具体实施方式

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。

需要说明的是，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。

参见图1-6所示的本发明模块化回收系统的一个实施例，包括：主控模块1和用以与所述主控模块1可反复地拆卸地连接的回收箱体模块2。主控模块1包括设有主控器3的主控箱体10。

所述回收箱体模块2前侧从上至下依次设有投递门21和投回收门22，所述回收箱体模块2包括设置于所述回收箱体模块2内下方的回收仓200和设于所述回收仓200内的摄像头4，所述回收仓200分别连通所述投递门21和所述投回收门22，所述回收仓200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，所述摄像头4设于所述底板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。

所述主控器3包括物品识别器，用于获取所述摄像头4所拍摄的回收物品数据，并将回收物品进行识别并分类，优选地，主控器3为具备上述功能的硬件或软件处理器，在本实施例中，可以具体为安卓设备。

本发明模块化回收系统，将传统的回收箱体变更为主控模块1和回收箱体模块2的模块系统，在场地限制较小的区域，可以通过多设置回收箱体模块2的方式，提供更多更大的回收空间，而在场地限制较大的区域，可以单独只设置一个回收箱体模块2，从而适应场地需要，为回收系统的布置提供了更多的灵活性，同时因为摄像头4的设置，同时收集回收物品的IR和RGB图像数据，识别分类更为精准。

进一步地，所述主控模块1固定连接有至少一个所述回收箱体模块2。在本实施例中，主控模块1可以集成一个回收箱体模块2成为带有一个回收箱体的主控箱体10，如图1所示，也可以单独成为一个主控箱体10，以应用于不同的场地空间需要，如当空间较简单时，可以应用带有回收箱体模块2的主控模块1，而当场地空间较复杂时，可以应用单独的主控模块1以控制较多数量的回收箱体模块2并分散进行布置，这样的结构变化依旧落入本发明的保护范围之内。

具体地，所述物品识别器执行如下回收物品分类识别方法：

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；

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；

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；

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。

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。

在另外的一些实施例中，也可以被分成如下的模块：

预处理模块100，用于分别对所述RGB数据和IR数据归一化；

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；

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；

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。

具体地，所述回收箱体内回收仓200的顶部设有L型支架41，在所述L型支架41底端设有所述摄像头4，且所述摄像头4靠近所述投递门2121设置，摄像头4同时集成IR和RGB两种摄像头4。同时因为摄像头4靠近所述投递门2121设置，可以在回收物品由投递门2121投入的瞬间进行识别，防止在掉落回收仓2002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。

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。

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：

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；

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

进一步的，所述稀疏矩阵中的非零参数集中，形成块状。

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。

具体地，所述主控模块1和所述回收箱体模块2上分别设有接口(图示未给出)，所述接口上至少包括数据端接口和电源端接口，各所述端口通过数据线电连接。如此，则保证了回收箱体模块2和主控模块1之间可以通过数据线实现快速的拆装，形成模块化生产安装，以提高现场的安装/拆卸速度，提高效率。而所述回收箱体模块2包括至少两个所述接口，从而保证回收箱体可以通过数据线进行无限拓展，以满足更大场地空间下对回收物品的体积要求。

在本实施例中，所述主控器3还包括无线传输单元(图示未给出)，所述主控器3通过所述无线传输单元连接云端，以方便进行支付和通知。相应地，本实施例还可以对回收箱体或主控箱体10进行拓展，比如设置手机回收仓5或进行广告宣传的灯箱等，这样的结构变化依旧落入本发明的保护范围之内。

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。