基于模糊分类的智能回收机多模态垃圾识别方法与流程

本发明涉及物体识别，特别是指基于模糊分类的智能回收机多模态垃圾识别方法。

背景技术：

1、物体识别技术领域包含对图像或其他形式的感知数据中所包含目标进行检测、识别和分类的相关技术内容，通过对图像、视频、传感器数据等输入信息进行特征提取与语义理解，实现对目标对象的类型、属性、位置等信息的判定，在多个应用场景中具有重要意义，包括智能安防、自动驾驶、医疗影像识别、智能制造、智能回收系统，在智能回收系统中，通过识别目标外观信息，结合材料、重量、可回收性等非视觉属性信息，对垃圾类型做出准确分类与判断，涵盖图像处理模型、特征融合技术、多模态数据分析、辅助分类机制的综合应用，其中，基于模糊分类的智能回收机多模态垃圾识别方法是指一种融合图像识别与非视觉特征分析，针对生活垃圾复杂多样的属性进行综合判别的智能识别技术，通过轻量化transformer结构提取垃圾图像的外观与形状特征，并对结构进行裁剪与优化以降低计算量，引入模糊分类机制，对垃圾的材质信息和重量数据进行模糊化处理，构建模糊规则库与隶属度判断模型，将图像提取特征与模糊分类输出结果进行多模态融合，通过特征关联分析单元进行垃圾类别判断。

2、传统垃圾识别技术在物体识别时，依赖单一图像或固定数据模式开展分类任务，忽略垃圾投放过程中姿态与状态可能发生变化，未充分考虑质量波动和结构形变对图像准确性的影响，在采集数据中存在物体材质、密度等非视觉信息的模糊边界易被忽视，致使分类结果存在偏差，造成物品误分类或异常物未及时隔离，降低智能回收系统的准确性与可靠性。

技术实现思路

1、为了解决现有技术存在的技术问题，本发明实施例提供了基于模糊分类的智能回收机多模态垃圾识别方法。所述技术方案如下：

2、为了实现上述目的，本发明采用了如下技术方案，基于模糊分类的智能回收机多模态垃圾识别方法，包括以下步骤：

3、s1：利用称重传感器，分析垃圾在投放后连续记录的质量变化状态，分析质量数据的波动性并判断物品的稳定状态，发送图像采样指令至图像采集设备，输出垃圾图像数据集；

4、s2：利用所述垃圾图像数据集，对比连续图像边缘轮廓点在水平方向的最大横向跨度和最小横向跨度的差异，分析图像灰度区域中多个位置的重心坐标在水平投影下的连接路径，评估图像结构的形变程度，输出轮廓偏移特征信息；

5、s3：根据所述轮廓偏移特征信息，计算导电探针在与目标接触过程中的通电连续性表现，结合激光体积轮廓仪和重量信息计算密度信息，输出匹配垃圾材质类型标签的模糊标签编码，生成归属等级编码；

6、s4：调用所述归属等级编码，判断图像边缘结构的清晰度与连贯性，分析激活区域在编码器中对应通道的更新响应次数，调整目标特征通道更新优先级，识别垃圾的类型标签，生成垃圾类型识别结果。

7、作为本发明的进一步方案，所述垃圾图像数据集包括图像采集起始时间、反射响应差异图谱、图像稳定性判断标签，所述轮廓偏移特征信息具体为横向跨度比对参数、重心连接路径变化数据、图像置信度评分，所述归属等级编码包括通电连续性分类码、体积密度组合等级、材质标签模糊编码，所述垃圾类型识别结果具体指边缘结构清晰度标识、编码通道响应频次、类型标签索引。

8、作为本发明的进一步方案，所述垃圾图像数据集的获取步骤具体为：

9、s101：调用称重传感器，获取质量测量信号，分析多个采样时刻间的质量变化趋势，实时评估垃圾的稳定状态，建立稳定状态判定结果；

10、s102：根据所述稳定状态判定结果，识别垃圾静止状态并发送图像采样指令至图像采集设备，采集垃圾的多帧图像，调用指定图像区域的像素值数据，计算多个图像帧下相同区域的反射响应变化，得到反射变化系数；

11、s103：基于所述反射变化系数，评估图像采样的稳定性，检测采样异常并输出重采样指令，获取垃圾图像数据集。

12、作为本发明的进一步方案，所述计算多个图像帧下相同区域的反射响应变化的具体公式为：

13、；

14、计算反射变化系数；

15、其中，为反射变化系数，为像素索引编号，为图像帧编号，为第帧图像中第个像素的灰度值，为第帧图像中第个像素的灰度值，为第个像素的横向像素梯度归一化值，为第个像素的灰度梯度归一化值，为选取的像素点总数。

16、作为本发明的进一步方案，所述轮廓偏移特征信息的获取步骤具体为：

17、s201：获取所述垃圾图像数据集，分析每帧图像中边缘轮廓点的坐标，比较水平轴上的最大横向跨度与最小横向跨度之间的差异，生成跨度差异指标；

18、s202：基于所述跨度差异指标，选取图像灰度区域中多个位置的重心坐标，连接每个重心坐标点构建水平投影路径，分析路径的变化方向和偏移程度，输出重心轨迹变化参数；

19、s203：根据所述重心轨迹变化参数，分析形变趋势，结合跨度差异指标与重心轨迹的变化范围，对图像结构的形变程度进行分析，计算图像的置信度并对图像进行筛选，获取轮廓偏移特征信息。

20、作为本发明的进一步方案，所述归属等级编码的获取步骤具体为：

21、s301：获取所述轮廓偏移特征信息，采集导电探针在与目标接触过程中的电流响应信号，分析电流通断的持续表现，输出通电连续性数据；

22、s302：基于所述通电连续性数据，获取激光体积轮廓仪测得的三维结构数据和称重传感器的质量数据，计算物体的体积与密度，结合通电连续性，得到交叉状态参数；

23、s303：依据所述交叉状态参数，筛选与当前参数组合相符的垃圾材质类型标签，输出匹配垃圾材质类型标签的模糊标签编码，输出归属等级编码。

24、作为本发明的进一步方案，所述筛选与当前参数组合相符的垃圾材质类型标签的具体公式为：

25、；

26、计算匹配差异指标；

27、其中，为当前目标垃圾的通电连续性归一化值，为当前目标垃圾的密度归一化值，为第类已知材质垃圾的通电连续性归一化均值，为第类已知材质垃圾的密度归一化均值，为第类已知材质通电连续性归一化样本的方差，为第类已知材质密度归一化样本的方差，为第类已知材质的分类置信度归一化权重，用于取目标函数取得最小值时所对应的下标值，为样本库中每一类已知材质垃圾的类型编号索引，为样本库中已知材质垃圾的总类数，为与当前目标垃圾匹配差异最小的已知材质标签编号结果。

28、作为本发明的进一步方案，所述垃圾类型识别结果的获取步骤具体为：

29、s401：调用所述归属等级编码，对图像中的每个边缘结构分布区域进行灰度梯度计算，判断每个区域的清晰度水平和边缘连贯性，得到结构清晰度指标；

30、s402：基于所述结构清晰度指标，分析编码器中每个激活区域对应通道的响应更新次数，对通道内目标区域特征数据的优先级和相邻区域的参与频率进行调整，建立特征优先级参数；

31、s403：根据所述特征优先级参数，识别目标垃圾的类型，并匹配类型标签，生成垃圾类型识别结果。

32、作为本发明的进一步方案，所述方法还包括：

33、s5：调用所述垃圾类型识别结果和归属等级编码，判断分类标签在材质归属方向上的冲突关系，分析分类标签间的归属偏移程度并计算分类方向的冲突程度，识别分类异常垃圾，输出隔离分拣信号，获得异常分拣控制指令；

34、所述异常分拣控制指令包括分类方向偏移量、归属标签冲突等级、分拣路径隔离信号。

35、作为本发明的进一步方案，所述异常分拣控制指令的获取步骤具体为：

36、s501：调用所述垃圾类型识别结果和归属等级编码，判断两类分类标签在材质归属方向的匹配关系，分析标签间的归属偏移量，计算分类方向的冲突数值，生成归属冲突参数；

37、s502：根据所述归属冲突参数，识别并筛选异常分类的垃圾，输出隔离分拣信号并传递至垃圾分拣设备，获取异常分拣控制指令。

38、本发明实施例提供的技术方案带来的有益效果至少包括：

39、通过连续质量变化信号评估垃圾状态的稳定性，准确判定采样时机，通过轮廓跨度差异与重心偏移轨迹结合，提升形变图像准确识别，依托通电连续性与密度数据交叉匹配实现材质类型细化分类，并通过分类标签冲突的归属偏移判断，识别分类异常垃圾并自动隔离，有效避免因投放状态不稳定、形态变化与材质信息模糊导致的识别误差。