基于5G 云平台智能垃圾分类识别技术的研究

韩伟亮 任嘉璇 张振 刘志新 单博文 刘勇，4*

（1、黑龙江大学电子工程学院，黑龙江 哈尔滨 150080 2、天津理工大学计算机科学与工程学院，天津 300384 3、哈尔滨医科大学生物信息科学与技术学院，黑龙江 哈尔滨 150081 4、黑龙江东部节水设备有限公司，黑龙江 绥化 152000）

受政策支持，垃圾分类正在积极实行着并取得良好的成果，但随着小康社会的到来，人们经济水平上升，垃圾数量不断增长。因此，尽管人工在进行垃圾分类过程中耗费了很长时间，产生的结果也仍不尽人意。清洁机器人刚开始是为了便于人们生活的一种家庭智能清洁机器人。现在，新一代5G 技术顺应时代发展而生且其云技术不断成熟，为了解决目前国内垃圾分类仍需人工进行分类，或是智能垃圾分类不够细致，无法同时满足各个地区的分类情况。将5G 新概念技术应用到智能垃圾分类处理上，清洁机器人在工作过程中使用5G 云平台技术，使其快速计算数据[3]，实现对垃圾的识别进行分类处理。

目前，智能清洁机器人识别技术在发展阶段。尽管视觉导航技术存在角度限制，或是智能识别结束生成图像过程中，环境、亮度等影响不能有效对垃圾进行成功识别并分类。从长期发展来看，视觉导航技术仍将成为智能清洁机器人的主要应用方向[4]。本文就是以YOLOv2 密集网络为基础[5]，使用VGG-16 卷积神经网络模型智能识别，生成图像，但有时出现识别环境较差，无法精确识别，出现黑暗不清、阴影覆盖、外物重叠的情况，尤其是夜晚。可以使用VGG-16 卷积神经网络模型来应对环境对图片产生的影响[6]。它与5G 云平台物联网控制系统的结合，既能使智能清洁机器人精准对垃圾识别进行全方位覆盖，提高识别效率，并能在减少垃圾分类的人力消耗方面有所突破，也能适用于其他领域相关方面。

1 5G 新概念技术

智能设备增多，需要更多的光纤来传递信号，而网络通信技术随着5G 物联网+时代的到来，超大容量、超长距离、超高速率的光通信系统克复了这个问题。它利用新的计算和网络技术，比如：云计算技术，在物联网环境中更大的共享和储存各种资源，还拥有高速的信息获取速度与高效的运算承载能力。而5G 新概念技术就是在传统5G 技术上增加了稳定性与安全性，使空间网络更加敏感，使其与端口无线连接的能力提高。

2 识别技术

智能垃圾分类识别技术是指在垃圾分类过程中应用5G、AI、物联网等现代高新技术，帮助用户完成垃圾的有效分类和回收。这是垃圾分类行业未来发展的必然趋势。目前，垃圾自动分类识别技术主要有三种：基于多传感器的垃圾分类识别技术、基于可视电子标签的垃圾分类技术和基于人工智能学习的垃圾分类技术。基于多传感器的垃圾分类识别技术是早期工厂和其他地方使用的主要技术。与现在的宝贵时间相比，这项技术逐渐落后，主要是因为它使用传送带来识别物品。首先，转移货物需要很长时间，其次，在转移过程中容易发生货物移位或分类错误。基于可视电子标签的垃圾分类技术就像现在的购物一样。每种商品在退房时都需要识别一个特定的条形码，根据分类在载体上定义一个特定的电子标签，然后根据唯一性进行最终分类。

VGG-16 卷积神经网络对像的处理：当摄像机产生垃圾图像时，图像容易受到各种不可控因素的影响，如明暗、阴影、物体变形等。此时，必须运行vgg-16 卷积神经网络。根据Retinex 理论，物体的颜色是由于物体在不同光线下的反射能力不同而形成的，而物体在不同光线下的反射能力则是物体本身的一个特征，与光的强度无关。因此，通过计算每个像素之间的亮度比和阴影关系，可以校正图像中的每个像素以确定像素的颜色。引入Retinex 算法，以（x，y）为像素，原始图像为s（x，y），反射图像为R（x，y），亮度图像为l（x，y），选择最佳权重图像进行进一步处理[9]。

如图1，初始图像由入射图像和反射图像构成。灯光照射到目标对象后，形成反射光将插入相机。然后入射图像、反射图像和原始图像将满足方程（1）。

图1 Retinex 算法原理

K 是高斯中心包围的函数个数，为了保证算法具有高、中、低尺度的优点，K 值通常为3。W 是中央环绕功能的权重系数。实验表明，当C=80 时，可以得到较好的结果。Retinex 算法的图像处理效果如图2 所示。

图2

图2 从主观角度分析了Retinex 算法的改进效果。然后，通过图像信息熵对处理效果进行了定性分析和比较。这是显示图像中平均信息的统计格式。一些函数可用于显示下一尺寸图像准备的聚合属性和音频图像准备的远程属性，以创建图像的二维熵。选择图像的平均宽度，以像素（I，J）、像素（0＜=I＜=255）和J邻域（0＜=J＜=255）为单位。它们满足等式（6）。

由表1 可知，经过Retinex 算法处理后，图像信息熵有所提高，图像更加清晰。最后，通过对卷积神经网络的重复成像和多次训练，使卷积神经网络中的数据集更加完善，提高了识别精度。

表1 Retinex 图像增强算法信息熵比较

首先，输入给定的设定， 然后，您可以使用yolov2 服务器识别垃圾并启动分类模型。之后，您可以将经过训练的模型发送到清理机并打开相机。当照相机在某处发现垃圾时，机器人将被引导去清除垃圾，并根据系统所给出的方案进行清洁。Yolv2网络强化培训流程如下：（1）通过增强初始数据来获取图像；（2）通知安装了从原始图像接收的信息，并且增加了提供的信息；（3）将此数据集用于yolov2 强化训练；（4）为了获得训练模型样本，需要增强数据集并手动标记所有图像。

针对清洗过程中目标范围变化较大的问题，采用多范围培训策略进行网络培训。基于多范围培训策略，每15 批输入样本的大小在训练过程中都会发生一次变化，不同大小的图像具有很强的鲁棒性。根据公式a=32（7+b），a 是输入图像的大小，b 是输出图像的大小，随机数是312。模型经多范围培训策略从而能够适应不同的输入决策。与静态决策模型相比，检测效果更优。如数量、质量和准确性等。未来的研究可应用于半监督和非监督深度检测方法以及网络生成和学习。通过对目标特征的分析，实现了垃圾处理方案和清洗模式的决策，进一步提高了清洗机器人的自主决策能力，见图3。

系统基础：由于每个地区的分类标准不同，上海规定废物分为湿废物、干废物、可回收废物和危险废物，而北京则分为厨房废物、危险废物、其他废物和可回收废物。因此，使用5Glan 技术[7]根据不同区域设置相应的IP 地址，并分别存储在区域废物分类标准中。同时，将一些物品的原始图片上传到云平台，作为物品识别的依据，然后再变成垃圾。之后，通过识别技术和垃圾分类生成图像时，使用5G 云平台物联网控制系统对对应的基础图片进行高速匹配，找到匹配度最高的图片进行最终分割。每一张识别出的图像都会自动保存在云平台上，逐步完善每一个阶段每一项的信息，从而确保这项技术在应用后变得越来越成熟，可以应用到更多需要这项技术帮助的地方。系统模型设计5G 云平台物联网控制系统分为云平台像存储、成像匹配、分类归属三部分。

（1）云平台像存储

云平台像存储使用5G 云平台建立数据库。根据PC 上定义的类别，每个类别都被命名为不同的标签。每个标签下存储了大量相应类别的数据集。在应用之前，一定数量的图像将存储为基本图像。在此基础上，进行了重复试验。数据集中各种类型的图像正在增加，需要删除。此时，需要回收数据集。对于重复、无意义的选择被放置在循环集中。每次成像都会被读取和匹配，所以每个数据集都用于匹配中使用的基本集和刚生成的图像的临时存储集，按照7:1 的比例。任务完成后，将整理临时存储集以确定最终存储位置。在这个周期中，云平台将像存储和5G 高速一样快速完成每一项任务，减少传统云平台的延迟，增加灵活性。

（2）成像匹配

理想情况下，图像匹配是将即时生成的图像与存储在头部图像中的数据集进行匹配的过程。采用分段法对匹配过程进行了分析。主要方法是将图像转换为灰度图像，得到一个适合于提取垃圾区域和背景差分特征的灰度图像选择阈值，最后选择背景区域，接着选择迭代法，来得到最优的阈值分割算法。首阈值是图像的最大、最小灰度值的均值。这样，就可以在基本集中找到最佳的图像匹配度。在其他情况下，生成的图像必须经过VGG-16 卷积神经网络操作系统处理，才能进行匹配。[8]

（3）分类归属

在找到最佳匹配度的基本集图像后，自动对相应数据集的标签进行分类，见图4。

近年来，随着城市化进程的加快、人民生活水平的提高和互联网技术的日益成熟，我国垃圾分类行业发展迅速。智能垃圾分类应运而生，已成为垃圾分类行业未来发展的必然趋势。目前国内市场上，很多企业在智能垃圾分类领域的市场格局相对分散，尚未形成龙头企业。机器人收集一定数量的垃圾后，系统会识别是否能自动分类垃圾。如果垃圾类型单一，机器人将使用yolov2 密集网络系统自动分类垃圾。如果垃圾类型复杂，机器人无法自动分类，机器人会通过5G 网络将桶内垃圾图片返回终端，提醒工作人员分类。

4 结论

本文提出了一种基于5G 云平台物联网控制系统的垃圾分类识别技术的研究与实现方案。机器人的智能化发展导致人力资源的消耗逐渐减少，该方案不仅降低了垃圾分类实施的成本，或者解决了不同城市的不同分类标准，提高了居民对垃圾分类的积极性，而且提高了识别技术的识别效率和成像的清晰度。vgg-16 卷积神经网络图像处理与yolov2 密集网络的结合将使智能清洁机器人更加完整，并在未来出现在每个家庭中。