CN111079639A - 垃圾图像分类模型构建的方法、装置、设备及存储介质 - Google Patents

垃圾图像分类模型构建的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111079639A
CN111079639A CN201911279341.6A CN201911279341A CN111079639A CN 111079639 A CN111079639 A CN 111079639A CN 201911279341 A CN201911279341 A CN 201911279341A CN 111079639 A CN111079639 A CN 111079639A
Authority
CN
China
Prior art keywords
garbage
image
classification
classification model
target
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.)
Granted
Application number
CN201911279341.6A
Other languages
English (en)
Other versions
CN111079639B (zh
Inventor
王豪豪
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN201911279341.6A priority Critical patent/CN111079639B/zh
Publication of CN111079639A publication Critical patent/CN111079639A/zh
Application granted granted Critical
Publication of CN111079639B publication Critical patent/CN111079639B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本申请涉及人工智能领域，公开了一种垃圾图像分类模型构建的方法、装置、设备及存储介质，提高垃圾分类模型对垃圾分类的准确性。本申请方法包括：通过卷积神经识别网络中的卷积层的多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息；通过池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；根据分类网络得到的分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；通过所述垃圾分类模型输出目标垃圾图像的目标分类结果；基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。

Description

垃圾图像分类模型构建的方法、装置、设备及存储介质
技术领域
本申请涉及智能决策领域，尤其涉及垃圾图像分类模型构建的方法、装置、设备及存储介质。
背景技术
为响应国家推行的垃圾分类制度，各市民进行了垃圾分类行动，但靠市民区分垃圾的分类，存在效率低和错误率高或其他问题，且市民在无法区分垃圾的分类时容易产生不良情绪，导致乱扔垃圾，对环境产生较大污染的不良情况。
目前的垃圾分类处理中，通过获取垃圾图片训练集，通过卷积神经网络获取所述垃圾图片训练集的特征向量；将所述特征向量输入至单个非线性分类器，并根据垃圾标签信息对所述单个非线性分类器进行监督学习，以获取分类模型，通过所述分类模型对目标垃圾图片进行分类以获取垃圾分类结果。
由于其构建的网络深度低，以致使对垃圾图片的特征拟合的能力弱和分类的准确度低，因而，导致垃圾分类模型对垃圾分类的准确性低。
发明内容
本申请提供了一种垃圾图像分类模型构建的方法、装置、设备及存储介质，用于通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet算法对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。
本申请实施例的第一方面提供一种垃圾图像分类模型构建的方法，包括：
通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，所述多个小卷积核的分布数量从所述卷积神经识别网络的输入端至输出端逐渐增加，所述卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；
通过所述池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；
通过所述分类网络对所述特征信息进行分类处理，得到分类结果；
根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；
将所述垃圾分类模型部署至客户端，并将从所述客户端接收的目标垃圾图像输入至所述垃圾分类模型，通过所述垃圾分类模型输出所述目标垃圾图像的目标分类结果；
基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。
可选的，在本申请实施例第一方面的第一种实现方式中，所述根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型，包括：
根据所述分类结果获取评估所述卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估所述目标参数，获得评估值，所述目标参数包括所述待处理垃圾图像、所述待处理垃圾图像的样本数量、所述待处理垃圾图像的分类标签概率值、所述卷积神经识别网络的初始权值及偏差值、所述卷积层的数量和所述池化层的数量；
计算偏差值，所述偏差值为所述评估值与预设期望值的差值；
根据预置的单次正反向传播周期对所述卷积神经识别网络进行迭代训练，调整所述卷积神经识别网络的神经元的权值，直至所述偏差值小于预设阈值，得到目标权值；
将所述目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。
可选的，在本申请实施例第一方面的第二种实现方式中，所述根据所述分类结果获取评估所述卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估所述目标参数，获得评估值，包括：
通过激活函数ReLu函数对所述分类结果进行L1正规化处理和L2正规化处理，得到正规化分类结果；
分析所述正规化分类结果得到影响所述正规化分类结果的分类因素，将所述分类因素作为评估所述卷积神经识别网络分类精度的目标参数；
通过交叉熵损失函数计算所述目标参数，获得评估值。
可选的，在本申请实施例第一方面的第三种实现方式中，所述通过所述分类网络对所述特征信息进行分类处理，得到分类结果之后，所述根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型之前，所述方法还包括：
分析所述分类结果以确定待聚类数据，所述待聚类数据包括用户的经济层次、消费行为以及所述分类结果对应的在市场上的物品的用户的营销数据；
通过遮篷Canopy聚类算法对所述分类结果进行粗聚类处理，获得聚类数据；
通过K-均值K-means聚类算法对所述聚类数据进行细聚类处理，获得目标聚类数据；
通过协同过滤推荐算法对所述目标聚类数据进行分析，获得推荐信息，并将所述推荐信息添加链接到所述分类结果，所述推荐信息包括推荐的各项消费项目、所述分类结果对应的物品的相似物品或可替代物品以及所述分类结果对应的物品的其他用户的其他消费物品。
可选的，在本申请实施例第一方面的第四种实现方式中，所述基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型，包括：
将用户输入的所述目标分类结果中的错误分类信息输入至所述垃圾分类模型；
通过残差网络ResNet算法和多个所述集成学习弱分类器对所述错误分类信息对应的垃圾图像进行识别和分类，得到预分类结果；
对所述预分类结果进行对比分析，得到第一标记垃圾图像和第二标记垃圾图像，所述第一标记垃圾图像用于指示分类成功并标记的预分类结果对应的垃圾图像，所述第二标记垃圾图像用于指示分类失败并标记的预分类结果对应的垃圾图像；
将所述第一标记垃圾图像存储至数据库，以及根据所述第二标记垃圾图像调整所述垃圾分类模型的权重以使所述第二标记垃圾图像被分类成功，完成对所述垃圾分类模型的训练，得到更新的所述垃圾分类模型。
可选的，在本申请实施例第一方面的第五种实现方式中，所述通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息之前，所述方法还包括：
对目标垃圾图像进行归一化处理，得到待处理垃圾图像，所述归一化处理通过以下公式实现：
Figure BDA0002316264820000031
所述x0与所述y0是所述目标垃圾图像当前的像素点坐标，所述
Figure BDA0002316264820000032
是指第j个卷积面上在位置(x，y)的值，当j＝0时，所述
Figure BDA0002316264820000033
是所述卷积神经识别网络中所述目标垃圾图像的像素数据响应标准化的值，所述
Figure BDA0002316264820000034
是通过若干相邻卷积面在位置(x，y)的值计算，N是卷积层(或池化层)的总数，j是自然数，i是相邻面的个数，k、α和β是可调参数，本申请不做具体限定。
可选的，在本申请实施例第一方面的第六种实现方式中，所述对目标垃圾图像进行归一化处理，得到待处理垃圾图像之前，所述方法还包括：
对原始垃圾图像进行高斯变换处理，得到预处理垃圾图像，所述高斯变换处理包括图像翻转处理、图像缩放处理、图像平移处理、图像旋转处理和高斯噪声处理，所述图像翻转处理、所述图像缩放处理、所述图像平移处理和所述图像旋转处理通过以下公式进行实现：
Figure BDA0002316264820000035
所述α是所述图像缩放处理的缩放倍数，所述θ是所述图像旋转处理的旋转角度或者所述图像翻转处理的翻转角度，所述a与所述b是所述图像平移处理的平移像素；
通过对抗生成网络的生成器和判断器将所述预处理垃圾图像映射到预设空间中，以对所述预处理垃圾图像进行域转换的图像增强处理，得到目标垃圾图像。
本申请实施例的第二方面提供一种用于垃圾图像分类模型构建的装置，所述垃圾图像分类模型构建的装置包括：
第一处理单元，用于通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，所述多个小卷积核的分布数量从所述卷积神经识别网络的输入端至输出端逐渐增加，所述卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；
第二处理单元，用于通过所述池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；
分类单元，用于通过所述分类网络对所述特征信息进行分类处理，得到分类结果；
更新单元，用于根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；
部署单元，用于将所述垃圾分类模型部署至客户端，并将从所述客户端接收的目标垃圾图像输入至所述垃圾分类模型，通过所述垃圾分类模型输出所述目标垃圾图像的目标分类结果；
训练单元，用于基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。
可选的，在本申请实施例第二方面的第一种实现方式中，所述更新单元具体用于：
根据所述分类结果获取评估所述卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估所述目标参数，获得评估值，所述目标参数包括所述待处理垃圾图像、所述待处理垃圾图像的样本数量、所述待处理垃圾图像的分类标签概率值、所述卷积神经识别网络的初始权值及偏差值、所述卷积层的数量和所述池化层的数量；
计算偏差值，所述偏差值为所述评估值与预设期望值的差值；
根据预置的单次正反向传播周期对所述卷积神经识别网络进行迭代训练，调整所述目标偏差值与所述卷积神经识别网络的神经元的权值，直至所述偏差值小于预设阈值，得到目标权值；
将所述目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。
可选的，在本申请实施例第二方面的第二种实现方式中，所述更新单元具体还用于：
通过激活函数ReLu函数对所述分类结果进行L1正规化处理和L2正规化处理，得到正规化分类结果；
分析所述正规化分类结果得到影响所述正规化分类结果的分类因素，将所述分类因素作为评估所述卷积神经识别网络分类精度的目标参数；
通过交叉熵损失函数计算所述目标参数，获得评估值。
可选的，在本申请实施例第二方面的第三种实现方式中，所述垃圾图像分类模型构建的装置，还包括：
分析单元，用于分析所述分类结果以确定待聚类数据，所述待聚类数据包括用户的经济层次、消费行为以及所述分类结果对应的在市场上的物品的用户的营销数据；
第三处理单元，用于通过遮篷Canopy聚类算法对所述分类结果进行粗聚类处理，获得聚类数据；
第四处理单元，用于通过K-均值K-means聚类算法对所述聚类数据进行细聚类处理，获得目标聚类数据；
链接单元，用于通过协同过滤推荐算法对所述目标聚类数据进行分析，获得推荐信息，并将所述推荐信息添加链接到所述分类结果，所述推荐信息包括推荐的各项消费项目、所述分类结果对应的物品的相似物品或可替代物品以及所述分类结果对应的物品的其他用户的其他消费物品。
可选的，在本申请实施例第二方面的第四种实现方式中，所述训练单元具体用于：
将用户输入的所述目标分类结果中的错误分类信息输入至所述垃圾分类模型；
通过残差网络ResNet算法和多个所述集成学习弱分类器对所述错误分类信息对应的垃圾图像进行识别和分类，得到预分类结果；
对所述预分类结果进行对比分析，得到第一标记垃圾图像和第二标记垃圾图像，所述第一标记垃圾图像用于指示分类成功并标记的预分类结果对应的垃圾图像，所述第二标记垃圾图像用于指示分类失败并标记的预分类结果对应的垃圾图像；
将所述第一标记垃圾图像存储至数据库，以及根据所述第二标记垃圾图像调整所述垃圾分类模型的权重以使所述第二标记垃圾图像被分类成功，完成对所述垃圾分类模型的训练，得到更新的所述垃圾分类模型。
可选的，在本申请实施例第二方面的第五种实现方式中，所述垃圾图像分类模型构建的装置，还包括：
第五处理单元，用于对目标垃圾图像进行归一化处理，得到待处理垃圾图像，所述归一化处理通过以下公式实现：
Figure BDA0002316264820000051
所述x0与所述y0是所述目标垃圾图像当前的像素点坐标，所述
Figure BDA0002316264820000052
是指第j个卷积面上在位置(x，y)的值，当j＝0时，所述
Figure BDA0002316264820000053
是所述卷积神经识别网络中所述目标垃圾图像的像素数据响应标准化的值，所述
Figure BDA0002316264820000054
是通过若干相邻卷积面在位置(x，y)的值计算，N是卷积层(或池化层)的总数，j是自然数，i是相邻面的个数，k、α和β是可调参数，本申请不做具体限定。
可选的，在本申请实施例第二方面的第六种实现方式中，所述垃圾图像分类模型构建的装置，还包括：
第六处理单元，用于对原始垃圾图像进行高斯变换处理，得到预处理垃圾图像，所述高斯变换处理包括图像翻转处理、图像缩放处理、图像平移处理、图像旋转处理和高斯噪声处理，所述图像翻转处理、所述图像缩放处理、所述图像平移处理和所述图像旋转处理通过以下公式进行实现：
Figure BDA0002316264820000055
所述α是所述图像缩放处理的缩放倍数，所述θ是所述图像旋转处理的旋转角度或者所述图像翻转处理的翻转角度，所述a与所述b是所述图像平移处理的平移像素；
映射单元，用于通过对抗生成网络的生成器和判断器将所述预处理垃圾图像映射到预设空间中，以对所述预处理垃圾图像进行域转换的图像增强处理，得到目标垃圾图像。
本申请实施例的第三方面提供了一种垃圾图像分类模型构建的装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施方式所述垃圾图像分类模型构建的方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行上述任一实施方式所述的垃圾图像分类模型构建的方法。
相较于现有技术，本申请实施例提供的技术方案中，通过卷积神经识别网络中的卷积层的多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息；通过池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；根据分类网络得到的分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；通过所述垃圾分类模型输出目标垃圾图像的目标分类结果；基于过残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。本申请实施例，采用高效的核技巧降低运算量和参数以及提高卷积神经网络的深度，以及采用残差网络ResNet算法对错误分类进行再标记和训练，通过提高网络深度以实现函数非线性化的效果，通过多个所述集成学习弱分类器对错误分类进行集成学习，以保证相关特征的准确性分类，从而提高垃圾分类模型对垃圾分类的准确性的效果。
附图说明
图1为本申请实施例中垃圾图像分类模型构建的方法的一个实施例示意图；
图2为本申请实施例中垃圾图像分类模型构建的方法的另一个实施例示意图；
图3为本申请实施例中垃圾图像分类模型构建的装置的一个实施例示意图；
图4为本申请实施例中垃圾图像分类模型构建的装置的另一个实施例示意图；
图5为本申请实施例中垃圾图像分类模型构建的设备的一个实施例示意图。
具体实施方式
本申请实施例提供了一种垃圾图像分类模型构建的方法、装置、设备及存储介质，用于通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例进行描述。
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。
请参阅图1，本申请实施例提供的一种垃圾图像分类模型构建的方法的流程图，以下对本申请提供一种垃圾图像分类模型构建的方法进行举例说明，该方法由计算机设备执行，计算机设备可为服务器或者终端，本申请不对执行主体的类型作限制，具体包括：
101、通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，多个小卷积核的分布数量从卷积神经识别网络的输入端至输出端逐渐增加，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器。
终端通过深度中的卷积层的从靠近卷积神经识别网络输入至靠近输出的卷积核的数量呈逐渐增加变化的多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器。其中，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器。
具体的，待处理垃圾图像包括根据获取官方垃圾分类指南的垃圾名称在多个网络平台爬取与所述垃圾名称对应的并标记多级分类名称、投放垃圾时的注意事项和提醒事项的垃圾图像。卷积层的数量包括一个或一个以上，池化层的数量包括一个或一个以上。卷积神经识别网络(deep residual network,ResNet)能够保持在网络层次较深时BP梯度在传播过程中的局部相关性，在网络较浅时，增加网络深度，并减弱网络层之间的联系和实现多层线性传递。
将待处理垃圾图像输入至卷积神经识别网络的卷积层，卷积层通过从靠近卷积神经识别网络输入至靠近输出的卷积核的数量呈逐渐增加变化的多个卷积核提取特征，得到预处理特征信息。其中，另一个实施方式中，通过级联多层卷积层来获取不同深度的特征信息。采用将多个小卷积核叠加为稍大的卷积核的高效的核技巧降低运算量和参数，以便于高效地获取特征信息和保证特征信息的质量，进而有利于后续根据特征信息对模型训练所得的垃圾分类模型的性能和分类的准确性。
102、通过池化层对预处理特征信息进行主特征提取处理，得到特征信息。
终端通过池化层对预处理特征信息进行主特征提取处理，得到特征信息。其中，主特征提取处理包括综合处理、空洞卷积处理或跨步卷积处理，综合处理包括降采样处理、抗过拟合处理以及增加感受野处理。
具体的，将预处理特征信息输入至池化层，池化层根据先验规则进行降采样、抗过拟合以及增加感受野，或池化层进行空洞卷积dilated convolution处理，或池化层进行跨步卷积strided convolution处理，以输出最终的特征信息，特征信息包括但不限于从垃圾图像中进行特征提取所获得的颜色特征、文本特征、图像边缘特征、图像元数据特征、互信息特征、均值与标准差特征和相似度特征，颜色特征表征图像的色彩信息，文本特征表征垃圾图像中的文本区域和文字的文本特征，图像边缘特征表征反应垃圾图像中对象的形状特征，包括边缘方向、边缘方向自相关图和边缘方向直方图，图像元数据特征表征垃圾图像的维度、面积、帧数、颜色表和索引值，互信息特征表征用于进行目标属性和评价特征间的紧密程度，均值与标准差特征信息表征对垃圾图像的统计分布程度，相似度特征表征用于构建分类器的因素。
103、通过分类网络对特征信息进行分类处理，得到分类结果。
终端通过分类网络对特征信息进行分类处理，得到分类结果。
具体的，分类网络包括多个人工神经网络全连接层或多个非线性分类器。池化层输出的特征信息经卷积神经识别网络的输出层输入至压平层Flatten层，Flatten层对特征信息进行处理后作将经过处理的特征信息输入至分类网络，分类网络中的人工神经网络全连接层或非线性分类器对特征信息进行分类，输出分类结果。
104、根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型。
终端根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型。
具体的，获取分类结果与预设期望值的偏差值，以不断更新卷积神经识别网络的神经元的权值和分类网络的偏差值，获得最终的目标权值，进而获得训练后的垃圾分类模型。通过基于特征信息训练卷积神经网络，不断地更新卷积神经识别网络的神经元的权值，以使所获得的垃圾分类模型能提高对垃圾分类的准确性，进而以便于垃圾分类模型对输入的目标垃圾图像进行快速而准确地识别与分类。
105、将垃圾分类模型部署至客户端，并将从客户端接收的目标垃圾图像输入至垃圾分类模型，通过垃圾分类模型输出目标垃圾图像的目标分类结果。
终端将垃圾分类模型部署至客户端，并将从客户端接收的目标垃圾图像输入至垃圾分类模型，通过垃圾分类模型输出目标垃圾图像的目标分类结果。
具体的，客户端包括计算机或手机端的小程序或者应用APP。将垃圾分类模型部署至手机端的小程序或者应用APP，以便于用户通过手机端端对拍照的将要投放的垃圾进行识别与分类，并通过手机端输出对应的分类结果。
106、基于残差网络ResNet算法和多个集成学习弱分类器，通过目标分类结果中的错误分类信息对垃圾分类模型进行训练，得到更新的垃圾分类模型。
终端通过残差网络ResNet算法和多个集成学习弱分类器，对目标分类结果中的错误分类信息进行识别与分类以训练垃圾分类模型，得到更新的垃圾分类模型。
具体的，用户通过计算机或者手机端反馈对目标垃圾图像识别分类错误的错误分类信息，卷积神经识别网络通过卷积神经识别网络ResNet算法和多个所述集成学习弱分类器对分类失败的垃圾图像再次进行识别和分类，并对分类失败的垃圾图像中分类成功的垃圾图像进行标记，以更新垃圾分类模型。通过多个所述集成学习弱分类器对分类错误的垃圾图像进行集成学习，以保证对分类错误的垃圾图像进行集成学习的准确分类。通过对分类错误的垃圾图像进行再标记和训练，以通过提高网络深度来逼近函数非线性化的能力，从而提高垃圾分类模型的分类准确性。采用残差网络ResNet算法对错误分类进行再标记和训练，通过提高网络深度以实现函数非线性化的效果，通过多个所述集成学习弱分类器对错误分类进行集成学习，以保证基于相关垃圾图像的特征信息对垃圾图像进行准确性分类。
本申请实施例，通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet算法对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。
请参阅图2，本申请实施例中垃圾图像分类模型构建的方法的另一个实施例包括：
201、通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，多个小卷积核的分布数量从卷积神经识别网络的输入端至输出端逐渐增加，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器。
终端通过深度中的卷积层的从靠近所述卷积神经识别网络输入至靠近输出的卷积核的数量呈逐渐增加变化的多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器。其中，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器。
具体的，待处理垃圾图像包括根据获取官方垃圾分类指南的垃圾名称在多个网络平台爬取与所述垃圾名称对应的并标记多级分类名称、投放垃圾时的注意事项和提醒事项的垃圾图像。卷积层的数量包括一个或一个以上，池化层的数量包括一个或一个以上。卷积神经识别网络(deep residual network,ResNet)能够保持在网络层次较深时BP梯度在传播过程中的局部相关性，在网络较浅时，增加网络深度，并减弱网络层之间的联系和实现多层线性传递。
将待处理垃圾图像输入至卷积神经识别网络的卷积层，卷积层通过从靠近卷积神经识别网络输入至靠近输出的卷积核的数量呈逐渐增加变化的多个卷积核提取特征，得到预处理特征信息。其中，另一个实施方式中，通过级联多层卷积层来获取不同深度的特征信息。采用将多个小卷积核叠加为稍大的卷积核的高效的核技巧降低运算量和参数，以便于高效地获取特征信息和保证特征信息的质量，进而有利于后续根据特征信息对模型训练所得的垃圾分类模型的性能和分类的准确性。
可选的，上述的通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息之前，还包括：对目标垃圾图像进行归一化处理，得到待处理垃圾图像，归一化处理通过以下公式实现：
Figure BDA0002316264820000091
x0与y0是目标垃圾图像当前的像素点坐标，
Figure BDA0002316264820000092
是指第j个卷积面上在位置(x，y)的值，当j＝0时，
Figure BDA0002316264820000093
是卷积神经识别网络中目标垃圾图像的像素数据响应标准化的值，
Figure BDA0002316264820000094
是通过若干相邻卷积面在位置(x，y)的值计算，N是卷积层(或池化层)的总数，j是自然数，i是相邻面的个数，k、α和β是可调参数，本申请不做具体限定。对经过高斯变换处理和图像增强处理的待处理垃圾图像进行归一化处理，以加快垃圾分类模型的收敛性和加快垃圾分类模型的学习速度。
可选的，上述的对目标垃圾图像进行归一化处理，得到待处理垃圾图像之前，还包括：对原始垃圾图像进行高斯变换处理，得到预处理垃圾图像，高斯变换处理包括图像翻转处理、图像缩放处理、图像平移处理、图像旋转处理和高斯噪声处理，图像翻转处理、图像缩放处理、图像平移处理和图像旋转处理通过以下公式进行实现：
Figure BDA0002316264820000095
α是图像缩放处理的缩放倍数，θ是图像旋转处理的旋转角度或者图像翻转处理的翻转角度，a与b是图像平移处理的平移像素；通过对抗生成网络的生成器和判断器将预处理垃圾图像映射到预设空间中，以对预处理垃圾图像进行域转换的图像增强处理，得到目标垃圾图像。对垃圾分类的预训练模型进行迁移学习，获得结构与参数，将结构与参数作为垃圾分类模型的训练指导。对上述的归一化处理和图像增强操作先后顺序不进行限定。对原始垃圾图像进行图像翻转处理、图像缩放处理、图像平移处理、图像旋转处理和高斯噪声处理等的归一化处理，以对于垃圾图像进行数据扩充或者图像变换，以便于后续对待处理垃圾图像的特征提取处理。通过对抗生成网络对原始垃圾图像进行图像增强处理，以将原来不清晰的原始垃圾图像变得清晰或强调原始垃圾图像中关注的特征或抑制原始垃圾图像中非关注的特征，使之达到改善图像质量、丰富信息量、加强图像判读和识别效果的效果。
202、通过池化层对预处理特征信息进行主特征提取处理，得到特征信息。
终端通过池化层对预处理特征信息进行主特征提取处理，得到特征信息。其中，主特征提取处理包括综合处理、空洞卷积处理或跨步卷积处理，综合处理包括降采样处理、抗过拟合处理以及增加感受野处理。
具体的，将预处理特征信息输入至池化层，池化层根据先验规则进行降采样、抗过拟合以及增加感受野，或池化层进行空洞卷积dilated convolution处理，或池化层进行跨步卷积strided convolution处理，以输出最终的特征信息，特征信息包括但不限于从垃圾图像中进行特征提取所获得的颜色特征、文本特征、图像边缘特征、图像元数据特征、互信息特征、均值与标准差特征和相似度特征，颜色特征表征图像的色彩信息，文本特征表征垃圾图像中的文本区域和文字的文本特征，图像边缘特征表征反应垃圾图像中对象的形状特征，包括边缘方向、边缘方向自相关图和边缘方向直方图，图像元数据特征表征垃圾图像的维度、面积、帧数、颜色表和索引值，互信息特征表征用于进行目标属性和评价特征间的紧密程度，均值与标准差特征信息表征对垃圾图像的统计分布程度，相似度特征表征用于构建分类器的因素。
203、通过分类网络对特征信息进行分类处理，得到分类结果。
终端通过分类网络对特征信息进行分类处理，得到分类结果。
具体的，分类网络包括多个人工神经网络全连接层或多个非线性分类器。池化层输出的特征信息经卷积神经识别网络的输出层输入至压平层Flatten层，Flatten层对特征信息进行处理后作将经过处理的特征信息输入至分类网络，分类网络中的人工神经网络全连接层或非线性分类器对特征信息进行分类，输出分类结果。
204、分析分类结果以确定待聚类数据，待聚类数据包括用户的经济层次、消费行为以及分类结果对应的在市场上的物品的用户的营销数据。
终端分析分类结果以确定待聚类数据，待聚类数据包括用户的经济层次、消费行为以及分类结果对应的在市场上的物品的用户的营销数据。
具体的，终端通过分析分类结果获取输入的待处理垃圾图像对应的用户的经济层次、消费行为以及分类结果对应的在市场上的物品的用户的营销数据，以便于根据用户的各类信息给用户推荐准确的或者关联的所需的内容。
205、通过遮篷Canopy聚类算法对分类结果进行粗聚类处理，获得聚类数据。
终端通过遮篷Canopy聚类算法对分类结果进行粗聚类处理，获得聚类数据。
具体的，选择简单、计算代价较低的方法计算分类结果中的对象的相似性，将相似的对象放在一个子集，将分类结果向量化得到一个一览表，将该一览表存储在内存中，并选择两个距离阈值，分别为第一距离阈值和第二距离阈值，其中，第一距离阈值大于第二距离阈值，从一览表中任意选取一点，计算该点与所有子集之间的距离，得到目标距离，若目标距离小于第一距离阈值，则将该点对应的分类结果的对象添加至子集中，若目标距离小于第二距离阈值，则将该点对应的分类结果的对象从一览表中删除，以此类推，直到一览表中的内容为空。通过遮篷Canopy聚类算法快速地对待聚类数据进行处理，提高用户的经济层次、消费行为以及分类结果对应的在市场上的物品的用户的营销数据的获取准确性。
206、通过K-均值K-means聚类算法对聚类数据进行细聚类处理，获得目标聚类数据。
终端通过K-均值K-means聚类算法对聚类数据进行细聚类处理，获得目标聚类数据。
具体的，随机选取k个点作为聚类数据的初始聚类中心，然后计算聚类数据的对象到各聚类中心的距离，把聚类数据的对象归到离聚类数据的对象最近的那个聚类中心所在的类；调整后的新类计算新的聚类中心，如果相邻两次的聚类中心没有任何变化，则数据对象调整结束，在每次迭代中都要分析每个聚类数据的分类是否正确，若不正确，则调整其聚类中心，直到每个聚类数据的分类正确，以获得目标聚类数据。通过K-均值K-means聚类算法对聚类数据进行细聚类处理，进一步提高用户的经济层次、消费行为以及分类结果对应的在市场上的物品的用户的营销数据的获取准确性。
207、通过协同过滤推荐算法对目标聚类数据进行分析，获得推荐信息，并将推荐信息添加链接到分类结果。
终端通过协同过滤推荐算法对目标聚类数据进行分析，获得推荐信息，并将推荐信息添加链接到分类结果。
具体的，可通过基于用户的最近邻推荐方法或者基于物品的最近邻推荐方法获得推荐信息。推荐信息包括推荐的各项消费项目、分类结果对应的物品的相似物品或可替代物品以及分类结果对应的物品的其他用户的其他消费物品。通过对用户上传的目标垃圾图像进行无监督学习的聚类处理，确定与用户的经济层次相似的人群以及目标垃圾图像对应的物品的其他用户，并通过协同过滤推荐算法分析，以向聚类的不同人群推荐各类信息。例如：用户输入的目标垃圾图像为水银体温计，则垃圾分类模型输出的推荐信息为：与该款水银体温计同等功能的电子体温计、购买该款水银体温计的其他用户以及其他用户的共同购买的其他物品信息；用户输入的目标垃圾图像为奶瓶，则垃圾分类模型输出的推荐信息为：关于儿童的保险项目、其他款式的奶瓶以及购买该款奶瓶的其他用户购买的奶粉信息。上述举例内容仅作举例说明参考，其内容准确性和实际操作与否不作考虑。
208、根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型。
终端根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型。
具体的，获取分类结果与预设期望值的偏差值，以不断更新卷积神经识别网络的神经元的权值和分类网络的偏差值，获得最终的目标权值，进而获得训练后的垃圾分类模型。通过基于特征信息训练卷积神经网络，不断地更新卷积神经识别网络的神经元的权值，以使所获得的垃圾分类模型能提高对垃圾分类的准确性，进而以便于垃圾分类模型对输入的目标垃圾图像进行快速而准确地识别与分类。
可选的，上述的根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型，具体包括：根据分类结果获取评估卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估目标参数，获得评估值，目标参数包括待处理垃圾图像、待处理垃圾图像的样本数量、待处理垃圾图像的分类标签概率值、卷积神经识别网络的初始权值及偏差值、卷积层的数量和池化层的数量；计算偏差值，偏差值为评估值与预设期望值的差值；根据预置的单次正反向传播周期对卷积神经识别网络进行迭代训练，调整卷积神经识别网络的神经元的权值，直至偏差值小于预设阈值，得到目标权值；将目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。通过不断调整分类网络的目标偏差值以获取最优的分类网络，通过不断调整卷积神经网络的神经元的权值，以获取对垃圾图像分类准确性高的垃圾分类模型。单次正反向传播周期为一次正向传播加上一次反向传播的周期，分类结果与预设期望分类结果不相符时，计算得到正向传播的评估值与预设期望值的偏差值，将偏差值反向传播给A人工神经网络全连接层或非线性分类器，上一个人工神经网络全连接层或非线性分类器通过偏差值进行参数优化(即调整卷积神经识别网络的神经元的权值)产生第一偏差值，将第一偏差值返回B个人工神经网络全连接层或非线性分类器，B人工神经网络全连接层或非线性分类器通过偏差误差值进行参数优化(即调整卷积神经识别网络的神经元的权值)产生偏差值，其中，B人工神经网络全连接层或非线性分类器在A人工神经网络全连接层或非线性分类器之前，以此循环迭代操作，最终获取到偏差值小于预设阈值的目标权值，将目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。通过反向传播迭代，将分类误差降低到最小。
可选的，上述的根据分类结果获取评估卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估目标参数，获得评估值，具体包括：通过激活函数ReLu函数对分类结果进行L1正规化处理和L2正规化处理，得到正规化分类结果；分析正规化分类结果得到影响正规化分类结果的分类因素，将分类因素作为评估卷积神经识别网络分类精度的目标参数；通过交叉熵损失函数计算目标参数，获得评估值。通过ReLu激活函数对分类结果进行L1正规化处理和L2正规化处理，以缓解卷积神经网络的过拟合问题。
209、将垃圾分类模型部署至客户端，并将从客户端接收的目标垃圾图像输入至垃圾分类模型，通过垃圾分类模型输出目标垃圾图像的目标分类结果。
终端将垃圾分类模型部署至客户端，并将从客户端接收的目标垃圾图像输入至垃圾分类模型，通过垃圾分类模型输出目标垃圾图像的目标分类结果。
具体的，客户端包括计算机或手机端的小程序或者应用APP。将垃圾分类模型部署至手机端的小程序或者应用APP，以便于用户通过手机端端对拍照的将要投放的垃圾进行识别与分类，并通过手机端输出对应的分类结果。
210、基于残差网络ResNet算法和多个集成学习弱分类器，通过目标分类结果中的错误分类信息对垃圾分类模型进行训练，得到更新的垃圾分类模型。
终端通过残差网络ResNet算法和多个集成学习弱分类器，对目标分类结果中的错误分类信息进行识别与分类以训练垃圾分类模型，得到更新的垃圾分类模型。
具体的，用户通过计算机或者手机端反馈对目标垃圾图像识别分类错误的错误分类信息，卷积神经识别网络通过卷积神经识别网络ResNet算法和多个所述集成学习弱分类器对分类失败的垃圾图像再次进行识别和分类，并对分类失败的垃圾图像中分类成功的垃圾图像进行标记，以更新垃圾分类模型。通过多个所述集成学习弱分类器对分类错误的垃圾图像进行集成学习，以保证对分类错误的垃圾图像进行集成学习的准确分类。通过对分类错误的垃圾图像进行再标记和训练，以通过提高网络深度来逼近函数非线性化的能力，从而提高垃圾分类模型的分类准确性。采用残差网络ResNet算法对错误分类进行再标记和训练，通过提高网络深度以实现函数非线性化的效果，通过多个所述集成学习弱分类器对错误分类进行集成学习，以保证基于相关垃圾图像的特征信息对垃圾图像进行准确性分类。
可选的，上述的基于残差网络ResNet算法和多个集成学习弱分类器，通过目标分类结果中的错误分类信息对垃圾分类模型进行训练，得到更新的垃圾分类模型，具体包括：将用户输入的目标分类结果中的错误分类信息输入至垃圾分类模型；通过残差网络ResNet算法和多个集成学习弱分类器对错误分类信息对应的垃圾图像进行识别和分类，得到预分类结果；对预分类结果进行对比分析，得到第一标记垃圾图像和第二标记垃圾图像，第一标记垃圾图像用于指示分类成功并标记的预分类结果对应的垃圾图像，第二标记垃圾图像用于指示分类失败并标记的预分类结果对应的垃圾图像；将第一标记垃圾图像存储至数据库，以及根据第二标记垃圾图像调整垃圾分类模型的权重以使第二标记垃圾图像被分类成功，完成对垃圾分类模型的训练，得到更新的垃圾分类模型。多个集成学习弱分类器可为出逻辑回归(Logistic Regression，LR)分类器和支持向量机(Support Vector Machine,SVM)分类器或其他的强分类器之外的分类器，比如决策树桩decision stump分类器。通过根据错误分类信息对垃圾分类模型进行再训练以调整垃圾分类模型的权值，以提高垃圾分类模型的分类准确度。
本申请实施例，通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet算法对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。
上面对本申请实施例中垃圾图像分类模型构建的方法进行了描述，下面对本申请实施例中垃圾图像分类模型构建的装置进行描述，请参阅图3，本申请实施例中垃圾图像分类模型构建的装置的一个实施例包括：
第一处理单元301，用于通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，多个小卷积核的分布数量从卷积神经识别网络的输入端至输出端逐渐增加，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；
第二处理单元302，用于通过池化层对预处理特征信息进行主特征提取处理，得到特征信息；
分类单元303，用于通过分类网络对特征信息进行分类处理，得到分类结果；
更新单元304，用于根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型；
部署单元305，用于将垃圾分类模型部署至客户端，并将从客户端接收的目标垃圾图像输入至垃圾分类模型，通过垃圾分类模型输出目标垃圾图像的目标分类结果；
训练单元306，用于基于残差网络ResNet算法和多个集成学习弱分类器，通过目标分类结果中的错误分类信息对垃圾分类模型进行训练，得到更新的垃圾分类模型。
本申请实施例，通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet算法对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。
请参阅图4，本申请实施例中垃圾图像分类模型构建的装置的另一个实施例包括：
第一处理单元301，用于通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，多个小卷积核的分布数量从卷积神经识别网络的输入端至输出端逐渐增加，卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；
第二处理单元302，用于通过池化层对预处理特征信息进行主特征提取处理，得到特征信息；
分类单元303，用于通过分类网络对特征信息进行分类处理，得到分类结果；
分析单元304，用于分析分类结果以确定待聚类数据，待聚类数据包括用户的经济层次、消费行为以及分类结果对应的在市场上的物品的用户的营销数据；
第三处理单元305，用于通过遮篷Canopy聚类算法对分类结果进行粗聚类处理，获得聚类数据；
第四处理单元306，用于通过K-均值K-means聚类算法对所述聚类数据进行细聚类处理，获得目标聚类数据；
链接单元307，用于通过协同过滤推荐算法对目标聚类数据进行分析，获得推荐信息，并将推荐信息添加链接到分类结果；
更新单元308，用于根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型；
部署单元309，用于将垃圾分类模型部署至客户端，并将从客户端接收的目标垃圾图像输入至垃圾分类模型，通过垃圾分类模型输出目标垃圾图像的目标分类结果；
训练单元310，用于基于残差网络ResNet算法和多个集成学习弱分类器，通过目标分类结果中的错误分类信息对垃圾分类模型进行训练，得到更新的垃圾分类模型。
可选的，更新单元308具体用于：根据分类结果获取评估卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估目标参数，获得评估值，目标参数包括待处理垃圾图像、待处理垃圾图像的样本数量、待处理垃圾图像的分类标签概率值、卷积神经识别网络的初始权值及偏差值、卷积层的数量和池化层的数量；计算偏差值，所述偏差值为所述评估值与预设期望值的差值；根据预置的单次正反向传播周期对卷积神经识别网络进行迭代训练，调整卷积神经识别网络的神经元的权值，直至偏差值小于预设阈值，得到目标权值；将目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。
可选的，更新单元308具体还用于：通过激活函数ReLu函数对分类结果进行L1正规化处理和L2正规化处理，得到正规化分类结果；分析正规化分类结果得到影响正规化分类结果的分类因素，将分类因素作为评估卷积神经识别网络分类精度的目标参数；通过交叉熵损失函数计算目标参数，获得评估值。
可选的，训练单元310具体用于：将用户输入的目标分类结果中的错误分类信息输入至垃圾分类模型；通过残差网络ResNet算法和多个集成学习弱分类器对错误分类信息对应的垃圾图像进行识别和分类，得到预分类结果；对预分类结果进行对比分析，得到第一标记垃圾图像和第二标记垃圾图像，第一标记垃圾图像用于指示分类成功并标记的预分类结果对应的垃圾图像，第二标记垃圾图像用于指示分类失败并标记的预分类结果对应的垃圾图像；将第一标记垃圾图像存储至数据库，以及根据第二标记垃圾图像调整垃圾分类模型的权重以使第二标记垃圾图像被分类成功，完成对垃圾分类模型的训练，得到更新的垃圾分类模型。
可选的，垃圾图像分类模型构建的装置，还包括：第五处理单元，用于对目标垃圾图像进行归一化处理，得到待处理垃圾图像，归一化处理通过以下公式实现：
Figure BDA0002316264820000141
x0与y0是目标垃圾图像当前的像素点坐标，
Figure BDA0002316264820000142
是指第j个卷积面上在位置(x，y)的值，当j＝0时，
Figure BDA0002316264820000143
是卷积神经识别网络中目标垃圾图像的像素数据响应标准化的值，
Figure BDA0002316264820000151
是通过若干相邻卷积面在位置(x，y)的值计算，N是卷积层(或池化层)的总数，j是自然数，i是相邻面的个数，k、α和β是可调参数，本申请不做具体限定。
可选的，垃圾图像分类模型构建的装置，还包括：第六处理单元，用于对原始垃圾图像进行高斯变换处理，得到预处理垃圾图像，高斯变换处理包括图像翻转处理、图像缩放处理、图像平移处理、图像旋转处理和高斯噪声处理，图像翻转处理、图像缩放处理、图像平移处理和图像旋转处理通过以下公式进行实现：
Figure BDA0002316264820000152
α是图像缩放处理的缩放倍数，θ是图像旋转处理的旋转角度或者图像翻转处理的翻转角度，a与b是图像平移处理的平移像素；映射单元，用于通过对抗生成网络的生成器和判断器将预处理垃圾图像映射到预设空间中，以对预处理垃圾图像进行域转换的图像增强处理，得到目标垃圾图像。
本申请实施例，通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet算法对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。
上面图3至图4从模块化功能实体的角度对本申请实施例中的垃圾图像分类模型构建的设备进行详细描述，下面从硬件处理的角度对本申请实施例中垃圾图像分类模型构建的设备进行详细描述。
图5是本申请实施例提供的一种垃圾图像分类模型构建的设备的结构示意图，该垃圾图像分类模型构建的设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)501(例如，一个或一个以上处理器)和存储器509，一个或一个以上存储应用程序507或数据506的存储介质505(例如一个或一个以上海量存储装置)。其中，存储器509和存储介质505可以是短暂存储或持久存储。存储在存储介质505的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对签到管理设备中的一系列指令操作。更进一步地，处理器501可以设置为与存储介质505通信，在垃圾图像分类模型构建的设备500上执行存储介质505中的一系列指令操作。
垃圾图像分类模型构建的设备500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统505，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5中示出的垃圾图像分类模型构建的设备结构并不构成对垃圾图像分类模型构建的设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。处理器501可以执行上述实施例中第一处理单元301、第二处理单元302、分类单元303、分析单元304、第三处理单元305、第四处理单元306、链接单元307、更新单元308、部署单元309和训练单元310的功能。
下面结合图5对垃圾图像分类模型构建的设备的各个构成部件进行具体的介绍：
处理器501是垃圾图像分类模型构建的设备的控制中心，可以按照垃圾图像分类模型构建的方法进行处理。处理器501利用各种接口和线路连接整个垃圾图像分类模型构建的设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行垃圾图像分类模型构建的设备的各种功能和处理数据，从而实现提高案件检索系统的可用性的功能。存储介质505和存储器509都是存储数据的载体，本申请实施例中，存储介质505可以是指储存容量较小，但速度快的内存储器，而存储器509可以是储存容量大，但储存速度慢的外存储器。
存储器509可用于存储软件程序以及模块，处理器501通过运行存储在存储器509的软件程序以及模块，从而执行垃圾图像分类模型构建的设备500的各种功能应用以及数据处理。存储器509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(通过卷积神经识别网络中的卷积层对待处理垃圾图像进行提取特征处理，得到预处理特征信息等)等；存储数据区可存储根据签到管理设备的使用所创建的数据(根据分类结果更新卷积神经识别网络的神经元的权值，获得垃圾分类模型等)等。此外，存储器509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。在本申请实施例中提供的垃圾图像分类模型构建的方法程序和接收到的数据流存储在存储器中，当需要使用时，处理器501从存储器509中调用。
在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，光盘)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种垃圾图像分类模型构建的方法，其特征在于，包括：
通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，所述多个小卷积核的分布数量从所述卷积神经识别网络的输入端至输出端逐渐增加，所述卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；
通过所述池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；
通过所述分类网络对所述特征信息进行分类处理，得到分类结果；
根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；
将所述垃圾分类模型部署至客户端，并将从所述客户端接收的目标垃圾图像输入至所述垃圾分类模型，通过所述垃圾分类模型输出所述目标垃圾图像的目标分类结果；
基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。
2.根据权利要求1所述的垃圾图像分类模型构建的方法，其特征在于，所述根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型，包括：
根据所述分类结果获取评估所述卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估所述目标参数，获得评估值，所述目标参数包括所述待处理垃圾图像、所述待处理垃圾图像的样本数量、所述待处理垃圾图像的分类标签概率值、所述卷积神经识别网络的初始权值及偏差值、所述卷积层的数量和所述池化层的数量；
计算偏差值，所述偏差值为所述评估值与预设期望值的差值；
根据预置的单次正反向传播周期对所述卷积神经识别网络进行迭代训练，调整所述卷积神经识别网络的神经元的权值，直至所述偏差值小于预设阈值，得到目标权值；
将所述目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。
3.根据权利要求2所述的垃圾图像分类模型构建的方法，其特征在于，所述根据所述分类结果获取评估所述卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估所述目标参数，获得评估值，包括：
通过激活函数ReLu函数对所述分类结果进行L1正规化处理和L2正规化处理，得到正规化分类结果；
分析所述正规化分类结果得到影响所述正规化分类结果的分类因素，将所述分类因素作为评估所述卷积神经识别网络分类精度的目标参数；
通过交叉熵损失函数计算所述目标参数，获得评估值。
4.根据权利要求1所述的垃圾图像分类模型构建的方法，其特征在于，所述通过所述分类网络对所述特征信息进行分类处理，得到分类结果之后，所述根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型之前，所述方法还包括：
分析所述分类结果以确定待聚类数据，所述待聚类数据包括用户的经济层次、消费行为以及所述分类结果对应的在市场上的物品的用户的营销数据；
通过遮篷Canopy聚类算法对所述分类结果进行粗聚类处理，获得聚类数据；
通过K-均值K-means聚类算法对所述聚类数据进行细聚类处理，获得目标聚类数据；
通过协同过滤推荐算法对所述目标聚类数据进行分析，获得推荐信息，并将所述推荐信息添加链接到所述分类结果，所述推荐信息包括推荐的各项消费项目、所述分类结果对应的物品的相似物品或可替代物品以及所述分类结果对应的物品的其他用户的其他消费物品。
5.根据权利要求1-4中任一项所述的垃圾图像分类模型构建的方法，其特征在于，所述基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型，包括：
将用户输入的所述目标分类结果中的错误分类信息输入至所述垃圾分类模型；
通过残差网络ResNet算法和多个所述集成学习弱分类器对所述错误分类信息对应的垃圾图像进行识别和分类，得到预分类结果；
对所述预分类结果进行对比分析，得到第一标记垃圾图像和第二标记垃圾图像，所述第一标记垃圾图像用于指示分类成功并标记的预分类结果对应的垃圾图像，所述第二标记垃圾图像用于指示分类失败并标记的预分类结果对应的垃圾图像；
将所述第一标记垃圾图像存储至数据库，以及根据所述第二标记垃圾图像调整所述垃圾分类模型的权重以使所述第二标记垃圾图像被分类成功，完成对所述垃圾分类模型的训练，得到更新的所述垃圾分类模型。
6.根据权利要求1中所述的垃圾图像分类模型构建的方法，其特征在于，所述通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息之前，所述方法还包括：
对目标垃圾图像进行归一化处理，得到待处理垃圾图像，所述归一化处理通过以下公式实现：
Figure FDA0002316264810000021
所述x0与所述y0是所述目标待处理垃圾图像当前的像素点坐标，所述
Figure FDA0002316264810000022
是指第j个卷积面上在位置(x，y)的值，当j＝0时，所述
Figure FDA0002316264810000023
是所述卷积神经识别网络中所述预处理待处理垃圾图像的像素数据响应标准化的值，所述
Figure FDA0002316264810000024
是通过若干相邻卷积面在位置(x，y)的值计算，N是卷积层(或池化层)的总数，j是自然数，i是相邻面的个数，k、α和β是可调参数，本申请不做具体限定。
7.根据权利要求6所述的垃圾图像分类模型构建的方法，其特征在于，所述对目标垃圾图像进行归一化处理，得到待处理垃圾图像之前，所述方法还包括：
对原始垃圾图像进行高斯变换处理，得到预处理垃圾图像，所述高斯变换处理包括图像翻转处理、图像缩放处理、图像平移处理、图像旋转处理和高斯噪声处理，所述图像翻转处理、所述图像缩放处理、所述图像平移处理和所述图像旋转处理通过以下公式进行实现：
Figure FDA0002316264810000031
所述α是所述图像缩放处理的缩放倍数，所述θ是所述图像旋转处理的旋转角度或者所述图像翻转处理的翻转角度，所述a与所述b是所述图像平移处理的平移像素；
通过对抗生成网络的生成器和判断器将所述预处理垃圾图像映射到预设空间中，以对所述预处理垃圾图像进行域转换的图像增强处理，得到目标垃圾图像。
8.一种垃圾图像分类模型构建的装置，其特征在于，所述装置包括：
第一处理单元，用于通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，所述多个小卷积核的分布数量从所述卷积神经识别网络的输入端至输出端逐渐增加，所述卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；
第二处理单元，用于通过所述池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；
分类单元，用于通过所述分类网络对所述特征信息进行分类处理，得到分类结果；
更新单元，用于根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；
部署单元，用于将所述垃圾分类模型部署至客户端，并将从所述客户端接收的目标垃圾图像输入至所述垃圾分类模型，通过所述垃圾分类模型输出所述目标垃圾图像的目标分类结果；
训练单元，用于基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。
9.一种垃圾图像分类模型构建的设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的垃圾图像分类模型构建的方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7中任意一项所述的垃圾图像分类模型构建的方法。
CN201911279341.6A 2019-12-13 2019-12-13 垃圾图像分类模型构建的方法、装置、设备及存储介质 Active CN111079639B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911279341.6A CN111079639B (zh) 2019-12-13 2019-12-13 垃圾图像分类模型构建的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911279341.6A CN111079639B (zh) 2019-12-13 2019-12-13 垃圾图像分类模型构建的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111079639A true CN111079639A (zh) 2020-04-28
CN111079639B CN111079639B (zh) 2023-09-19

Family

ID=70314438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911279341.6A Active CN111079639B (zh) 2019-12-13 2019-12-13 垃圾图像分类模型构建的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111079639B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111517034A (zh) * 2020-05-09 2020-08-11 安徽工程大学 一种自动分类垃圾桶及其分类方法和系统
CN111639677A (zh) * 2020-05-07 2020-09-08 齐齐哈尔大学 一种基于多分路通道扩容网络的垃圾图像分类方法
CN111709477A (zh) * 2020-06-16 2020-09-25 浪潮集团有限公司 一种基于改进MobileNet网络进行垃圾分类的方法及工具
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
CN111797894A (zh) * 2020-05-27 2020-10-20 北京齐尔布莱特科技有限公司 一种图像分类方法及计算设备
CN112423328A (zh) * 2020-11-03 2021-02-26 南京工程学院 水下无线传感网络能量感知数据聚合方法、系统及存储介质
CN112488167A (zh) * 2020-11-19 2021-03-12 安徽理工大学 基于改进的EfficientNet网络的垃圾辨识分类系统
CN112613303A (zh) * 2021-01-07 2021-04-06 福州大学 一种基于知识蒸馏的跨模态图像美学质量评价方法
CN113057529A (zh) * 2021-02-22 2021-07-02 江苏柯林博特智能科技有限公司 一种基于楼梯清扫机器人的垃圾分类控制系统
CN113255937A (zh) * 2021-06-28 2021-08-13 江苏奥斯汀光电科技股份有限公司 一种面向智能车间不同智能体之间的联邦学习方法及系统
CN113486969A (zh) * 2021-07-15 2021-10-08 重庆邮电大学 一种基于改进的Resnet网络的X光图像分类方法
CN113516319A (zh) * 2021-09-07 2021-10-19 南通飞旋智能科技有限公司 基于人工智能和大数据的垃圾车路线优化方法及系统
CN113627481A (zh) * 2021-07-09 2021-11-09 南京邮电大学 一种面向智慧园林的多模型组合的无人机垃圾分类方法
CN113743470A (zh) * 2021-08-04 2021-12-03 浙江联运环境工程股份有限公司 自动破袋分类箱基于ai算法垃圾识别精度提升方法
CN114077877A (zh) * 2022-01-19 2022-02-22 人民中科(济南)智能技术有限公司 一种新增垃圾识别方法、装置、计算机设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292695A (zh) * 2017-04-19 2017-10-24 山东农业大学 一种基于srv函数的协同过滤推荐算法
WO2018120740A1 (zh) * 2016-12-29 2018-07-05 深圳光启合众科技有限公司 图片分类方法和装置、机器人
CN109063594A (zh) * 2018-07-13 2018-12-21 吉林大学 基于YOLOv2的遥感图像快速目标检测方法
CN110111344A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 病理切片图像分级方法、装置、计算机设备和存储介质
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能系统
CN110473130A (zh) * 2019-07-30 2019-11-19 五邑大学 一种基于深度学习的垃圾分类评价方法、装置和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120740A1 (zh) * 2016-12-29 2018-07-05 深圳光启合众科技有限公司 图片分类方法和装置、机器人
CN107292695A (zh) * 2017-04-19 2017-10-24 山东农业大学 一种基于srv函数的协同过滤推荐算法
CN109063594A (zh) * 2018-07-13 2018-12-21 吉林大学 基于YOLOv2的遥感图像快速目标检测方法
CN110111344A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 病理切片图像分级方法、装置、计算机设备和存储介质
CN110473130A (zh) * 2019-07-30 2019-11-19 五邑大学 一种基于深度学习的垃圾分类评价方法、装置和存储介质
CN110427896A (zh) * 2019-08-07 2019-11-08 成都理工大学 一种基于卷积神经网络的垃圾分类智能系统

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639677B (zh) * 2020-05-07 2022-09-02 齐齐哈尔大学 一种基于多分路通道扩容网络的垃圾图像分类方法
CN111639677A (zh) * 2020-05-07 2020-09-08 齐齐哈尔大学 一种基于多分路通道扩容网络的垃圾图像分类方法
CN111517034A (zh) * 2020-05-09 2020-08-11 安徽工程大学 一种自动分类垃圾桶及其分类方法和系统
CN111797894A (zh) * 2020-05-27 2020-10-20 北京齐尔布莱特科技有限公司 一种图像分类方法及计算设备
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
CN111709477A (zh) * 2020-06-16 2020-09-25 浪潮集团有限公司 一种基于改进MobileNet网络进行垃圾分类的方法及工具
CN112423328A (zh) * 2020-11-03 2021-02-26 南京工程学院 水下无线传感网络能量感知数据聚合方法、系统及存储介质
CN112488167A (zh) * 2020-11-19 2021-03-12 安徽理工大学 基于改进的EfficientNet网络的垃圾辨识分类系统
CN112613303A (zh) * 2021-01-07 2021-04-06 福州大学 一种基于知识蒸馏的跨模态图像美学质量评价方法
CN112613303B (zh) * 2021-01-07 2023-02-21 福州大学 一种基于知识蒸馏的跨模态图像美学质量评价方法
CN113057529A (zh) * 2021-02-22 2021-07-02 江苏柯林博特智能科技有限公司 一种基于楼梯清扫机器人的垃圾分类控制系统
CN113255937A (zh) * 2021-06-28 2021-08-13 江苏奥斯汀光电科技股份有限公司 一种面向智能车间不同智能体之间的联邦学习方法及系统
CN113627481A (zh) * 2021-07-09 2021-11-09 南京邮电大学 一种面向智慧园林的多模型组合的无人机垃圾分类方法
CN113486969A (zh) * 2021-07-15 2021-10-08 重庆邮电大学 一种基于改进的Resnet网络的X光图像分类方法
CN113743470A (zh) * 2021-08-04 2021-12-03 浙江联运环境工程股份有限公司 自动破袋分类箱基于ai算法垃圾识别精度提升方法
CN113516319A (zh) * 2021-09-07 2021-10-19 南通飞旋智能科技有限公司 基于人工智能和大数据的垃圾车路线优化方法及系统
CN114077877A (zh) * 2022-01-19 2022-02-22 人民中科(济南)智能技术有限公司 一种新增垃圾识别方法、装置、计算机设备及存储介质
CN114077877B (zh) * 2022-01-19 2022-05-13 人民中科(北京)智能技术有限公司 一种新增垃圾识别方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN111079639B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111079639B (zh) 垃圾图像分类模型构建的方法、装置、设备及存储介质
Perlin et al. Extracting human attributes using a convolutional neural network approach
US10204283B2 (en) Image recognizing apparatus, image recognizing method, and storage medium
Das et al. A hybrid approach for Bangla sign language recognition using deep transfer learning model with random forest classifier
WO2014205231A1 (en) Deep learning framework for generic object detection
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
Chagas et al. Evaluation of convolutional neural network architectures for chart image classification
Prasad et al. An efficient classification of flower images with convolutional neural networks
Herdiyeni et al. Mobile application for Indonesian medicinal plants identification using fuzzy local binary pattern and fuzzy color histogram
Chawathe Rice disease detection by image analysis
JP5120238B2 (ja) オブジェクト領域抽出装置及びオブジェクト領域抽出プログラム
Wu et al. Improving pedestrian detection with selective gradient self-similarity feature
WO2022035942A1 (en) Systems and methods for machine learning-based document classification
Rodrigues et al. Evaluating cluster detection algorithms and feature extraction techniques in automatic classification of fish species
Naik et al. Classification of indian classical dance images using convolution neural network
Giraddi et al. Flower classification using deep learning models
Twum et al. Textural Analysis for Medicinal Plants Identification Using Log Gabor Filters
Ghayoumi et al. Local sensitive hashing (LSH) and convolutional neural networks (CNNs) for object recognition
Jayakanth Comparative analysis of texture features and deep learning method for real-time indoor object recognition
Kavitha et al. An improved DFA based kernel ensemble learning machine using local feature representations for face recognition
Martínez et al. Spatio‐temporal multi‐scale motion descriptor from a spatially‐constrained decomposition for online action recognition
Srininvas et al. A framework to recognize the sign language system for deaf and dumb using mining techniques
CN113762249A (zh) 图像攻击检测、图像攻击检测模型训练方法和装置
Ruz et al. NBSOM: The naive Bayes self-organizing map
Warkar et al. A survey on multiclass image classification based on inception-v3 transfer learning model

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
GR01 Patent grant
GR01 Patent grant