基于5G 云平臺智能垃圾分類識別技術的研究

韓偉亮 任嘉璇 張振 劉志新 單博文 劉勇，4*

（1、黑龍江大學電子工程學院，黑龍江 哈爾濱 150080 2、天津理工大學計算機科學與工程學院，天津 300384 3、哈爾濱醫科大學生物信息科學與技術學院，黑龍江 哈爾濱 150081 4、黑龍江東部節水設備有限公司，黑龍江 綏化 152000）

受政策支持，垃圾分類正在積極實行著并取得良好的成果，但隨著小康社會的到來，人們經濟水平上升，垃圾數量不斷增長。因此，盡管人工在進行垃圾分類過程中耗費了很長時間，產生的結果也仍不盡人意。清潔機器人剛開始是為了便于人們生活的一種家庭智能清潔機器人。現在，新一代5G 技術順應時代發展而生且其云技術不斷成熟，為了解決目前國內垃圾分類仍需人工進行分類，或是智能垃圾分類不夠細致，無法同時滿足各個地區的分類情況。將5G 新概念技術應用到智能垃圾分類處理上，清潔機器人在工作過程中使用5G 云平臺技術，使其快速計算數據[3]，實現對垃圾的識別進行分類處理。

目前，智能清潔機器人識別技術在發展階段。盡管視覺導航技術存在角度限制，或是智能識別結束生成圖像過程中，環境、亮度等影響不能有效對垃圾進行成功識別并分類。從長期發展來看，視覺導航技術仍將成為智能清潔機器人的主要應用方向[4]。本文就是以YOLOv2 密集網絡為基礎[5]，使用VGG-16 卷積神經網絡模型智能識別，生成圖像，但有時出現識別環境較差，無法精確識別，出現黑暗不清、陰影覆蓋、外物重疊的情況，尤其是夜晚。可以使用VGG-16 卷積神經網絡模型來應對環境對圖片產生的影響[6]。它與5G 云平臺物聯網控制系統的結合，既能使智能清潔機器人精準對垃圾識別進行全方位覆蓋，提高識別效率，并能在減少垃圾分類的人力消耗方面有所突破，也能適用于其他領域相關方面。

1 5G 新概念技術

智能設備增多，需要更多的光纖來傳遞信號，而網絡通信技術隨著5G 物聯網+時代的到來，超大容量、超長距離、超高速率的光通信系統克復了這個問題。它利用新的計算和網絡技術，比如：云計算技術，在物聯網環境中更大的共享和儲存各種資源，還擁有高速的信息獲取速度與高效的運算承載能力。而5G 新概念技術就是在傳統5G 技術上增加了穩定性與安全性，使空間網絡更加敏感，使其與端口無線連接的能力提高。

2 識別技術

智能垃圾分類識別技術是指在垃圾分類過程中應用5G、AI、物聯網等現代高新技術，幫助用戶完成垃圾的有效分類和回收。這是垃圾分類行業未來發展的必然趨勢。目前，垃圾自動分類識別技術主要有三種：基于多傳感器的垃圾分類識別技術、基于可視電子標簽的垃圾分類技術和基于人工智能學習的垃圾分類技術。基于多傳感器的垃圾分類識別技術是早期工廠和其他地方使用的主要技術。與現在的寶貴時間相比，這項技術逐漸落后，主要是因為它使用傳送帶來識別物品。首先，轉移貨物需要很長時間，其次，在轉移過程中容易發生貨物移位或分類錯誤。基于可視電子標簽的垃圾分類技術就像現在的購物一樣。每種商品在退房時都需要識別一個特定的條形碼，根據分類在載體上定義一個特定的電子標簽，然后根據唯一性進行最終分類。

VGG-16 卷積神經網絡對像的處理：當攝像機產生垃圾圖像時，圖像容易受到各種不可控因素的影響，如明暗、陰影、物體變形等。此時，必須運行vgg-16 卷積神經網絡。根據Retinex 理論，物體的顏色是由于物體在不同光線下的反射能力不同而形成的，而物體在不同光線下的反射能力則是物體本身的一個特征，與光的強度無關。因此，通過計算每個像素之間的亮度比和陰影關系，可以校正圖像中的每個像素以確定像素的顏色。引入Retinex 算法，以（x，y）為像素，原始圖像為s（x，y），反射圖像為R（x，y），亮度圖像為l（x，y），選擇最佳權重圖像進行進一步處理[9]。

如圖1，初始圖像由入射圖像和反射圖像構成。燈光照射到目標對象后，形成反射光將插入相機。然后入射圖像、反射圖像和原始圖像將滿足方程（1）。

圖1 Retinex 算法原理

K 是高斯中心包圍的函數個數，為了保證算法具有高、中、低尺度的優點，K 值通常為3。W 是中央環繞功能的權重系數。實驗表明，當C=80 時，可以得到較好的結果。Retinex 算法的圖像處理效果如圖2 所示。

圖2

圖2 從主觀角度分析了Retinex 算法的改進效果。然后，通過圖像信息熵對處理效果進行了定性分析和比較。這是顯示圖像中平均信息的統計格式。一些函數可用于顯示下一尺寸圖像準備的聚合屬性和音頻圖像準備的遠程屬性，以創建圖像的二維熵。選擇圖像的平均寬度，以像素（I，J）、像素（0＜=I＜=255）和J鄰域（0＜=J＜=255）為單位。它們滿足等式（6）。

由表1 可知，經過Retinex 算法處理后，圖像信息熵有所提高，圖像更加清晰。最后，通過對卷積神經網絡的重復成像和多次訓練，使卷積神經網絡中的數據集更加完善，提高了識別精度。

表1 Retinex 圖像增強算法信息熵比較

首先，輸入給定的設定， 然后，您可以使用yolov2 服務器識別垃圾并啟動分類模型。之后，您可以將經過訓練的模型發送到清理機并打開相機。當照相機在某處發現垃圾時，機器人將被引導去清除垃圾，并根據系統所給出的方案進行清潔。Yolv2網絡強化培訓流程如下：（1）通過增強初始數據來獲取圖像；（2）通知安裝了從原始圖像接收的信息，并且增加了提供的信息；（3）將此數據集用于yolov2 強化訓練；（4）為了獲得訓練模型樣本，需要增強數據集并手動標記所有圖像。

針對清洗過程中目標范圍變化較大的問題，采用多范圍培訓策略進行網絡培訓。基于多范圍培訓策略，每15 批輸入樣本的大小在訓練過程中都會發生一次變化，不同大小的圖像具有很強的魯棒性。根據公式a=32（7+b），a 是輸入圖像的大小，b 是輸出圖像的大小，隨機數是312。模型經多范圍培訓策略從而能夠適應不同的輸入決策。與靜態決策模型相比，檢測效果更優。如數量、質量和準確性等。未來的研究可應用于半監督和非監督深度檢測方法以及網絡生成和學習。通過對目標特征的分析，實現了垃圾處理方案和清洗模式的決策，進一步提高了清洗機器人的自主決策能力，見圖3。

系統基礎：由于每個地區的分類標準不同，上海規定廢物分為濕廢物、干廢物、可回收廢物和危險廢物，而北京則分為廚房廢物、危險廢物、其他廢物和可回收廢物。因此，使用5Glan 技術[7]根據不同區域設置相應的IP 地址，并分別存儲在區域廢物分類標準中。同時，將一些物品的原始圖片上傳到云平臺，作為物品識別的依據，然后再變成垃圾。之后，通過識別技術和垃圾分類生成圖像時，使用5G 云平臺物聯網控制系統對對應的基礎圖片進行高速匹配，找到匹配度最高的圖片進行最終分割。每一張識別出的圖像都會自動保存在云平臺上，逐步完善每一個階段每一項的信息，從而確保這項技術在應用后變得越來越成熟，可以應用到更多需要這項技術幫助的地方。系統模型設計5G 云平臺物聯網控制系統分為云平臺像存儲、成像匹配、分類歸屬三部分。

（1）云平臺像存儲

云平臺像存儲使用5G 云平臺建立數據庫。根據PC 上定義的類別，每個類別都被命名為不同的標簽。每個標簽下存儲了大量相應類別的數據集。在應用之前，一定數量的圖像將存儲為基本圖像。在此基礎上，進行了重復試驗。數據集中各種類型的圖像正在增加，需要刪除。此時，需要回收數據集。對于重復、無意義的選擇被放置在循環集中。每次成像都會被讀取和匹配，所以每個數據集都用于匹配中使用的基本集和剛生成的圖像的臨時存儲集，按照7:1 的比例。任務完成后，將整理臨時存儲集以確定最終存儲位置。在這個周期中，云平臺將像存儲和5G 高速一樣快速完成每一項任務，減少傳統云平臺的延遲，增加靈活性。

（2）成像匹配

理想情況下，圖像匹配是將即時生成的圖像與存儲在頭部圖像中的數據集進行匹配的過程。采用分段法對匹配過程進行了分析。主要方法是將圖像轉換為灰度圖像，得到一個適合于提取垃圾區域和背景差分特征的灰度圖像選擇閾值，最后選擇背景區域，接著選擇迭代法，來得到最優的閾值分割算法。首閾值是圖像的最大、最小灰度值的均值。這樣，就可以在基本集中找到最佳的圖像匹配度。在其他情況下，生成的圖像必須經過VGG-16 卷積神經網絡操作系統處理，才能進行匹配。[8]

（3）分類歸屬

在找到最佳匹配度的基本集圖像后，自動對相應數據集的標簽進行分類，見圖4。

近年來，隨著城市化進程的加快、人民生活水平的提高和互聯網技術的日益成熟，我國垃圾分類行業發展迅速。智能垃圾分類應運而生，已成為垃圾分類行業未來發展的必然趨勢。目前國內市場上，很多企業在智能垃圾分類領域的市場格局相對分散，尚未形成龍頭企業。機器人收集一定數量的垃圾后，系統會識別是否能自動分類垃圾。如果垃圾類型單一，機器人將使用yolov2 密集網絡系統自動分類垃圾。如果垃圾類型復雜，機器人無法自動分類，機器人會通過5G 網絡將桶內垃圾圖片返回終端，提醒工作人員分類。

4 結論

本文提出了一種基于5G 云平臺物聯網控制系統的垃圾分類識別技術的研究與實現方案。機器人的智能化發展導致人力資源的消耗逐漸減少，該方案不僅降低了垃圾分類實施的成本，或者解決了不同城市的不同分類標準，提高了居民對垃圾分類的積極性，而且提高了識別技術的識別效率和成像的清晰度。vgg-16 卷積神經網絡圖像處理與yolov2 密集網絡的結合將使智能清潔機器人更加完整，并在未來出現在每個家庭中。