一种基于深度学习识别的社区垃圾分类系统及方法专利检索-暗电流传感器与探测器专利检索查询-专利查询网

一种基于 深度学习识别的社区垃圾分类系统及方法

阅读：918发布：2020-05-08

专利汇可以提供一种基于深度学习识别的社区垃圾分类系统及方法专利检索，专利查询，专利分析的服务。并且本发明提供了一种基于深度学习识别的社区垃圾分类系统包括：垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。本发明还提供了该系统的方法。本发明能够使得各垃圾成分含量值与焚烧设备相匹配，将垃圾进行充分燃烧，减少了环境污染；燃烧灰质得到减少，延长了焚烧设备的使用寿命。，下面是一种基于深度学习识别的社区垃圾分类系统及方法专利的具体信息内容。

权利要求

1.一种基于深度学习识别的社区垃圾分类系统，其特征在于，包括：
垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。
2.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述垃圾信息获取模块包括：分段光谱探测设备，用于向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理单元，用于通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取单元，用于将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
3.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定模块，用于将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
4.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
5.根据权利要求1所述的社区垃圾分类系统，其特征在于，所述垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。
6.一种基于深度学习识别的社区垃圾分类方法，其特征在于，包括：
垃圾信息获取步骤，对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；
垃圾成分测定步骤，将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；
燃烧性质分析步骤，将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；
垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。
7.根据权利要求6所述的社区垃圾分类方法，其特征在于，所述垃圾信息获取步骤包括：分段光谱探测步骤，向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理步骤，通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取步骤，将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。
8.根据权利要求6所述的社区垃圾分类方法，其特征在于，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定步骤，将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。
9.根据权利要求6所述的社区垃圾分类方法，其特征在于，所述燃烧性质模型包括：
LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA
其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。
10.根据权利要求6所述的社区垃圾分类方法，其特征在于，所述垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。

说明书全文

一种基于深度学习识别的社区垃圾分类系统及方法

技术领域

[0001] 本发明涉及垃圾分类处理技术领域，特别涉及一种基于深度学习识别的社区垃圾分类系统及方法。

背景技术

[0002] 在社会生活中，城市生活垃圾的收集、运输和处理过程会产生大量的有害成分，从而对大气、土壤和水等造成污染，不仅严重破坏了城市景观，而且能够传播疾病，威胁人类的生命安全，城市生活垃圾是社会公害之一，是社会的重大环境问题。

[0003] 目前，对于非可回收性质的垃圾，焚烧处理相比于填埋等其它处理方式，不仅具有不占用城市空间和污染危害小的优点，而且焚烧产生的热能还能用于供暖和发电等二次利用。但是，垃圾是一种成分多样、复杂且不稳定的混合态物质，若垃圾成分与垃圾焚烧设备不匹配，则会造成燃烧不充分的现象，从而增大尾气污染，此外，燃烧灰质的增加，也会影响焚烧设备的使用寿命。

[0004] 因此，现有技术中迫切地需要一种基于深度学习识别的社区垃圾分类系统及方法，能够根据非可回收垃圾的燃烧性质对其进行再分类处理，使得所述垃圾成分与焚烧设
备相匹配，减少了环境污染，延长了焚烧设备的使用寿命。

发明内容

[0005] (一)发明目的

[0006] 为克服上述现有技术存在的至少一种缺陷，本发明提供了一种基于深度学习识别的社区垃圾分类系统及方法，使得各垃圾成分含量值与焚烧设备相匹配，能够减少环境污
染，延长焚烧设备的使用寿命。

[0007] (二)技术方案

[0008] 作为本发明的第一方面，本发明公开了一种基于深度学习识别的社区垃圾分类系统，包括：

[0009] 垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；

[0010] 垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；

[0011] 燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；

[0012] 垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。

[0013] 一种可能的实施方式中，所述垃圾信息获取模块包括：分段光谱探测设备，用于向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理单元，用于通过参考白板比较法进行黑白校正得到所述垃圾的
反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取单元，用于将所述若干
光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转
换为若干所述吸收光谱特征向量。

[0014] 一种可能的实施方式中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定模块，用于将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征向量。

[0015] 一种可能的实施方式中，所述燃烧性质模型包括：

[0016] LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA

[0017] 其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。

[0018] 一种可能的实施方式中，所述垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。

[0019] 作为本发明的第二方面，本发明公开了一种基于深度学习识别的社区垃圾分类方法，包括以下步骤：

[0020] 垃圾信息获取步骤，对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；

[0021] 垃圾成分测定步骤，将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；

[0022] 燃烧性质分析步骤，将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；

[0023] 垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。

[0024] 一种可能的实施方式中，所述垃圾信息获取步骤包括：分段光谱探测步骤，向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理步骤，通过参考白板比较法进行黑白校正得到所述垃圾的反射率来
消除暗电流对所述吸收光谱特征带来的噪声；主特征提取步骤，将所述若干光谱分段合并
为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述
吸收光谱特征向量。

[0025] 一种可能的实施方式中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定步骤，将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及
其吸收光谱特征向量。

[0026] 一种可能的实施方式中，所述燃烧性质模型包括：

[0027] LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA

[0028] 其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。

[0029] 一种可能的实施方式中，所述垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。

[0030] (三)有益效果

[0031] 本发明提供的一种基于深度学习识别的社区垃圾分类系统及方法，通过垃圾信息获取模块获取到垃圾的吸收光谱特征向量，由垃圾成分测定模块将所述吸收光谱特征向量
代入深度学习模型获得垃圾成分测定特征，燃烧性质分析模块根据垃圾成分测定特征获得
垃圾的燃烧性质参数组，从而使得垃圾处理模块能够根据燃烧性质参数组将所述垃圾输送
至对应的焚烧站内的焚烧设备处进行焚烧。使得各垃圾成分含量值与焚烧设备相匹配，将
垃圾进行充分燃烧，能够减少环境污染；燃烧灰质相应减少，延长了焚烧设备的使用寿命。
附图说明

[0032] 以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。

[0033] 图1是本发明提供的一种基于深度学习识别的社区垃圾分类系统的结构示意图。

[0034] 图2是本发明提供的一种基于深度学习识别的社区垃圾分类方法的流程图。

具体实施方式

[0035] 为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。

[0036] 需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施
例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作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。

[0037] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，均仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保
护范围的限制。

[0038] 下面参考图1详细描述本发明提供的一种基于深度学习识别的社区垃圾分类系统的第一实施例。如图1所示，本实施例提供的社区垃圾分类系统主要包括有：垃圾信息获取模块、垃圾成分测定模块、燃烧性质分析模块和垃圾处理模块。

[0039] 垃圾信息获取模块，用于对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量。在垃圾信息获取模块中，可以对社区回收的垃圾进行吸收光谱探测，从而能够对回收的所
述垃圾进行垃圾信息的了解，便于后续对垃圾作出相应的处理，比如可以根据对所述垃圾
信息的了解判断出垃圾的成分，以及将所述垃圾运送至相应地点等。

[0040] 垃圾成分测定模块，用于将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征。在垃圾成分测定模块中，所述深度学习模型能够根据吸收光谱特征向
量进行垃圾成分的测定，并输出垃圾成分测定特征。垃圾成分可以为有机残渣、塑料、纸质品、化纤纺织品、不可燃物和水分等，各垃圾成分含量值组成了垃圾成分测定特征。对各垃圾成分及其含量值的了解便于对垃圾作出适宜的处理，以减少环境污染。

[0041] 燃烧性质分析模块，用于将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组。在燃烧性质分析模块中，可以将每一垃圾的各垃圾成分含量
值代入燃烧性质模型，从而测得每一垃圾的燃烧性质参数，进而可由若干垃圾的燃烧性质
参数形成若干垃圾的燃烧性质参数组。

[0042] 垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。由若干垃圾的燃烧性质参数组，了解到每一垃圾的燃烧性质，进而由每一垃圾的燃烧性质与各个焚烧站内的每一焚烧
设备的适配性，判断所述垃圾应运送至某一焚烧设备处进行燃烧。根据垃圾的燃烧性质选
择对应的焚烧设备进行焚烧，能够使得垃圾燃烧充分，减少尾气污染；燃烧灰质相应减少，延长焚烧设备的使用寿命。

[0043] 其中，所述垃圾信息获取模块包括：分段光谱探测设备，用于向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理单元，用于通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取单元，用于将所述若干光谱分段合并为若干
光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光
谱特征向量。分段光谱探测设备可以向垃圾发送分布在红外波段(600-1000nm)区间内的探
测红外光，探测红外光在上述红外波段区间被划分为若干光谱分段，每个光谱分段的跨度
为5-10nm，进而利用红外成像的方式，接收并检测垃圾反射的探测红外光；由于不同成分的垃圾对各个光谱分段的吸收率不同，从而可以使得垃圾反射的探测红外光在各个光谱分段
的强度分布即作为吸收光谱特征。在信息预处理单元中，对吸收光谱特征进行过滤处理，去除其中的干扰噪声。为消除在首尾波段产生的噪声，选择600.41—1001.09nm内的波段的吸收光谱特征进行处理；为消除暗电流带来的噪声，可以通过参考白板比较法进行黑白校正
得到垃圾的反射率，公式为

[0044]

[0045] 其中，Rnorm为校正后的光谱图像，Rraw为原始图像光谱，Rdark为全暗参考图像，Rwhite为反射率为99％的标准参考白板得到的参考图像；由于垃圾形状大小各不相同，且部分表面发生强反射，故选择均匀、没有异常点和形状规则的区域作为垃圾图像分析的ROI，以减少噪声干扰。

[0046] 主特征提取单元，针对由若干光谱分段上的强度值构成的吸收光谱特征进行主特征提取，并将其转换为有限维度的吸收光谱特征向量；可以将若干光谱分段中相邻的光谱
分段合并为10个光谱段，并且针对每个光谱段提取其中代表性的强度值，作为一个维度的
特征值，从而将完整的吸收光谱特征转换为10个维度的吸收光谱特征向量。

[0047] 其中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定模块，用于将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练
之后的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱
特征向量。BP神经网络深度学习模型选用的网络结构可以为输入层、隐含层和输出层。输入层可以包括六个神经元，依次代表有机残渣、塑料、纸质品、化纤纺织品、不可燃物和水分的垃圾成分含量值及其对应的吸收光谱特征向量；隐含层位于输入层和输出层之间，隐含层
存在若干层神经元；输出层可以输出以上各垃圾成分含量值组成的垃圾成分测定特征的有
关信息。BP神经网络深度学习模型可以由正向传播过程和反向传播过程组成。正向传播过
程，输入模式可以将上述各垃圾成分含量值及其对应的吸收光谱特征向量从输入层经隐含
层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。

[0048] BP神经网络深度学习模型以若干(例如1000组)特定垃圾样本经上述过程进行训练，训练后的BP神经网络深度学习模型输入测定的吸收光谱特征向量，能够输出各垃圾成
分含量值组成的垃圾成分测定特征。

[0049] 其中，所述燃烧性质模型包括：

[0050] LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA

[0051] 其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA分别表示塑料、纸质品、化纤纺织品、有机残渣、不可燃物，以及水分的垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6分别表示塑料、纸质品、化纤纺织品、有机残渣、不可燃物以及水分对应的系数值。所述系数值可以利用神经网络模型或者回归模型进行测算；可以由若干垃圾的各垃圾成分含量值和燃烧性质参数计算出各垃圾成分对应的系数值；当塑料、纸质品、有机残渣和化纤纺织品四种垃圾成分含量值中只有一种变化时，其与燃烧性质参数之间的系数值按大小依次为塑料>纸质品>有机
残渣>化纤纺织品>0，因此可以认为燃烧性质参数与上述四种垃圾成分含量值有关。

[0052] 在燃烧性质分析模块中，可以由垃圾成分测定模块测得的每一垃圾内的各垃圾成分含量值，结合各垃圾成分对应的系数值，即可得到每一垃圾的燃烧性质参数LHV，进而能够得到若干垃圾形成的燃烧性质参数组。

[0053] 其中，所述垃圾处理模块，用于根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。在垃圾处理模块中，可以由所述若干垃圾形成的燃烧性
质参数组，判断每一垃圾形成的燃烧性质参数是否处于若干焚烧站内的某一焚烧设备适配
的燃烧性质参数值的适用范围之内，从而将处于某一焚烧站适用范围内的所述垃圾进行再
分类和打包，并分别运输至该焚烧站的焚烧设备进行焚烧。根据各垃圾成分含量值选择对
应的焚烧设备进行垃圾焚烧，各垃圾成分含量值与焚烧设备相匹配，使得垃圾燃烧更加充
分，能够减少尾气污染，燃烧灰质得到减少，焚烧设备的使用寿命得到延长。

[0054] 本发明通过垃圾信息获取模块获取到垃圾的吸收光谱特征向量，由垃圾成分测定模块将所述吸收光谱特征向量代入深度学习模型获得垃圾成分测定特征，燃烧性质分析模
块根据垃圾成分测定特征获得垃圾的燃烧性质参数组，从而使得垃圾处理模块能够根据燃
烧性质参数组将所述垃圾输送至对应的焚烧站内的焚烧设备处进行焚烧。本发明所述的一
种基于深度学习识别的社区垃圾分类系统，能够使得各垃圾成分含量值与焚烧设备相匹
配，将垃圾进行充分燃烧，减少环境污染；燃烧灰质得到减少，延长了焚烧设备的使用寿命。

[0055] 下面参考图2详细描述本发明提供的一种基于深度学习识别的社区垃圾分类方法的第一实施例。如图2所示，本实施例提供的社区垃圾分类方法主要包括有：垃圾信息获取步骤、垃圾成分测定步骤、燃烧性质分析步骤和垃圾处理步骤。

[0056] 垃圾信息获取步骤，对垃圾进行吸收光谱探测，以便获得吸收光谱特征向量；

[0057] 垃圾成分测定步骤，将所述吸收光谱特征向量代入深度学习模型，以此获得垃圾成分测定特征；

[0058] 燃烧性质分析步骤，将所述垃圾成分测定特征代入燃烧性质模型，从而得出所述垃圾的燃烧性质参数组；

[0059] 垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾的燃烧性质，从而由所述燃烧性质与焚烧设备的适配性将所述垃圾输送至焚烧站。

[0060] 其中，所述垃圾信息获取步骤包括：分段光谱探测步骤，向所述垃圾发送探测红外光，从而使得所述探测红外光被划分为若干光谱分段，并以此获得吸收光谱特征；信息预处理步骤，通过参考白板比较法进行黑白校正得到所述垃圾的反射率来消除暗电流对所述吸收光谱特征带来的噪声；主特征提取步骤，将所述若干光谱分段合并为若干光谱段，并针对所述光谱段提取特征值，从而将所述吸收光谱特征转换为若干所述吸收光谱特征向量。

[0061] 其中，所述深度学习模型包括：BP神经网络深度学习模型；所述垃圾成分测定步骤，将若干特定垃圾样本输入所述BP神经网络深度学习模型进行训练，以此获得训练之后
的BP神经网络深度学习模型；所述特定垃圾样本包括：垃圾成分含量值及其吸收光谱特征
向量。

[0062] 其中，所述燃烧性质模型包括：

[0063] LHV＝θ1·PL+θ2·PA+θ3·TE+θ4·FD-θ5·NB-θ6·WA

[0064] 其中，LHV表示燃烧性质参数，PL、PA、TE、FD、NB和WA表示各垃圾成分含量值，θ1、θ2、θ3、θ4、θ5和θ6表示各垃圾对应的系数值。

[0065] 其中，所述垃圾处理步骤，根据所述燃烧性质参数组，判断所述垃圾是否处于所述焚烧站的所述焚烧设备适配的燃烧性质参数值适用范围之内，并将所述焚烧站适用范围内的所述垃圾分别运输和焚烧。

[0066] 本发明通过垃圾信息获取步骤获取到垃圾的吸收光谱特征向量，由垃圾成分测定步骤将所述吸收光谱特征向量代入深度学习模型获得垃圾成分测定特征，燃烧性质分析步
骤根据垃圾成分测定特征获得垃圾的燃烧性质参数组，从而使得垃圾处理步骤能够根据燃
烧性质参数组将所述垃圾输送至对应的焚烧站内的焚烧设备处进行焚烧。本发明所述的一
种基于深度学习识别的社区垃圾分类方法，能够使得垃圾成分测定特征(即各垃圾成分含
量值)与焚烧设备相匹配，将垃圾进行充分燃烧，减少环境污染；燃烧灰质得到减少，延长了焚烧设备的使用寿命。

[0067] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为
准。

标题	发布/更新时间	阅读量
一种台面式硅掺砷阻挡杂质带探测器及其制备方法	2020-05-11	502
非极性面型BeZnOS合金晶体基MSM紫外光探测器及制备方法	2020-05-11	156
一种基于深度学习识别的社区垃圾分类系统及方法	2020-05-08	918
基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法	2020-05-08	138
PIIN型高In组分InGaAs探测器材料结构和制备方法	2020-05-12	145
单芯片集成型光谱成像微系统光谱数据校正方法	2020-05-08	135
一种锌镓氧材料薄膜及其制备方法	2020-05-08	111
用于X射线萤光的检测器	2020-05-08	165
一种ZnO薄膜紫外探测器件的制备方法	2020-05-11	599
固态摄像器件及电子设备	2020-05-11	929

一种基于深度学习识别的社区垃圾分类系统及方法

一种基于深度学习识别的社区垃圾分类系统及方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：