一种建筑垃圾识别回收方法、装置、设备及存储介质与流程

本技术涉及垃圾识别的，尤其是涉及一种建筑垃圾识别回收方法、装置、设备及存储介质。

背景技术：

1、随着城市化进程的加快和建筑行业的迅猛发展，建筑垃圾的产生量也逐年增加。建筑垃圾不仅占用大量土地资源，而且对环境造成了严重污染。因此，如何高效地识别和回收建筑垃圾，已经成为环保领域的重要课题之一。通过智能化、自动化的方式对建筑垃圾进行识别和回收，不仅可以有效提高资源利用率，还可以减少对环境的负面影响。

2、相关技术手段中，传统的建筑垃圾识别回收方法主要依赖于人工分拣和处理。这种方式不仅效率低下，而且存在误判率高、劳动强度大等问题。近年来，随着计算机视觉和机器学习技术的发展，一些研究提出了基于图像识别的建筑垃圾回收方法，通过图像采集、预处理、特征提取、分类和识别等步骤，对建筑垃圾进行智能化识别和回收。这种方法在提高识别准确率和处理效率方面取得了一定的成效。

3、针对上述技术方案，虽然通过基于图像识别和机器学习的方法可以实现建筑垃圾的智能化识别和回收，但在实际应用时，存在着无法实时处理大量的建筑垃圾图像和对不同类型垃圾识别精度不高的问题。

技术实现思路

1、为了改善在实际应用时，存在着无法实时处理大量的建筑垃圾图像和对不同类型垃圾识别精度不高的问题，本技术提供一种建筑垃圾识别回收方法、装置、设备及存储介质。

2、本发明提供了一种建筑垃圾识别回收方法，包括：获取建筑垃圾的图像数据，对所述图像数据进行分割，得到多个图像片段；其中，所述图像数据包括建筑垃圾图像；对所有所述图像片段进行图像预处理，得到每个所述图像片段的预处理图像；对每个所述预处理图像进行图像特征提取，得到每个所述预处理图像的图像特征数据；利用预设的特征匹配算法，将每个图像特征数据与预设的建筑垃圾特征库进行匹配，得到多个匹配特征数据；对所有所述匹配特征数据进行聚类分析，得到每个所述匹配特征数据的分类结果；利用所有所述分类结果对所述建筑垃圾图像进行识别，得到识别结果，将所述识别结果输入预设的回收决策系统进行回收决策，得到回收方案，基于所述回收方案对建筑垃圾进行回收。

3、作为优选方案，所述获取建筑垃圾的图像数据，对所述图像数据进行分割，得到多个图像片段的步骤，包括：基于预设的图像采集设备实时采集建筑垃圾的图像数据；其中，所述图像采集设备包括高分辨率相机、激光雷达以及深度传感器；对所述图像数据进行预处理，将预处理后的图像数据输入预设的图像分割算法，在所述图像分割算法中通过图像分割技术对预处理后的图像数据进行分割，得到多个图像片段。

4、作为优选方案，所述对所有所述图像片段进行图像预处理，得到每个所述图像片段的预处理图像的步骤，包括：根据预设的图像亮度调节模型对所有所述图像片段进行亮度调整，得到亮度调整后的图像；通过高斯滤波对所述亮度调整后的图像进行平滑处理，得到平滑处理后的图像和噪声减少的图像；将所述平滑处理后的图像与所述噪声减少的图像进行边缘检测，得到边缘检测图像，对所述边缘检测图像中图像的轮廓进行提取，得到轮廓提取图像；利用直方图均衡化对所述轮廓提取图像进行色彩增强，得到色彩增强图像；对所述色彩增强图像进行尺度变换，得到尺度变化，基于所述尺度变化对所述色彩增强图像进行特征标准化，得到特征标准化图像；通过形态学操作对所述特征标准化图像进行细化处理，得到细化图像和结构图像；将所述细化图像与所述结构图像进行色彩空间转换，得到色彩空间图像；利用所述色彩空间图像和所述细化图像对原始的所有所述图像片段进行纹理特征增强，得到每个所述图像片段的预处理图像。

5、作为优选方案，所述对每个所述预处理图像进行图像特征提取，得到每个所述预处理图像的图像特征数据的步骤，包括：根据所述特征标准化图像对所有所述预处理图像进行纹理特征提取，得到纹理特征数据和纹理描述数据；通过深度神经网络对所述纹理特征数据进行分类学习，得到分类特征数据；利用几何变换对分类特征数据进行几何特征提取，得到几何特征数据和形状描述数据；对所述形状描述数据进行向量量化，得到向量化特征数据，基于所述向量化特征数据对原始的所述预处理图像进行物体定位，得到物体定位数据；利用所述物体定位数据和所述几何特征数据对原始的所述预处理图像进行物体识别，得到物体识别数据，将所述物体识别数据输入预设的特征比对模型，得到每个所述预处理图像的图像特征数据。

6、作为优选方案，所述利用预设的特征匹配算法，将每个图像特征数据与预设的建筑垃圾特征库进行匹配，得到多个匹配特征数据的步骤，包括：利用特征聚类算法对所述图像特征数据进行流形学习，得到局部特征数据、全局特征数据以及特征分布数据；通过支持向量机对所述局部特征数据进行分类，得到分类结果和概率评估数据，将所述概率评估数据与所述全局特征数据进行概率融合，得到概率融合数据；将所述概率融合数据与所述特征分布数据进行模式识别，得到模式识别数据，通过特征匹配算法对所述模式识别数据进行特征匹配，得到匹配结果；将所述匹配结果输入预设的匹配评估系统，在所述匹配评估系统中利用规则推理算法将所述模式识别数据与预设的建筑垃圾特征库中的特征数据之间的相似度进行比较，得到初步匹配结果；利用预设的相似度阈值筛选出初步匹配结果中相似度在预设阈值上的特征数据，去除相似度阈值下的无效匹配，得到匹配特征数据集，通过多维特征分析对所述匹配特征数据集进行统计分析处理，得到聚类特征数据和异常特征数据；基于预设的特征相似度计算算法对所述聚类特征数据进行相似度计算，得到相似度计算结果，利用特征综合评价算法对所述相似度计算结果进行综合评价，得到多个有效的匹配特征数据，将所述多个有效的匹配特征数据作为多个匹配特征数据。

7、作为优选方案，所述对所有所述匹配特征数据进行聚类分析，得到每个所述匹配特征数据的分类结果的步骤，包括：利用数据标准化算法对所有匹配特征数据进行标准化处理，将不同尺度的匹配特征数据归一化，得到标准化处理后的匹配特征数据；利用降维算法对所述标准化处理后的匹配特征数据进行降维处理，减少特征数据的维度，保留主要特征信息，得到降维后的匹配特征数据；利用k均值聚类算法对所述降维后的特征数据进行初步聚类分析，将所述降维后的特征数据分配到多个聚类中心，得到若干个聚类特征数据；基于预设的分类模型对每个所述聚类特征数据进行分类，得到每个聚类特征数据的分类标签，将每个聚类特征数据的分类标签作为每个所述匹配特征数据的分类结果。

8、作为优选方案，所述利用所有所述分类结果对所述建筑垃圾图像进行识别，得到识别结果，将所述识别结果输入预设的回收决策系统进行回收决策，得到回收方案，基于所述回收方案对建筑垃圾进行回收的步骤，包括：利用分类结果融合算法对所有所述分类结果进行融合处理，得到融合分类结果和综合分类结果；通过图像重构算法对所述融合分类结果进行图像重构，得到识别图像；将所述识别图像与所述建筑垃圾图像进行比对分析，得到识别结果；基于所述识别结果，结合预设的回收策略数据库对所述建筑垃圾图像进行回收决策分析，得到回收决策结果；将所述回收决策结果输入预设的回收决策模型，在所述回收决策模型中基于预设的回收策略进行回收评估和回收决策，生成回收方案；基于所述回收方案对建筑垃圾进行实际回收操作，利用自动化回收设备和预设的回收路径，对建筑垃圾进行分类回收。

9、本技术还提供了一种建筑垃圾识别回收装置，包括：获取模块，用于获取建筑垃圾的图像数据，对所述图像数据进行分割，得到多个图像片段；其中，所述图像数据包括建筑垃圾图像；处理模块，用于对所有所述图像片段进行图像预处理，得到每个所述图像片段的预处理图像；提取模块，用于对每个所述预处理图像进行图像特征提取，得到每个所述预处理图像的图像特征数据；匹配模块，用于利用预设的特征匹配算法，将每个图像特征数据与预设的建筑垃圾特征库进行匹配，得到多个匹配特征数据；分类模块，用于对所有所述匹配特征数据进行聚类分析，得到每个所述匹配特征数据的分类结果；回收模块，用于利用所有所述分类结果对所述建筑垃圾图像进行识别，得到识别结果，将所述识别结果输入预设的回收决策系统进行回收决策，得到回收方案，基于所述回收方案对建筑垃圾进行回收。

10、本技术还提供了一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述中任一项所述的建筑垃圾识别回收方法。

11、本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上述中任一项所述的建筑垃圾识别回收方法。

12、与现有技术相比，本技术具有以下有益效果：分练迅速、识别精准。通过对建筑垃圾图像数据的自动化处理和智能化识别，提高了分类精度和分拣效率；自动化图像获取和分割减少了人工作业量和对复杂环境的依赖，预处理及特征提取使得原始图像数据转化为更适合计算机处理的形式；而特征匹配算法结合建筑垃圾特征库，大幅提升了识别可靠性，进一步的聚类分析和决策系统输入，实现了高度准确且自动化的建筑垃圾分类和回收，改善在实际应用时，存在着无法实时处理大量的建筑垃圾图像和对不同类型垃圾识别精度不高的问题。