本发明涉及垃圾处理技术领域，尤其是涉及一种垃圾分类模型的检测方法。
背景技术：
城市生活垃圾分类已经实行多年，但现状还不尽如人意。主要是归因于人们意识薄弱，对于垃圾分类没有概念。当人们在垃圾桶投放垃圾时，一是怕麻烦，不愿意进行垃圾分类投放，二是不懂如何对垃圾进行分类，这两个原因导致人们常常简单将垃圾随意投放到垃圾桶，使得社会上对垃圾分类执行得不够。为解决上述技术问题，现有技术针对垃圾分类的主要方案为给出提示或者更加友好的方式来提醒投放人进行垃圾分类，没有从根本上解决问题，导致垃圾分类不够智能。
垃圾资源回收再利用，最重要的环节就是要把垃圾经过分离、分类，然后根据所分离出来的垃圾按照其特性加以利用，现有垃圾分类只是简单的依赖于人工，人工作业效率低且容易出错，无法满足城市垃圾资源化的高要求。
目前，如专利申请号为cn201610056777.9的专利申请中公开了基于图像识别与二维码识别技术的垃圾分类评价方法，还有专利申请号为cn201310091764.1的专利申请中公开了一种垃圾分类机器人及其垃圾识别与分类方法，但现有的图像处理的技术还不够成熟而且图像识别算法繁多，目前目标物体识别都拘泥于图像处理等软件识别上，并且图像处理的结果多少都受到环境、设备等因素的影响，从而导致垃圾分类存在误差。
技术实现要素：
本发明主要是针对上述当前的垃圾分类模型的检测方法识别准确率不高，工作效率不高的技术问题，提供一种垃圾分类模型的检测方法。
本发明的目的主要是通过下述方案得以实现的：一种垃圾分类模型的检测方法，包括以下步骤；
步骤1，图像预处理。
首先从ccd相机获取垃圾图像，然后计算出背景环境下垃圾边缘检测的阈值，并将后续检测阈值设置为该阈值，采用加权局部线性嵌入方法去除背景噪声，提高识别的效率。
步骤2，查找轮廓。
根据设置的阈值进行canny边缘检测，对结果图像查找符合一定条件的轮廓，保留最大轮廓，并绘制其最小外接矩形。
步骤3，获取hog特征。
将图像进行金字塔层级的划分，把梯度方向分成n个空间，并形成每个层级的特征向量，对每层中的各个区域的hog求和，最终形成需要训练的目标图像的hog描述子向量，合并提取样本图像中的hog特征，hog特征能详细的描述图像局部信息，可以使得提取垃圾图像信息的过程具有更高的效率。
步骤4，建立svm算法的识别模型。
通过图像特征调整邻域k和参数α的值，获取hog特征的最优参数，用描述子向量对svm进行训练并存储模型数据，通过训练过的svm分类器得到需要的垃圾分类识别模型，对训练数据进行目标检测，以对所述目标图像中垃圾进行分类。
其中，加权局部线性嵌入算法在传统局部线性嵌入算法的基础上增加了样本的重要值，减少了噪声点和样本外点，增强了算法的鲁棒性，计算复杂度小且易实现，保留下的不仅是局部特征，而且包括样本点的间距，受噪声的影响小。
其中，hog，即方向梯度直方图，是一种描述图像局部纹理的特征，通过计算图片某一区域中不同方向上梯度的值，进行累计得到直方图，直方图可以作为特征来表示该区域，进而可以输入到分类器中进行分类。
其中，svm，即支持向量机，是一种监督学习算法，通常用来分类和模式识别。
其中，canny边缘检测的算法是一种多级边缘检测算法。canny边缘检测算法可以分为以下5个步骤：应用高斯滤波来平滑图像，目的是去除噪声；找寻图像的强度梯度；应用非最大抑制技术来消除边误检；应用双阈值的方法来决定可能的潜在的边界；利用滞后技术来跟踪边界。
其中，ccd是电荷耦合器件的简称，它能够将光线变为电荷并将电荷存储及转移，也可将存储之电荷取出使电压发生变化，ccd是一种半导体器件，能够把光学影像转化为数字信号，是理想的ccd相机元件，以其构成的ccd相机具有体积小、重量轻、不受磁场影响、具有抗震动和撞击之特性而被广泛应用。
本发明提出的垃圾分类模型的检测方法，从机器视觉的垃圾原理出发，以图像处理算法为基础，利用机器视觉实验平台对垃圾进行了目标的分类。本发明具有如下优点：加权局部线性嵌入算法充分挖掘样本之间的类别信息，提高图像的识别效率。此外，发明能够很好地把握图像的全局特征，成本低廉，仅需一个相机获取图片就能得到垃圾的分类，而且识别准确率高，能有效提高工作效率。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面对本发明的具体实施方式作进一步详细的描述。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
以下结合技术方案详细叙述本发明的具体实施例。
实施例：采用本发明提出的一种垃圾分类模型的检测方法，选择了三种垃圾，每种垃圾取了5种不同姿态进行测试，对于每种姿态，只要其绕x与y轴的旋转角度不变，其结构就没有变化，都属于一类垃圾。将其绕x与y轴的旋转角固定，然后随机绕z轴旋转，同时还随机沿着x与y方向平移随机的小距离。每种姿态取出200张图片，一共3000张图片进行测试，其测试结果如表1所示。
从表1中可以看出各姿态分类准确率平均为98.03％，整体准确率较高，部分姿态分类有误可能原因是采用hog的算法对垃圾进行识别受光照影响较大，而测试图片中垃圾随机偏移，导致表面光照强度变化最终影响了测试结果；同时注意到垃圾1的第3种姿态与垃圾2的第2种姿态以及垃圾3的第1种姿态测试准确率较低，仔细观察发现分错的图片的姿态与其它种类的姿态十分接近，最终难免导致分类有误。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内
表1三种垃圾的实验测试结果
1.一种垃圾分类模型的检测方法，包括以下步骤；步骤1：图像预处理，步骤2：查找轮廓，步骤3：获取hog特征，步骤4：建立svm算法的识别模型，其特征在于，所述步骤3包括：将图像进行金字塔层级的划分，把梯度方向分成n个空间，并形成每个层级的特征向量，对每层中的各个区域的hog求和，最终形成需要训练的目标图像的hog描述子向量，合并提取样本图像中的hog特征，hog特征能详细的描述图像局部信息，可以使得提取垃圾图像信息的过程具有更高的效率。
2.根据权利要求1所述的垃圾分类模型的检测方法，其特征在于，所述步骤4包括：通过图像特征调整邻域k和参数α的值，获取hog特征的最优参数，用描述子向量对svm进行训练并存储模型数据，通过训练过的svm分类器得到需要的垃圾分类识别模型，对训练数据进行目标检测，以对所述目标图像中垃圾进行分类。
3.根据权利要求2所述的垃圾分类模型的检测方法，其特征在于，所述步骤2包括：根据设置的阈值进行canny边缘检测，对结果图像查找符合一定条件的轮廓，保留最大轮廓，并绘制其最小外接矩形。
4.根据权利要求3所述的垃圾分类模型的检测方法，其特征在于，所述步骤1包括：首先从ccd相机获取垃圾图像，然后计算出背景环境下垃圾边缘检测的阈值，并将后续检测阈值设置为该阈值，采用加权局部线性嵌入方法去除背景噪声，提高识别的效率。
技术总结