CN115082736A - 垃圾识别分类方法、装置、电子设备及存储介质 - Google Patents
垃圾识别分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115082736A CN115082736A CN202210726189.7A CN202210726189A CN115082736A CN 115082736 A CN115082736 A CN 115082736A CN 202210726189 A CN202210726189 A CN 202210726189A CN 115082736 A CN115082736 A CN 115082736A
- Authority
- CN
- China
- Prior art keywords
- category
- picture
- characteristic data
- target
- loss
- 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 37
- 238000012549 training Methods 0.000 claims abstract description 116
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 90
- 238000013145 classification model Methods 0.000 claims description 68
- 238000011176 pooling Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/10—Waste collection, transportation, transfer or storage, e.g. segregated refuse collecting, electric or hybrid propulsion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露一种垃圾识别分类方法,包括:利用模型提取垃圾图片训练集中的图片的特征,得到特征数据,计算特征数据的类别分析值;对交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;确认特征数据对应类别真实值,根据类别分析值及类别真实值对目标损失函数进行计算,得到类别损失值;当类别损失值大于或等于损失阈值,更新模型的参数,并对更新后的模型重新训练;当类别损失值小于损失阈值,输出训练完成的模型对待识别垃圾图片进行识别,得到识别结果。本发明还涉及一种区块链技术,所述类别损失值可以存储在区块链节点中。本发明还提出一种垃圾识别分类装置、设备以及介质。本发明可以提高垃圾识别分类的准确率。
Description
技术领域
本发明涉及人工智能技术,尤其涉及一种垃圾识别分类方法、装置、电子设备及存储介质。
背景技术
近年来,随着人工智能的发展,人工智能的也逐渐应用到生活的方方面面,如利用基于人工智能的深度学习模型对垃圾进行识别分类以提高垃圾分类的效率。
但是现有的用户垃圾识别分类的模型的训练过程中存在不同分类类别的损失值差异过大,导致模型的训练以某一分类类别为主导,训练后的模型鲁棒性较差,从而导致垃圾分类识别的准确率较低。
发明内容
本发明提供一种垃圾识别分类方法、装置、电子设备及存储介质,其主要目的在于提高了垃圾分类识别的准确率。
获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;
在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;
利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;
对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;
当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;
当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
可选地,所述利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集,包括:
对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化,得到对应的初始特征数据;
构建激活函数对所述初始特征数据进行特征增强,得到目标特征数据;
汇总所有所述目标特征数据,得到所述目标特征数据集。
可选地,所述对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化,得到对应的初始特征数据,包括:
将所述垃圾图片输入所述图片分类模型的卷积池化层以进行卷积池化,得到所述初始特征数据,其中,所述卷积池化层包括预设第一数量卷积层及预设第二数量的池化层串联构成,所述第一数量与所述第二数量之和为所述预设次数。
可选地,所述更新所述垃圾图片训练集及所述图片分类模型的参数,包括:
将所述垃圾图片训练集中所述训练子集包含的所有图片删除,得到更新后的垃圾图片训练集;
利用梯度下降算法更新所述图片分类模型的模型参数,得到更新后的图片分类模型。
可选地,所述对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数,包括:
其中,M为所述垃圾图片训练集中类别的种类,C为类别对应的种类序号,pic为目标特征数据i的C类别的类别分析值;yic为目标特征数据i的C类别的类别真实值,i为所述目标特征数据集中目标特征数据的序号,N为所述目标特征数据集中目标特征数据的数量,H表示所述目标损失函数,γ为预设调节参数。
可选地,所述利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果,包括:
将所述待识别垃圾图片输入所述训练完成的图片分类模型,得到识别特征数据;
利用所述softmax函数对所述识别特征数据进行计算,得到不同预设垃圾类别的识别概率;
将所述识别概率最高的所述垃圾类别确认为所述识别结果。
为了解决上述问题,本发明还提供一种垃圾识别分类装置,所述装置包括:
损失函数转换模块,用于获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
损失值计算模块,用于根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
模型识别模块,用于当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
可选地,所述对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数,包括:
其中,M为所述垃圾图片训练集中类别的种类,C为类别对应的种类序号,pic为目标特征数据i的C类别的类别分析值;yic为目标特征数据i的C类别的类别真实值,i为所述目标特征数据集中目标特征数据的序号,N为所述目标特征数据集中目标特征数据的数量,H表示所述目标损失函数,γ为预设调节参数。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的垃圾识别分类方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的垃圾识别分类方法。
本发明实施例对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;平衡不同类别的损失值,避免了单一类别损失值对模型影响,平衡了图片分类模型中对每种类别的训练度,提高了训练完成后的模型的鲁棒性,进而提高了垃圾识别分类的准确率;因此本发明实施例提出的垃圾识别分类方法、装置、电子设备及可读存储介质提高了垃圾识别分类的准确率。
附图说明
图1为本发明一实施例提供的垃圾识别分类方法的流程示意图;
图2为本发明一实施例提供的垃圾识别分类装置的模块示意图;
图3为本发明一实施例提供的实现垃圾识别分类方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种垃圾识别分类方法。所述垃圾识别分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述垃圾识别分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的垃圾识别分类方法的流程示意图,在本发明实施例中,所述垃圾识别分类方法包括:
S1、获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;
本发明实施例中所述垃圾图片训练集为包含多个垃圾图片的集合,其中,所述垃圾图片训练集中的每个垃圾图片都有唯一对应的类别,所述类别是用来标识所述垃圾图片中垃圾类别,如“塑料”、“玻璃”等。
进一步地,本发明实施例中所述垃圾图片训练集中的类别的种类至少有一种。
S2、在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;
本发明实施例中所述图片分类模型为预构建的利用交叉熵损失函数进行训练的多分类的深度学习模型;本发明实施例中对所述图片分类模型不做限制,所述图片分类模型训练完成后可以对图片进行识别分类。可选地,本发明实施例中所述图像分类模型为卷积神经网络模型。
进一步地,本发明实施例中所述并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集,包括:
对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化,得到对应的初始特征数据;
构建激活函数对所述初始特征数据进行特征增强,得到目标特征数据;
可选地,本发明实施例中所述激活函数为:
其中,μt表示所述初始特征数据,s表示所述增强特征数据。
汇总所有所述目标特征数据,得到所述目标特征数据集。
详细地,本发明实施例中对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化,得到对应的初始特征数据,包括:
将所述垃圾图片输入所述图片分类模型的卷积池化层以进行卷积池化,得到所述初始特征数据,其中,所述卷积池化层包括预设第一数量卷积层及预设第二数量的池化层串联构成,所述第一数量与所述第二数量之和为所述预设次数。
本发明实施例中所述卷积层用来对数据进行卷积运算,所述池化层用来对数据进行池化运算,所述池化运算为平均池化或最大池化。
S3、利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;
具体地,本发明实施例将所述目标特征数据作为变量参数导入所述softmax函数进行计算,得到每种所述类别对应的类别分析值。
进一步地,本发明实施例中模型预测的类别分析值与实际对应的类别的一致性,根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值。
本发明是实施例所述每个特征数据对应的类别真实值的数量与所述垃圾图片训练集中类别的种类一致。例如:所述垃圾图片训练集中的类别中两种为A和B,所述目标特征数据对应的垃圾图片的类别为A,那么该特征数据的类别真实值也有两个分别为A类别对应的类别真实值为1,B类别对应的类别真实值为0。
S4、对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
本发明实施例由于所述类别有多种,因此,本发明实施例训练所述图片分类模型进行多分类,因此,本发明实施例利用交叉熵损失函数对所述图片分类模型进行训练。
具体地,本发明实施例中所述交叉熵损失函数为:
其中,M为所述垃圾图片训练集中类别的种类,C为类别对应的种类序号,pic为目标特征数据i的C类别的类别分析值;yic为目标特征数据i的C类别的类别真实值,i为所述目标特征数据集中目标特征数据的序号,N为所述目标特征数据集中目标特征数据的数量,L表示交叉熵损失函数。
进一步地,本发明实施例有上述交叉熵损失函数可知损失值的计算会受到不同类别对应的目标特征数据数量的影响,数量越多对损失值的影响越大,导致目标特征数据数量较多的类别对应的垃圾图片的识别能力训练效果较好,目标特征数据数量较少的类别对应的垃圾图片的识别能力训练效果差,存在损失权重不平衡的问题,因此,本发明实施例中对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数。
具体地,本发明实施例中所述目标损失函数为:
其中,H表示所述目标损失函数,γ为预设调节参数。
与所述交叉熵损失函数相比,使用所述目标损失函数进行模型训练时,当一个目标特征数据被误分类时,则pic的值很小,(1-pic)接近1,损失不被影响;当一个目标特征数据被分得比较好时,则pic趋近于1,(1-pic)接近0,那么分得比较好的目标特征数据的权值就被调低了,降低了易分样本的权重而增大了难分的易错样本的权重;因此在训练中更加关注到难分样本的贡献,从而解决了数据样本不均衡数据集难以训练的问题,可以进一步提高分类精度。
S5、根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;
详细地,本发明实施例中将所述类别分析值与所述类别真实值作为所述目标损失函数的函数变量以计算所述目标损失函数,得到所述类别损失值。
本发明另一实施例中所述类别损失值可以存储在区块链节点,利用区块链节点高吞吐的特性,提高数据的取用效率。
S6、判断所述类别损失值是否小于预设损失阈值;
本发明实施例中为了判断所述图片分类模型的训练精度是否达到要求,判断所述类别损失值是否小于所述损失阈值。
S7、当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;
本发明实施例中当所述类别损失值大于或等于所述损失阈值,则标识所述图片分类模型的精度未达到要求,需要对所述图片分类模型的参数更改后继续训练,因此,更新所述垃圾图片训练集及所述图片分类模型的参数后,返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;
详细地,本发明实施例中更新所述垃圾图片训练集及所述图片分类模型的参数,包括:
将所述垃圾图片训练集中所述训练子集包含的所有图片删除,得到更新后的垃圾图片训练集;
利用梯度下降算法更新所述图片分类模型的模型参数,得到更新后的图片分类模型。
进一步地,本发明实施例中将所述垃圾图片训练集中的训练图片删除,得到更新后的垃圾图片训练集,包括:
判断所述垃圾图片训练集中图片的数量是否小于数量阈值,其中,所述数量阈值为两个所述数量之和;
例如:所述数量为5,那么所述数量阈值为10。
当所述所述垃圾图片训练集中图片的数量不小于所述数量阈值,将所述垃圾图片训练集中所述训练子集包含的所有图片删除,得到更新后的垃圾图片训练集;
当所述所述垃圾图片训练集中图片的数量小于所述数量阈值,计算所述垃圾图片训练集中图片数量与所述训练子集中图片数量的差值,得到第一缺口数量;
计算所述训练子集中图片数量与所述第一缺口数量的差值,得到第二缺口数量;
计算所述训练子集中图片数量与所述第二缺口数量的差值,得到第三缺口数量;
随机选取所述训练子集中所述第三缺口数量的图片,得到待删除图片;
将所述垃圾图片训练集中所有所述待删除图片删除,得到更新后的垃圾图片集。
S8、当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
本发明实施例中当所述类别损失值小于所述损失阈值,将此时的图片分类模型输出,得到训练完成的图片分类模型。
S9、当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
本发明实施例中所述待识别垃圾图片为与所述垃圾图片类型相同内容不同图片。
进一步地,本发明实施例中利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果,包括:
将所述待识别垃圾图片输入所述训练完成的图片分类模型,得到识别特征数据;
利用所述softmax函数对所述识别特征数据进行计算,得到不同预设垃圾类别的识别概率;
具体地,本发明实施例中所述垃圾类别为所述训练完成的图片分类模型可以识别的垃圾类别。
将所述识别概率最高的所述垃圾类别确认为所述识别结果。
如图2所示,是本发明垃圾识别分类装置的功能模块图。
本发明所述垃圾识别分类装置100可以安装于电子设备中。根据实现的功能,所述垃圾识别分类装置可以包括损失函数转换模块101、损失值计算模块102、模型识别模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述损失函数转换模块101用于获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
所述损失值计算模块102用于根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
所述模型识别模块103用于当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
详细地,本发明实施例中所述垃圾识别分类装置100中所述的各模块在使用时采用与上述图1中所述的垃圾识别分类方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明实现垃圾识别分类方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如垃圾识别分类程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如垃圾识别分类程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如垃圾识别分类程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的垃圾识别分类程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;
在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;
利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;
对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;
当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;
当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的,也可以是易失性的。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)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;
在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;
利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;
对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;
当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;
当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
进一步地,所述计算机可用存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外,在本发明各个实施例中的各功能模块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关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。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)
1.一种垃圾识别分类方法,其特征在于,所述方法包括:
获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;
在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;
利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;
对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;
当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;
当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
2.如权利要求1所述的垃圾识别分类方法,其特征在于,所述利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集,包括:
对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化,得到对应的初始特征数据;
构建激活函数对所述初始特征数据进行特征增强,得到目标特征数据;
汇总所有所述目标特征数据,得到所述目标特征数据集。
3.如权利要求2所述的垃圾识别分类方法,其特征在于,所述对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化,得到对应的初始特征数据,包括:
将所述垃圾图片输入所述图片分类模型的卷积池化层以进行卷积池化,得到所述初始特征数据,其中,所述卷积池化层包括预设第一数量卷积层及预设第二数量的池化层串联构成,所述第一数量与所述第二数量之和为所述预设次数。
4.如权利要求1所述的垃圾识别分类方法,其特征在于,所述更新所述垃圾图片训练集及所述图片分类模型的参数,包括:
将所述垃圾图片训练集中所述训练子集包含的所有图片删除,得到更新后的垃圾图片训练集;
利用梯度下降算法更新所述图片分类模型的模型参数,得到更新后的图片分类模型。
6.如权利要求1至5中任意一项所述的垃圾识别分类方法,其特征在于,所述利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果,包括:
将所述待识别垃圾图片输入所述训练完成的图片分类模型,得到识别特征数据;
利用所述softmax函数对所述识别特征数据进行计算,得到不同预设垃圾类别的识别概率;
将所述识别概率最高的所述垃圾类别确认为所述识别结果。
7.一种垃圾识别分类装置,其特征在于,包括:
损失函数转换模块,用于获取垃圾图片训练集,其中,所述垃圾图片训练集中每个垃圾图片都有对应的类别;在所述垃圾图片训练集中随机选取预设数量的图片,得到训练子集,并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取,得到对应的目标特征数据集;利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算,得到每种所述类别对应的类别分析值,并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值;对所述交叉熵损失函数进行损失权重平衡转换,得到目标损失函数;
损失值计算模块,用于根据所述目标特征数据对应的类别分析值与类别真实值,利用所述目标损失函数进行计算,得到类别损失值;当所述类别损失值大于或等于所述损失阈值,更新所述垃圾图片训练集及所述图片分类模型的参数,并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤;当所述类别损失值小于所述损失阈值,输出训练完成的图片分类模型;
模型识别模块,用于当获取待识别垃圾图片时,利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类,得到识别结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的垃圾识别分类方法。
10.一种计算机可读存储介质,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至6中任一项所述的垃圾识别分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210726189.7A CN115082736A (zh) | 2022-06-23 | 2022-06-23 | 垃圾识别分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210726189.7A CN115082736A (zh) | 2022-06-23 | 2022-06-23 | 垃圾识别分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082736A true CN115082736A (zh) | 2022-09-20 |
Family
ID=83255775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210726189.7A Pending CN115082736A (zh) | 2022-06-23 | 2022-06-23 | 垃圾识别分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082736A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079639A (zh) * | 2019-12-13 | 2020-04-28 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
US20210042580A1 (en) * | 2018-10-10 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Model training method and apparatus for image recognition, network device, and storage medium |
CN112560453A (zh) * | 2020-12-18 | 2021-03-26 | 平安银行股份有限公司 | 语音信息校验方法、装置、电子设备及介质 |
CN113722483A (zh) * | 2021-08-31 | 2021-11-30 | 平安银行股份有限公司 | 话题分类方法、装置、设备及存储介质 |
CN113989567A (zh) * | 2021-10-29 | 2022-01-28 | 中国银行股份有限公司 | 垃圾图片分类方法及装置 |
CN114491047A (zh) * | 2022-02-16 | 2022-05-13 | 中国平安人寿保险股份有限公司 | 多标签文本分类方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-23 CN CN202210726189.7A patent/CN115082736A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210042580A1 (en) * | 2018-10-10 | 2021-02-11 | Tencent Technology (Shenzhen) Company Limited | Model training method and apparatus for image recognition, network device, and storage medium |
CN111079639A (zh) * | 2019-12-13 | 2020-04-28 | 中国平安财产保险股份有限公司 | 垃圾图像分类模型构建的方法、装置、设备及存储介质 |
CN112560453A (zh) * | 2020-12-18 | 2021-03-26 | 平安银行股份有限公司 | 语音信息校验方法、装置、电子设备及介质 |
CN113722483A (zh) * | 2021-08-31 | 2021-11-30 | 平安银行股份有限公司 | 话题分类方法、装置、设备及存储介质 |
CN113989567A (zh) * | 2021-10-29 | 2022-01-28 | 中国银行股份有限公司 | 垃圾图片分类方法及装置 |
CN114491047A (zh) * | 2022-02-16 | 2022-05-13 | 中国平安人寿保险股份有限公司 | 多标签文本分类方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
郑誉煌等: "基于迁移学习的可回收生活垃圾图像分类识别研究", 广东第二师范学院学报, vol. 40, no. 03, 30 June 2020 (2020-06-30), pages 94 - 100 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022105179A1 (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN113704614A (zh) | 基于用户画像的页面生成方法、装置、设备及介质 | |
CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN113626606A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
CN113419951B (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN113626605A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113822215A (zh) | 设备操作指引文件生成方法、装置、电子设备及存储介质 | |
CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
CN113705686A (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113435308A (zh) | 文本多标签分类方法、装置、设备及存储介质 |
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 |