CN111444977A - 一种实现垃圾自动分类的方法 - Google Patents
一种实现垃圾自动分类的方法 Download PDFInfo
- Publication number
- CN111444977A CN111444977A CN202010257982.8A CN202010257982A CN111444977A CN 111444977 A CN111444977 A CN 111444977A CN 202010257982 A CN202010257982 A CN 202010257982A CN 111444977 A CN111444977 A CN 111444977A
- Authority
- CN
- China
- Prior art keywords
- garbage
- model
- garbage classification
- neural network
- layer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000000415 inactivating effect Effects 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 239000012190 activator Substances 0.000 claims description 4
- 230000002779 inactivation Effects 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 4
- 238000005096 rolling process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种实现垃圾自动分类的方法，涉及垃圾分类领域，包括模型训练过程和基于模型训练过程的垃圾分类方法，为了使训练模型具有识别垃圾分类的特征的功能而使用卷叠式模型训练过程。卷叠式模型训练过程包括依次进行的标注图集、预处理、转换方式、卷积、抽样、归一、全连接、随机失活及输出结果和输出训练结果，垃圾分类方法使用训练模型形成若干两类识别模型，采用针对垃圾拍照后经过若干两类识别模型，让垃圾依次经过这些两类识别模型进行识别，并且根据依次经过的两类识别模型的识别结果分类。
Description
技术领域
本发明涉及垃圾分类领域，特别涉及一种实现垃圾自动分类的方法。
背景技术
现有的垃圾分类工作大部分依赖于人工分类，特别是在居民区等应用场景，如果使用计算机视觉，可以实现垃圾自动分类，大幅度提高分类速度和准确率，以此减少人工成本，近年来，随着卷叠式神经网络在计算机视觉上取得的巨大突破，并且加以诸如线性整流函数（Rectified Linear Unit，ReLU）、等激活函数和随机失活（dropout），使用自适应矩估计优化模型（Adam：adaptive moment estimation）等优化方式的利用，使得卷叠式神经网络在图像识别方面可以获得极高的准确率，基于卷叠式神经网络智能垃圾分类识别成为了可能。因此基于卷叠式神经网络可以配合机械分拣装置对垃圾进行高效地，快速地，低成本地垃圾分类。
目前市场上暂时没有针对垃圾分类而设计的分类算法模型，同时也没有完善的垃圾图片数据集用方法来训练该模型从而获得一个准确率达到实际使用需求的，再者没有配合垃圾分类识别算法而设计的垃圾分类分拣装置，从而导致现有垃圾分类必需使用人工手段，此方法效率低，准确度低，成本高。
针对此问题，垃圾智能分类算法借助我们收集标注的垃圾分类数据集，和设计的分类算法模型，可以配合我们的垃圾分类分拣装置进行快速分类、准确分类和低成本分类，再将由算法配合的垃圾分类装置，投放至居民区、办公室等，用户只需要将没有分类过的垃圾倒入垃圾分类装置，垃圾分类装置就会自动将所有垃圾进行分类，并把每一种垃圾放入相应的垃圾箱中，保洁人员只需要定时取走清空垃圾箱即可。该方法极大地方便了需要扔垃圾的人，因为他们不需要亲自对垃圾分类，只需要把所有垃圾倒在垃圾分类装置里即可，同时也避免了因为人工人类造成的错误。
现有的垃圾分类多采用人工分类，效率低，人工成本较高，并且容易造成错误。垃圾自动分类也没有一个较好的完善的方法，使得可以训练模型获得一个准确率达到实际使用需求。
发明内容
本发明的目的在于：提供了一种实现垃圾自动分类的方法，解决了现有的垃圾分类多采用人工分类，效率低，人工成本较高，并且容易造成错误的问题，还解决了垃圾自动分类没有一个较好的完善的方法，使得可以训练模型获得一个准确率达到实际使用需求的问题。
本发明采用的技术方案如下：
一种实现垃圾自动分类的方法，包括模型训练过程，基于模型训练过程的垃圾分类方法，所述模型训练过程包括依次进行的以下步骤，
S1：将标注的垃圾分类训练图集放入模型预处理器中进行预处理，预处理是为了增加模型的识别能力（Robustness）；
S2：将预处理后的RGB三通道的图片输入到深度神经网络中，一般来说，会将图片转换表达方法；
S3：在深度神经网络的第一层卷积层（Convolution Layer），使用零补充（ZeroPadding）的方式填充滤镜尺寸（filter）和图片尺寸之间的间距；
S4：在深度神经网络的第二层抽样层，将卷积层提取后得到的特征进行特征提取，以此来逐步减少卷积层的空间尺寸（spartial size），降低计算量（model computation），同时控制模型的过拟合（overfit）问题。
S5：在深度神经网络的第三层归一化层（Batch Normalization layer），输入抽样层提取出来的特征层，以提升深度神经网络的性能和稳定性；
S6：将批量归一化的数列输入数层叠加的卷积层和抽样层计算，重复若干次；
S7：将计算后的结果输入数个全连接层（Fully connected layer）中进行计算；
S8：将全连接层（Fully connected layer）计算的结果输入数个随机失活层（dropout）中, 通过随机失活深度神经网络中的神经元，提升模型的识别能力；
S9：将深度神经网络计算获得的结果输入到使用自适应矩估计优化模型（Adam:adaptive moment estimation）中与已知的结果进行比对，计算误差（error），对神经网络进行优化；
S10：在模型训练完成后，即所有训练图集都按批次（batch) 被输入深度学习网络，并进行训练后，输出垃圾分类设备模型，并报告训练结果。
通过本发明一种实现垃圾自动分类的方法的这种卷叠式算法的模型训练过程，可以使得深度神经网络能够对模型图片的标注特征进行识别和学习，使得训练模型具有识别垃圾分类的特征的功能，可以实现垃圾自动分类，不需要使用人工分类。
进一步地，基于模型训练过识别过程的垃圾分类方法，包括依次进行的以下步骤：
T1：至少基于垃圾种类之间外形特点，尺寸特点和用户倾倒习惯这三个使用特征针对每两种垃圾训练一个两类（Two class classification）识别模型，在基于模型训练过程的垃圾分类方法中，是针对要分的垃圾类别依次做两类（Two class classification）识别来进行分类，最后将垃圾分到各个类别中；
T2：根据需求训练若干个两类识别模型，用以辅助垃圾分类装置，一般来说，根据现今中国要求将垃圾分为干垃圾、湿垃圾、可回收物和有害垃圾，针对此情况可设置为三个两类（Two class classification）识别模型，分别为可识别干垃圾和非干垃圾的模型（TRCNNB01），可识别湿垃圾和非湿垃圾的模型（TRCNNB02），可识别有害垃圾和非有害垃圾的模型（TRCNNB03），以辅助我们的垃圾分类装置；
T3：将垃圾放入垃圾分类装置，由垃圾分类装置的摄像头拍摄垃圾的照片后上传到识别模型；
T4：识别模型识别照片并输出识别结果。
垃圾分类方法使用训练模型根据实际需求形成若干两类识别模型，采用针对垃圾拍照后的照片依次经过若干训练好的两类识别模型进行识别分类，让垃圾依次经过这些两类识别模型进行识别。
进一步地，所述模型训练过程还包括模型进化步骤，所述模型进化步骤设置为当在识别模型遇到无法处理的照片时，垃圾分类装置通过网卡将图片发到送云，由人工进行标注后，重新输入到模型训练过程作为补充数据进行学习。所述无法处理的照片包括但不限于模型未能识别的垃圾图片，或者人工提交的分类错误的图片，或虽然识别正确但是识别可信度（confidence) 低于预设的一定阈值。基于模型训练过识别程的垃圾分类方法使用二类识别模型保证了每次分类仅识别一类特征，使得分类准确率大大提高，并且使得卷叠式的模型训练过程运用到垃圾分类方法中，形成一个完善的垃圾分类方法。
进一步地，所述步骤S1的预处理包括预处理器对图片的至少大小、颜色参数进行预调整。
进一步地，所述步骤S1的预处理还包括在进行预调整后，对图片进行图像增强（Image augmentation)处理，增加可训练的图片量。
所述图像增强处理可以包括以下手段：针对训练图随机的翻转（flip)，多方向移位（multi direction translate），拉伸（distort) ，旋转(rotate)等。图像增强处理可以增加可训练的图片量，并且在原有的训练集上增加了模型的识别能力（Robustness）。
进一步地，所述步骤S2的转换表达方法为，将预处理后的RGB三通道的图片换为多维的Numpy数列（Array）的表达方法，并将次数列输入到深度神经网络中进行训练。
进一步地，所述步骤S3中所述的卷积层（Convolution Layer）使用线性整流函数作为激活器。深度学习网络的第一层为零补充（Zero Padding）使用线性整流函数（Rectified LinearUnit, ReLU）作为激活器（Activation) 的卷积层（ConvolutionLayer)，此层利用零补充（Zero Padding) 的方式填充滤镜尺寸（filter）和图片尺寸之间的间距。
进一步地，所述步骤S9还包括将所述优化通过反向传播法（backpropagation）传播回深度神经网络的各层，反向传播法（backpropagation）逆向依次顺序传播回深度神经网络的各层，可以使深度神经网络的各层针对优化后的结果进行学习，以提高模型的识别能力。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明一种实现垃圾自动分类的方法，采用模型训练卷叠式算法，配合建立的两类识别模型，使得垃圾分类可以实现智能识别自动分类，解决了现有的垃圾分类多采用人工分类，效率低，人工成本较高，并且容易造成错误的问题；
2.本发明一种实现垃圾自动分类的方法，采用模型训练卷叠式算法，配合建立的两类识别模型，使得垃圾分类可以实现智能识别自动分类，并且采用反向传播法增强对模型的识别能力，使用人工标记补充学习，解决了垃圾自动分类没有一个较好的完善的方法，使得可以训练模型获得一个准确率达到实际使用需求的问题。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的模型训练过程原理框图；
图2是本发明的垃圾分类方法原理框图；
图3是本发明的含模型进化的模型训练过程原理框图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合图1、图2、图3对本发明作详细说明。
实施例1
一种实现垃圾自动分类的方法，包括模型训练过程，基于模型训练过程的垃圾分类方法，如图1所示，所述模型训练过程包括依次进行的以下步骤：
S1：将标注的垃圾分类训练图集放入模型预处理器中进行预处理，预处理是为了增加模型的识别能力（Robustness）；
S2：将预处理后的RGB三通道的图片输入到深度神经网络中，一般来说，会将图片转换表达方法；
S3：在深度神经网络的第一层卷积层（Convolution Layer），使用零补充（ZeroPadding）的方式填充滤镜尺寸（filter）和图片尺寸之间的间距；
S4：在深度神经网络的第二层抽样层，将卷积层提取后得到的特征进行特征提取，以此来逐步减少卷积层的空间尺寸（spartial size），降低计算量（model computation），同时控制模型的过拟合（overfit）问题。
S5：在深度神经网络的第三层归一化层（Batch Normalization layer），输入抽样层提取出来的特征层，以提升深度神经网络的性能和稳定性；
S6：将批量归一化的数列输入数层叠加的卷积层和抽样层计算，重复若干次；
S7：将计算后的结果输入数个全连接层（Fully connected layer）中进行计算；
S8：将全连接层（Fully connected layer）计算的结果输入数个随机失活层（dropout）中, 通过随机失活深度神经网络中的神经元，提升模型的识别能力；
S9：将深度神经网络计算获得的结果输入到使用自适应矩估计优化模型（Adam:adaptive moment estimation）中与已知的结果进行比对，计算误差（error），对神经网络进行优化；
S10：在模型训练完成后，即所有训练图集都按批次（batch) 被输入深度学习网络，并进行训练后，输出垃圾分类设备模型，并报告训练结果。
通过本发明一种实现垃圾自动分类的方法的这种卷叠式算法的模型训练过程，可以使得深度神经网络能够对模型图片的标注特征进行识别和学习，使得训练模型具有识别垃圾分类的特征的功能。
实施例2
如图2所示，基于模型训练过识别过程的垃圾分类方法包括依次进行的以下步骤：
T1：至少基于垃圾种类之间外形特点，尺寸特点和用户倾倒习惯这三个使用特征针对每两种垃圾训练一个两类（Two class classification）识别模型，在基于模型训练过程的垃圾分类方法中，是针对要分的垃圾类别依次做两类（Two class classification）识别来进行分类，最后将垃圾分到各个类别中；
T2：根据需求训练若干个两类识别模型，用以辅助垃圾分类装置，一般来说，根据现今中国要求将垃圾分为干垃圾、湿垃圾、可回收物和有害垃圾，针对此情况可设置为三个两类（Two class classification）识别模型，分别为可识别干垃圾和非干垃圾的模型（TRCNNB01），可识别湿垃圾和非湿垃圾的模型（TRCNNB02），可识别有害垃圾和非有害垃圾的模型（TRCNNB03），以辅助我们的垃圾分类装置；
T3：将垃圾放入垃圾分类装置，由垃圾分类装置的摄像头拍摄垃圾的照片后上传到识别模型；
T4：识别模型识别照片并输出识别结果。
垃圾分类方法使用训练模型根据实际需求形成若干两类识别模型，采用针对垃圾拍照后的照片依次经过若干训练好的两类识别模型进行识别分类，让垃圾依次经过这些两类识别模型进行识别后分类，如图2，将垃圾分为干垃圾、湿垃圾、可回收物和有害垃圾，针对此情况可设置为三个两类（Two class classification）识别模型，分别为可识别干垃圾和非干垃圾的模型（TRCNNB01），可识别湿垃圾和非湿垃圾的模型（TRCNNB02），可识别有害垃圾和非有害垃圾的模型（TRCNNB03），让垃圾的照片依次经过这三个识别模型，如图2，在经过第一个两类识别模型时，若照片被识别为干垃圾，则垃圾被归入干垃圾，若照片被识别为非干垃圾，则送入下一个两类模型；在经过第二个两类识别模型时，若照片被识别为湿垃圾，则垃圾被归入湿垃圾，若照片被识别为非湿垃圾，则照片被送入第三个两类识别模型；在经过第三个两类识别模型时，若照片被识别为有害垃圾，则垃圾被归入有害垃圾，若照片被识别为非有害垃圾，而照片也非无法处理，则垃圾被归入可回收物，若照片无法处理，则上传至云使用人工标记，并且送回训练模型中进行优化。
实施例3
本实施例是实施例2的进一步说明，如图2、图3所示，所述模型训练过程还包括模型进化步骤，所述模型进化步骤设置为当在识别模型遇到无法处理的照片时，垃圾分类装置通过网卡将图片发到送云，由人工进行标注后，重新输入到模型训练过程作为补充数据进行学习。所述无法处理的照片包括但不限于模型未能识别的垃圾图片，或者人工提交的分类错误的图片，或虽然识别正确但是识别可信度（confidence) 低于预设的一定阈值。
基于模型训练过识别程的垃圾分类方法使用二类识别模型保证了每次分类仅识别一类特征，使得分类准确率大大提高，并且使得卷叠式的模型训练过程运用到垃圾分类方法中，形成一个完善的垃圾分类方法。
实施例4
本实施例是实施例1的进一步说明，所述步骤S1的预处理包括预处理器对图片的至少大小、颜色参数进行预调整。
实施例5
本实施例是实施例4的进一步说明，所述步骤S1的预处理还包括在进行预调整后，对图片进行图像增强（Image augmentation)处理，增加可训练的图片量。
所述图像增强处理可以包括以下手段：针对训练图随机的翻转（flip)，多方向移位（multi direction translate），拉伸（distort) ，旋转(rotate)等。图像增强处理可以增加可训练的图片量，并且在原有的训练集上增加了模型的识别能力（Robustness）。
实施例6
本实施例是实施例1的进一步说明，如图3所示，所述步骤S2的转换表达方法为，将预处理后的RGB三通道的图片换为多维的Numpy数列（Array）的表达方法，并将次数列输入到深度神经网络中进行训练。
实施例7
本实施例是实施例1的进一步说明，如图1、图3所示，所述步骤S3中所述的卷积层（Convolution Layer）使用线性整流函数作为激活器。深度学习网络的第一层为零补充（Zero Padding）使用线性整流函数（Rectified LinearUnit, ReLU）作为激活器（Activation) 的卷积层（Convolution Layer)，此层利用零补充（Zero Padding) 的方式填充滤镜尺寸（filter）和图片尺寸之间的间距。
实施例8
本实施例是实施例1的进一步说明，如图1、图3中虚线所示，所述步骤S9还包括将所述优化通过反向传播法（backpropagation）传播回深度神经网络的各层，反向传播法（backpropagation）逆向依次顺序传播回深度神经网络的各层，可以使深度神经网络的各层针对优化后的结果进行学习，以提高模型的识别能力。
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (8)
1.一种实现垃圾自动分类的方法，包括模型训练过程，基于模型训练过程的垃圾分类方法，其特征在于：所述模型训练过程包括依次进行的以下步骤，
S1：将标注的垃圾分类训练图集放入模型预处理器中进行预处理；
S2：将预处理后的RGB三通道的图片输入到深度神经网络中；
S3：在深度神经网络的第一层卷积层，使用零补充的方式填充滤镜尺寸和图片尺寸之间的间距；
S4：在深度神经网络的第二层抽样层，将卷积层提取后得到的特征进行特征提取；
S5：在深度神经网络的第三层归一化层，输入抽样层提取出来的特征层；
S6：将批量归一化的数列输入数层叠加的卷积层和抽样层计算，重复若干次；
S7：将计算后的结果输入数个全连接层中进行计算；
S8：将全连接层计算的结果输入数个随机失活层中, 通过随机失活深度神经网络中的神经元，提升模型的识别能力；
S9：将深度神经网络计算获得的结果输入到使用自适应矩估计优化模型中与已知的结果进行比对，计算误差，对神经网络进行优化；
S10：在模型训练完成后，输出垃圾分类设备模型，并报告训练结果。
2.根据权利要求1所述的一种实现垃圾自动分类的方法，其特征在于：所述基于模型训练过程的垃圾分类方法包括依次进行的以下步骤，
T1：至少基于垃圾种类之间外形特点，尺寸特点和用户倾倒习惯这三个使用特征针对每两种垃圾训练一个两类识别模型；
T2：根据需求训练若干个两类识别模型，用以辅助垃圾分类装置；
T3：将垃圾放入垃圾分类装置，由垃圾分类装置的摄像头拍摄垃圾的照片后上传到识别模型；
T4：识别模型识别照片并输出识别结果。
3.根据权利要求2所述的一种实现垃圾自动分类的方法，其特征在于：所述模型训练过程还包括模型进化步骤，所述模型进化步骤设置为当在识别模型遇到无法处理的照片时，垃圾分类装置通过网卡将图片发到送云，由人工进行标注后，重新输入到模型训练过程作为补充数据进行学习。
4.根据权利要求1所述的一种实现垃圾自动分类的方法，其特征在于：所述步骤S1的预处理包括预处理器对图片的至少大小、颜色参数进行预调整。
5.根据权利要求4所述的一种实现垃圾自动分类的方法，其特征在于：所述步骤S1的预处理还包括在进行预调整后，对图片进行图像增强处理，增加可训练的图片量。
6.根据权利要求1所述的一种实现垃圾自动分类的方法，其特征在于：所述步骤S2的转换表达方法为，将预处理后的RGB三通道的图片换为多维的Numpy数列的表达方法。
7.根据权利要求1所述的一种实现垃圾自动分类的方法，其特征在于：所述步骤S3中所述的卷积层使用线性整流函数作为激活器。
8.根据权利要求1所述的一种实现垃圾自动分类的方法，其特征在于：所述步骤S9还包括将所述优化通过反向传播法传播回深度神经网络的各层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257982.8A CN111444977A (zh) | 2020-04-03 | 2020-04-03 | 一种实现垃圾自动分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257982.8A CN111444977A (zh) | 2020-04-03 | 2020-04-03 | 一种实现垃圾自动分类的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111444977A true CN111444977A (zh) | 2020-07-24 |
Family
ID=71651589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010257982.8A Pending CN111444977A (zh) | 2020-04-03 | 2020-04-03 | 一种实现垃圾自动分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444977A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
| US20180260621A1 (en) * | 2017-03-10 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Picture recognition method and apparatus, computer device and computer- readable medium |
| CN108776779A (zh) * | 2018-05-25 | 2018-11-09 | 西安电子科技大学 | 基于卷积循环网络的sar序列图像目标识别方法 |
| CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
| CN109948639A (zh) * | 2019-05-23 | 2019-06-28 | 君库(上海)信息科技有限公司 | 一种基于深度学习的图片垃圾识别方法 |
| CN110116415A (zh) * | 2019-06-12 | 2019-08-13 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
| 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 |
| CN110516561A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于dcgan和cnn的sar图像目标识别方法 |
| CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
| CN110626662A (zh) * | 2019-10-12 | 2019-12-31 | 张颢宸 | 一种基于图像识别的垃圾自分类方法及设备 |
| US20200050922A1 (en) * | 2018-08-13 | 2020-02-13 | National Chiao Tung University | Recycling system and method based on deep-learning and computer vision technology |
| CN110929760A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的垃圾分类软件 |
-
2020
- 2020-04-03 CN CN202010257982.8A patent/CN111444977A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
| US20180260621A1 (en) * | 2017-03-10 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Picture recognition method and apparatus, computer device and computer- readable medium |
| CN108776779A (zh) * | 2018-05-25 | 2018-11-09 | 西安电子科技大学 | 基于卷积循环网络的sar序列图像目标识别方法 |
| US20200050922A1 (en) * | 2018-08-13 | 2020-02-13 | National Chiao Tung University | Recycling system and method based on deep-learning and computer vision technology |
| CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
| CN109948639A (zh) * | 2019-05-23 | 2019-06-28 | 君库(上海)信息科技有限公司 | 一种基于深度学习的图片垃圾识别方法 |
| CN110116415A (zh) * | 2019-06-12 | 2019-08-13 | 中北大学 | 一种基于深度学习的瓶罐类垃圾识别分类机器人 |
| CN110516561A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于dcgan和cnn的sar图像目标识别方法 |
| 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 |
| CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
| CN110626662A (zh) * | 2019-10-12 | 2019-12-31 | 张颢宸 | 一种基于图像识别的垃圾自分类方法及设备 |
| CN110929760A (zh) * | 2019-10-30 | 2020-03-27 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种基于计算机视觉的垃圾分类软件 |
Non-Patent Citations (3)
| Title |
|---|
| 吕文杰;魏孝虎;陈众孚;童灏;马燕;: "基于卷积神经网络的生活垃圾自动分类软件的实现" * |
| 吕程熙;: "基于深度学习实现自动垃圾分类" * |
| 秦斌斌;何级;: "基于卷积神经网络的垃圾分类研究" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
| CN107194418B (zh) | 一种基于对抗特征学习的水稻蚜虫检测方法 | |
| CN107871100A (zh) | 人脸模型的训练方法和装置、人脸认证方法和装置 | |
| CN106599925A (zh) | 一种基于深度学习的植物叶片识别系统与方法 | |
| CN104504365A (zh) | 视频序列中的笑脸识别系统及方法 | |
| CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
| CN108334955A (zh) | 基于Faster-RCNN的身份证复印件检测方法 | |
| CN110263768A (zh) | 一种基于深度残差网络的人脸识别方法 | |
| CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| CN107944386A (zh) | 基于卷积神经网络的视觉场景识别方法 | |
| CN109766790B (zh) | 一种基于自适应特征通道的行人检测方法 | |
| CN110751072B (zh) | 基于知识嵌入图卷积网络的双人交互识别方法 | |
| CN107704859A (zh) | 一种基于深度学习训练框架的文字识别方法 | |
| CN107066951A (zh) | 一种人脸自发表情的识别方法及系统 | |
| CN111401145A (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
| CN107301376A (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
| CN113255804A (zh) | 基于图像变化检测的垃圾溯源方法、装置 | |
| CN112488162A (zh) | 一种基于主动学习的垃圾分类方法 | |
| CN110751226A (zh) | 人群计数模型的训练方法、装置和存储介质 | |
| CN110363156A (zh) | 一种姿态无关的面部动作单元识别方法 | |
| CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
| CN110633689B (zh) | 基于半监督注意力网络的人脸识别模型 | |
| CN111444977A (zh) | 一种实现垃圾自动分类的方法 | |
| CN107679510A (zh) | 一种基于深度学习的银行客户识别系统及方法 | |
| CN111160262A (zh) | 一种融合人体关键点检测的人像分割方法 |
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: 20200724 |