CN110717426A - 基于域自适应学习的垃圾分类方法、电子设备及存储介质 - Google Patents

基于域自适应学习的垃圾分类方法、电子设备及存储介质 Download PDF

Info

Publication number
CN110717426A
CN110717426A CN201910920950.9A CN201910920950A CN110717426A CN 110717426 A CN110717426 A CN 110717426A CN 201910920950 A CN201910920950 A CN 201910920950A CN 110717426 A CN110717426 A CN 110717426A
Authority
CN
China
Prior art keywords
garbage
classified
domain
image
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910920950.9A
Other languages
English (en)
Inventor
贺鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Original Assignee
Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuo Erzhi Lian Wuhan Research Institute Co Ltd filed Critical Zhuo Erzhi Lian Wuhan Research Institute Co Ltd
Priority to CN201910920950.9A priority Critical patent/CN110717426A/zh
Publication of CN110717426A publication Critical patent/CN110717426A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于域自适应学习的垃圾分类方法、电子设备及存储介质。本发明利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类，然后利用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃圾的类型实现对待分类垃圾进行进一步的精细分类，提高了垃圾在实际垃圾分类场景中的分类准确率。

Description

基于域自适应学习的垃圾分类方法、电子设备及存储介质
技术领域
本发明涉及垃圾分类领域，具体涉及一种基于域自适应学习的垃圾分类方法、电子设备及存储介质。
背景技术
为了有效地减少垃圾的处理量，减缓对地球资源的消耗，可以对垃圾中可回收的垃圾进行分类回收再利用。目前，可回收垃圾的分类回收方法主要包括人工拣选、风选等，其人工成本高、处理速度慢、效率低。此外,现有的智能垃圾分类方法，大都利用扫取条形码的形式进行垃圾分类识别，其需要一定的人工干预，且难以做到精细化的各类垃圾分类，在实际推广上难度较大。
发明内容
鉴于以上内容，有必要提出一种基于域自适应学习的垃圾分类方法、电子设备及计算机可读存储介质以提高垃圾分类的智能化及效率化。
本申请的第一方面提供一种基于域自适应学习的垃圾分类方法，所述方法包括：
获取待分类垃圾的第一图像；
利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类；
获取归类到同一类中的外形相同或相似的所述待分类垃圾的第二图像；及
采用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别所述待分类垃圾的类型。
优选地，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
根据灰度颜色直方图算法计算所述第一图像间的目标相似度，及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
优选地，所述根据灰度颜色直方图算法计算所述第一图像间的目标相似度及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类包括：
将待比对的至少两张所述第一图像进行灰度化处理，得到所述第一图像的灰度图像；
计算所述灰度图像的一维直方图并对所述一维直方图做归一化处理；
创建一张目标图用于显示各个像素的直方图，其中，所述直方图中的横坐标为灰度级，所述直方图中的纵坐标为像素个数；
将每个所述直方图绘制到创建的目标图中；
通过度量两张所述第一图像的直方图的巴氏距离来计算所述第一图像的目标相似度；及
根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
优选地，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
利用灰度共生矩阵提取每一第一图像的图像纹理特征；
根据所述第一图像的图像纹理特征计算所述第一图像间的目标相似度；及
根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
优选地，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
根据灰度颜色直方图算法计算所述第一图像间的第一相似度；
采用灰度共生矩阵提取每一第一图像的图像纹理特征，根据所述第一图像的图像纹理特征计算所述第一图像间的第二相似度；
将所述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目标相似度；及
根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
优选地，所述训练所述域自适应学习网络模型包括：
从互联网上爬取各类的生活用品图像，并通过将同一类的生活用品图像存放在一个文件夹将所述生活用品图像进行图片级别的标注，并将带标签的图像数据作为源域数据；
收集生活垃圾图像作为目标域数据；
搭建所述域自适应学习网络模型，分别将带标签的源域数据和不带标签的目标域数据作为所述域自适应学习网络模型的两种输入，其中，所述域自适应学习网络模型中的源域支路和目标域的特征提取网络共享权重；
对所述源域数据及目标数据进行特征提取后进行域对抗学习，并采用多任务损失函数来判断所述域自适应学习网络模型是否收敛；及
调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标值的差值在预设阈值范围内，得到训练好的域自适应学习网络模型。
优选地，所述搭建域自适应学习网络模型包括：
确定构造所述域自适应习网络模型的组合罚目标函数，其中，所述域自适应习网络模型时对目标域数据和源域数据进行分类的分类器；
基于所述组合罚目标函数确定域自适应泛化误差上界；及
基于所述自适应泛化误差上界，对两个以上分类器进行协同训练，构造出域自适应习网络模型，其中，所述组合罚目标函数为εa(h)＝aεT(h)+(1-a)εS(h)，其中εa(h)表示组合罚目标函数，εT(h)表示目标域期望误差，εS(h)表示源域期望差，h表示假设函数类H中的参考假设函数。
优选地，所述方法还包括：
根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处。
本申请的第二方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于域自适应学习的垃圾分类方法。
本申请的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于域自适应学习的垃圾分类方法。
本发明利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类，然后利用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃圾的类型实现对待分类垃圾进行进一步的精细分类，提高了垃圾在实际垃圾分类场景中的分类准确率。
附图说明
图1为本发明一实施方式中基于域自适应学习的垃圾分类的流程图。
图2为本发明一实施方式中利用图像相似度度量的方法进行垃圾分类的方法流程图。
图3为本发明一实施方式中训练所述域自适应学习网络模型的方法流程图。
图4为本发明一实施方式中基于域自适应学习的垃圾分类装置的结构图。
图5为本发明一实施方式中电子设备的示意图。
主要元件符号说明
垃圾分类装置 40
第一图像获取模块 401
第一分类模块 402
第二图像获取模块 403
第二分类模块 404
传送控制模块 405
电子设备 6
存储器 61
处理器 62
计算机程序 63
步骤 S11～S15
步骤 S121～S122
步骤 S141～S145
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明基于域自适应学习的垃圾分类方法应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本发明一实施方式中基于域自适应学习的垃圾分类方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图1所示，所述基于域自适应学习的垃圾分类方法具体包括以下步骤：
步骤S11，获取待分类垃圾的第一图像。
本实施方式中，第一垃圾分类装置上安装有摄像头，通过所述第一垃圾分类装置上的摄像头获取待分类垃圾的第一图像。在一实施方式中，待分类垃圾为单件垃圾。当居民把单件垃圾放到第一垃圾分类装置中时，通过所述第一垃圾分类装置上的摄像头摄取单件垃圾的图像，并将摄取的图像作为待分类垃圾的第一图像。在另一实施方式中，所述待分类垃圾打包在容器中。当居民把单件垃圾放到第一垃圾分类装置中时，通过所述第一垃圾分类装置中的分拣装置将所述容器中的垃圾取出，并通过摄像头分别摄取容器中的每一垃圾的图像作为待分类垃圾的第一图像。本实施方式中，所述分拣装置可以为机械手臂、夹爪等装置。
步骤S12，利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类。
请参考图2，所示为本发明一实施方式中利用图像相似度度量的方法进行垃圾分类的方法流程图。本实施方式中，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
步骤S121，根据灰度颜色直方图算法计算所述第一图像间的目标相似度；及
步骤S122，根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
具体的，将待比对的至少两张第一图像进行灰度化处理，得到所述第一图像的灰度图像；计算所述灰度图像的一维直方图并对所述一维直方图做归一化处理；创建一张目标图用于显示各个像素的直方图，其中，所述直方图中的横坐标为灰度级，所述直方图中的纵坐标为像素个数；将每个直方图绘制到创建的目标图中；通过度量两张第一图像的直方图的巴氏距离来计算所述第一图像的目标相似度；及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
在一实施方式中，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：利用灰度共生矩阵提取每一第一图像的图像纹理特征；根据所述第一图像的图像纹理特征计算所述第一图像间的目标相似度；及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。在具体实施方式中，所述图像纹理特征包括自相关、对比度、熵及逆差矩。
在一实施方式中，所述利用图像相似度度量的方法对所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：根据灰度颜色直方图算法计算所述第一图像间的第一相似度；采用灰度共生矩阵提取每一第一图像的图像纹理特征，根据所述第一图像的图像纹理特征计算所述第一图像间的第二相似度；将所述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目标相似度；根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
本实施方式中，所述根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类包括：控制分拣装置将外形相同或相似的待分类垃圾放置到同一垃圾暂存盘中。例如，控制分拣装置将待分类垃圾中的所有肉类骨头分拣到同一个垃圾暂存盘中。
本实施方式中，利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类，并能够为后面对待分类垃圾的精细分类做准备。
步骤S13，获取归类到同一类中的外形相同或相似的待分类垃圾的第二图像。
本实施方式中，所述获取归类到同一类中的外形相同或相似的待分类垃圾的第二图像包括：将归类到同一类中的外形相似的待分类垃圾通过传送带传送到第二垃圾分类装置上，通过所述第二垃圾分类装置上的摄像头摄取所述待分类垃圾的第二图像。本实施方式中，所述第二垃圾分类装置上的摄像头的像素高于所述第一垃圾分类装置上的摄像头的像素，所述第二垃圾分类装置上的摄像头的数量多于所述第一垃圾分类装置上的摄像头的数量。本实施方式中，通过所述第二垃圾分类装置上的摄像头对每一待分类垃圾从不同的拍摄角度拍摄从而得到角度不同的多张第二图像。本实施方式中，利用拍摄角度不同的多张第二图像对待分类垃圾进行检测识别，可以提取待分类垃圾的更多特征信息，从而提高识别准确率，降低误判率。具体的，在一实施方式中，所述第二分类垃圾装置上包括一个摄像头及一可旋转的托盘。所述托盘与所述摄像头连接，用于驱动所述摄像头转动并对所述待分类垃圾拍照，得到所述待分类垃圾的主视图图像、后视图图像、仰视图图像、后视图图像、左视图图像、右视图图像。从而通过从不同角度、不同形态下的所述待分类垃圾的主视图图像、后视图图像、仰视图图像、后视图图像、左视图图像、右视图图像对所述待分类垃圾进行检测识别，及更全面地得到所述待分类垃圾的特征信息。在另一实施方式中，所述第二垃圾分类装置上的摄像头包括六个，分别为第一摄像头、第二摄像头、第三摄像头、第四摄像头、第五摄像头、第六摄像头，所述第一摄像头获取待分类垃圾的主视图图像，所述第二摄像头获取待分类垃圾的后视图图像，所述第三摄像头获取待分类垃圾的仰视图图像，所述第四摄像头获取待分类垃圾的俯视图图像，所述第五摄像头获取所述待分类垃圾的左视图图像，所述第六摄像头获取所述待分类垃圾的右视图图像。
所述方法还包括：对待分类垃圾的第二图像进行预处理以利于提取待分类垃圾的第二图像中的待分类垃圾的特征信息。本实施方式中，当待分类垃圾的第二图像是照片时，所述预处理包括对照片进行缩放、Gamma校正、图像增强或降噪滤波等处理；当所述待分类垃圾的第二图像为从视频中采集而获取的图片时，所述预处理可以包括提取视频的关键帧等。
步骤S14，采用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃圾的类型。请参考图3，所示为本发明一实施方式中训练域自适应学习网络模型的方法流程图。本实施方式中，训练所述域自适应学习网络模型包括：步骤S141，从互联网上爬取各类的生活用品图像，并通过将同一类的生活用品图像存放在一个文件夹将所述生活用品图像进行图片级别的标注，并将带标签的图像数据作为源域数据；步骤S142，收集生活垃圾图像作为目标域数据；步骤S143，搭建域自适应学习网络模型，分别将带标签的源域数据和不带标签的目标域数据作为所述域自适应学习网络模型的两种输入，其中，所述域自适应学习网络模型中的源域支路和目标域的特征提取网络共享权重；步骤S144，对所述源域数据及目标数据进行特征提取后进行域对抗学习，并采用多任务损失函数来判断所述域自适应学习网络模型是否收敛；步骤S145，调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标值的差值在预设阈值范围内，得到训练好的域自适应学习网络模型。
本实施方式中，可以采用生产对抗网络(Generative adversarial nets,GAN)对所述源域数据及目标数据的特征值进行对抗学习。采用生产对抗网络进行对抗学习的主要原理是通过生成网络和判别网络不断博弈并训练，进而使生成网络学习到数据的分布。其中，生成网络用于接收一个随机数并通过接收的随机数生成图像，判别网络接收生成网络生成的图像，并判别所述图像为真实图像的概率，其中，当所述判别网络输出为1，则表示判别网络输出的图像为真实的图像，当所述判别网络输出为0，则表示判别网络输出的图像不是真实的图像。在训练过程中，生成网络的目标就是生成真实的图片去欺骗判别网络，而判别网络的目标是辨别出生成网络生成的假图像和真实图像的图像，如此，生成网络与判别网络构成一个动态的“博弈过程”，训练的最终平衡点是纳什平衡点。在训练完成后，生成网络可以从一段随机数中生成逼真的图像。本实施方式中，所述生成网络的优点包括：只使用了反向传播，而不需要复杂的马可科夫链；产生更加清晰，真实的样本；相比较于变分自编码器，GAN没有引入任何决定性偏置；损失函数设计简单。所述生成网络的缺点为训练GAN采用梯度下降法达到纳什平衡点，但有时找不到纳什平衡点。
本实施方式中，所述搭建域自适应学习网络模型包括：确定构造域自适应习网络模型的组合罚目标函数，其中，所述域自适应习网络模型时对目标域数据和源域数据进行分类的分类器；基于所述组合罚目标函数确定域自适应泛化误差上界；基于所述自适应泛化误差上界，对两个以上分类器进行协同训练，构造出域自适应习网络模型，其中，所述组合罚目标函数为εa(h)＝aεT(h)+(1-a)εS(h)，其中εa(h)表示组合罚目标函数，εT(h)表示目标域期望误差，εS(h)表示源域期望差，h表示假设函数类H中的参考假设函数。
本实施方式中，将待分类垃圾的第二图像输入到所述训练好的所述域自适应学习网络模型中，经所述域自适应学习网络模型得到所述待分类垃圾的分类结果为可回收垃圾、有害垃圾、干垃圾、湿垃圾四类中的一种。
步骤S15，根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处。
本实施方式中，所述根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处包括：根据待分类垃圾的识别结果将待分类垃圾通过传送带传送到与所述待分类垃圾的类型相对应的垃圾处理处。例如，所述待分类垃圾的类别分为可回收垃圾、有害垃圾、干垃圾、湿垃圾，每一类别对应一支路传送带，可以根据所述待分类垃圾的识别结果将待分类垃圾通过对应的支路传送带传送到对应的垃圾处理处。
本发明中，利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类，然后利用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃圾的类型实现对待分类垃圾进行进一步的精细分类，提高了垃圾在实际垃圾分类场景中的分类准确率。
实施例2
图4为本发明一实施方式中垃圾分类装置40的结构图。
在一些实施例中，所述垃圾分类装置40运行于电子设备中。所述垃圾分类装置40可以包括多个由程序代码段所组成的功能模块。所述垃圾分类装置40中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行垃圾分类的功能。
本实施例中，所述垃圾分类装置40根据其所执行的功能，可以被划分为多个功能模块。参阅图4所示，所述垃圾分类装置40可以包括第一图像获取模块401、第一分类模块402、第二图像获取模块403、第二分类模块404及传送控制模块405。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。所述在一些实施例中，关于各模块的功能将在后续的实施例中详述。
所述第一图像获取模块401获取待分类垃圾的第一图像。
本实施方式中，第一垃圾分类装置上安装有摄像头，所述第一图像获取模块401通过所述第一垃圾分类装置上的摄像头获取待分类垃圾的第一图像。在一实施方式中，待分类垃圾为单件垃圾。当居民把单件垃圾放到第一垃圾分类装置中时，所述第一图像获取模块401通过所述第一垃圾分类装置上的摄像头摄取单件垃圾的图像，并将摄取的图像作为待分类垃圾的第一图像。在另一实施方式中，所述待分类垃圾打包在容器中。当居民把单件垃圾放到第一垃圾分类装置中时，所述第一图像获取模块401通过所述第一垃圾分类装置中的分拣装置将所述容器中的垃圾取出，并通过摄像头分别摄取容器中的每一垃圾的图像作为待分类垃圾的第一图像。本实施方式中，所述分拣装置可以为机械手臂、夹爪等装置。
所述第一分类模块402利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类。
本实施方式中，所述第一分类模块402利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：根据灰度颜色直方图算法计算所述第一图像间的目标相似度，及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
具体的，所述第一分类模块402将待比对的至少两张第一图像进行灰度化处理，得到所述第一图像的灰度图像；计算所述灰度图像的一维直方图并对所述一维直方图做归一化处理；创建一张目标图用于显示各个像素的直方图，其中，所述直方图中的横坐标为灰度级，所述直方图中的纵坐标为像素个数；将每个直方图绘制到创建的目标图中；通过度量两张第一图像的直方图的巴氏距离来计算所述第一图像的目标相似度；及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
在一实施方式中，所述第一分类模块402利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：利用灰度共生矩阵提取每一第一图像的图像纹理特征；根据所述第一图像的图像纹理特征计算所述第一图像间的目标相似度；及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。在具体实施方式中，所述图像纹理特征包括自相关、对比度、熵及逆差矩。
在一实施方式中，所述第一分类模块402利用图像相似度度量的方法对所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：根据灰度颜色直方图算法计算所述第一图像间的第一相似度；采用灰度共生矩阵提取每一第一图像的图像纹理特征，根据所述第一图像的图像纹理特征计算所述第一图像间的第二相似度；将所述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目标相似度；根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
本实施方式中，所述根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类包括：控制分拣装置将外形相同或相似的待分类垃圾放置到同一垃圾暂存盘中。例如，控制分拣装置将待分类垃圾中的所有肉类骨头分拣到同一个垃圾暂存盘中。
本实施方式中，利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类，并能够为后面对待分类垃圾的精细分类做准备。
所述第二图像获取模块403获取归类到同一类中的外形相似的所述待分类垃圾的第二图像。
本实施方式中，所述第二图像获取模块403获取待分类垃圾的第二图像包括：将归类到同一类中的外形相似的待分类垃圾通过传送带传送到第二垃圾分类装置上，通过所述第二垃圾分类装置上的摄像头摄取所述待分类垃圾的第二图像。本实施方式中，所述第二垃圾分类装置上的摄像头的像素高于所述第一垃圾分类装置上的摄像头的像素，所述第二垃圾分类装置上的摄像头的数量多于所述第一垃圾分类装置上的摄像头的数量。本实施方式中，通过所述第二垃圾分类装置上的摄像头对每一待分类垃圾从不同的拍摄角度拍摄从而得到角度不同的多张第二图像。本实施方式中，相比于单独使用一张待分类垃圾的第二图像进行检测识别，利用拍摄角度不同的多张第二图像对待分类垃圾进行检测识别，可以提取待分类垃圾的更多特征信息，从而提高识别准确率，降低误判率。具体的，在一实施方式中，所述第二分类垃圾装置上包括一个摄像头及一可旋转的托盘。所述托盘与所述摄像头连接，用于驱动所述摄像头转动并对所述待分类垃圾拍照，得到所述待分类垃圾的主视图图像、后视图图像、仰视图图像、后视图图像、左视图图像、右视图图像。从而通过从不同角度、不同形态下的所述待分类垃圾的主视图图像、后视图图像、仰视图图像、后视图图像、左视图图像、右视图图像对所述待分类垃圾进行检测识别，及更全面地得到所述待分类垃圾的特征信息。在另一实施方式中，所述第二垃圾分类装置上的摄像头包括六个，分别为第一摄像头、第二摄像头、第三摄像头、第四摄像头、第五摄像头、第六摄像头，所述第一摄像头获取待分类垃圾的主视图图像，所述第二摄像头获取待分类垃圾的后视图图像，所述第三摄像头获取待分类垃圾的仰视图图像，所述第四摄像头获取待分类垃圾的俯视图图像，所述第五摄像头获取所述待分类垃圾的左视图图像，所述第六摄像头获取所述待分类垃圾的右视图图像。
所述第二图像获取模块403还包括：对待分类垃圾的第二图像进行预处理以利于提取待分类垃圾的第二图像中的待分类垃圾的特征信息。本实施方式中，当待分类垃圾的第二图像是照片时，所述预处理包括对照片进行缩放、Gamma校正、图像增强或降噪滤波等处理；当所述待分类垃圾的第二图像为从视频中采集而获取的图片时，所述预处理可以包括提取视频的关键帧等。
所述第二分类模块404采用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃圾的类型。
本实施方式中，所述第二分类模块404训练所述域自适应学习网络模型包括：从互联网上爬取各类的生活用品图像，并通过将同一类的生活用品图像存放在一个文件夹将所述生活用品图像进行图片级别的标注，并将带标签的图像数据作为源域数据；收集生活垃圾图像作为目标域数据；搭建域自适应学习网络模型，分别将带标签的源域数据和不带标签的目标域数据作为所述域自适应学习网络模型的两种输入，其中，所述域自适应学习网络模型中的源域支路和目标域的特征提取网络共享权重；对所述源域数据及目标数据进行特征提取后进行域对抗学习，并采用多任务损失函数来判断所述域自适应学习网络模型是否收敛；调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标值的差值在预设阈值范围内，得到训练好的域自适应学习网络模型。
本实施方式中，可以采用生产对抗网络对所述源域数据及目标数据的特征值进行对抗学习。采用生产对抗网络进行对抗学习的主要原理是通过生成网络和判别网络不断博弈并训练，进而使生成网络学习到数据的分布。其中，生成网络用于接收一个随机数并通过接收的随机数生成图像，判别网络接收生成网络生成的图像，并判别所述图像为真实图像的概率，其中，当所述判别网络输出为1，则表示判别网络输出的图像为真实的图像，当所述判别网络输出为0，则表示判别网络输出的图像不是真实的图像。在训练过程中，生成网络的目标就是生成真实的图片去欺骗判别网络，而判别网络的目标是辨别出生成网络生成的假图像和真实图像的图像，如此，生成网络与判别网络构成一个动态的“博弈过程”，训练的最终平衡点是纳什平衡点。在训练完成后，生成网络可以从一段随机数中生成逼真的图像。本实施方式中，所述生成网络的优点包括：只使用了反向传播，而不需要复杂的马可科夫链；产生更加清晰，真实的样本；相比较于变分自编码器，GAN没有引入任何决定性偏置；损失函数设计简单。所述生成网络的缺点为训练GAN采用梯度下降法达到纳什平衡点，但有时找不到纳什平衡点。
本实施方式中，所述搭建域自适应学习网络模型包括：确定构造域自适应习网络模型的组合罚目标函数，其中，所述域自适应学习网络模型时对目标域数据和源域数据进行分类的分类器；基于所述组合罚目标函数确定域自适应泛化误差上界；基于所述自适应泛化误差上界，对两个以上分类器进行协同训练，构造出域自适应习网络模型，其中，所述组合罚目标函数为εa(h)＝aεT(h)+(1-a)εS(h)，其中εa(h)表示组合罚目标函数，εT(h)表示目标域期望误差，εS(h)表示源域期望差，h表示假设函数类H中的参考假设函数。
本实施方式中，将待分类垃圾的第二图像输入到所述训练好的所述域自适应学习网络模型中，经所述域自适应学习网络模型得到所述待分类垃圾的分类结果为可回收垃圾、有害垃圾、干垃圾、湿垃圾四类中的一种。
所述传送控制模块405根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处。
本实施方式中，所述传送控制模块405根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处包括：根据待分类垃圾的识别结果将待分类垃圾通过传送带传送到与所述待分类垃圾的类型相对应的垃圾处理处。例如，所述待分类垃圾的类别分为可回收垃圾、有害垃圾、干垃圾、湿垃圾，每一类别对应一支路传送带，可以根据所述待分类垃圾的识别结果将待分类垃圾通过对应的支路传送带传送到对应的垃圾处理处。
本发明中，利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类可以实现对待分类垃圾的粗分类，然后利用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别待分类垃圾的类型实现对待分类垃圾进行进一步的精细分类，提高了垃圾在实际垃圾分类场景中的分类准确率。
实施例3
图5为本发明一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述基于域自适应学习的垃圾分类方法实施例中的步骤，例如图1所示的步骤S11～S15。或者，所述处理器62执行所述计算机程序63时实现上述垃圾分类装置实施例中各模块/单元的功能，例如图4中的模块401～405。
示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器62执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成图4中的第一图像获取模块401、第一分类模块402、第二图像获取模块403、第二分类模块404及传送控制模块405，各模块具体功能参见实施例2。
本实施方式中，所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端终端装置等计算设备。本领域技术人员可以理解，所述示意图仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器62也可以是任何常规的处理器等，所述处理器62是所述电子设备6的控制中心，利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元，所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元，以及调用存储在存储器61内的数据，实现所述电子设备6的各种功能。所述存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备6的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于域自适应学习的垃圾分类方法，其特征在于，所述方法包括：
获取待分类垃圾的第一图像；
利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类；
获取归类到同一类中的外形相同或相似的所述待分类垃圾的第二图像；及
采用已训练好的域自适应学习网络模型对所述第二图像进行处理检测以识别所述待分类垃圾的类型。
2.如权利要求1所述的基于域自适应学习的垃圾分类方法，其特征在于，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
根据灰度颜色直方图算法计算所述第一图像间的目标相似度，及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
3.如权利要求1所述的基于域自适应学习的垃圾分类方法，其特征在于，所述根据灰度颜色直方图算法计算所述第一图像间的目标相似度及根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类包括：
将待比对的至少两张所述第一图像进行灰度化处理，得到所述第一图像的灰度图像；
计算所述灰度图像的一维直方图并对所述一维直方图做归一化处理；
创建一张目标图用于显示各个像素的直方图，其中，所述直方图中的横坐标为灰度级，所述直方图中的纵坐标为像素个数；
将每个所述直方图绘制到创建的目标图中；
通过度量两张所述第一图像的直方图的巴氏距离来计算所述第一图像的目标相似度；及
根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
4.如权利要求2所述的基于域自适应学习的垃圾分类方法，其特征在于，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
利用灰度共生矩阵提取每一第一图像的图像纹理特征；
根据所述第一图像的图像纹理特征计算所述第一图像间的目标相似度；及
根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
5.如权利要求2所述的基于域自适应学习的垃圾分类方法，其特征在于，所述利用图像相似度度量的方法对至少两个所述第一图像进行分析，并根据分析结果将外形相同或相似的待分类垃圾归类到同一类包括：
根据灰度颜色直方图算法计算所述第一图像间的第一相似度；
采用灰度共生矩阵提取每一第一图像的图像纹理特征，根据所述第一图像的图像纹理特征计算所述第一图像间的第二相似度；
将所述第一相似度及所述第二相似度进行加权平均计算出所述第一图像间的目标相似度；及
根据计算出的目标相似度将外形相同或相似的待分类垃圾归类到同一类。
6.如权利要求1所述的基于域自适应学习的垃圾分类方法，其特征在于，所述训练所述域自适应学习网络模型包括：
从互联网上爬取各类的生活用品图像，并通过将同一类的生活用品图像存放在一个文件夹将所述生活用品图像进行图片级别的标注，并将带标签的图像数据作为源域数据；
收集生活垃圾图像作为目标域数据；
搭建所述域自适应学习网络模型，分别将带标签的源域数据和不带标签的目标域数据作为所述域自适应学习网络模型的两种输入，其中，所述域自适应学习网络模型中的源域支路和目标域的特征提取网络共享权重；
对所述源域数据及目标数据进行特征提取后进行域对抗学习，并采用多任务损失函数来判断所述域自适应学习网络模型是否收敛；及
调整所述域自适应学习网络模型的模型参数以使任务损失函数的输出值与目标值的差值在预设阈值范围内，得到训练好的域自适应学习网络模型。
7.如权利要求6所述的基于域自适应学习的垃圾分类方法，其特征在于，所述搭建域自适应学习网络模型包括：
确定构造所述域自适应习网络模型的组合罚目标函数，其中，所述域自适应习网络模型时对目标域数据和源域数据进行分类的分类器；
基于所述组合罚目标函数确定域自适应泛化误差上界；及
基于所述自适应泛化误差上界，对两个以上分类器进行协同训练，构造出域自适应习网络模型，其中，所述组合罚目标函数为εa(h)＝aεT(h)+(1-a)εS(h)，其中εa(h)表示组合罚目标函数，εT(h)表示目标域期望误差，εS(h)表示源域期望差，h表示假设函数类H中的参考假设函数。
8.如权利要求1所述的基于域自适应学习的垃圾分类方法，其特征在于，所述方法还包括：
根据待分类垃圾的识别结果将不同类型的垃圾传送至与所述类型对应的垃圾处理处。
9.一种电子设备，其特征在于：所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8中任一项所述基于域自适应学习的垃圾分类方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述基于域自适应学习的垃圾分类方法。
CN201910920950.9A 2019-09-27 2019-09-27 基于域自适应学习的垃圾分类方法、电子设备及存储介质 Pending CN110717426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910920950.9A CN110717426A (zh) 2019-09-27 2019-09-27 基于域自适应学习的垃圾分类方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910920950.9A CN110717426A (zh) 2019-09-27 2019-09-27 基于域自适应学习的垃圾分类方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN110717426A true CN110717426A (zh) 2020-01-21

Family

ID=69210988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910920950.9A Pending CN110717426A (zh) 2019-09-27 2019-09-27 基于域自适应学习的垃圾分类方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN110717426A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111543898A (zh) * 2020-05-09 2020-08-18 小狗电器互联网科技（北京）股份有限公司 垃圾分类清扫方法、系统、电子设备、存储介质及扫地机
CN111723757A (zh) * 2020-06-28 2020-09-29 北京隆普智能科技有限公司 垃圾填埋场的监控方法及系统
CN111783841A (zh) * 2020-06-09 2020-10-16 中科院成都信息技术股份有限公司 基于迁移学习和模型融合的垃圾分类方法、系统及介质
CN111931597A (zh) * 2020-07-20 2020-11-13 苏州富鑫林光电科技有限公司 基于人工智能的垃圾分选方法及系统、存储介质、设备
CN112016586A (zh) * 2020-07-08 2020-12-01 武汉智筑完美家居科技有限公司 图片分类方法及装置
CN112598016A (zh) * 2020-09-17 2021-04-02 北京小米松果电子有限公司 图像分类方法及装置、通信设备及存储介质
JP2021159881A (ja) * 2020-04-01 2021-10-11 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
US11263485B2 (en) * 2019-11-14 2022-03-01 Institute For Information Industry Transfer model training system and method

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102917A (zh) * 2014-07-03 2014-10-15 中国石油大学(北京) 域自适应分类器的构造及数据分类的方法和装置
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
US20180144216A1 (en) * 2016-11-23 2018-05-24 Industrial Technology Research Institute Classification method, classification module and computer program product using the same
CN108280686A (zh) * 2018-01-24 2018-07-13 成都奥北环保科技有限公司 垃圾分类回收信息管理系统
CN108861184A (zh) * 2018-04-03 2018-11-23 广州大学 一种基于目标检测和介电常数的垃圾分类识别装置及方法
CN109472267A (zh) * 2018-03-23 2019-03-15 苏州诺登德智能科技有限公司 图片相似度比对算法
CN109753992A (zh) * 2018-12-10 2019-05-14 南京师范大学 基于条件生成对抗网络的无监督域适应图像分类方法
CN110135579A (zh) * 2019-04-08 2019-08-16 上海交通大学 基于对抗学习的无监督领域适应方法、系统及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102917A (zh) * 2014-07-03 2014-10-15 中国石油大学(北京) 域自适应分类器的构造及数据分类的方法和装置
US20160078359A1 (en) * 2014-09-12 2016-03-17 Xerox Corporation System for domain adaptation with a domain-specific class means classifier
US20180144216A1 (en) * 2016-11-23 2018-05-24 Industrial Technology Research Institute Classification method, classification module and computer program product using the same
CN108280686A (zh) * 2018-01-24 2018-07-13 成都奥北环保科技有限公司 垃圾分类回收信息管理系统
CN109472267A (zh) * 2018-03-23 2019-03-15 苏州诺登德智能科技有限公司 图片相似度比对算法
CN108861184A (zh) * 2018-04-03 2018-11-23 广州大学 一种基于目标检测和介电常数的垃圾分类识别装置及方法
CN109753992A (zh) * 2018-12-10 2019-05-14 南京师范大学 基于条件生成对抗网络的无监督域适应图像分类方法
CN110135579A (zh) * 2019-04-08 2019-08-16 上海交通大学 基于对抗学习的无监督领域适应方法、系统及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘雅璇 等: "基于自我训练的长效垃圾分类方法", 《中国图象图形学报》 *
吴健 等: "基于计算机视觉的废物垃圾分析与识别研究", 《信息技术与信息化》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263485B2 (en) * 2019-11-14 2022-03-01 Institute For Information Industry Transfer model training system and method
JP2021159881A (ja) * 2020-04-01 2021-10-11 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
JP7301783B2 (ja) 2020-04-01 2023-07-03 Ｊｘ金属株式会社 電子・電気機器部品屑の組成解析方法、電子・電気機器部品屑の処理方法、電子・電気機器部品屑の組成解析装置及び電子・電気機器部品屑の処理装置
CN111543898A (zh) * 2020-05-09 2020-08-18 小狗电器互联网科技（北京）股份有限公司 垃圾分类清扫方法、系统、电子设备、存储介质及扫地机
CN111783841A (zh) * 2020-06-09 2020-10-16 中科院成都信息技术股份有限公司 基于迁移学习和模型融合的垃圾分类方法、系统及介质
CN111783841B (zh) * 2020-06-09 2023-08-04 中科院成都信息技术股份有限公司 基于迁移学习和模型融合的垃圾分类方法、系统及介质
CN111723757A (zh) * 2020-06-28 2020-09-29 北京隆普智能科技有限公司 垃圾填埋场的监控方法及系统
CN112016586A (zh) * 2020-07-08 2020-12-01 武汉智筑完美家居科技有限公司 图片分类方法及装置
CN111931597A (zh) * 2020-07-20 2020-11-13 苏州富鑫林光电科技有限公司 基于人工智能的垃圾分选方法及系统、存储介质、设备
CN111931597B (zh) * 2020-07-20 2024-06-04 苏州富鑫林光电科技有限公司 基于人工智能的垃圾分选方法及系统、存储介质、设备
CN112598016A (zh) * 2020-09-17 2021-04-02 北京小米松果电子有限公司 图像分类方法及装置、通信设备及存储介质

Similar Documents

Publication Publication Date Title
CN110717426A (zh) 基于域自适应学习的垃圾分类方法、电子设备及存储介质
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
WO2019000653A1 (zh) 一种图像目标识别方法及装置
WO2020164278A1 (zh) 一种图像处理方法、装置、电子设备和可读存储介质
CN104915673B (zh) 一种基于视觉词袋模型的目标分类方法和系统
CA2435290A1 (en) Computer-aided image analysis
US11335086B2 (en) Methods and electronic devices for automated waste management
CN103345631A (zh) 图像特征提取、训练、检测方法及模块、装置、系统
Chen et al. Seeking multi-thresholds directly from support vectors for image segmentation
CN111695392A (zh) 基于级联的深层卷积神经网络的人脸识别方法及系统
CN112257709B (zh) 一种招牌照片审核方法、装置、电子设备及可读存储介质
CN114937179B (zh) 垃圾图像分类方法、装置、电子设备及存储介质
Rakhra et al. Classification and Prediction of License Plates Using Deeply Learned Convolutional Neural Networks
CN111353491A (zh) 一种文字方向确定方法、装置、设备及存储介质
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
Cerman et al. A mobile recognition system for analog energy meter scanning
Siddiqi Fruit-classification model resilience under adversarial attack
CN104966109A (zh) 医疗化验单图像分类方法及装置
CN116958503B (zh) 一种基于图像处理的污泥干化等级识别方法及系统
Wu et al. Automatic gear sorting system based on monocular vision
CN113920434A (zh) 一种基于目标的图像翻拍检测方法、装置及介质
Verma et al. Enhanced character recognition using surf feature and neural network technique
Meng et al. Pavement crack detection using sketch token
Ilayarajaa et al. Text recognition in moving vehicles using deep learning neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200121