[发明专利]基于机器学习的垃圾分类方法、介质、终端设备及系统

权利要求书

1.基于机器学习的垃圾分类方法，其特征在于，包括以下步骤：

S1、获取实际投放的垃圾图像数据；

S2、对实际投放的垃圾图像数据进行清洗，得到灰度图像数据；

S3、构建KNN分类模型，将灰度图像数据作为训练集加入KNN分类模型进行模型训练；

S4、对训练后的KNN分类模型进行分类准确度验证。

2.如权利要求1所述的基于机器学习的垃圾分类方法，其特征在于，步骤S2包括：首先对图片数据进行降噪处理，选择对比度增强，使用直方图调整方法中的直方图均衡化算法，把获取的垃圾图片数据的灰度直方图从集中的某个灰度区间变成在全部灰度范围内的均匀分布，确保导入训练模型的图片因子均匀分布，使模型的离差值降到最小。

3.如权利要求1所述的基于机器学习的垃圾分类方法，其特征在于，步骤S3中，计算测试集和每个训练集的距离，并在计算测试集和每个训练集的距离之后，对计算取得的每个距离增加一个权重，使得距离近的点可以得到更大的权重。

4.如权利要求1所述的基于机器学习的垃圾分类方法，其特征在于，垃圾分类的类别包括纸张、玻璃、金属、塑料、织物、塑料瓶、厨余、有害、干垃圾。

5.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据存储介质的管理程序，所述数据存储介质的管理程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于机器学习的垃圾分类方法的步骤。

6.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于机器学习的垃圾分类方法的步骤。

7.基于机器学习的垃圾分类系统，其特征在于，包括以下模块：

图像获取模块，用于获取实际投放的垃圾图像数据；

数据清洗模块，用于对实际投放的垃圾图像数据进行清洗，得到灰度图像数据；

模型训练模块，用于构建KNN分类模型，并将灰度图像数据作为训练集加入KNN分类模型进行模型训练；

分类准确度验证模块，用于对训练后的KNN分类模型进行分类准确度验证。

8.如权利要求7所述的基于机器学习的垃圾分类系统，其特征在于，所述数据清洗模块，用于首先对图片数据进行降噪处理，选择对比度增强，使用直方图调整方法中的直方图均衡化算法，把获取的垃圾图片数据的灰度直方图从集中的某个灰度区间变成在全部灰度范围内的均匀分布，确保导入训练模型的图片因子均匀分布，使模型的离差值降到最小。

9.如权利要求7所述的基于机器学习的垃圾分类系统，其特征在于，所述模型训练模块，用于计算测试集和每个训练集的距离，并在计算测试集和每个训练集的距离之后，对计算取得的每个距离增加一个权重，使得距离近的点可以得到更大的权重。

10.如权利要求7所述的基于机器学习的垃圾分类系统，其特征在于，垃圾分类的类别包括纸张、玻璃、金属、塑料、织物、塑料瓶、厨余、有害、干垃圾。