[发明专利]一种SVM与目标检测算法融合的垃圾分类方法

说明书

本发明公开了一种SVM与目标检测算法融合的垃圾分类方法，通过高光谱相机采集带分类垃圾的光谱数据；通过PLS降维模型对采集的光谱数据进行降维；采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。本发明的光谱数据的每个像素点含有200个信息值，得到的像素点物料信息更加准确，且光谱覆盖常规物品的主要波段范围，对于不确定的来料依然能够准确进行分类，提高了待分类垃圾的识别的准确性，解决了现有技术分选机器人空抓、漏抓等现象。

技术领域

本发明涉及一种垃圾分类方法，特别是一种SVM与目标检测算法融合的垃圾分类方法，属于垃圾分类领域。

背景技术

垃圾分类是指按照一定规定或标准将垃圾分类储存、投放和搬运，从而转变成一种公共资源的方式。传统的垃圾分类方式主要采用人工分类，但分选效率低下，因此现在已有很多分选中心采用分选机器人进行分选。分选机器人不仅处置效率高，而且采用无人化操作，大大提高分选工人健康安全。

图像识别，即目标物检测，是垃圾分选机器人的一个重要组成部分，作为分选机器人的“眼睛”，它的识别精度决定了分选机器人的分选效率。目前分选机器人图像识别(目标物检测)大多采用深度学习的方法，深度学习作为机器学习的一个新的领域，目前已在各个领域都取得了成功。然而，目前在垃圾分选领域，图像识别(目标物检测)几乎采用基于YOLO、FasterRCNN、MaskRCNN、YOLACT等框架进行二次开发，它的弊端在于模型建立初期，需要大量图片标注用以提高模型准确性，且由于产线来料的不确定性，如果单纯采用基于上述框架为基础进行开发，会大大增加分选机器人空抓、漏抓等现象的几率。

发明内容

本发明所要解决的技术问题是提供一种SVM与目标检测算法融合的垃圾分类方法，提高待分类垃圾的识别的准确性。

为解决上述技术问题，本发明所采用的技术方案是：

一种SVM与目标检测算法融合的垃圾分类方法，其特征在于包含以下步骤：

步骤一：通过高光谱相机采集带分类垃圾的光谱数据；

步骤二：通过PLS降维模型对采集的光谱数据进行降维；

步骤三：采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；

步骤四：采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。

进一步地，所述步骤一具体为高光谱相机通过线扫的方式扫描待分类垃圾的材质光谱信息，扫描的光谱波段范围为400-1000nm或900-1700nm。

进一步地，所述步骤二具体为：

2.1高光谱相机采集到的待分类垃圾的光谱数据为待分类垃圾的二维信息矩阵；

2.2采用偏最小二乘回归方法，利用PLS降维模型对待分类垃圾的光谱数据进行降维，PLS降维模型的公式为：

A＝TP^T+E (1)

B＝UQ^T+F

(2)

其中，A表示n*m预测矩阵；B表示n*p响应矩阵；T和U表示n*l矩阵，分别为A和B的投影；P和Q表示m*l和p*l的正交载荷矩阵；矩阵E和F为错误项；公式(1)和(2)一同进行运算，完成PLS模型降维；