一种垃圾处理方法与流程

本发明涉及垃圾焚烧领域，具体而言，涉及一种垃圾处理方法。

背景技术：

1、目前我国城镇生活垃圾的主要处理方式是焚烧处理。国内垃圾含水率和热值差异较大，在焚烧过程中需操作人员时刻观察焚烧炉炉膛的燃烧状态，继而不断调整焚烧炉运行参数，确保焚烧正常稳定进行。但由于每次投入焚烧炉的垃圾抓料量不同、垃圾组成不同、含水量变化较大，导致通过图像采集装置采集炉膛内的火焰燃烧图像时，有可能会出现画面模糊不清，清晰度低，不能有效观察燃烧物燃烧状态的情况，但此现象又属于间歇性发生，不会长期存在，因此不能保证垃圾处理充分。

技术实现思路

1、本发明的目的在于提供一种垃圾处理方法，既能判断当前燃烧图像是否存在模糊不清、低像素情况，又能保证在垃圾焚烧阶段采集到的图像清晰度很低时，对火焰燃烧图像有效处理，使运行管理人员可有效观察燃烧物燃烧状态，同时还保证了图像信息实时传输，对燃烧图像处理快速、真实、有效，从而使得垃圾处理充分。

2、本发明提供了一种垃圾处理方法，所述方法包括：

3、实时采集焚烧炉中燃烧段的燃烧图像；

4、对采集到的所述燃烧图像进行识别处理，得到识别结果，所述识别结果包括低分辨率图像和非低分辨率图像，所述识别处理通过第一模型实现；

5、对识别到的所述低分辨率图像进行增强处理，得到增强图像，所述增强处理通过第二模型实现；

6、确定所述非低分辨率图像和所述增强图像中垃圾的燃烧情况，在确定垃圾已燃烧至灰化时将灰化的垃圾排出，反之继续在燃烧段中燃烧。

7、作为本发明进一步的改进，所述第一模型包括：第一卷积层、池化层、第二卷积层和全连接层，所述识别处理通过第一模型实现，包括：

8、通过所述第一卷积层对所述燃烧图像进行卷积处理，以提取所述燃烧图像的局部特征，得到第一特征向量；

9、通过所述池化层对所述第一特征向量进行池化处理，以对提取出的局部特征进行特征筛选，得到第二特征向量；

10、通过所述第二卷积层对所述第二特征向量进行卷积处理，以对筛选后的局部特征进行特征提取，得到第三特征向量；

11、通过所述全连接层对第三特征向量进行全连接处理，得到识别结果。

12、作为本发明进一步的改进，所述方法还包括：利用第一训练数据集对所述第一模型进行训练，训练时所述全连接层使用随机失活函数。

13、作为本发明进一步的改进，所述第二模型包括输入层、映射层、增强层和输出层，所述增强处理通过第二模型实现，包括：

14、对所述输入层进行初始化；

15、通过所述映射层对所述低分辨率图像进行映射处理，得到特征节点的特征向量z；

16、通过所述增强层对所述特征节点的特征向量进行增强处理，得到增强节点的特征向量h；

17、通过所述输出层对所述特征节点的特征向量和所述增强节点的特征向量进行级联处理s＝[z|h]wo，得到增强图像，其中所述w0表示增强权重系数。

18、作为本发明进一步的改进，所述输入层的初始化过程中，包括初始化各个特征节点i的随机权重值wei和映射特征偏置值βei，所述映射处理包括：

19、根据特征节点i对应的随机权重值wei和映射特征偏置值βei，确定特征节点的特征向量zi。

20、作为本发明进一步的改进，所述输入层的初始化过程中，包括初始化各个增强节点j的增强权重值whj和增强偏置值βhj，所述增强处理处理包括：

21、根据所述特征节点的特征向量zi、增强节点j对应的增强权重值whj和增强节点偏置值βhj，确定增强节点的特征向量hj。

22、作为本发明进一步的改进，所述方法还包括：利用第二训练数据集对所述第二模型进行训练，确定所述增强权重系数w0。

23、作为本发明进一步的改进，所述方法在采集所述燃烧图像之前，还包括：将待处理垃圾推入焚烧炉中干燥段，并向所述干燥段中注入助燃空气，通过所述焚烧炉加热，将所述待处理垃圾水份蒸发析出得到干燥垃圾；

24、所述干燥垃圾随后进入所述焚烧炉中燃烧段燃烧。

25、作为本发明进一步的改进，所述第一卷积层以及所述第二卷积层采用5*5的卷积核，步长为4；

26、所述池化层采用最大池化。

27、作为本发明进一步的改进，训练时，通过伪逆计算确定所述增强权重系数w0。

28、本发明的有益效果为：既能判断当前燃烧图像是否存在模糊不清、低像素情况，又能保证在垃圾焚烧阶段采集到的图像清晰度很低时，对火焰燃烧图像有效处理，使运行管理人员可有效观察燃烧物燃烧状态，同时还保证了图像信息实时传输，对燃烧图像处理快速、真实、有效，从而使得垃圾处理充分。

1.一种垃圾处理方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述第一模型包括：第一卷积层、池化层、第二卷积层和全连接层，所述识别处理通过第一模型实现，包括：

3.如权利要求2所述的方法，其特征在于，所述方法还包括：利用第一训练数据集对所述第一模型进行训练，训练时所述全连接层使用随机失活函数。

4.如权利要求1所述的方法，其特征在于，所述第二模型包括输入层、映射层、增强层和输出层，所述增强处理通过第二模型实现，包括：

5.如权利要求4所述的方法，其特征在于，所述输入层的初始化过程中，包括初始化各个特征节点i的随机权重值wei和映射特征偏置值βei，所述映射处理包括：

6.如权利要求4所述的方法，其特征在于，所述输入层的初始化过程中，包括初始化各个增强节点j的增强权重值whj和增强偏置值βhj，所述增强处理处理包括：

7.如权利要求4所述的方法，其特征在于，所述方法还包括：利用第二训练数据集对所述第二模型进行训练，确定所述增强权重系数w0。

8.如权利要求1所述的方法，其特征在于，所述方法在采集所述燃烧图像之前，还包括：

9.如权利要求2所述的方法，其特征在于，所述第一卷积层以及所述第二卷积层采用5*5的卷积核，步长为4；

10.如权利要求7所述的方法，其特征在于，训练时，通过伪逆计算确定所述增强权重系数w0。