买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种垃圾分拣设备的环境感知与垃圾识判方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115588132B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211188667.X，技术领域涉及：G06V20/00；该发明授权一种垃圾分拣设备的环境感知与垃圾识判方法是由韩林峰;九张嵊镛;漆强设计研发完成，并于2022-09-27向国家知识产权局提交的专利申请。

本一种垃圾分拣设备的环境感知与垃圾识判方法在说明书摘要公布了：本发明公开了一种垃圾分拣设备的环境感知与垃圾识判方法，该方法建立并训练深度学习神经网络模型，根据摄像机拍摄的RGB彩色图像和RGB‑D深度图像，识别出图像内待判定垃圾及其周围物体的姿态、相对坐标和距离等信号，利用CART算法构建决策树，根据待判定垃圾的姿态及其周围物体的相对位置关系等特征，实现待判定垃圾的环境感知与垃圾识判，为工作在复杂室内与户外场景中的智能垃圾分拣机器人提供图像内垃圾的种类、坐标与所处的环境信息，帮助机器人根据获得信息进行自主路径规划与避障等行为，自主到达垃圾所处位置并选取最优拾取策略进行垃圾捡拾。本发明具有智能化程度高、识别准确、检测精度高速度快的优点。

本发明授权一种垃圾分拣设备的环境感知与垃圾识判方法在权利要求书中公布了：1.一种垃圾分拣设备的环境感知与垃圾识判方法，其特征在于，该方法包括以下步骤： S1按照实际应用需求，使用RGB-D摄像机的RGB摄像头拍摄会议室、餐厅应用场景下大量的包含各类物体的RGB图像，建立需要识别的各类物体的RGB图像数据库，其中，所述RGB-D摄像机具有一个RGB摄像头和一个深度摄像头，能够同时拍摄具有相同像素高度和像素宽度的彩色RGB图像与包含各像素点深度信息的深度图像；所述需要识别的各类物体包括待判定垃圾及其周围物体； S2使用步骤S1得到的RGB图像数据库，通过人工标注需要识别的各类物体，建立并训练YOLOv5深度学习神经网络模型，得到训练完成的深度学习神经网络模型；在标注时，标注标签同时包含物体类型与姿态； S3在会议室、餐厅应用场景下，安装在垃圾分拣设备上的RGB-D摄像机同时拍摄RGB图像与深度图像； S4根据RGB-D摄像机上RGB摄像头与深度摄像头之间的已知间距对步骤S3拍摄的RGB图像与深度图像进行裁切对齐，使得裁切对齐后的深度图像中心点O1与裁切对齐后的RGB图像中心点O2保持一致，最后，将已对齐的RGB图像与深度图像合并，把每个相同像素点的RGB数值与深度数值组合在一起，获得具有RGB颜色信息和深度信息的RGB-D彩色深度图像，简称RGB-D图像； S5采用步骤S2已训练完成的深度学习神经网络模型，对步骤S4中获得的RGB-D图像，根据其中的RGB图像信息进行目标检测识别，获得图像中被识别物体的候选框和置信度值，根据置信度条件，将置信度值低于阈值的候选框过滤掉，对具有相同中心坐标的候选框进行合并以提高物体识别的准确率；同时由深度学习神经网络模型获得RGB-D图像中被识别的各个物体的候选框序号N，也即被识别物体的序号，以及它们的类型标签LabelN、姿态标签PostureN和相对应的置信度值CN；之后将最后获得被识别物体的类型、姿态标签和置信度值标注在RGB-D图像内的被识别物体候选框旁边，其中N＝1,2,…,n，表示为RGB-D图像中被识别物体的序号； S6以步骤S5中最后获得RGB-D图像中心点O1为坐标原点、以RGB-D图像的像素为单位，获取各个被识别物体的候选框中心点PN的像素坐标XN,YN和候选框的长LN与宽HN，XN和YN是以像素为单位的被识别物体候选框中心点PN相对于RGB-D图像中心点O1的横向和纵向的像素坐标值，各个被识别物体候选框沿横向的像素长度和沿纵向的像素宽度分别表示为LN和HN； S7在步骤S6中获得的RGB-D图像中，分别以各个被识别物体的候选框中心点PN为几何中心、在像素长度和像素宽度的矩形区域内建立各个被识别物体的深度计算区域SN，在该深度计算区域内，每一个单位像素区域对应一个深度数据；对于RGB-D图像内的某一被识别物体，先计算该被识别物体深度计算区域内的全部深度数据的深度算数平均值，再将该被识别物体深度计算区域内的每个深度数据与该被识别物体深度计算区域的深度算术均值进行比较，将超过高阈值或小于低阈值的无效深度数据去除掉，同时替换为该物体深度计算区域的深度算术平均值，其余深度数据予以保留，在该被识别物体深度计算区域内形成新的深度数据；然后以此新的深度数据，计算出该被识别物体深度计算区域内深度数据的深度加权平均值作为该被识别物体的深度距离，即该被识别物体距离RGB-D摄像机的距离，如此逐一计算，获得每一个被识别物体的深度距离； S8针对步骤S7中的各个被识别物体，建立包含被识别物体的序号、类型标签、姿态标签、被识别物体候选框的中心点像素坐标、被识别物体候选框的像素长度与像素宽度、被识别物体的深度距离信息的结构性数组A1：[N，LabelN，PostureN，XN,YN，LN,HN，DepthN]，从而完成了RGB-D图像内各个物体的识别与检测定位； S9提前收集会议室、餐厅场景下各类待判定垃圾的姿态及其与周围物体的相对位置关系在内的环境信息和可被拾取垃圾的逻辑判断信息，以这些信息建立数据库作为训练数据集D，使用决策树CART算法进行决策树学习，通过特征选取、决策树生成和修剪而构建不同环境状态下待判定垃圾的环境感知与垃圾识判决策树，该决策树能够根据待判定垃圾周围物体的种类判断其所处的环境，识别待判定垃圾与周围物体的相对位置关系实现环境感知，再结合待判定垃圾的姿态与环境感知结果进行可拾取垃圾的识判； S10从步骤S8中形成的被识别物体数组A1中抽取可能成为垃圾的物体形成待判定垃圾数组A2，剩余的物体形成环境物体数组A3，以数组A2内的物体深度距离信息DepthN为排序依据，对A2数组序列进行降序排列，获得处理优先级队列，距离越近的物体将越被优先进行待判定垃圾的环境感知与垃圾识判处理； S11对于步骤S10中待判定垃圾数组A2中的每一个待判定垃圾按照深度距离信息从近至远顺序依次进行以下操作：以该待判定垃圾候选框的中心PN为圆心，以5×MaxLN,HN为半径的圆形搜索范围，在环境物体数组A3内进行搜索，查找出物体候选框的中心点像素坐标处于该搜索范围内的环境物体作为该待判定垃圾的周围物体，其中MaxLN,HN为该待判定垃圾候选框像素长度和像素宽度中的最大，以该待判定垃圾的姿态、与该待判定垃圾周围物体的相对位置关系的特征作为决策节点，使用步骤S9建立的待判定垃圾的环境感知与垃圾识判决策树，从决策树的根节点开始，每次测试当前节点待分类项中相应的特征属性，并按照其值选择输出分支，依次沿决策树的各节点逐步进行逻辑判断和分支选择，直至到达叶子节点，叶子节点存放是本次决策的结果：该待判定垃圾为可拾取垃圾或不可拾取物体，对数组A2中的待判定垃圾逐个通过决策树进行判断，将判断为可拾取垃圾的物体都放入到可拾取垃圾数组A4中，由此完成了待判定垃圾的环境感知与垃圾识判； S12在步骤S11中获得的可拾取垃圾数组A4和在步骤10中获得的环境物体数组A3分别包含了物体的序号、类型标签、姿态标签、候选框的中心点像素坐标、候选框的像素长度与像素宽度、物体的深度距离信息：[N，LabelN，PostureN，XN,YN，LN,HN，DepthN]，这些信息能够作为之后分拣设备的分拣工作与路径选择步骤的参考数据与控制信息，并用于其他需要获得垃圾环境信息的项目中。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。