一种智能识别河道垃圾并进行分类收集的无人船系统的制作方法

1.本发明属于河道垃圾清理技术领域，具体是一种智能识别河道垃圾并进行分类收集的无人船系统。


背景技术：

2.在城乡的河道水面上都会漂浮着蔬菜叶、塑料袋、饮料瓶、树枝树叶、包装盒、衣物等垃圾，水面上这些垃圾有人为的，也有自然界风雨等因素所产生的。这些垃圾会对河道环境和水质产生极大的影响。为了河道环境的美观和水体清洁，需要把河道中的这些垃圾进行清理；但是在河道中清理垃圾时，多数采用人工打捞的方式，不仅成本高而且效率低下，工人还时常面临落水的危险，因此目前需要一种智能识别河道垃圾并进行分类收集的无人船系统，用于解决河道垃圾清理的问题。


技术实现要素：

3.为了解决上述方案存在的问题，本发明提供了一种智能识别河道垃圾并进行分类收集的无人船系统。
4.本发明的目的可以通过以下技术方案实现：一种智能识别河道垃圾并进行分类收集的无人船系统，包括区域划分模块、垃圾识别模块、路线规划模块、回收分类模块和服务器；通过区域划分模块划分河道垃圾清理区域，垃圾识别模块识别垃圾清理区域内的垃圾；路线规划模块规划河道垃圾的清理路线，实时获取垃圾图像坐标区域的中心坐标，标记为中心点，根据实时采集的中心点建立中心点动态分布图，对动态分布图中的中心点进行代表区域合并，获得动态垃圾合并图，标记无人船的坐标，基于蚁群算法计算无人船清理所有垃圾的最短路径，将对应的最短路径标记为全程规划路径；根据全程规划路径获取无人船进入各个垃圾合并区域的区域起点，以及离开对应垃圾合并区域的区域终点；获取无人船的清理宽度，根据清理宽度、区域起点和区域终点设置遍布垃圾合并区域的清理路线；再通过回收分类模块对无人船回收的垃圾进行分类；对动态垃圾合并图中的中心点进行代表区域合并的方法包括：步骤sa1：设置最大合并半径和两个中心点之间的最大距离，将两个中心点之间的最大距离标记为分布距离；在所有的中心点中任选一个中心点作为p点；步骤sa2：实时计算动态垃圾合并图中p点到所有中心点之间的距离，标记为计算距离；将计算距离小于分布距离的所有中心点标记为p1点，形成一个类别，确定该类别的类别中心，根据类别中心计算该类别的类别半径l1；步骤sa3：实时计算p1点到剩余所有的中心点之间的距离，将距离小于分布距离的中心点标记为p2点，p1点和p2点形成一个新的类别，确定该类别的类别中心，根据类别中心计算该类别的类别半径l2，依次类推，直到标记pi点，pi点表示第i次计算的中心点；获得类别半径li，其中i=1，2，3，
……
，n；
类别半径li不小于最大类别半径时，完成中心点合并，将合并区域内的中心点进行垃圾坐标区域替换。
5.步骤sa3中完成中心点合并的方法包括：当类别半径li等于最大合并半径时，完成中心点合并；当类别半径li大于最大合并半径时，去除该类别中距离类别中心最远的p2点，重新计算该类别的类别中心和类别半径，进行迭代，直到去除距离类别中心最远的p2点后，计算的类别半径不大于最大类别半径时，完成中心点合并；根据清理宽度、区域起点和区域终点设置遍布垃圾合并区域的清理路线的方法包括：识别动态垃圾合并图中各个垃圾坐标区域的面积和边界轮廓，计算无人船清理该垃圾坐标区域内垃圾的往复次数和对应的往复次数路线，获取对应往复次数的起点和终点，标记为往复起点和往复终点，并标记在动态垃圾合并图中的对应位置上，将动态垃圾合并图中的区域起点、区域终点、往复起点、往复终点和往复次数路线作为必经路线，基于蚁群算法计算无人船经过必经路线的最短路径，标记为清理路线。
6.进一步地，区域划分模块的工作方法包括：获取需要进行垃圾清理的河道地图，识别河道边界的经纬度坐标，获取无人船的型号，根据无人船的型号在河道地图中设置缓冲区，将河道地图中缓冲区之间的区域标记为行动区域；设置区域单元，获取无人船坐标，将获取的无人船坐标更新在河道地图中，获取无人船坐标对应范围的河道地图，操作人员通过区域单元在河道地图中框选垃圾清理区域，识别操作人员框选的区域边界，将识别的框选区域边界与行动区域边界进行整合，将整合后的区域标记为垃圾清理区域。
7.进一步地，垃圾识别模块的工作方法包括：获取垃圾清理区域图像，在垃圾清理区域图像中建立网格图，对每个网格对应的垃圾清理区域图像进行编号；根据网格图中的网格对垃圾清理区域图像进行分割，获得若干个分割图像；获取河道无垃圾时的水面图像，对获取的水面图像进行尺寸处理，将处理后的图像标记为标准图像；计算所有分割图像与标准图像之间的相似度，判断计算的相似度值是否满足相似度要求，当判断计算的相似度值满足相似度要求时，将对应的分割图像标记为正常图像；当判断计算的相似度值不满足相似度要求时，将对应的分割图像标记为垃圾图像，并获取垃圾图像对应的坐标区域。
8.进一步地，获取垃圾清理区域图像的方法包括：识别垃圾清理区域的边界坐标，将获取的垃圾清理区域边界坐标输入到外界图像采集装置中，通过外界图像采集装置对垃圾清理区域进行图像采集，识别采集图像中的坐标边界，根据识别的坐标边界对采集图像进行分割，获得垃圾清理区域图像。
9.进一步地，网格图中每个网格的尺寸相同。
10.进一步地，回收分类模块的工作方法包括：获取回收垃圾的检测图像，训练深度学习神经网络，通过深度学习神经网络对第一检测图像进行处理，获得检测结果，当检测结果为匹配时，生成第一控制信号，将对应的
回收垃圾送入回收区；当检测结果为不匹配时，生成第二控制信号，将对应的回收垃圾送入非回收区。
11.与现有技术相比，本发明的有益效果是：实现对河道垃圾的智能化清理，大大的解放了人力资源，使得河道垃圾的清理更加的快捷和安全；通过设置区域划分模块，方便操作人员划分垃圾清理区域，并为后续的垃圾识别提供数据支持；通过设置分割图像，并计算分割图像与标准图像之间的相似度，便于快速识别垃圾的位置，并方便后续对河道垃圾清理路线的规划。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1为本发明原理框图。
具体实施方式
14.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
15.如图1所示，一种智能识别河道垃圾并进行分类收集的无人船系统，包括区域划分模块、垃圾识别模块、路线规划模块、回收分类模块和服务器；所述区域划分模块用于划分河道垃圾清理区域，具体方法包括：获取需要进行垃圾清理的河道地图，识别河道边界的经纬度坐标，河道边界即为河岸或不满足通行条件的桥梁；获取无人船的型号，根据无人船的型号在河道地图中设置缓冲区，即为根据无人船的型号，在离河岸若干米的距离设置缓冲区，用于避免无人船搁浅；将河道地图中缓冲区之间的区域标记为行动区域；设置区域单元，区域单元用于操作人员划分垃圾清理区域，获取无人船坐标，将获取的无人船坐标更新在河道地图中，获取无人船坐标对应范围的河道地图，因为河道地图是很长的，通过无人船坐标获取周边范围的河道地图，方便操作人员划分垃圾清理区域；操作人员通过区域单元在河道地图中框选垃圾清理区域，识别操作人员框选的区域边界，将识别的框选区域边界与行动区域边界进行整合，将整合后的区域标记为垃圾清理区域。
16.在一个实施例中，将识别的框选区域边界与行动区边界进行整合的方法包括：当框选区域边界内包括行动区域边界时，以行动区域边界和另外两个框选区域边界组成的区域为整合区域；当框选区域边界内没有包括行动区域边界时，将与行动区域边界同向的框选区域边界与行动区域边界重合，形成整合区域；相当于框选区域边界仅用于确定整合区域的长度，以行动区域边界作为整合区域的宽度。
17.在一个实施例中，将识别的框选区域边界与行动区边界进行整合的另一个方法包括：
当河道宽度特别宽，超过预设值时，直接使用框选区域作为整合区域。
18.所述垃圾识别模块用于识别垃圾清理区域内的垃圾，具体方法包括：识别垃圾清理区域的边界坐标，将获取的垃圾清理区域边界坐标输入到外界图像采集装置中，外界图像采集装置为现有的带有坐标的图像采集装置，通过外界图像采集装置对垃圾清理区域进行图像采集，识别采集图像中的坐标边界，根据识别的坐标边界对采集图像进行分割，获得垃圾清理区域图像，在垃圾清理区域图像中建立网格图，且网格图中每个网格的尺寸相同；网格尺寸由专家组根据垃圾清理区域图像和无人船回收区的大小进行设置的；对每个网格对应的垃圾清理区域图像进行编号；根据网格图中的网格对垃圾清理区域图像进行分割，获得若干个分割图像；获取河道无垃圾时的水面图像，对获取的水面图像进行尺寸处理，尺寸处理即为将水面图像裁剪为标准尺寸的图像；标准尺寸即为网格尺寸；将处理后的图像标记为标准图像；计算所有分割图像与标准图像之间的相似度，可以使用现有的图像相似度算法计算分割图像与标准图像之间的相似度；判断计算的相似度值是否满足相似度要求，相似度要求是由专家组进行讨论设置的；当判断计算的相似度值满足相似度要求时，将对应的分割图像标记为正常图像；当判断计算的相似度值不满足相似度要求时，将对应的分割图像标记为垃圾图像，并获取垃圾图像对应的坐标区域；垃圾图像即为图像中具有垃圾。
19.所述路线规划模块用于规划河道垃圾清理路线，具体方法包括：实时获取垃圾图像坐标区域的中心坐标，标记为中心点，因为河道垃圾受水流、气流、垃圾清理过程的波动等多方面影响，会产生移动，因此需要实时采集更新中心点位置；根据实时采集的中心点建立中心点动态分布图，对动态分布图中的中心点进行代表区域合并，获得动态垃圾合并图，标记无人船的坐标，基于蚁群算法计算无人船清理所有垃圾的最短路径，将对应的最短路径标记为全程规划路径；根据全程规划路径获取无人船进入各个垃圾合并区域的区域起点，以及离开对应垃圾合并区域的区域终点；获取无人船的清理宽度，根据清理宽度、区域起点和区域终点设置遍布垃圾合并区域的清理路线。
20.对动态垃圾合并图中的中心点进行代表区域合并的方法包括：步骤sa1：设置最大合并半径和两个中心点之间的最大距离，将两个中心点之间的最大距离标记为分布距离；在所有的中心点中任选一个中心点作为p点；步骤sa2：实时计算动态垃圾合并图中p点到所有中心点之间的距离，标记为计算距离；将计算距离小于分布距离的所有中心点标记为p1点，形成一个类别，确定该类别的类别中心，根据类别中心计算该类别的类别半径l1；步骤sa3：实时计算p1点到剩余所有的中心点之间的距离，将距离小于分布距离的中心点标记为p2点，p1点和p2点形成一个新的类别，确定该类别的类别中心，根据类别中心计算该类别的类别半径l2，依次类推，直到标记pi点，pi点表示第i次计算的中心点；获得类别半径li，其中i=1，2，3，
……
，n；类别半径li不小于最大类别半径时，完成中心点合并，将合并区域内的中心点进行垃圾坐标区域替换。
21.步骤sa3中完成中心点合并的方法包括：当类别半径li等于最大合并半径时，完成中心点合并；当类别半径li大于最大合并半径时，去除该类别中距离类别中心最远的p2点，重
新计算该类别的类别中心和类别半径，进行迭代，直到去除距离类别中心最远的p2点后，计算的类别半径不大于最大类别半径时，完成中心点合并。
22.示例性的，基于蚁群算法计算无人船清理所有垃圾的最短路径的方法包括：步骤sb1：利用栅格法对地图环境进行建模，初始化蚁群算法基本参数，并使蚁群初始化在起始节点处；步骤sb2：每只蚂蚁从起始节点开始搜索遍历，根据转移概率选择下一节点，蚂蚁走过的每个节点记录在禁忌表中，当蚂蚁到达目标节点时，计算蚂蚁所选路径长度和路径上的拐点个数；当所有蚂蚁完成搜索后，应用拐点较少原则选取当次迭代的最优路径；对当次迭代的最优路径应用简化路径原则，得到优化后的当次迭代最优路径；对当次迭代的所有可行路径应用预先排序规则，选取出较优路径，对较优路径上的信息素挥发系数进行自适应调整策略，并在此基础上更新每条较优路径上的信息素浓度；步骤sb3：重复执行步骤sb2，直到迭代次数达到最大迭代次数，计算各轮迭代的最优路径长度，得到全局最优路径。
23.蚁群算法的应用较为常见，方法内未公开的技术为现有技术。
24.根据清理宽度、区域起点和区域终点设置遍布垃圾合并区域的清理路线的方法包括：识别动态垃圾合并图中各个垃圾坐标区域的面积和边界轮廓，计算无人船清理该垃圾坐标区域内垃圾的往复次数和对应的往复次数路线，获取对应往复次数的起点和终点，标记为往复起点和往复终点，并标记在动态垃圾合并图中的对应位置上，将动态垃圾合并图中的区域起点、区域终点、往复起点、往复终点和往复次数路线作为必经路线，基于蚁群算法计算无人船经过必经路线的最短路径，标记为清理路线。
25.计算无人船清理该垃圾坐标区域内垃圾的往复次数的方法为：基于cnn网络或dnn网络建立分析模型，训练集包括面积、边界轮廓、清理宽度和对应设置的往复次数及往复次数路线，通过分析模型分析出各个垃圾坐标区域的往复次数、往复路线和对应往复次数的起点和终点，所获得的往复次数为最少次数。
26.回收分类模块用于对无人船回收的垃圾进行分类，具体方法包括：获取回收垃圾的检测图像，训练深度学习神经网络，通过深度学习神经网络对第一检测图像进行处理，获得检测结果，当检测结果为匹配时，生成第一控制信号，将对应的回收垃圾送入回收区；当检测结果为不匹配时，生成第二控制信号，将对应的回收垃圾送入非回收区。
27.在一个实施例中，深度学习神经网络的训练过程包括以下操作：获取样本图像库中可回收垃圾的训练图像；对训练图像进行预处理，预处理可以消除训练图像中的无关信息；随机选取训练图像并进行初始化，对训练图像进行初始化可以将训练图像转换为深度学习神经网络可以处理的数据信号，以便于进行后续操作；对训练图像进行多次卷积和抽样处理，卷积处理可以提取训练图像的特征，抽样处理可以缩减训练数据的规模，减少计算量；最后一个抽样层或卷积层连接到一个或多个全连接层。全连接层被配置为将卷积和抽样处理后提取到的可回收垃圾的特征进行综合并输出可回收垃圾的训练参数和特征模型。特征模型为可回收垃圾的一个抽象特征表达。
28.对全连接层输出的特征模型进行判断，当特征模型与预设的标准特征模型相匹配
时，输出特征模型；反之，则反向传播调整权矩阵；在训练过程中，若输出的特征模型与标准特征模型之间存在误差，则通过反向传播将误差信息沿原来的路径反传，从而修正各层的训练参数，训练参数例如可以包括加权值和偏置，然后利用修正后的卷积层和抽样层重新对训练图像进行卷积和抽样处理，直到特性模型满足结束条件为止。
29.将待分类垃圾的特性模型与训练得到的可回收垃圾的特征模型进行对比，判断待分类垃圾是否与可回收垃圾相匹配；输出检测结果；检测结果包括匹配和不匹配。
30.在一个实施例中，深度学习神经网络可以直接使用现有已经训练好的垃圾分类模型。
31.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。