量机上的应用,相比传统的支持向量机,采用改进遗传算法对支持向量机参数进行优化,提升了模型准确率和优化效率。在文章的最后进行了由15000篇微信文章所形成的测试集上的分类模型效果实验,实现结果表明,本方法能够达到94.7%的准确率,非常准确的识别微信垃圾文章。     

基于STM32智能垃圾桶的设计

近年来,随着生活垃圾的产量不断增加,垃圾分类的问题日渐严峻。为防止垃圾污染生态环境,减轻生活垃圾给环境带来的巨大压力,方便垃圾回收再利用以及向大众普及垃圾分类知识。垃圾分类需要推向更智能化和人性化的层面。在这种大环境下,该文设计出了一款智能垃圾桶,以STM32为主控板,LD3320语音识别模块接收垃圾信息、JQ8400语音播报模块实现对应垃圾精准分类播报、L298N电机驱动模块控制垃圾桶的开合盖,红外传感器则检测是否有人靠近设备。通过对各个模块的测试和整体测试,保证了产品的可靠性和稳定性。使用该款高度智能化的垃圾桶,能够以最低的能耗去增强人们垃圾正确分类的意识,提高垃圾分类的效率和再利用率,减轻垃圾对环境的污染,具有良好的发展前景。     

基于图像识别的水面垃圾智能分类清理装置

为了有效解决小型水域水面垃圾清理和分类的问题,设计了一种基于图像识别的无人驾驶水面垃圾智能分类清理装置。装置采用平衡式双船体结构,配以翻斗式垃圾收集头及可移动渔网式分类收集仓,并使用涵道式螺旋桨作为驱动;以STM32作为主控,使用OpenMV视觉模块并搭配卷积神经网络算法,实现垃圾类别的识别,并使用ESP32实现对装置的无线通讯与远程监控;基于GPS导航系统、惯性导航系统、视觉导航系统实现自动回航、自动回航等功能;同时,装置还设计有附加的水域参数测量、鱼类投喂等功能模块,以实现装置的一机多用。     

基于Arduino和语音识别的智能垃圾分类系统

在上海、北京等全国多个省市陆续推出垃圾分类管理办法和要求的大背景下,为了能够更好地帮助居民进行垃圾分类,提出了基于Arduino和语音识别的智能垃圾分类系统。该系统由Android移动端APP、HC-05蓝牙模块、下位机控制模块构成。Android移动端APP接收语音输入,识别并加以分类,并通过HC-05蓝牙模块将分类结果发送到Arduino开发板,Arduino开发板根据分类结果控制相应舵机转动,从而带动对应分类的垃圾桶盖打开,实现垃圾分类。实验测试结果表明,该系统识别准确率高,具有实用价值。     

基于神经网络的垃圾分类箱系统设计

传统的生活垃圾人工分类方式工作量大、效果欠佳。针对当前生活垃圾人工分类效率低、效果欠佳等问题,提出了基于神经网络算法的智能垃圾分类系统设计。本设计通过K210控制摄像头读取当前垃圾图像进行图像处理,加载TensorFlow训练的CNN垃圾识别分类算法进行识别分类,由STM32F407为主控的嵌入式系统控制舵机和步进电机配合分类至对应的垃圾桶中,同时系统还支持语音识别纠偏、播放垃圾分类宣传片、垃圾桶状态检测、语音播报等。在自建的垃圾数据集上进行训练和测试结果显示,利用该方法可以准确地对垃圾种类进行识别,平均准确率达到0.99;通过测试,系统功能稳定,其误差低,具有一定的应用价值。     

基于运动想象的脑电小车控制系统设计

为了实时采集并判断和分类人脑运动感知信息,文中基于人脑运动想象脑电信号设计了一套以共空间模式特征提取算法和支持向量机分类算法为核心的采集与判别系统,能够实时采集并分类人脑自发脑电信号,将不同运动想象的结果作为指令表达在智能小车的运动状态上,从而实现脑电实时直接控制小车实物。在此设计中完成了对系统整体的调试并对脑电等相关数据进行采集处理。分析结果表明,该系统稳定,分类准确率高,符合预期的设计要求。     

基于自我训练的长效垃圾分类方法

目的 目前垃圾主要采用名称检索的方式开展分类,这类方法通常基于事先设定的数据分类,很难有效包含现有所有的垃圾,更难应对未来持续增多的垃圾,针对上述问题,面向生活垃圾,提出一种基于自我训练的长效垃圾分类方法。方法 首先,采用Bagging将两类分类能力和训练机制不同的基分类器：K近邻分类器和支持向量机,根据它们各自独立的投票和权重进行有机组合,提出了一种新颖的集成分类器对生活垃圾进行分类;其次,基于直观的图像交互反馈,动态地更新分类器相应分类结果的置信度和基于云的训练样本集,提升后续分类的准确性和方法本身的自学习能力。结果 使用包含233条生活垃圾的训练样本集对原型系统进行训练,并使用151条垃圾样例进行测试,实验表明本文提出的集成分类器对生活垃圾的分类准确性可以达到95%左右。通过逐步提高训练样本集中错误样本的比例（≤ 30%）并重新训练集成分类器,再采用上述151条样例共开展了150次分类测试。相应的平均准确率分析表明,本文的集成分类器具有较高且较为稳定的分类准确率（≥ 93%）。此外,在上述实验中加入反馈机制后,平均准确率分析表明,该机制能有效地减轻错误样本对本文集成分类器准确率衰减带来的影响。结论 本文方法对生活垃圾分类具有较高的分类准确率、鲁棒性且具有良好的长效性。     

基于多模型决策融合的可回收垃圾分类方法

为解决现存可回收垃圾分类方法较为低效,垃圾不能及时处理的问题,本文提出了一种基于多模型决策融合网络并实现了准确的垃圾分类。构建的决策融合网络以垃圾图像作为输入,选取经典神经网络Googlenet、VGG19＿BN、Resnet18分别作为3个决策模型,融合3个决策模型的决策分类结果作为最终分类结果,实现更为可靠、精确的可回收垃圾分类。模型的训练还加入了迁移学习与学习率衰减的技巧。经过数据集验证,与其他可回收垃圾分类深度学习方法相比所提出的方法实现了更高的可回收垃圾分类准确率,其在数据集上的测试准确率达到97.67%,同时与单模型决策网络的比较结果验证了本文所提多模型决策融合方法的有效性。     

基于物联网的景区垃圾分类激励机制的构建

社会经济的不断发展,旅游景区的游览量也日益增多,随之而来的就是由于人们乱扔垃圾、缺乏垃圾分类意识以及参与垃圾分类的积极性不高所造成的景区生态环境的破坏与污染。垃圾分类自觉行为除采用广泛的宣传方式增强社会责任感,感受垃圾不分类的危害性外,本文提出在旅游景区采用商业运作方式培养旅客的自觉垃圾投放行为。采用景区独特的人文资源,商品售卖模式,客户的游玩需求,激励游客在观赏大自然美景的同时,结合物联网和人工智能技术,构建与景区相适应的垃圾分类激励机制,培养游客自主的垃圾分类意识,并加入到垃圾分类的行动中。使垃圾分类成为游客、景区、商家等多方受益并乐于参与的一项有意义的事业,有效解决景区的环境问题。     

基于深度学习的垃圾分类信息系统构建设计与实现

垃圾分类是社会进步和生态文明发展的标志,生活垃圾的简单堆放或填埋不仅严重破坏了生活秩序,还会造成巨大的经济损失及环境污染,影响了人们的正常生活。基于深度学习的垃圾分类信息系统,主要利用计算机视觉技术,实现居民生活垃圾的智能分类、分拣。为了提高识别准确率,系统选择了ResNet作为网络模型,同时使用Adam优化器也可以帮助系统降低对内存的需求。垃圾分类信息系统很大程度上解决了居民垃圾分类困难的问题,引导居民养成垃圾分类习惯。     

一种新型校园垃圾分类系统的设计

针对目前校园垃圾种类复杂、分类效率低、智能化程度低的情况,本文设计了一种新型校园垃圾分类系统。它可以通过摄像头识别垃圾图像,自动开启相应的垃圾桶箱盖,同时进行语言播报,并记录垃圾分类投放的过程,能够实现在校园环境下有效垃圾分类的目的。该系统可以提高清洁人员的工作效率,对建设文明校园具有一定意义。     

基于物联网语音控制垃圾分类系统

为满足无接触式垃圾分类要求,本项目拟设计基于物联网语音垃圾分类系统。项目利用在线语音识别,完成垃圾种类识别,同时采集垃圾重量信息,测量溢满程度,进行烟雾检测。信息通过WiFi模块上传至云数据库,搭建PC监控系统平台对云数据库中的垃圾桶参数进行读取与整合,实现网络云监护。本系统的设计和开发便于城市垃圾分类的普及并培养人们的垃圾分类意识。     

基于阿里云的垃圾图像识别分类系统的设计与实现

近年来,随着国家可持续发展战略的不断推进,垃圾分类处理问题显得尤为重要。为解决目前传统垃圾分类过程中存在的垃圾种类繁多、人工分类效率低等难点问题,设计并实现了一种基于阿里云的垃圾图像识别分类系统。该系统使用方便,识别准确率较高,能有效提高垃圾分类效率,降低了垃圾分类难度,对垃圾分类政策的推广有很好的辅助作用。