一种智能分类垃圾盛放桶及控制方法

技术领域

本发明涉及垃圾分类技术领域，特别是涉及一种智能分类垃圾盛放桶及控制方法。

背景技术

每天，个人均会产生大量的垃圾。在那些垃圾管理优秀的区域，大部分垃圾会通过卫生填埋、焚烧、堆肥等无害化方式进行处理。然而，更多地方的的垃圾常常被简易堆放或填埋，这不仅导致了臭气蔓延，还对土壤和地下水造成了污染。需要指出的是，垃圾无害化处理费用相当高，根据处理方式的不同，每处理一吨垃圾的费用约为一百元至几百元不等。

考虑到人们正在大量消耗资源、进行大规模生产并产生大量消费，随之而来的是大量垃圾的生产，后果难以想象。然而，大部分居民在投放各种垃圾时需要仔细查看哪一个垃圾箱适合投放，但有时他们并不清楚什么样的垃圾属于什么样的垃圾种类，因此容易造成投错垃圾箱的问题，这给居民带来了极大的不便。

发明内容

针对上述现有技术存在的缺陷，本发明所要解决的技术问题是提供一种通过智能分类方便居民进行垃圾投放的智能垃圾盛放桶及操作方法。

为了解决上述技术问题，本发明采用了如下技术方案：一种智能分类垃圾盛放桶，包括智能分类功能模块、电动推杆、旋转组件、顶板、第一夹板、第二夹板、底板、满载检测组件以及至少两个垃圾盛放桶，旋转组件设置于第一夹板与第二夹板之间，每个垃圾盛放桶以及对应配备的满载检测组件设置于第二夹板与底板之间，第二夹板对应每个垃圾盛放桶位置处开有垃圾入口；所述旋转组件包括转轴、旋转轴承以及限位桶，转轴竖直安装在第一夹板与第二夹板之间；所述顶板顶面设置有智能分类功能模块，顶板底面设置有电动推杆，且在第一夹板上对应电动推杆以及垃圾投放口位置处均设有通孔；所述电动推杆未启动时位于顶板与第一夹板之间，电动推杆启动前旋转组件进行旋转将限位桶置于电动推杆正下方，电动推杆启动后穿过第一夹板上的通孔对限位桶内的垃圾进行压缩。

优选的，所述智能分类功能模块包括控制器、可操作触摸屏以及在垃圾投放口处设置的对垃圾进行识别的摄像头，智能分类功能模块具有垃圾分类宣传视频播放、垃圾分类答题、垃圾分类查询以及智能分类的功能。

优选的，所述旋转轴承设置有三个，一个套装于转轴顶端，两个套装于转轴底端，从上往下依次为第一旋转轴承、第二旋转轴承以及第三旋转轴承，且旋转轴承采用餐盘轴承并配合牛眼轮，减小旋转轴承旋转中的摩擦力和固定。

优选的，所述限位桶由中空的圆管以及底部的托盘组成，圆管通过套装在上下部的固定支架分别与第一旋转轴承及第二旋转轴承连接，托盘与第三旋转轴承固定连接；所述限位桶初始位置位于垃圾投放口正下方，当垃圾落入限位桶内，旋转轴承同步转动，将限位桶转至对应的垃圾盛放桶上方，然后第三旋转轴承单独转动，托盘转出圆管，使得垃圾落入对应垃圾盛放桶内。

优选的，所述垃圾盛放桶设置有四个，分别贴有“可回收垃圾”、“厨余垃圾”、“有害垃圾”以及“其他垃圾”标识，其中电动推杆对应设置在贴有“可回收垃圾”标识的垃圾盛放桶的上方。

优选的，所述第一夹板在对应电动推杆的通孔位置处设置有与限位桶匹配的限位架，当电动推杆进行垃圾压缩时，限位架上的卡扣弹出从两侧将托盘卡住进行防转限位，防止垃圾压缩时托盘受力转动。

优选的，所述满载检测组件采用红外检测。

另一方面本发明还提出一种智能分类垃圾盛放桶的控制方法，所述方法包括：

S1、将垃圾图像采集装置设置在垃圾投放口处，采集垃圾图像数据并传输至图像分类模型；

S2、所述图像分类模型对所述垃圾图像数据进行分类识别，输出识别结果，并将识别结果发送至控制器，同时进行语音播报；

S3、控制器根据识别结果控制限位桶旋转至电动推杆的正下方，并利用限位架上的卡扣对所述限位桶进行限位；

S4、所述控制器控制所述电动推杆对所述限位桶中的垃圾进行压缩，后电动推杆恢复至初始状态；

S5、控制器控制限位桶移动至对应的垃圾桶上方，并驱动限位桶底部的托盘旋转，使所述限位桶中的垃圾落入对应的垃圾桶中，当垃圾已经落入垃圾桶后托盘恢复至限位桶的下方，与限位桶重合，并跟随限位桶恢复至初始状态，等待下一次垃圾投放，完成垃圾分类。

作为本发明的另一种实施例，可选地，所述图像分类模型的训练过程为：

获取不同类型的垃圾图像数据，将垃圾图像数据分为训练集和验证集；

对所述训练集中不同种类的所述垃圾图像数据分别打上标签，生成垃圾图像数据集；

对所述垃圾图像数据集进行预处理；

选用YOLOV5模型作为预训练模型，将YOLOV5模型的主干网络CSPDarknet53替换为Transformer；将YOLOV5模型原有的损失函数CIOU替换为CIOU

利用所述垃圾图像数据集对YOLOV5模型进行训练，并调整训练参数；

利用所述验证集对训练好的所述YOLOV5模型进行评估，根据评估结果对YOLOV5模型进行调整；

部署训练完成后的YOLOV5模型，对垃圾进行检测并分类。

作为本发明的另一种实施例，可选地，所述方法还包括：

S6、将所述图像分类模型输出的垃圾识别结果进行储存并生成表格；

S7、当用户点击触摸屏上的宣传视频时，触摸屏播放数据库中存储的垃圾分类宣传视频；

S8、当用户点击触摸屏上的分类答题时，进入垃圾分类答题界面，并对用户的答题结果进行评分；

S9、当用户点击触摸屏上的击垃圾查询时，用户输入垃圾查询信息，爬虫根据所述查询信息在网上爬取对应垃圾的解释信息。

本发明的有益效果：

1)通过设置智能分类功能模块，使居民在投放垃圾时，对垃圾进行识别分类同时语音播报垃圾种类，并由旋转组件带动垃圾旋转，旋转到目标位置时停下，垃圾由此落入对应的垃圾桶内，实现居民可直接进行垃圾投放，利用本发明即可进行智能分类；

2)通过设置电动推杆，对大体积垃圾进行压缩，降低该垃圾的占有空间，使得垃圾桶能容纳更多的垃圾。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明的结构示意图。

图2为旋转组件的结构示意图。

图3为限位架的结构示意图。

图4为本发明的垃圾信息显示界面。

图5为本发明的通信协议代码。

图6为触摸屏主页面。

图7为降压模块的电路图。

图8为BTN倒转模块的电路图。

图9为总体电路图。

图10为本发明实施例3的流程示意图。

图11为本发明实施例3的预测框真实框示意图。

图中：1-摄像头，2-电动推杆，3-垃圾盛放桶，4-旋转轴承，5-托盘，6-限位桶，7-顶板，8-第一夹板，9-第二夹板，10-底板，11-固定支架，12-垃圾投放口，13-限位架，13a-卡扣。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

实施例1

如图1—9所示，一种智能分类垃圾盛放桶，主要由智能分类功能模块、电动推杆2、旋转组件、顶板7、第一夹板8、第二夹板9、底板10、满载检测组件以及至少两个垃圾盛放桶3组成，其中满载检测组件采用红外检测。垃圾盛放桶3设置有四个，分别贴有“可回收垃圾”、“厨余垃圾”、“有害垃圾”以及“其他垃圾”标识。

旋转组件设置于第一夹板8与第二夹板9之间，每个垃圾盛放桶3以及对应配备的满载检测组件设置于第二夹板9与底板10之间，第二夹板9对应每个垃圾盛放桶3位置处开有垃圾入口。

旋转组件主要由转轴、旋转轴承4以及限位桶6组成，转轴竖直安装在第一夹板8与第二夹板9之间。旋转轴承4设置有三个，一个套装于转轴顶端，两个套装于转轴底端，从上往下依次为第一旋转轴承、第二旋转轴承以及第三旋转轴承，且旋转轴承4采用餐盘轴承并配合牛眼轮，减小旋转轴承4旋转中的摩擦力和固定。

限位桶6由中空的圆管以及底部的托盘5组成，圆管通过套装在上下部的固定支架11分别与第一旋转轴承及第二旋转轴承连接，托盘5与第三旋转轴承固定连接。限位桶6初始位置位于垃圾投放口12正下方，当垃圾落入限位桶6内，旋转轴承4同步转动，将限位桶转至对应的垃圾盛放桶3上方，然后第三旋转轴承单独转动，托盘5转出圆管，使得垃圾落入对应垃圾盛放桶内。

顶板7顶面设置有智能分类功能模块，智能分类功能模块主要由控制器、可操作触摸屏以及在垃圾投放口12处设置的对垃圾进行识别的摄像头1组成。智能分类功能模块具有垃圾分类宣传视频播放、垃圾分类答题、垃圾分类查询以及智能分类的功能。其中，可操作触摸屏为JetsonNX微型电脑。

顶板7底面设置有电动推杆2，且在第一夹板8上对应电动推杆2以及垃圾投放口12位置处均设有通孔，该通孔位置处设置有与限位桶匹配的限位架13。电动推杆2未启动时位于顶板7与第一夹板8之间，电动推杆2启动前旋转组件进行旋转将限位桶6置于电动推杆2正下方，电动推杆2启动后穿过第一夹板8上的通孔对限位桶6内的垃圾进行压缩，限位架13上的卡扣13a弹出从两侧将托盘5卡住进行防转限位。其中电动推杆2最好是对应设置在贴有“可回收垃圾”标识的垃圾盛放桶3的上方。

实施例2

一种智能分类垃圾盛放桶操作方法，包括以下步骤：

第一步：点进触摸屏上智能分类选项，再将垃圾通过垃圾投放口12投入限位桶6，同时通过摄像头进行识别检测。

第二步：识别出垃圾种类后，由智能分类功能模块对其种类进行语音播报。同时通过由Python编译的指令，启动旋转组件旋转至对应的垃圾盛放桶3上方的通孔处。

第三步：单独转动托盘5移出限位桶6圆管底部，垃圾落入对应垃圾盛放桶3内。当垃圾为可进行压缩的可回收垃圾，在转入对应位置后，启动电动推杆2对垃圾进行压缩。

第四步：垃圾投放完成后，触摸屏显示相关投放内容。若经满载检测组件检测出满载，触摸屏同时通过语音发出满载提醒。

在使用智能分类投放垃圾前，可观看采用Linux下的ffmpeg编解码编译方式播放垃圾回收宣传视频。或使用触摸屏的垃圾查询功能，垃圾查询功能通过采用嵌入式爬虫的方式爬取网页相关内容，同时将查询结果显示并由语音播报。其中语音播报均采用百度飞浆Paddle框架语音模型，实现语音合成功能。

针对检测分类任务，选用了载自注意力网络Transformer的YOLOV5进行检测，Transformer的自注意力机制能够有效地捕捉不同尺度的目标信息。对于小目标检测任务，Transformer可更好地捕捉小尺度目标的细节信息，从而提高检测的精度和召回率，此外，Transformer的网络结构相对轻量化，使得推理速度更快。同时选用JetsonNX微型电脑，在微型电脑上配置好环境，完成pt文件的转化，最后使用engine文件进行部署，采用配置的摄像头进行图像的实时采集与推理，完成检测任务。

YOLO采用one-stage模式，仅需一个网络就可完成物体的框和类别的预测。在输入端，YOLOV5将先验框的计算潜入了代码中，同时YOLOV5优化了对输入图像处理的算法，在一定程度上提高了检测速度；在网络结构方面，YOLOV5后期采用了加残差模块的CSP结构作为backbone，以加强网络的特征融合能力；在输出端，YOLOV5采用了CIOU替代传统的IOU作为损失函数。其中CIOU在DIOU的基础上增加了检测框尺度的loss，并增加了长和宽的loss，从而使得预测框更加符合真实框。

进行检测过程中，一旦识别垃圾种类，即刻将垃圾信息保存列表中，同时使用opencv中imshow函数进行显示图片，对背景图片添加相关文字展示垃圾信息，总体为基于opencv图片显示方式以实现实时显示垃圾信息。

圾检测完毕后采用固定通信协议达到传输信息效果，实现操控硬件进行分类。对于数据传输部分，在Python开发环境中，可实现上位机与下位机之间的串口通信，方便串口设备号、波特率的设置，以及串口的打开、关闭和收发，采用封装serial包改写sent()方法传输数据。同事，该通信协议可自定义编写，代码通用，可移植性强。

针对电路设计方面，由于蓄电池电量不大于24+0.3伏，如果各功能模块的电压值变动剧烈，那么整个系统就会发生抖动，故降压和稳压电路就显得很重要。因为各功能外设所需的电压不同，所选的降压芯片也不同，因此使用多个电容对电路进行稳压。

同时，由于电动推杆2作为压缩结构，且电动推杆的控制方式仅为输入电压的大小控制，如果电压为12V则推进，-12V收缩，则要使用延时功能，同时实现输出电压的倒转和停止输出。电动推杆的工作电流在5A左右，这相对于大部分芯片来说是一个很大的电流，因此采用BTN芯片，BTN不仅可实现对电压的倒转，同时可承载80A的电流。

实施例3

一种智能分类垃圾盛放桶的控制方法，所述方法包括：

S1、将垃圾图像采集装置设置在垃圾投放口处，采集垃圾图像数据并传输至图像分类模型；

需要说明的是，本实施例中的垃圾图像采集装置为摄像头1，摄像头1通过螺钉固定在垃圾投放口12处，摄像头1可直接拍摄到限位桶6内的垃圾图像。在拍摄完成后，摄像头1会将所采集的垃圾图像发送至图像分类模型中，图像分类模型是提前训练好的垃圾分类模型。摄像头1的输出端与分类模型的输入端连接，可实时接收到摄像头1传来的垃圾图像数据。

S2、所述图像分类模型对所述垃圾图像数据进行分类识别，输出识别结果，并将识别结果发送至控制器，同时进行语音播报；

需要说明的是，当图像分类模型接收到垃圾图像数据后，对垃圾图像数据进行识别，并输出识别结果，同是进行语音播报，识别结果也就是图像数据中垃圾的类别，然后将识别的结果通过其输出端发送至控制器内，控制器根据其接收的数据，数据包括可回收垃圾信息、厨余垃圾信息、有害垃圾信息和其他垃圾信息，若控制器接收的信息为可回收垃圾信息时，控制器将控制限位桶5将垃圾分类至可回收垃圾桶内，若控制器接收的信息为厨余垃圾信息时，控制器将控制限位桶5将垃圾分类至厨余垃圾桶内，若控制器接收的信息为有害垃圾信息时，控制器将控制限位桶5将垃圾分类至有害垃圾桶内，若控制器接收的信息为其他垃圾信息时，控制器将控制限位桶5将垃圾分类至其他垃圾桶内，实现垃圾的智能分类，提高人们的生活质量。

S3、控制器根据识别结果控制限位桶5旋转至电动推杆的正下方，并利用限位架上的卡扣对所述限位桶进行限位；

S4、所述控制器控制所述电动推杆对所述限位桶中的垃圾进行压缩，后电动推杆恢复至初始状态；

S5、控制器控制限位桶移动至对应的垃圾桶上方，并驱动限位桶底部的托盘旋转，使所述限位桶中的垃圾落入对应的垃圾桶中，当垃圾已经落入垃圾桶后托盘恢复至限位桶的下方，与限位桶重合，并跟随限位桶恢复至初始状态，等待下一次垃圾投放，完成垃圾分类。

需要说明的是，当智能分类功能模块接收到垃圾分类结果时，进行语音播报，且该模块中的控制器会根据预设的程序，首先将装有垃圾的限位桶6旋转至电动推杆2的下方，并利用限位架13上的卡扣13a弹出从两侧将托盘5卡住进行防转限位，再启动电动推杆2对限位桶6中的垃圾进行压缩，而后将限位桶6旋转至对应的垃圾桶3的上方。这个旋转动作是通过控制电机正反转实现的，精确而高效。然后，控制器会单独旋转第三旋转轴承，将托盘5转出限位桶6的圆管。这个过程使得垃圾顺利落入对应的垃圾盛放桶内，实现了垃圾的分类投放。之后，第三旋转轴承在电机的驱动下又会旋转至圆管的下方，并跟随限位桶6恢复到初始位置，等待下一个垃圾的投放。这种智能化的操作方式，不仅减少了人力投入，还极大地提高了垃圾分类的准确性和效率。在本实施例中控制器采用FPGA。

作为本发明的另一种实施例，可选地，所述图像分类模型的训练过程为：

获取不同类型的垃圾图像数据，将垃圾图像数据分为训练集和验证集；

如图10所示，需要说明的是，在本实施例中，垃圾分为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾，四种，通过分别拍摄可回收垃圾图片数据或视频数据、厨余垃圾图片数据或视频数据、有害垃圾图片数据或视频数据和其他垃圾图片数据或视频数据，视频数据在对YOLOV5模型训练前，需要在视频中提取关键帧，然后将所有的图像数据按照比例为：8:2的比例分别分配训练集和验证集，训练集中的垃圾图像数据经过预处理后用于训练YOLOV5模型，验证集中的垃圾图像数据无需预处理，用于对训练好的模型进行验证，确认训练好的YOLOV5模型的可行性。

对所述训练集中不同种类的所述垃圾图像数据分别打上标签，生成垃圾图像数据集；

需要说明的是，首先，对训练集中不同类型的垃圾图像数据进行分类并打上标签，以生成一个垃圾图像数据集。接着，将训练集中的所有垃圾图像数据按照可回收垃圾、厨余垃圾、有害垃圾和其他垃圾进行分类，并对不同类别的垃圾分别打上对应的标签，例如，可回收垃圾被打上可回收垃圾的标签，厨余垃圾被打上厨余垃圾的标签。这样做的目的是为了在后续的YOLOV5模型训练中，能够更好地识别不同类型的垃圾，从而提高分类的准确性和效率。

对所述垃圾图像数据集进行预处理；

需要说明的是，对训练集中的垃圾图像数据集预处理包括调整图像大小、归一化、剔除异常数据、图像旋转、对比度和亮度的等操作，以提高YOLOV5模型对垃圾图像数据的识别效果。

选用YOLOV5模型作为预训练模型，将YOLOV5模型的主干网络CSPDarknet53替换为Transformer；将YOLOV5模型原有的损失函数CIOU替换为CIOU

需要说明的是，在本实施例中，本发明选用了YOLOV5模型作为预训练模型，并将YOLOV5模型的主干网络CSPDarknet53替换为Transformer。这一改动的原因在于，Transformer结构更适合于处理图像数据，能够更好地捕捉图像的上下文信息，从而提高模型对垃圾图像的识别效果。此外，本发明将YOLOV5模型原有的损失函数CIOU替换为一种新的损失函数，以更好地衡量模型预测结果与真实标签之间的差异，进一步提高模型的分类准确率。

利用所述垃圾图像数据集对YOLOV5模型进行训练，并调整训练参数；

需要说明的是，在将经过预处理的垃圾图像数据集输入到YOLOV5模型中后，本发明使用可变参数学习率进行模型训练，以提高模型的收敛速度和训练效果。同时，本发明采用了数据增强技术，通过对训练集中的垃圾图像进行随机旋转、平移、缩放等操作，增加模型的泛化能力。在模型训练的过程中，本发明不断调整模型的参数设置，以获得最佳的训练效果。

利用所述验证集对训练好的所述YOLOV5模型进行评估，根据评估结果对YOLOV5模型进行调整；

需要说明的是，在训练好的YOLOV5模型基础上，本发明将验证集中的垃圾图像数据输入到模型中，对模型进行验证。本发明采用了准确率、召回率、F1值等指标来衡量模型的分类效果。如果模型的分类效果达到预期要求，则说明该模型具有较好的可行性。

计算准确率、召回率、F1值的计算公式为：

其中，O表示准确率，TP表示正确预测样本数的数量，FP表示错误预测正样本的数量，R表示召回率，FN表示错误预测负样本的数量；F1值在0到1之间，若F1值越靠近1说明YOLOV5模型的精确度越高，反之精确度越低，当YOLOV5模型的精确度低于阈值是则需要对模型进行优化。

根据验证结果对YOLOV5模型进行优化；需要说明的是，根据验证结果，本发明对YOLOV5模型进行优化。具体的优化方法包括增加模型深度、增加数据集规模、采用知识蒸馏等技术。这些优化方法能够进一步提高模型的分类准确率和泛化能力，使模型在实际应用中能够更好地发挥作用。为了提高模型的泛化能力，可增加垃圾图像数据集中的样本数量和种类。可尝试采集更多的垃圾图像数据，并将其加入到训练集中。同时，可尝试采集不同场景、不同角度、不同光照条件下的垃圾图像，以增加数据集的多样性。还可尝试调整YOLOV5模型的参数，以优化模型的性能。例如，可调整学习率的大小、批处理大小、训练轮数等参数。可尝试使用不同的优化器，如Adam、SGD等，以寻找最优的参数组合。

部署训练完成后的YOLOV5模型，对垃圾进行检测并分类。

需要说明的是，YOLOV5模型部署具体步骤如下：

a、使用摄像头等设备采集垃圾图像数据，包括不同类型的垃圾，如可回收垃圾、厨余垃圾、有害垃圾和其他垃圾等。

b、对采集的图像数据进行预处理：对采集的图像数据进行预处理，包括调整图像大小、归一化、剔除异常数据、图像旋转、对比度和亮度的调整等操作，以适应YOLOV5模型的输入要求。

c、运行YOLOV5模型进行垃圾检测和分类：将预处理后的垃圾图像数据输入到YOLOV5模型中，运行模型进行垃圾检测和分类。

d、对检测结果进行后处理：根据YOLOV5模型的输出结果，对垃圾进行分类处理。例如，利用实施例1的一种智能分类垃圾盛放桶将可回收垃圾、厨余垃圾、有害垃圾和其他垃圾放入相应的垃圾桶中。

e、优化模型：在实际应用中，需要根据实际情况对YOLOV5模型进行优化。例如，可调整YOLOV5模型的参数设置，以获得更好的分类效果；可增加数据集的样本数量和种类，以提高模型的泛化能力；可尝试采用不同的优化算法，以获得最优的参数组合等。

f、维护和更新模型：在实际应用中，需要定期对YOLOV5模型进行维护和更新。例如，可定期采集新的垃圾图像数据，并将其加入到训练集中，以更新模型的参数；可定期检查模型的性能，如准确率、召回率、F1值等指标，以评估模型的分类效果。如果模型的分类效果不佳，需要对模型进行调整和优化。

可将训练完成后的YOLOV5模型部署在实际中，对垃圾进行检测和分类。该方法能够提高分类的准确性和效率，为垃圾处理和管理提供了有力的支持。

还需要说明的是，所述对所述垃圾图像数据集进行预处理包括：

对所述训练集中的垃圾图像数据进行裁剪、缩放和归一化；

对垃圾图像数据进行缩放包括：

设垃圾图像的大小为D×W、原始像素为(m,n)和灰度值为f(m,n)；

f(x,y)为垃圾图像数据上的函数，利用垃圾图像数据

对f(x,y)在[0，P-1]×[0,Q-1]上进行重采样，得到垃圾图像数据的缩放的目标垃圾图像，其中，Q为目标垃圾图像的宽，P为目标垃圾图像的长，当Q＜W，且P＜D时，图像缩小，当D＜P，且W＜Q时，图像放大。

上述公式中，D表示垃圾图像的宽，W表示垃圾图像的高，(m,n)表示图像的像素坐标，若垃圾图像的像素大小为800×600则m等于800，n等于600，f(m,n)表示在垃圾图像数据中(m,n)的像素点上的灰度值，(x,y)∈[0，D-1]×[0，W-1]表示x∈[0,D-1]，y∈[0,W-1]，{f

需要说明的是，可利用主成分分析法利用垃圾图像数据

其中所述归一化的公式为：

其中：s是归一化之前的图像数据的特征值；

S是归一化之后的垃圾图像数据特征值；

maxValue

minValue

需要说明的是，裁剪是按照训练YOLOV5模型所需的规则或模板，将垃圾图像数据进行剪裁，以确保每个图像的大小和形状都符合后续YOLOV5模型训练的要求。这可帮助模型更好地聚焦在图像的关键区域，减少冗余信息对模型训练的影响。

缩放是将图像的大小进行调整，以适应模型训练的需求。这可确保模型能够正确地识别和分类不同尺寸的垃圾图像，提高模型的泛化能力。

归一化是一种将图像数据的值域范围调整到0-1之间的过程，这样可使得YOLOV5模型训练更加稳定和准确。通过将图像数据的范围调整到0-1之间，可消除数据间的尺度差异，提高模型的训练效果。

需要说明的是，预处理步骤可帮助提高YOLOV5模型训练的准确性和稳定性。通过裁剪，可确保每个图像的大小和形状都符合模型训练的要求，减少冗余信息对模型的影响；通过缩放，可适应不同尺寸的图像，提高模型的泛化能力；通过归一化，可将图像数据的范围调整到0-1之间，消除数据间的尺度差异，提高模型的训练效果。这些预处理步骤可为后续的模型训练提供重要的支持和保障。

此外，利用垃圾图像数据进行特征提取，得到目标垃圾图像的特征，其中，特征包括目标垃圾图像的边缘特征、纹理特征和颜色特征等。在对目标垃圾图像进行重采样和特征提取后，可将其输入到YOLOV5模型中进行训练，得到垃圾分类模型。该模型能够根据目标垃圾图像的特征对其进行分类，从而将可回收垃圾、厨余垃圾、有害垃圾和其他垃圾区分开来。

还需要说明的是，如图11所示，所述损失函数CIOU

其中：H表示预测框A真实框B之间的最小外接框；

IOU表示预测框A真实框B之间的交并比；

φ

k表示最小外接框H对角线之间的距离；

z表示预测框A真实框B两顶角之间的距离；

r表示预测框A真实框B中心点之间的距离；

a表示权重系数；

μ表示衡量长宽比一致性的参数；

d

h

d

h

表示调整损失函数CIOU

表示最小外接框H减去预测框A与真实框B的并集，在最小外接框H上的占比；本发明考虑了预测框与真实框的并集与整个图像区域的比例，通过减去它们之间的交集与整个图像区域的比例，可以更好地衡量预测框的准确性。

表示预测框与真实框之间的欧氏距离的平方与预测框与真实框之间对角线距离的平方的比值，本发明考虑了预测框与真实框之间的欧氏距离，通过将距离的平方除以对角线距离的平方，可以更好地衡量预测框与真实框之间的接近程度。

通过aμ来调整整个损失函数的形状和权重，可以根据不同的任务和数据集进行调整，从而更准确地衡量预测的准确性。

需要说明的是，通过上述损失函数可计算出预测框与真实框之间的匹配程度，从而调整预测框的位置和大小，使得预测框能够更加准确地匹配真实框。

在本发明中，所述损失函数的计算公式还可包括其他参数，例如旋转角度、比例因子等，以便更好地衡量预测框与真实框之间的匹配程度。

另外，所述损失函数CIOU

需要注意的是，在本发明中，所述损失函数CIOU

作为本发明的另一种实施例，可选地，所述方法还包括：

S6、将所述图像分类模型输出的垃圾识别结果进行储存并生成表格；

需要说明的是，图像分类模型输出的所有垃圾识别结果均进行储存，生成表格后，可为后续的模型评价提供数据支持，通过模型的识别结果来评价模型的性能。此外，对于每个垃圾识别结果，还可获取到对应的图片信息，以便于后续的分析和处理。在生成表格的过程中，本发明会将每个垃圾识别结果的信息进行记录，包括：图片信息、垃圾类型、模型输出值等等。这些信息将有助于技术人员更好地了解模型的表现，以及发现模型存在的问题。通过模型的识别结果来评价模型的性能时，技术人员主要关注模型的准确率、召回率、F1值等指标。这些指标可反映出模型的实际应用效果，以及模型在不同垃圾类型上的表现。除了对模型的性能进行评价外，技术人员还可通过对垃圾识别结果的储存和分析，进一步了解模型在实践中的应用效果。例如，技术人员可分析模型在哪些类型的垃圾上表现较好，哪些类型的垃圾上表现较差，以及模型在不同场景下的表现如何。这些信息将有助于技术人员优化模型，提高模型的识别准确率和实用性。

S7、当用户点击触摸屏上的宣传视频时，触摸屏播放数据库中存储的垃圾分类宣传视频；

需要说明的是，本发明还可根据用户的观看行为，利用推荐模型自动推荐相关的垃圾分类知识或宣传视频，以增强用户的环保意识。

S8、当用户点击触摸屏上的分类答题时，进入垃圾分类答题界面，并对用户的答题结果进行评分；

需要说明的是，本发明的实施例还可根据用户的答题结果，获得评分，发明可根据评分和用户的答题情况自动推荐相关的垃圾分类知识或宣传视频，以帮助用户更好地了解垃圾分类的相关知识。此外，本发明还可将用户的答题结果进行统计和分析，以便于了解用户对于垃圾分类知识的掌握情况，为后续的宣传和教育提供参考。本发明的实施例通过将图像分类模型应用于垃圾分类领域，实现了垃圾分类的自动化和智能化。同时，结合用户的观看行为和答题结果，本发明还可自动推荐相关的垃圾分类知识或宣传视频，以增强用户的环保意识。这些功能均有助于提高垃圾分类的准确性和效率，为环境保护做出了积极的贡献。

S9、当用户点击触摸屏上的击垃圾查询时，用户输入垃圾查询信息，爬虫根据所述查询信息在网上爬取对应垃圾的解释信息。

需要说明的是，用户点击触摸屏上的垃圾查询时，触摸屏上会弹出一个输入框，提示用户输入垃圾查询信息。用户输入完毕后，爬虫程序会根据输入的查询信息，在网上爬取对应垃圾的解释信息，并将爬取结果显示在触摸屏上。此外，为了保护用户的隐私和安全，本发明会对用户的查询信息和爬取到的解释信息进行加密处理，确保数据的安全性。本发明还提供了其他功能，如垃圾分类统计、垃圾处理建议等，旨在帮助用户更好地了解垃圾分类和处理方面的知识，促进环保意识的提高。同时，本发明还可根据用户的反馈和实际需求进行优化和升级，提高本发明的智能化和自动化水平，为用户提供更加便捷、高效、准确的垃圾查询服务。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。