一种基于互联网的垃圾分类回收处理系统

摘要

本发明涉及一种基于互联网的垃圾分类回收处理系统，包括特征采集模块、中控模块、存储模块、通信模块、交互模块和垃圾投放模块。本发明通过使用特征采集模块采集待分类垃圾的检测图像，中控模块根据检测图像使用进行卷积神经网络模型识别图像中的垃圾轮廓并准确得到待分类垃圾中各垃圾的分类特征信息，然后通过针对体积降序前四的垃圾数对待分类垃圾进行初步判定和确认，并在判定不正确时计算投放主体投放的所有垃圾的分类特征分布聚合性指数以在确保投放主体按照规范进行垃圾分类时将待分类垃圾投放至对应类别的垃圾桶内，结合交互模块保证分类精准投放，在提高垃圾分类效率和垃圾分类精确性的同时，有效提高了针对垃圾投放主体的监控效率。

说明书

技术领域

本发明涉及垃圾分类技术领域，尤其涉及一种基于互联网的垃圾分类回收处理系统。

背景技术

按照最新的垃圾分类标准，垃圾可分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾等。可回收物主要包括废纸、塑料、玻璃、金属和布料五大类，可回收垃圾具有较好的回收价值，适合回收重复利用；厨余垃圾包括剩菜剩饭、骨头、菜根菜叶、果皮等食品类废物，厨余垃圾具备一定的回收价值，但是需要进行一定的处理之后才能用作它途；有害垃圾含有对人体健康有害的重金属、有害的物质或者对环境造成现实危害或者潜在危害的废弃物，包括电池、荧光灯管、灯泡、水银温度计、油漆桶、部分家电、过期药品及其容器、过期化妆品等，有害垃圾的回收价值可以根据具体情况来定，但是有害垃圾需要针对性处理，以及无害化处理都能等，其他垃圾包括除上述几类垃圾之外的砖瓦陶瓷、渣土、卫生间废纸、纸巾等难以回收的废弃物及尘土、食品袋(盒)，其他垃圾也具备一定的回收价值，也需要根据具体情况来定，因此，如果不进行垃圾分类，具有回收利用价值的垃圾不具备回收利用价值，甚至还会对环境造成危害。所以，针对垃圾的分类回收非常重要。

随着人们垃圾分类意识的增强及相关规定的落实，垃圾分类已经越来越成为城市发展的重要课题。由于社会经济的快速发展以及人民生活水平的迅速提高，城市生产与生活过程中产生的垃圾也随之迅速增加，生活垃圾占用土地，污染环境的状况也越加明显。如何更高效地回收和处理垃圾逐渐成为各界所关注的焦点，而在回收和处理垃圾的过程中，对垃圾进行分类处理则是重中之重。垃圾分类也就是需要按照一定的规则或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源。相对于传统的垃圾回收处理方法，垃圾分类是一种更有效的垃圾回收处理方法，垃圾分类有减少环境污染、变废为宝和可回收资源利用等好处。现有技术中，垃圾分类在城市日常生活中执行起来比较困难，一方面，想要在短时间在让大众完全区分每种垃圾的类别有一定的难度，另一方面，为了强化分类效果，需要配备监管分类进行监管和引导，这样会大大增加垃圾分类治理成本，并且在很多缺少监管的地方，垃圾仍然没有按照分类标准进行分类，而是混在一起随意投放，这给垃圾分类的执行带来了相当大的难度。

发明内容

为此，本发明提供一种基于互联网的垃圾分类回收处理系统，用以克服现有技术中无法针对投放的垃圾进行有效分类和监控导致的垃圾分类效率低的问题。

为实现上述目的，本发明提供一种基于互联网的垃圾分类回收处理系统，包括：

特征采集模块，用以采集待分类垃圾以及垃圾投放主体的图像信息；

中控模块，其与所述特征采集模块相连，用以从所述特征采集模块采集到的图像信息中提取待分类垃圾的分类特征信息以及垃圾投放主体的生物特征信息；

存储模块，其与所述中控模块相连，用以存储多个预设矩阵，当中控模块运行时，中控模块会根据需求从存储模块中调取对应的矩阵依次采集到的信息进行识别或判定；

通信模块，其与所述中控模块相连，用以使中控模块从云端互联网检索数据或在投放垃圾主体投放的垃圾不符合分类标准时向投放垃圾主体的通信终端发送通知；

交互模块，其与所述中控模块相连，用以输出中控模块的分析结果；

垃圾投放模块，其与所述中控模块相连，用以在中控模块完成对垃圾种类的判定时将垃圾投放至对应的垃圾箱内；

所述中控模块会从采集到的待分类垃圾的图像中依次获取待分类垃圾中体积占比降序前四的四件垃圾的分类特征信息并使用卷积神经网络获取图像中各垃圾的特征信息以对各垃圾所属的垃圾种类A进行判定，当上述四件垃圾有三件以上垃圾所属的垃圾种类相同时，中控模块将待分类垃圾所属的种类初步判定为该种类并选取对应的预设体积占比临界值Lk与上述四件垃圾中所属该种类的体积最小的垃圾的体积占比进行比对以对初步判定进行确认，当中控模块完成确认且判定初步判定正确时，中控模块控制所述投放模块将垃圾投放至对应的垃圾箱内；

当中控模块完成确认且判定初步判定不正确时或当上述四件垃圾中所属相同垃圾种类垃圾的件数小于三件时，所述中控模块会计算待分类垃圾的分类特征分布聚合性指数D与存储模块内预存的预设分类特征分布聚合性指数矩阵D0中选取对应的指数Dij进行比对以判定垃圾是否分类完成；当中控模块判定垃圾分类完成时，中控模块控制投放模块将垃圾投放至对应的垃圾箱内，当中控模块判定垃圾分类未完成时，中控模块不启动投放模块并通过所述交互模块输出判定结果。

进一步地，所述存储模块中设有预设垃圾种类特征矩阵组A0和预设体积占比临界矩阵L0；对于所述预设垃圾种类特征矩阵组A0，A0(A1，A2，A3，A4)，其中，A1为属于可回收垃圾的第一预设垃圾种类特征矩阵，A2为属于厨余垃圾的第二预设垃圾种类特征矩阵，A3为属于有害垃圾的第三预设垃圾种类特征矩阵，A4为属于其他垃圾的第四预设垃圾种类特征矩阵；对于所述第i预设垃圾种类特征矩阵Ai，i＝1，2，3，4，Ai(Ai1，Ai2，Ai3，...Ain)，其中，Ai1 为第i预设种类垃圾第一特征，Ai2为第i预设种类垃圾第二特征，Ai3为第i 预设种类垃圾第三特征，Ain为第i预设种类垃圾第n特征；对于所述预设体积占比临界矩阵L0，L0(L1，L2，L3，L4)，其中，L1为第一预设体积占比临界值， L2为第二预设体积占比临界值，L3为第三预设体积占比临界值，L4为第四预设体积占比临界值；

当所述中控模块针对图像中体积占比降序前四件垃圾所属的种类进行判定时，中控模块按照体积占比降序依次检测各垃圾中的特征点；当所述中控模块针对单个垃圾所属种类进行判定时，中控模块提取该垃圾的形状轮廓并对轮廓内的全部特征进行识别，识别完成后，中控模块统计各特征所属的预设垃圾种类特征矩阵以对该垃圾所属种类进行判定：

当该垃圾内属于A1矩阵的特征数量最多时，将该垃圾判定为可回收垃圾；

当该垃圾内属于A2矩阵的特征数量最多时，将该垃圾判定为厨余垃圾；

当该垃圾内属于A3矩阵的特征数量最多时，将该垃圾判定为有害垃圾；

当该垃圾内属于A4矩阵的特征数量最多时，将该垃圾判定为其他垃圾；

当中控模块完成对待投放垃圾所属种类的初步判定时，中控模块根据初步判定的垃圾种类从L0矩阵中选取对应的预设体积占比临界值：

当中控模块初步判定待分类垃圾为可回收垃圾的第一垃圾种类时，中控模块选用L1对初步判定的结果进行确认；

当中控模块初步判定待分类垃圾为厨余垃圾的第二垃圾种类时，中控模块选用L2对初步判定的结果进行确认；

当中控模块初步判定待分类垃圾为有害垃圾的第三垃圾种类时，中控模块选用L3对初步判定的结果进行确认；

当中控模块初步判定待分类垃圾为其他垃圾的第四垃圾种类时，中控模块选用L4对初步判定的结果进行确认；

当中控模块选用Lk对初步判定的结果进行确认时，k＝1，2，3，4，中控模块将所述待分类垃圾中体积占比降序前四件垃圾中所属第k种类的占比最小的垃圾的体积占比L与Lk进行比对以对中控模块的初步判定进行确认：当L≥Lk 时，中控模块完成一次确认并判定初步判定正确；当L＜Lk时，中控模块判定初步判定不正确。

进一步地，对于所述预设分类特征分布聚合性指数矩阵D0，D0(D12，D13， D14，D23，D24，D34)，其中，D12为针对第一种类垃圾和第二种类垃圾之间的预设分类特征分布聚合性指数，D13为针对第一种类垃圾和第三种类垃圾之间的预设分类特征分布聚合性指数，D14为针对第一种类垃圾和第四种类垃圾之间的预设分类特征分布聚合性指数，D23为针对第二种类垃圾和第三种类垃圾之间的预设分类特征分布聚合性指数，D24为针对第二种类垃圾和第四种类垃圾之间的预设分类特征分布聚合性指数，D34为针对第三种类垃圾和第四种类垃圾之间的预设分类特征分布聚合性指数；

当中控模块完成确认且判定初步判定不正确时或当所述体积占比降序的四件垃圾中所属相同垃圾种类垃圾的件数小于三件时，中控模块选取第一计算垃圾种类和第二计算垃圾种类：

当所述四件垃圾中有两件垃圾所属垃圾种类相同，则中控模块将该垃圾种类作为第一计算垃圾种类并根据剩余两件垃圾所属的垃圾种类选取第二计算垃圾；当剩余两件垃圾所属的垃圾种类相同且与上述两件垃圾所属的垃圾种类不同时，中控模块将该种类垃圾作为第二计算垃圾种类；当剩余的两件垃圾所属的垃圾种类不同时，选用两件垃圾中体积占比最大的垃圾所属的种类作为第二计算垃圾种类；

当所述四件垃圾所述的垃圾种类均不相同时，中控模块选取四件垃圾中体积占比最高的垃圾所属的垃圾种类作为第一计算垃圾种类，并将剩余三件垃圾中体积占比最高的垃圾所属的垃圾种类作为第二计算垃圾种类；

当中控模块选取第i垃圾种类作为第一计算垃圾种类并将第j垃圾种类作为第二计算垃圾种类时，i＝1，2，3，4，j＝1，2，3，4且i≠j，中控模块根据选取的第一计算垃圾种类和第二计算垃圾种类从D0矩阵中选取对应的参数作为分类特征分布聚合性指数的评定标准，当i＜j时，中控模块从D0矩阵中选取Dij 作为评定标准，当i＞j时，中控模块从D0矩阵中选取Dji作为评定标准。

进一步地，所述中控模块在计算分类特征分布聚合性指数时，中控模块根据第一计算垃圾种类求得第一计算分类垃圾特征向量、根据第二计算垃圾种类求得第二计算分类垃圾特征向量，并使用以下公式求得第一计算垃圾种类和第二计算垃圾种类的分类特征分布聚合性指数：

其中，β

当中控模块从从D0矩阵中选取Dij作为评定标准时，中控模块将计算完成的D与Dij进行比对，当D≥Dij时，中控模块判定所述待分类垃圾分类完成并将第一计算垃圾种类作为待分类垃圾的所属种类；当D＜Dij时，中控模块判定待分类垃圾未完成分类。

进一步地，所述中控模块中还设有预设数量占比矩阵B0(B1，B2，B3，B4)，其中，B1为针对第一种类垃圾的第一预设数量占比，B2为针对第二种类垃圾的第二预设数量占比，B3为针对第三种类垃圾的第三预设数量占比，B4为针对第四种类垃圾的第四预设数量占比；

当所述中控模块判定初步判定正确时，中控模块重新检测待分类垃圾，从待分类垃圾中提取全部垃圾的轮廓特征以求出，并对各垃圾所属的垃圾种类依次进行判定，判定完成后，中控模块根据初步判定结果中的垃圾种类从B0矩阵中选取对应的预设数量占比以对中控模块的初步判定进行二次确认；

当针对所述待分类垃圾的初步判定结果为第i种类垃圾时，i＝1，2，3，4，中控模块选取Bi作为二次确认的确认标准，选取完成后，中控模块计算待分类垃圾中第i种类垃圾数量对于待分类垃圾总数量的占比B，当B为待分类垃圾中四个种类垃圾对于待分类垃圾中垃圾总数占比的最大值且B≥Bi时，中控模块完成二次确认、判定初步判定正确并启动所述投放模块将待分类垃圾投放至对应的垃圾箱；当B不是待分类垃圾中四个种类垃圾对于待分类垃圾中垃圾总数占比的最大值或B＜Bi时，中控模块判定初步判定不正确、不启动所述投放模块并计算待分类垃圾的分类特征分布聚合性指数。

进一步地，所述存储模块中还存有预设面部特征矩阵F0、预设指纹特征矩阵G0和预设证明信息矩阵H0；其中，F0矩阵中预存有所述系统周边住户的面部特征，G0矩阵中预存有所述系统周边住户的指纹特征，H0矩阵中预存有所述系统周边住户的证明信息；当垃圾投放主体向所述系统投放垃圾时，垃圾投放主体通过所述特征采集模块进行身份验证，并从面部特征、指纹和证明信息中选取一项进行身份验证；

对于面部特征验证，所述特征采集模块采集垃圾投放主体的面部特征，所述中控模块将采集到的面部特征与F0矩阵中的面部特征依次进行比对，当垃圾投放主体的面部特征与F0矩阵中的单个预设面部特征的相似度大于90％时，中控模块将垃圾投放主体与该预设面部特征所属用户进行匹配并控制所述存储单元存储该次垃圾投放过程；当垃圾投放主体的面部特征与F0矩阵中的多个预设面部特征的相似度均大于90％时，中控模块将与垃圾投放主体相似度最高的预设面部特征所属用户和垃圾投放主体进行匹配；当垃圾投放主体的面部特征与F0矩阵中的全部面部特征的相似度均低于90％时，中控模块使用通信模块从云端互联网检索与垃圾投放主体面部特征相关的信息以对垃圾投放主体的身份进行认证，同时，中控模块控制存储模块记录该面部特征以留作备案；

对于指纹特征验证，垃圾投放主体将手指按压在所述特征采集模块上，特征采集模块采集垃圾投放主体的指纹特征，所述中控模块将采集到的指纹特征与 G0矩阵中的面部特征依次进行比对，当垃圾投放主体的指纹特征与G0矩阵中的单个预设指纹特征相同时，中控模块将垃圾投放主体与该预设指纹特征所属用户进行匹配并控制所述存储单元存储该次垃圾投放过程；当垃圾投放主体的指纹特征与G0矩阵中的全部指纹特征均不相同时，中控模块使用通信模块从云端互联网检索与垃圾投放主体指纹特征相关的信息以对垃圾投放主体的身份进行认证，同时，中控模块控制存储模块记录该指纹特征以留作备案；

对于证明信息验证，垃圾投放主体将证明信息放置在特征采集模块上，特征采集模块获取证明信息数据，中控模块将证明信息数据与H0矩阵中的参数依次进行比对，当证明信息数据与H0矩阵中的单个预设证明信息数据相同时，中控模块将垃圾投放主体与该预设证明信息数据所属用户进行匹配并控制所述存储单元存储该次垃圾投放过程；当证明信息数据与H0矩阵中的全部预设证明信息数据均不相同时，中控模块选用面部特征认证或指纹认证以确认垃圾投放主体的身份信息；

当中控模块完成对垃圾投放主体的验证时，中控模块控制投放模块解除锁定，垃圾投放主体将待分类垃圾放置在投放模块的指定位置上，特征采集模块对待分类垃圾是否完成分类进行判定。

进一步地，当存储模块中相同面部特征的备案的数量达到预设数量Nf时，中控模块判定该面部特征所属垃圾投放主体为新用户，将该备案的面部特征添加至所述F0矩阵；当存储模块中相同指纹特征的备案的数量达到预设数量Ng时，中控模块判定该指纹特征所属垃圾投放主体为新用户，将该备案的面部特征添加至所述G0矩阵。

进一步地，所述存储模块中还设有预设投放次数矩阵N0和预设调节系数矩阵a0；对于所述预设投放次数矩阵N0(N1，N2，N3，N4)，其中，N1为第一预设投放次数，N2为第二预设投放次数，N3为第三预设投放次数，N4为第四预设投放次数，各预设投放次数按照顺序逐渐增加；对于所述预设调节系数矩阵a0， a0(a1，a2，a3，a4)，其中，a1为第一预设调节系数，a2为第二预设调节系数， a3为第三预设调节系数，a4为第四预设调节系数，1＜a1＜a2＜a3＜a4＜2；

当中控模块判定垃圾投放主体投放的待分类垃圾未完成分类时，中控模块通过交互模块发出待分类垃圾分类为完成的通知信息，同时，中控模块还会控制所述存储模块记录与垃圾投放主体相匹配的用户的未分类垃圾投放次数N，中控模块将N与N0矩阵中的参数进行比对并根据比对结果从a0矩阵中选用对应额调节系数以对后续该用户投放待分类垃圾时的评定标准：

当N＜N1时，中控模块不对该用户后续投放待分类垃圾时的评定标准进行调节；

当N1≤N＜N2时，中控模块使用a1对该用户后续投放待分类垃圾时的评定标准进行调节；

当N2≤N＜N3时，中控模块使用a2对该用户后续投放待分类垃圾时的评定标准进行调节；

当N3≤N＜N4时，中控模块使用a3对该用户后续投放待分类垃圾时的评定标准进行调节；

当N≥N4时，中控模块使用a4对该用户后续投放待分类垃圾时的评定标准进行调节；

当中控模块使用am对该用户后续投放待分类垃圾时的评定标准进行调节时， m＝1，2，3，4，中控模块将所述预设体积占比临界矩阵L0中各预设体积占比临界值Lk调节为Lk’，Lk’＝Lk×am；中控模块将所述预设分类特征分布聚合性指数矩阵D0中的各分类特征分布聚合性指数Dij调节为Dij’，Dij’＝Dij×am；中控模块将所述预设数量占比矩阵B0中的各项预设数量占比调节为Bi’，Bi’＝Bi×am。

进一步地，当所述系统运行预设周期T0时，所述中控模块控制所述通信模块与云端互联网进行数据交互以对所述预设垃圾种类特征矩阵组A0中各预设垃圾种类特征矩阵内的特征进行更新，更新包括：添加新的特征，删除不符合分类标准的特征以及不对矩阵内的特征进行变更。

与现有技术相比，本发明的有益效果在于，本发明通过使用特征采集模块采集待分类垃圾的检测图像，中控模块根据检测图像使用进行卷积神经网络模型识别图像中的垃圾轮廓并准确得到待分类垃圾中各垃圾的分类特征信息，然后通过针对体积降序前四的垃圾数对待分类垃圾进行初步判定和确认，并在判定不正确时计算投放主体投放的所有垃圾的分类特征分布聚合性指数以在确保投放主体按照规范进行垃圾分类时将待分类垃圾投放至对应类别的垃圾桶内，结合交互模块保证分类精准投放，在提高垃圾分类效率和垃圾分类精确性的同时，有效提高了针对垃圾投放主体的监控效率。

进一步地，本发明所述存储模块中设有预设垃圾种类特征矩阵组A0和预设体积占比临界矩阵L0，当所述中控模块针对体积降序前四的垃圾中的单个垃圾所属种类进行判定时，中控模块提取该垃圾的形状轮廓并对轮廓内的全部特征进行识别，识别完成后，中控模块统计各特征所属的预设垃圾种类特征矩阵以对该垃圾所属种类进行判定并根据初步判定的垃圾种类从L0矩阵中选取对应的预设体积占比临界值Lk并根据待分类垃圾中体积占比降序前四件垃圾中所属第k种类的占比最小的垃圾的体积占比L与Lk的大小关系对初步判定进行确认，通过智能对不同种类的垃圾设置对应的轮廓临界值以对系统针对待分类垃圾的初步判定进行确认，能够进一步提高所述系统很对垃圾的分类精度，从而进一步提高了所述系统的垃圾分类效率。

进一步地，对于所述预设分类特征分布聚合性指数矩阵D0，D0(D12，D13， D14，D23，D24，D34)，当中控模块完成确认且判定初步判定不正确时或当所述体积占比降序的四件垃圾中所属相同垃圾种类垃圾的件数小于三件时，中控模块选取第一计算垃圾种类和第二计算垃圾种类并块根据选取的第一计算垃圾种类和第二计算垃圾种类从D0矩阵中选取对应的参数作为分类特征分布聚合性指数的评定标准Dij，通过针对不同的两个垃圾种类结合分别选取对应的评定标准，能够有效避免使用统一标准针对不同两种类垃圾进行评定时产生误差从而对评定结果造成误判的情况发生，在进一步提高所述系统很对垃圾的分类精度的同时，进一步提高了所述系统的垃圾分类效率。同时，当所述分类特征分布聚合性指数小于预设分类特征分布聚合性指数阈值时，表明待投放垃圾没有进行分类，或者分类不够准确甚至分类错误，通过保持所有类别的垃圾投放通道关闭，并生成提醒信息，方便投放主体进行准确分类之后再投放，一方面对投放主体起到垃圾分类引导的作用，另一方面，可以对投放主体的垃圾分类行为起到约束作用，避免所有垃圾混装并随意投放，进一步提高了所述系统的垃圾分类效率。

进一步地，通过分类特征分布聚合性指数，能够使本发明所述系统从整体上体现不同待分类垃圾的类别聚合程度，进而可以根据分类特征分布聚合性指数判断投放主体是否对垃圾进行分类以及分类精确度，进一步提高了所述系统的垃圾分类效率。

进一步地，所述中控模块中还设有预设数量占比矩阵B0，当所述中控模块判定初步判定正确时，中控模块重新检测待分类垃圾，从待分类垃圾中提取全部垃圾的轮廓特征以求出，并对各垃圾所属的垃圾种类依次进行判定，判定完成后，中控模块根据初步判定结果中的垃圾种类从B0矩阵中选取对应的预设数量占比以对中控模块的初步判定进行二次确认，通过在完成针对体积占比的确认后，再次采用数量占比对确认的初次判定结果进行再次确认，能够有效避免大体积的垃圾混入不同种类的垃圾内导致初步判定造成误判的情况发生，在进一步提高所述系统很对垃圾的分类精度的同时，进一步提高了所述系统的垃圾分类效率。

进一步地，所述存储模块中还存有预设面部特征矩阵F0、预设指纹特征矩阵G0和预设证明信息矩阵H0，当垃圾投放主体向所述系统投放垃圾时，垃圾投放主体通过所述特征采集模块进行身份验证，并从面部特征、指纹和证明信息中选取一项进行身份验证；通过获取垃圾投放主体的生物特征信息或身份识别信息，可以方便与预设投放主体身份信息数据库进行比对，准确识别出投放主体的身份信息，这样方便后续与其投放的垃圾进行关联，以便进行提醒或后续必要时进行跟踪，同时也可以对投放主体的垃圾投放行为进行约束，在提高对垃圾投放主体的监控效率的同时，进一步提高了所述系统的垃圾分类效率。

进一步地，当存储模块中相同面部特征的备案的数量达到预设数量Nf时，中控模块判定该面部特征所属垃圾投放主体为新用户，将该备案的面部特征添加至所述F0矩阵；当存储模块中相同指纹特征的备案的数量达到预设数量Ng时，中控模块判定该指纹特征所属垃圾投放主体为新用户，将该备案的面部特征添加至所述G0矩阵，通过进行自学习，能够逐步识别和更新系统周边的用户信息，并对更新后的用户进行监控，在提高对垃圾投放主体的监控效率的同时，进一步提高了所述系统的垃圾分类效率。

进一步地，所述存储模块中还设有预设投放次数矩阵N0和预设调节系数矩阵a0，当中控模块判定垃圾投放主体投放的待分类垃圾未完成分类时，中控模块通过交互模块发出待分类垃圾分类为完成的通知信息，同时，中控模块还会控制所述存储模块记录与垃圾投放主体相匹配的用户的未分类垃圾投放次数N，中控模块将N与N0矩阵中的参数进行比对并根据比对结果从a0矩阵中选用对应额调节系数以对后续该用户投放待分类垃圾时的评定标准，通过针对单个用户统计为分类垃圾的投放次数选取对应的调节系数，能够有效针对用户的垃圾分类习惯进行针对性监控，在提高对垃圾投放主体的监控效率的同时，进一步提高了所述系统的垃圾分类效率。

进一步地，当所述系统运行预设周期T0时，所述中控模块控制所述通信模块与云端互联网进行数据交互以对所述预设垃圾种类特征矩阵组A0中各预设垃圾种类特征矩阵内的特征进行更新，通过实时更新预设垃圾种类特征矩阵组A0 中各预设垃圾种类特征矩阵内的特征，能够进一步提高所述中控模块在对待分类垃圾进行分类时的分类精度，从而进一步提高了所述系统的垃圾分类效率。

附图说明

图1为本发明所述基于互联网的垃圾分类回收处理系统的结构框图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“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，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，其为为本发明所述基于互联网的垃圾分类回收处理系统的结构框图。本发明所述基于互联网的垃圾分类回收处理系统包括：

特征采集模块，用以采集待分类垃圾以及垃圾投放主体的图像信息；

中控模块，其与所述特征采集模块相连，用以从所述特征采集模块采集到的图像信息中提取待分类垃圾的分类特征信息以及垃圾投放主体的生物特征信息。

存储模块，其与所述中控模块相连，用以存储多个预设矩阵，当中控模块运行时，中控模块会根据需求从存储模块中调取对应的矩阵依次采集到的信息进行识别或判定。

通信模块，其与所述中控模块相连，用以使中控模块从云端互联网检索数据或在投放垃圾主体投放的垃圾不符合分类标准时向投放垃圾主体的通信终端发送通知。

交互模块，其与所述中控模块相连，用以输出中控模块的分析结果。

垃圾投放模块，其与所述中控模块相连，用以在中控模块完成对垃圾种类的判定时将垃圾投放至对应的垃圾箱内。

所述中控模块会从采集到的待分类垃圾的图像中依次获取待分类垃圾中体积占比降序前四的四件垃圾的分类特征信息并使用卷积神经网络获取图像中各垃圾的特征信息以对各垃圾所属的垃圾种类A进行判定，当上述四件垃圾有三件以上垃圾所属的垃圾种类相同时，中控模块将待分类垃圾所属的种类初步判定为该种类并选取对应的预设体积占比临界值Lk与上述四件垃圾中所属该种类的体积最小的垃圾的体积占比进行比对以对初步判定进行确认，当中控模块完成确认且判定初步判定正确时，中控模块控制所述投放模块将垃圾投放至对应的垃圾箱内。

当中控模块完成确认且判定初步判定不正确时或当上述四件垃圾中所属相同垃圾种类垃圾的件数小于三件时，所述中控模块会计算待分类垃圾的分类特征分布聚合性指数D与存储模块内预存的预设分类特征分布聚合性指数矩阵D0中选取对应的指数Dij进行比对以判定垃圾是否分类完成；当中控模块判定垃圾分类完成时，中控模块控制投放模块将垃圾投放至对应的垃圾箱内，当中控模块判定垃圾分类未完成时，中控模块不启动投放模块并通过所述交互模块输出判定结果。

具体而言，本发明的实施例中，通过卷积神经网络识别所述检测图像的过程具体包括：

首先构建卷积神经网络模型的特征提取部分，针对去除LRN层后的AlexNet 网络的构建，先搭建特征提取部分，包含5个卷积层以及3个池化层，在每一层卷积后面都设置有ReLU激活函数层；特征提取部分用于提取检测图像中的特征，并将其传给卷积神经网络；

然后构建卷积神经网络模型的分类器部分，分类器部分由3层全连接层和一层损失层构成，其中全连接层的每个输入节点都与所有输出节点相连，而损失层通过Softmax函数将最后一层输出结果映射到概率分布，并由此概率分布得到负对数似然损失；取概率分布中的最大值作为分类结果，并以损失函数作为神经网络参数更新的依据；

再通过构建好的卷积神经网络进行训练，卷积神经网络的训练过程包括正向传播阶段与反向传播阶段；在正向传播阶段，卷积神经网络依据输入检测图像计算分类结果，得到损失；在反向传播阶段，根据链式规则计算误差梯度，利用随机梯度下降法进行权值参数的迭代更新；

对训练过程进行优化：采用Dropout策略对训练进行优化：在训练过程中，Dropout策略按照设定的概率丢弃掉神经网络中的隐藏节点，使部分神经元失活，减小神经网络模型的复杂度，抑制神经网络的过拟合现象；得到训练后的类别分类器，

最后，通过训练好的卷积神经网络对预处理后的检测图像进行识别，得到待分类垃圾的分类特征信息。

具体而言，本发明所述存储模块中设有预设垃圾种类特征矩阵组A0和预设体积占比临界矩阵L0；对于所述预设垃圾种类特征矩阵组A0，A0(A1，A2，A3， A4)，其中，A1为属于可回收垃圾的第一预设垃圾种类特征矩阵，A2为属于厨余垃圾的第二预设垃圾种类特征矩阵，A3为属于有害垃圾的第三预设垃圾种类特征矩阵，A4为属于其他垃圾的第四预设垃圾种类特征矩阵；对于所述第i预设垃圾种类特征矩阵Ai，i＝1，2，3，4，Ai(Ai1，Ai2，Ai3，...Ain)，其中， Ai1为第i预设种类垃圾第一特征，Ai2为第i预设种类垃圾第二特征，Ai3为第i预设种类垃圾第三特征，Ain为第i预设种类垃圾第n特征；对于所述预设体积占比临界矩阵L0，L0(L1，L2，L3，L4)，其中，L1为第一预设体积占比临界值，L2为第二预设体积占比临界值，L3为第三预设体积占比临界值，L4为第四预设体积占比临界值。

当所述中控模块针对图像中体积占比降序前四件垃圾所属的种类进行判定时，中控模块按照体积占比降序依次检测各垃圾中的特征点；当所述中控模块针对单个垃圾所属种类进行判定时，中控模块提取该垃圾的形状轮廓并对轮廓内的全部特征进行识别，识别完成后，中控模块统计各特征所属的预设垃圾种类特征矩阵以对该垃圾所属种类进行判定：

当该垃圾内属于A1矩阵的特征数量最多时，将该垃圾判定为可回收垃圾；

当该垃圾内属于A2矩阵的特征数量最多时，将该垃圾判定为厨余垃圾；

当该垃圾内属于A3矩阵的特征数量最多时，将该垃圾判定为有害垃圾；

当该垃圾内属于A4矩阵的特征数量最多时，将该垃圾判定为其他垃圾。

当中控模块完成对待投放垃圾所属种类的初步判定时，中控模块根据初步判定的垃圾种类从L0矩阵中选取对应的预设体积占比临界值：

当中控模块初步判定待分类垃圾为可回收垃圾的第一垃圾种类时，中控模块选用L1对初步判定的结果进行确认；

当中控模块初步判定待分类垃圾为厨余垃圾的第二垃圾种类时，中控模块选用L2对初步判定的结果进行确认；

当中控模块初步判定待分类垃圾为有害垃圾的第三垃圾种类时，中控模块选用L3对初步判定的结果进行确认；

当中控模块初步判定待分类垃圾为其他垃圾的第四垃圾种类时，中控模块选用L4对初步判定的结果进行确认。

当中控模块选用Lk对初步判定的结果进行确认时，k＝1，2，3，4，中控模块将所述待分类垃圾中体积占比降序前四件垃圾中所属第k种类的占比最小的垃圾的体积占比L与Lk进行比对以对中控模块的初步判定进行确认：当L≥Lk 时，中控模块完成一次确认并判定初步判定正确；当L＜Lk时，中控模块判定初步判定不正确。

具体而言，对于所述预设分类特征分布聚合性指数矩阵D0，D0(D12，D13， D14，D23，D24，D34)，其中，D12为针对第一种类垃圾和第二种类垃圾之间的预设分类特征分布聚合性指数，D13为针对第一种类垃圾和第三种类垃圾之间的预设分类特征分布聚合性指数，D14为针对第一种类垃圾和第四种类垃圾之间的预设分类特征分布聚合性指数，D23为针对第二种类垃圾和第三种类垃圾之间的预设分类特征分布聚合性指数，D24为针对第二种类垃圾和第四种类垃圾之间的预设分类特征分布聚合性指数，D34为针对第三种类垃圾和第四种类垃圾之间的预设分类特征分布聚合性指数。

当中控模块完成确认且判定初步判定不正确时或当所述体积占比降序的四件垃圾中所属相同垃圾种类垃圾的件数小于三件时，中控模块选取第一计算垃圾种类和第二计算垃圾种类。

当所述四件垃圾中有两件垃圾所属垃圾种类相同，则中控模块将该垃圾种类作为第一计算垃圾种类并根据剩余两件垃圾所属的垃圾种类选取第二计算垃圾；当剩余两件垃圾所属的垃圾种类相同且与上述两件垃圾所属的垃圾种类不同时，中控模块将该种类垃圾作为第二计算垃圾种类；当剩余的两件垃圾所属的垃圾种类不同时，选用两件垃圾中体积占比最大的垃圾所属的种类作为第二计算垃圾种类。

当所述四件垃圾所述的垃圾种类均不相同时，中控模块选取四件垃圾中体积占比最高的垃圾所属的垃圾种类作为第一计算垃圾种类，并将剩余三件垃圾中体积占比最高的垃圾所属的垃圾种类作为第二计算垃圾种类。

当中控模块选取第i垃圾种类作为第一计算垃圾种类并将第j垃圾种类作为第二计算垃圾种类时，i＝1，2，3，4，j＝1，2，3，4且i≠j，中控模块根据选取的第一计算垃圾种类和第二计算垃圾种类从D0矩阵中选取对应的参数作为分类特征分布聚合性指数的评定标准，当i＜j时，中控模块从D0矩阵中选取Dij 作为评定标准，当i＞j时，中控模块从D0矩阵中选取Dji作为评定标准。

具体而言，本发明所述中控模块在计算分类特征分布聚合性指数时的具体方法为：

计算第一计算垃圾种类和第二计算垃圾种类的分类特征信息并计算对应的所述分类特征信息之间的欧氏距离；

根据所述欧式距离进行分类特征聚类处理，得到对应的第一计算垃圾种类分类特征集合和第二计算垃圾种类分类特征集合；

对每个所述分类特征集合进行特征提取，得到对应的分类特征向量；

根据所述分类特征向量使用以下公式求得第一计算垃圾种类和第二计算垃圾种类的分类特征分布聚合性指数：

其中，β

当中控模块从从D0矩阵中选取Dij作为评定标准时，中控模块将计算完成的D与Dij进行比对，当D≥Dij时，中控模块判定所述待分类垃圾分类完成并将第一计算垃圾种类作为待分类垃圾的所属种类；当D＜Dij时，中控模块判定待分类垃圾未完成分类。

具体而言，本发明所述中控模块中还设有预设数量占比矩阵B0(B1，B2， B3，B4)，其中，B1为针对第一种类垃圾的第一预设数量占比，B2为针对第二种类垃圾的第二预设数量占比，B3为针对第三种类垃圾的第三预设数量占比，B4 为针对第四种类垃圾的第四预设数量占比。

当所述中控模块判定初步判定正确时，中控模块重新检测待分类垃圾，从待分类垃圾中提取全部垃圾的轮廓特征以求出，并对各垃圾所属的垃圾种类依次进行判定，判定完成后，中控模块根据初步判定结果中的垃圾种类从B0矩阵中选取对应的预设数量占比以对中控模块的初步判定进行二次确认。

当针对所述待分类垃圾的初步判定结果为第i种类垃圾时，i＝1，2，3，4，中控模块选取Bi作为二次确认的确认标准，选取完成后，中控模块计算待分类垃圾中第i种类垃圾数量对于待分类垃圾总数量的占比B，当B为待分类垃圾中四个种类垃圾对于待分类垃圾中垃圾总数占比的最大值且B≥Bi时，中控模块完成二次确认、判定初步判定正确并启动所述投放模块将待分类垃圾投放至对应的垃圾箱；当B不是待分类垃圾中四个种类垃圾对于待分类垃圾中垃圾总数占比的最大值或B＜Bi时，中控模块判定初步判定不正确、不启动所述投放模块并计算待分类垃圾的分类特征分布聚合性指数。

具体而言，本发明所述存储模块中还存有预设面部特征矩阵F0、预设指纹特征矩阵G0和预设证明信息矩阵H0；其中，F0矩阵中预存有所述系统周边住户的面部特征，G0矩阵中预存有所述系统周边住户的指纹特征，H0矩阵中预存有所述系统周边住户的证明信息；当垃圾投放主体向所述系统投放垃圾时，垃圾投放主体通过所述特征采集模块进行身份验证，并从面部特征、指纹和证明信息中选取一项进行身份验证。

对于面部特征验证，所述特征采集模块采集垃圾投放主体的面部特征，所述中控模块将采集到的面部特征与F0矩阵中的面部特征依次进行比对，当垃圾投放主体的面部特征与F0矩阵中的单个预设面部特征的相似度大于90％时，中控模块将垃圾投放主体与该预设面部特征所属用户进行匹配并控制所述存储单元存储该次垃圾投放过程；当垃圾投放主体的面部特征与F0矩阵中的多个预设面部特征的相似度均大于90％时，中控模块将与垃圾投放主体相似度最高的预设面部特征所属用户和垃圾投放主体进行匹配；当垃圾投放主体的面部特征与F0矩阵中的全部面部特征的相似度均低于90％时，中控模块使用通信模块从云端互联网检索与垃圾投放主体面部特征相关的信息以对垃圾投放主体的身份进行认证，同时，中控模块控制存储模块记录该面部特征以留作备案。

对于指纹特征验证，垃圾投放主体将手指按压在所述特征采集模块上，特征采集模块采集垃圾投放主体的指纹特征，所述中控模块将采集到的指纹特征与 G0矩阵中的面部特征依次进行比对，当垃圾投放主体的指纹特征与G0矩阵中的单个预设指纹特征相同时，中控模块将垃圾投放主体与该预设指纹特征所属用户进行匹配并控制所述存储单元存储该次垃圾投放过程；当垃圾投放主体的指纹特征与G0矩阵中的全部指纹特征均不相同时，中控模块使用通信模块从云端互联网检索与垃圾投放主体指纹特征相关的信息以对垃圾投放主体的身份进行认证，同时，中控模块控制存储模块记录该指纹特征以留作备案。

对于证明信息验证，垃圾投放主体将证明信息放置在特征采集模块上，特征采集模块获取证明信息数据，中控模块将证明信息数据与H0矩阵中的参数依次进行比对，当证明信息数据与H0矩阵中的单个预设证明信息数据相同时，中控模块将垃圾投放主体与该预设证明信息数据所属用户进行匹配并控制所述存储单元存储该次垃圾投放过程；当证明信息数据与H0矩阵中的全部预设证明信息数据均不相同时，中控模块选用面部特征认证或指纹认证以确认垃圾投放主体的身份信息。

当中控模块完成对垃圾投放主体的验证时，中控模块控制投放模块解除锁定，垃圾投放主体将待分类垃圾放置在投放模块的指定位置上，特征采集模块对待分类垃圾是否完成分类进行判定。

具体而言，当所述存储模块中相同面部特征的备案的数量达到预设数量Nf 时，中控模块判定该面部特征所属垃圾投放主体为新用户，将该备案的面部特征添加至所述F0矩阵；当存储模块中相同指纹特征的备案的数量达到预设数量Ng 时，中控模块判定该指纹特征所属垃圾投放主体为新用户，将该备案的面部特征添加至所述G0矩阵。

具体而言，本发明所述存储模块中还设有预设投放次数矩阵N0和预设调节系数矩阵a0；对于所述预设投放次数矩阵N0(N1，N2，N3，N4)，其中，N1为第一预设投放次数，N2为第二预设投放次数，N3为第三预设投放次数，N4为第四预设投放次数，各预设投放次数按照顺序逐渐增加；对于所述预设调节系数矩阵a0，a0(a1，a2，a3，a4)，其中，a1为第一预设调节系数，a2为第二预设调节系数，a3为第三预设调节系数，a4为第四预设调节系数，1＜a1＜a2＜a3 ＜a4＜2。

当中控模块判定垃圾投放主体投放的待分类垃圾未完成分类时，中控模块通过交互模块发出待分类垃圾分类为完成的通知信息，同时，中控模块还会控制所述存储模块记录与垃圾投放主体相匹配的用户的未分类垃圾投放次数N，中控模块将N与N0矩阵中的参数进行比对并根据比对结果从a0矩阵中选用对应额调节系数以对后续该用户投放待分类垃圾时的评定标准：

当N＜N1时，中控模块不对该用户后续投放待分类垃圾时的评定标准进行调节；

当N1≤N＜N2时，中控模块使用a1对该用户后续投放待分类垃圾时的评定标准进行调节；

当N2≤N＜N3时，中控模块使用a2对该用户后续投放待分类垃圾时的评定标准进行调节；

当N3≤N＜N4时，中控模块使用a3对该用户后续投放待分类垃圾时的评定标准进行调节；

当N≥N4时，中控模块使用a4对该用户后续投放待分类垃圾时的评定标准进行调节。

当中控模块使用am对该用户后续投放待分类垃圾时的评定标准进行调节时， m＝1，2，3，4，中控模块将所述预设体积占比临界矩阵L0中各预设体积占比临界值Lk调节为Lk’，Lk’＝Lk×am；中控模块将所述预设分类特征分布聚合性指数矩阵D0中的各分类特征分布聚合性指数Dij调节为Dij’，Dij’＝Dij×am；中控模块将所述预设数量占比矩阵B0中的各项预设数量占比调节为Bi’，Bi’＝Bi×am。

具体而言，当所述系统运行预设周期T0时，所述中控模块控制所述通信模块与云端互联网进行数据交互以对所述预设垃圾种类特征矩阵组A0中各预设垃圾种类特征矩阵内的特征进行更新，更新包括：添加新的特征，删除不符合分类标准的特征以及不对矩阵内的特征进行变更。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。