基于计算机视觉的垃圾智能分类方法

技术特征：
1.一种基于计算机视觉的垃圾智能分类方法，其特征在于，包括利用滚轮装置将垃圾外包裹的塑料袋破开，将垃圾以及破开后的塑料袋平铺在传送带上，采集传送带上完全平铺后的垃圾灰度图像；根据垃圾灰度图像中每个像素点与其八邻域内每个像素点的梯度幅值获取每个像素点的均匀性；获取垃圾灰度图像中相同梯度幅值的两两像素点之间的距离，根据每个像素点与其他相同梯度幅值像素点之间的平均距离以及每个像素点的均匀性获取每个像素点的附着度；根据每个像素点的附着度获取每个像素点的滤波窗口尺寸，以每个像素点的滤波窗口尺寸对垃圾灰度图像中的每个像素点进行滤波，得到滤波后的垃圾灰度图像；对滤波后的垃圾灰度图像进行边缘检测，得到多个连通域，将滤波后的垃圾灰度图像作为神经网络的输入，输出为每个连通域中的塑料袋；将每个连通域中的塑料袋与垃圾分离。2.根据权利要求1所述的一种基于计算机视觉的垃圾智能分类方法，其特征在于，获取每个像素点的均匀性的方法为：获取垃圾灰度图像中每个像素点的梯度幅值；根据每个像素点与其八邻域内像素点的梯度幅值获取每个像素点的信息熵；获取每个像素点与其八邻域像素点之间梯度幅值差值的均值；根据每个像素点与其八邻域像素点之间梯度幅值差值的均值以及该像素点的信息熵获取每个像素点的均匀性。3.根据权利要求1所述的一种基于计算机视觉的垃圾智能分类方法，其特征在于，获取每个像素点的附着度的方法为：获取垃圾灰度图像中每个像素点与其相同梯度像素点之间的平均距离；获取每个像素点的梯度幅值，与每个像素点到其相同梯度像素点之间的平均距离的比值；根据该比值与垃圾灰度图像中每个像素点均匀性的乘积获取每个像素点的附着度。4.根据权利要求3所述的一种基于计算机视觉的垃圾智能分类方法，其特征在于，获取每个像素点的附着度的表达式为：其中，f
i
表示第i个像素点的附着度，d
i
表示第i个像素点与其相同梯度像素点之间的平均距离，g
i
表示第i个像素点的梯度幅值，e表示以e为底的指数函数，j
i
表示第i个像素点的均匀性。5.根据权利要求1所述的一种基于计算机视觉的垃圾智能分类方法，其特征在于，获取每个像素点的滤波窗口尺寸的方法为：将每个像素点的附着度作为指数函数的指数；获取该指数函数与设定常数的乘积并向上取整，得到每个像素点的滤波窗口尺寸。6.根据权利要求1所述的一种基于计算机视觉的垃圾智能分类方法，其特征在于，将滤波后的垃圾灰度图像作为神经网络的输入，输出为每个连通域中塑料袋的方法为：获取各种颜色的塑料袋灰度图像作为数据集，利用数据集对神经网络进行训练；
利用训练好的神经网络对滤波后的垃圾灰度图像中的多个连通域进行目标识别，得到滤波后垃圾灰度图像中的塑料袋。7.根据权利要求1所述的一种基于计算机视觉的垃圾智能分类方法，其特征在于，对垃圾灰度图像中的每个像素点进行滤波的方法为：以垃圾灰度图像中每个像素点为中心点，根据每个中心点所在滤波窗口中所有像素点的灰度值，获取每个中心点所在滤波窗口的高斯核；根据每个中心点所在滤波窗口的高斯核对每个中心点进行高斯滤波。

技术总结
本发明涉及垃圾分类回收领域，具体涉及一种基于计算机视觉的垃圾智能分类方法。采集完全平铺后的垃圾灰度图像；获取每个像素点的均匀性；根据每个像素点与其他相同梯度幅值像素点之间的平均距离以及每个像素点的均匀性获取每个像素点的附着度；获取每个像素点的滤波窗口尺寸，对垃圾灰度图像中的每个像素点进行滤波，得到滤波后的垃圾灰度图像；利用神经网络识别每个连通域中的塑料袋，将垃圾中的塑料袋分离。本发明通过对垃圾灰度图像选取自适应滤波窗口，从而进行塑料袋的识别，能够准确的将垃圾中的塑料袋分离出来，有效提升垃圾分类的效率。的效率。的效率。


技术研发人员：翟慧 房静 翟煜锦 李纪云 赵大鹏
受保护的技术使用者：河南职业技术学院
技术研发日：2022.10.21
技术公布日：2023/1/31