[0001] 本发明涉及回收技术领域，特别指一种回收系统。

[0002] 目前，随着人们对环保问题的日益重视，回收技术也得到了长足发展，人们提出了各种各样的衣物回收箱及手机回收站等回收系统进行回收。自动化的回收物品回收系统，需要对不同种类的回收物品进行识别，以根据不同种类的回收物品分别进行回收或向客户提供回收物品处理的费用。

[0003] 如公开号为CN112543680A的中国发明专利公开说明书公开了一种从废料中回收硬币的方法，通过相机捕获在流中移动通过所述相机的材料的异质混合物中的每个片的图像数据，其中在所述材料的异质混合物中的材料具有各种不同的形状，所述各种不同的形状包括一个或多个不同的几何形状；将具有一个或多个指定几何形状的材料分类到第一分类中；将不具有所述一个或多个指定几何形状的材料分类到第二分类中；以及由自动分拣设备从被分类到所述第二分类中的材料中分拣被分类到所述第一分类中的材料。

[0004] 上述方法一定程度上解决了现有的回收箱或回收站无法智能识别某一类产品的回收问题。但是，因为目前消费品回收领域绝大部分面向手机等电子设备和织物，而无法最大效能地满足现有回收技术需要。而且电子设备在投入箱内时容易因为落差过大而导致二次损坏。

[0005] 因此，有必要提出一种回收系统，用以解决上述问题。

[0036] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0037] 需要说明的是，在本发明中涉及“第一”、“第二”、“左”、“右”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

[0038] 参见图1‑6所示的本发明回收系统的一个实施例，包括箱体1、回收仓2、摄像头3、物品识别器和计费系统。需要注意的是，本实施例以纺织品回收为例，但并不仅限于回收衣服织物等材料。所述箱体1前侧从上至下依次设有投递门21和回收门22，投递门21和回收门22分上下设置，方便使用者投递回收物品，以避免使用者需要蹲低或者弯腰，以提高用户体验。

[0039] 回收仓2设置于箱体1内下方，分别连通所述投递门21和所述回收门22，所述回收仓2内底端设置有底板23，所述底板23底端设置有重量感应器24，用以对底板23上的回收物品进行称重。

[0040] 摄像头3设于所述回收仓2内所述底板23上方，对准所述底板23上的回收物品并用以获取回收物品的RGB数据和IR数据。具体地，包括IR摄像头和RGB摄像头。

[0041] 物品识别器，参见图3用于执行如下回收物品分类识别方法：

[0042] 步骤S100：获取可回收物品的RGB数据和IR数据，并且分别对所述RGB数据和IR数据归一化；

[0043] 步骤S200：将归一化的RGB数据输入到RGB特征提取网络以获取RGB特征图，其中所述RGB特征图表征可回收物品的外形轮廓及纹理；

[0044] 步骤S300：将归一化的IR数据输入到IR特征提取网路以获取IR特征图，其中所述IR特征图表征可回收物品的材质，所述IR特征图和RGB特征图长宽相等；

[0045] 步骤S400：将所述RGB特征图和IR特征图合并为特征数据集，并且将所述特征数据集输入到分类网络中以获取所述可回收物品的分类，其中，所述可回收物品分类包括金属垃圾、纺织物垃圾和玻璃垃圾，并且所述金属垃圾分类至少包括铁、铝、铜其中的一个子分类。在一个实施例中，可以同时具备铁、铝、铜三个子分类，也可以为铁铝或铁铜两个子分类。

[0046] 计费系统用于根据回收物品的分类和重量，生成支付金额，并支付。

[0047] 优选地，物品识别器为具备上述功能的硬件或软件处理器，在本实施例中，可以具体为基于安卓的管理程序APP。在另外的一些实施例中，也可以被分成如下的模块：

[0048] 预处理模块100，用于分别对所述RGB数据和IR数据归一化；

[0049] RGB提取模块200，用于将归一化的RGB数据输入到RGB特征提取网络以获取RGB特征图，其中所述RGB特征图表征可回收物品的外形轮廓及纹理；

[0050] IR提取模块300，用于将归一化的IR数据输入到IR特征提取网路以获取IR特征图，其中所述IR特征图表征可回收物品的材质，所述IR特征图和RGB特征图长宽相等；

[0051] 分类模块400，用于将所述RGB特征图和IR特征图合并为特征数据集，并且将所述特征数据集输入到分类网络中以获取所述可回收物品的分类，其中，所述可回收物品分类包括金属垃圾、纺织物垃圾和玻璃垃圾，并且所述金属垃圾分类包括铁、铝、铜子分类。

[0052] 本发明回收系统，在传统的回收箱体1之上，设置了摄像头3，并分别对可回收物品获取RGB数据和IR数据，并且分别提取RGB特征图和IR特征图，其中RGB特征图和IR特征图反应的是一个可回收物品的图像特征。其中RGB特征图包含的的信息比较丰富，能够体现可回收物品的外轮廓和纹理，有利于识别可回收物品的具体品类。IR特征图主要通过反光反应可回收物品的材质属性，IR数据是通过红外线获取的，因此在各种光照环境下，IR特征图都能够反应可回收物品的材质属性。然后通过分类，计算可回收材质的重量，而通过计费系统，可以将回收物品折算成金额支付给投递回收物品的人员，从而提高回收的积极性。该方案自动对可回收物品进行基于种类的计价。当检测到可回收物品的种类多于一种时，根据价格最低的物品种类及可回收物品的重量进行计价。

[0053] 具体地，所述箱体1内顶部设有L型支架31，在所述L型支架31底端设有所述摄像头3，且所述摄像头3靠近所述投递门21设置，摄像头3同时集成IR和RGB两种摄像头3。同时因为摄像头3靠近所述投递门21设置，可以在回收物品由投递门21投入的瞬间进行识别，防止在掉落回收仓2内后因为滚动等原因造成识别误差，提高识别效率和精准度。

[0054] 进一步地，还包括通知系统，根据回收物品的总重量超过预设值，通知清理人员回收回收物品。优选地，可以采用诸如微信、支付宝等即时通信工具软件进行通知，也可以采用短信、电话通知等方式。

[0055] 参考图3进一步的，所述RGB特征提取网络和IR特征网络分别包括第一卷积网络，所述第一卷积网络与一个深度残差网络共享参数，所述RGB特征提取网络和IR特征网络的训练方法具体包括：

[0056] 步骤S11：提取第一卷积网络：通过训练集对所述深度残差网络训练；通过所述深度残差网络丢弃的参数组成的第一卷积网络；通过测试集对所述第一卷积网络评分；

[0057] 步骤S12：对所述深度残差网络循环执行提取第一卷积网络，以获取多组第一卷积网络和所述第一卷积网络对应的评分。

[0058] 步骤S13：分别指定多组所述第一卷积网络中评分最高的，作为rgb特征提取网络或IR特征网络中的卷积层。

[0059] RGB特征提取网络和IR特征提取网络是分别进行训练的，训练所需的步骤相同，所需训练集和参数调整，以RGB特征提取网络或IR特征提取网络的需求设定。以RGB特征提取网络为例，该方法通过训练集对深度残差网络进行训练，在训练的过程当中，为防止梯度消失，深度残差网络随机性的丢弃掉一部分参数，通过丢弃的一部分参数结合特征数据集形成一个参数规模更小的第一卷积网络。

[0060] 随着训练的进行，每轮训练均进行一次第一卷积网络的提取，深度残差网络每次丢弃的参数是随机的，因此被丢弃的参数同样得到了训练，获取到的第一卷积网络整体性能也在提升，对若干次训练之后产生的若干个第一卷积网络进行评分。

[0061] 对于提取的多个第一卷积网络，提取其中得分最高的一个作为RGB特征提取网络中卷积的部分，同理IR特征提取网络中的卷积的部分，也通过相同的方式提取确定。该方案能够保证特征提取精度，以保证分类准确度的基础之上，答复的减少RGB特征提取网络和IR特征提取网络的大小，减少RGB特征提取网络和IR特征提取网络的参数数量，以降低特征提取过程中的计算开销。提升可回收物品识别的效率。

[0062] 在一个实施例中，经过若干次训练之后得到的第一网络的特征提取准确度分别为87.4％，88.6％，92.7％，94.1％，96.2％，97.5％，而残差网络本身最终训练后的特征提取精度为98.7％，可见准确度最高的第一网络，其特征提取的精度已经非常接近残差网路的水平，而计算开销大大降低。

[0063] 进一步的，所述深度残差网络中，每个残差块中的最后一项BN层中的缩放参数γ设置0以输出全0向量。

[0064] 通过将参数γ设置0以输出全0向量，使得残差块在残差连接前输出全0向量，以降低残差网络输出矩阵的规模，提升第一矩阵的训练效率。该方案能加快在任意环境下部署可回收物识别方法时的速度。

[0065] 进一步的，设置所述深度残差网络的学习率为指数衰减，并且设置所述深度残差网络的最低学习率为初始学习率的百分之五。

[0066] 该方案保持深度残差网络的学习率，防止第一网络训练过程中出现过拟合，该方案提升第一网络提取的可回收物特征的丰富程度，以提升可回收物分类的准确度。

[0067] 进一步的，所述通过训练集对所述深度残差网络训练的过程当中，当深度残差网络中的卷积核中的参数小于预设值时，将所述参数设置为0，以使得各卷积核形成稀疏矩阵。

[0068] 具体的，该方案将减少深度残差网络以及第一卷积网络当中的参数数量，对于一些取值接近于0的参数而言，即无法提供明显的特征，又占用计算机资源，通过将这些参数置零，能够大大减少神经网络的计算量，同时还能保证可回收物品的特征不会被丢失，该方案提升了可回收物品的识别效率。

[0069] 进一步的，所述稀疏矩阵中的非零参数集中，形成块状。

[0070] 该方案，能够将特征的提取集中在图像中，可回收物能够提供足够特征的位置上，该方案提升特征提取的精度。

[0071] 在一些实施例中，所述投递门21被设置为仅能朝向所述回收仓2内侧方向转动打开。具体地，可以通过在投递门21内侧上沿设置单向转轴、扭力弹簧实现，以防止有人在投递时偷取回收仓2内的织物。

[0072] 所述投递门21上设有用以锁住所述投递门21的第一电子锁，所述回收门22上设有用以锁住所述回收门22的第二电子锁。以防止在未使用状态下有人窃取回收仓2内的回收物品。

[0073] 作为对本实施例进一步地优化，所述箱体1内还设有用以回收电子设备的手机回收仓4，所述箱体1上设有用以开启或关闭手机回收仓4的手机仓门41，所述手机仓门41上设有第三电子锁，且所述手机回收仓4内设有探测装置，用以探测手机回收仓4内是否有电子设备并经所述通知系统通知清理人员回收。第三电子锁的设置，可以防止有人窃取手机回收仓4内的电子设备。

[0074] 具体地，所述探测装置为压力传感器或数据线。压力传感器通过探测手机回收仓4内底部压力，从而判定手机回收仓4内是否有待回收的电子设备。数据线则可以通过使用者手动连接，从而形成既可以为电子设备充电或识别电子设备型号，又可以探知手机回收仓4内是否有待回收的电子设备的状态。

[0075] 在另外的一个实施例中，所述箱体1内所述回收仓2一侧还设有打印机，用以与云端连接，打印云端照片或者文档，以提高回收系统的娱乐功能。

[0076] 在另外的一个实施例中，所述箱体1顶部设有灯箱5，可以播报广告或其他信息，以提高回收系统的娱乐功能。

[0077] 以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。