CN115424095A - 基于废旧物资的质量分析方法及装置 - Google Patents

基于废旧物资的质量分析方法及装置 Download PDF

Info

Publication number
CN115424095A
CN115424095A CN202211366465.XA CN202211366465A CN115424095A CN 115424095 A CN115424095 A CN 115424095A CN 202211366465 A CN202211366465 A CN 202211366465A CN 115424095 A CN115424095 A CN 115424095A
Authority
CN
China
Prior art keywords
waste material
pixel
waste
layer
convolution
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
CN202211366465.XA
Other languages
English (en)
Other versions
CN115424095B (zh
Inventor
张小翠
卢华
彭航
梁佳
陈挚
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.)
Hubei Xintong Communication Co ltd
Original Assignee
Hubei Xintong Communication 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 Hubei Xintong Communication Co ltd filed Critical Hubei Xintong Communication Co ltd
Priority to CN202211366465.XA priority Critical patent/CN115424095B/zh
Publication of CN115424095A publication Critical patent/CN115424095A/zh
Application granted granted Critical
Publication of CN115424095B publication Critical patent/CN115424095B/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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/30—Administration of product recycling or disposal
    • 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
    • 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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于废旧物资的质量分析方法及装置，包括：接受包括废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成，将废旧物资训练集输入至废旧物资识别模型中执行训练得到训练完成的废旧物资识别模型，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。本发明可以解决传统方法无法端到端实现废旧物资分类及质量鉴定的问题。

Description

基于废旧物资的质量分析方法及装置
技术领域
本发明涉及环境资源利用技术领域，尤其涉及一种基于废旧物资的质量分析方法、装置、电子设备及计算机可读存储介质。
背景技术
废旧物资即陈旧或废弃类东西，部分废旧物资具有再生资源的可回收利用性。目前按照大类划分，可将废旧物资划为废金属、废生活用品、废塑料及废陶瓷。一般情况下，废金属及废陶瓷可重复利用或再利用，因此其可回收价值更高。
传统的废旧物资回收分析主要依赖于X射线光，如通过X射线光判断废旧物资中是否有重金属等，基于X射线光的物资回收方法在一定程度上可提高智能化，但由于X射线光识别物资单一，一般仅能识别出金属物质，因此具有局限性，且X射线并不具有判断金属质量的作用。故目前方法智能化程度有待提高且无法端到端实现废旧物资分类及质量鉴定。
发明内容
本发明提供一种基于废旧物资的质量分析方法、装置及计算机可读存储介质，其主要目的在于解决传统方法无法端到端实现废旧物资分类及质量鉴定的问题。
为实现上述目的，本发明提供的一种基于废旧物资的质量分析方法，包括：
接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成；
将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；
利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：
Figure 100002_DEST_PATH_IMAGE001
其中，c表示改进的卷积层中卷积核总数，
Figure 100002_DEST_PATH_IMAGE002
表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，
Figure 100002_DEST_PATH_IMAGE003
表示
Figure 761796DEST_PATH_IMAGE002
经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，
Figure 100002_DEST_PATH_IMAGE004
表示与通道数k对应的第c个卷积核函数，
Figure 100002_DEST_PATH_IMAGE005
表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，
Figure 100002_DEST_PATH_IMAGE006
表示卷积运算，卷积运算如下所示：
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 100002_DEST_PATH_IMAGE008
表示第i张废旧物资图中像素位置
Figure 100002_DEST_PATH_IMAGE009
与
Figure 648325DEST_PATH_IMAGE004
执行卷积运算后得到的像素值，
Figure 100002_DEST_PATH_IMAGE010
表示以像素位置
Figure 606048DEST_PATH_IMAGE009
为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，
Figure 100002_DEST_PATH_IMAGE011
表示卷积核函数与矩形区域m中每个像素均执行卷积运算；
利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE013
表示第i张废旧物资图中像素位置
Figure 356048DEST_PATH_IMAGE009
执行注意力运算后得到的像素值，g表示激活函数，
Figure 100002_DEST_PATH_IMAGE014
为第一重权重值，
Figure 100002_DEST_PATH_IMAGE015
为第二重权重值，
Figure 100002_DEST_PATH_IMAGE016
为第i张废旧物资图经过平均池化后得到像素值，
Figure 100002_DEST_PATH_IMAGE017
为第i张废旧物资图经过最大池化后得到像素值；
将所述第一特征图和第二特征图在特征融合层中执行特征融合，得到融合特征，将所述融合特征作为分类器的输入计算得到预测标签；
计算每个预测标签与真实标签的误差值，根据误差值调节所述废旧物资识别模型的模型参数，其中模型参数包括所述偏置值、第一重权重值及第二重权重值，直至误差值小于预设阈值，得到训练完成的废旧物资识别模型；
接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图；
对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
可选地，所述第一组特征提取层共8层，其中第1、3、5层为改进的卷积层，第2、4、6、8层为最大池化层，第7层为普通的卷积层；第一组特征提取层共6层，其中第1、3层为普通的卷积层，第2、4层分别为平均池化层和最大化池化层，第5层为改进的注意力机制层，第6层为最大化池化层。
可选地，所述利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；
将每张废旧物资图的每个通道图依次输入共8层的第一组特征提取层；
按照第一组特征提取层的结构，依次经过改进的卷积层、最大化池化层、普通的卷积层，得到所述第一特征图。
可选地，所述利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；
将每张废旧物资图的每个通道图依次输入共6层的第二组特征提取层；
按照第二组特征提取层的结构，依次经过普通的卷积层、平均池化层、最大化池化层及改进的注意力机制层得到所述第二特征图。
可选地，所述计算每个预测标签与真实标签的误差值，包括：
将每个预测标签与真实标签映射为[0,1]区间内的数值；
采用如下公式计算得到每个预测标签与真实标签的误差值：
Figure 100002_DEST_PATH_IMAGE018
其中，
Figure 100002_DEST_PATH_IMAGE019
表示第i张废旧物资图的预测标签
Figure 100002_DEST_PATH_IMAGE020
与真实标签
Figure 100002_DEST_PATH_IMAGE021
的误差值，
Figure 100002_DEST_PATH_IMAGE022
表示与预测标签
Figure 842131DEST_PATH_IMAGE020
对应的映射数值，
Figure 100002_DEST_PATH_IMAGE023
表示与预测标签
Figure 38012DEST_PATH_IMAGE021
对应的映射数值。
可选地，所述对所述质量待鉴定物资图执行裂纹判断，包括：
提取所述质量待鉴定物资图的像素矩阵；
依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差；
根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值；
将滤波值大于滤波阈值的像素值用对应行的像素平均值替代，得到物资滤波图；
基于YOLO构建裂纹识别模型，并基于具有裂纹和不具有裂纹的物资图训练所述裂纹识别模型，得到训练完成的裂纹识别模型；
利用所述裂纹识别模型识别所述物资滤波图是否具有裂纹。
可选地，所述依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差，包括：
采用如下公式计算得到像素平均值和像素标准差：
Figure 100002_DEST_PATH_IMAGE024
其中，
Figure 100002_DEST_PATH_IMAGE025
表示像素矩阵中第i行像素值的像素平均值，m表示第i行的像素总数，
Figure 100002_DEST_PATH_IMAGE026
表示第i行第j列的像素值，
Figure 100002_DEST_PATH_IMAGE027
表示像素矩阵中第i行像素值的像素标准差。
可选地，所述根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值，包括：
Figure 100002_DEST_PATH_IMAGE028
其中，
Figure 100002_DEST_PATH_IMAGE029
表示第i行第j列像素值的滤波值。
可选地，所述滤波阈值设定为12。
为了解决上述问题，本发明还提供一种基于废旧物资的质量分析装置，所述装置包括：
物资训练集获取模块，用于接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成；
模型训练模块，用于将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；
第一特征提取模块，用于利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：
Figure 100002_DEST_PATH_IMAGE030
其中，c表示改进的卷积层中卷积核总数，
Figure 519415DEST_PATH_IMAGE002
表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，
Figure 147974DEST_PATH_IMAGE003
表示
Figure 170287DEST_PATH_IMAGE002
经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，
Figure 808073DEST_PATH_IMAGE004
表示与通道数k对应的第c个卷积核函数，
Figure 62425DEST_PATH_IMAGE005
表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，
Figure 596306DEST_PATH_IMAGE006
表示卷积运算，卷积运算如下所示：
Figure 840336DEST_PATH_IMAGE007
其中，
Figure 16234DEST_PATH_IMAGE008
表示第i张废旧物资图中像素位置
Figure 927689DEST_PATH_IMAGE009
与
Figure 163630DEST_PATH_IMAGE004
执行卷积运算后得到的像素值，
Figure 894956DEST_PATH_IMAGE010
表示以像素位置
Figure 337527DEST_PATH_IMAGE009
为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，
Figure 103489DEST_PATH_IMAGE011
表示卷积核函数与矩形区域m中每个像素均执行卷积运算；
第二特征提取模块，用于利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：
Figure 510331DEST_PATH_IMAGE012
其中，
Figure 728953DEST_PATH_IMAGE013
表示第i张废旧物资图中像素位置
Figure 512233DEST_PATH_IMAGE009
执行注意力运算后得到的像素值，g表示激活函数，
Figure 867122DEST_PATH_IMAGE014
为第一重权重值，
Figure 444865DEST_PATH_IMAGE015
为第二重权重值，
Figure 168362DEST_PATH_IMAGE016
为第i张废旧物资图经过平均池化后得到像素值，
Figure 224174DEST_PATH_IMAGE017
为第i张废旧物资图经过最大池化后得到像素值；
裂纹判断模块，用于接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
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，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于废旧物资的质量分析方法。
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指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于废旧物资的质量分析方法。
本发明实施例为解决背景技术所述问题，先接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成，将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成，可见本发明实施例结合了深度学习模型，将分类方法从X射线转为神经网络，通过训练神经网络达到智能化识别更多种类废品物资的目的，此外，接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资，可见本发明实施补足了传统方法无法鉴定废弃物资的质量问题。因此本发明提出的基于废旧物资的质量分析方法、装置、电子设备及计算机可读存储介质，可以解决传统方法无法端到端实现废旧物资分类及质量鉴定的问题。
附图说明
图1为本发明一实施例提供的基于废旧物资的质量分析方法的流程示意图；
图2为本发明一实施例提供的基于废旧物资的质量分析装置的功能模块图；
图3为本发明一实施例提供的实现所述基于废旧物资的质量分析方法的电子设备的结构示意图。
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。
本申请实施例提供一种基于废旧物资的质量分析方法。所述基于废旧物资的质量分析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，所述基于废旧物资的质量分析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。
参照图1所示，为本发明一实施例提供的基于废旧物资的质量分析方法的流程示意图。在本实施例中，所述基于废旧物资的质量分析方法包括：
S1、接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成。
需解释的是，本发明实施例通过基于深度学习构建的废旧物资识别模型自动识别出废旧物资的种类，如识别出废旧物资A为废金属、废旧物资B为废生活用品等。因此为了提高废旧物资识别模型的识别准确率，需先构建废旧物资训练集用于训练废旧物资识别模型。
需解释的是，废旧物资训练集由多张废金属、废生活用品、废塑料及废陶瓷类图片组成，且每张图片均标注其属于废金属、或废生活用品等真实标签。
S2、将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成。
本发明实施例中，废旧物资识别模型是基于深度学习，特别是卷积神经网络构建得到，为了提高分类效果，本发明实施例构建了两组并排的特征提取层，然后通过特征融合层将两组特征提取层所提取的特征融合，并最后通过分类器判断废旧物资的类别，从而实现自动分类的效果。
可理解的是，分类器可使用机器学习类分类算法，如集成算法XGBoost、支持向量机等。
此外详细地，所述第一组特征提取层共8层，其中第1、3、5层为改进的卷积层，第2、4、6、8层为最大池化层，第7层为普通的卷积层；第一组特征提取层共6层，其中第1、3层为普通的卷积层，第2、4层分别为平均池化层和最大化池化层，第5层为改进的注意力机制层，第6层为最大化池化层。
S3、利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图。
详细地，所述利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；
将每张废旧物资图的每个通道图依次输入共8层的第一组特征提取层；
按照第一组特征提取层的结构，依次经过改进的卷积层、最大化池化层、普通的卷积层，得到所述第一特征图。
其中，改进的卷积层的卷积运算采用如下计算公式：
Figure 964728DEST_PATH_IMAGE030
其中，c表示改进的卷积层中卷积核总数，
Figure 385476DEST_PATH_IMAGE002
表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，
Figure 47533DEST_PATH_IMAGE003
表示
Figure 641456DEST_PATH_IMAGE002
经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，
Figure 699499DEST_PATH_IMAGE004
表示与通道数k对应的第c个卷积核函数，
Figure 150203DEST_PATH_IMAGE005
表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，
Figure 565135DEST_PATH_IMAGE006
表示卷积运算，卷积运算如下所示：
Figure 228328DEST_PATH_IMAGE007
其中，
Figure 412316DEST_PATH_IMAGE008
表示第i张废旧物资图中像素位置
Figure 502763DEST_PATH_IMAGE009
与
Figure 404991DEST_PATH_IMAGE004
执行卷积运算后得到的像素值，
Figure 69279DEST_PATH_IMAGE010
表示以像素位置
Figure 107773DEST_PATH_IMAGE009
为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，
Figure 634700DEST_PATH_IMAGE011
表示卷积核函数与矩形区域m中每个像素均执行卷积运算。
需解释的是，第一组特征提取层的特征提取主要依赖于多次的卷积池化操作，其中改进的卷积层的卷积操作由于考虑更多的像素位置
Figure 820962DEST_PATH_IMAGE009
的附近像素，因此对于废旧物资图片的关键像素特征不易丢失，提高了模型的分类准确率。
S4、利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图。
详细地，所述利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；
将每张废旧物资图的每个通道图依次输入共6层的第二组特征提取层；
按照第二组特征提取层的结构，依次经过普通的卷积层、平均池化层、最大化池化层及改进的注意力机制层得到所述第二特征图。
其中，改进的注意力机制层的注意力运算采用如下计算公式：
Figure 560379DEST_PATH_IMAGE012
其中，
Figure 718959DEST_PATH_IMAGE013
表示第i张废旧物资图中像素位置
Figure 151209DEST_PATH_IMAGE009
执行注意力运算后得到的像素值，g表示激活函数，
Figure 756590DEST_PATH_IMAGE014
为第一重权重值，
Figure 299698DEST_PATH_IMAGE015
为第二重权重值，
Figure 47206DEST_PATH_IMAGE016
为第i张废旧物资图经过平均池化后得到像素值，
Figure 915936DEST_PATH_IMAGE017
为第i张废旧物资图经过最大池化后得到像素值；
需解释的是，第二组特征提取层的特征提取通过改进的注意力机制层将两组经过最大化池化和平均池化的像素融合为一组图像特征，因此更容易抓住废旧物资图片的关键像素特征不易丢失，进一步提高模型分类准确率。
S5、将所述第一特征图和第二特征图在特征融合层中执行特征融合，得到融合特征，将所述融合特征作为分类器的输入计算得到预测标签。
本发明实施例中，特征融合的过程可参考全连接操作，在此不再赘述。另外，分类器可采用机器学习类分类算法，如集成算法XGBoost、支持向量机等，或也可使用softmax等经典的分类函数。
S6、计算每个预测标签与真实标签的误差值，根据误差值调节所述废旧物资识别模型的模型参数，其中模型参数包括所述偏置值、第一重权重值及第二重权重值，直至误差值小于预设阈值，得到训练完成的废旧物资识别模型。
详细地，所述计算每个预测标签与真实标签的误差值，包括：
将每个预测标签与真实标签映射为[0,1]区间内的数值；
采用如下公式计算得到每个预测标签与真实标签的误差值：
Figure 952156DEST_PATH_IMAGE018
其中，
Figure 830113DEST_PATH_IMAGE019
表示第i张废旧物资图的预测标签
Figure 449705DEST_PATH_IMAGE020
与真实标签
Figure 223757DEST_PATH_IMAGE021
的误差值，
Figure 278432DEST_PATH_IMAGE022
表示与预测标签
Figure 428922DEST_PATH_IMAGE020
对应的映射数值，
Figure 682180DEST_PATH_IMAGE023
表示与预测标签
Figure 892712DEST_PATH_IMAGE021
对应的映射数值。
本发明实施例中，调节废旧物资识别模型的模型参数基于梯度下降算法，根据误差值和梯度下降算法调节模型参数为公开技术，在此不再赘述。
S7、接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图。
需解释的是，废旧物资识别模型经过训练以后具有识别废旧物资的种类的能力，如输入的待分类的废旧物资为塑料盆，则废旧物资识别模型通过两组并排的特征提取层、一组特征融合层及一组分类器可计算出其对应为塑料盆。
此外需解释的是，废弃物资中陶瓷和废金属的可回收利用价值相比于废生活用品和废塑料来说更高，因此本发明实施例中，将分类结果为废陶瓷或废金属的物资确定为质量待鉴定物资。
S8、对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
可理解的是，当废陶瓷或废金属存在裂纹以后，则其回收后一般无法被直接利用，需要二次加工或直接销毁重铸，因此裂纹判断对于废陶瓷或废金属的质量判断极其重要。
详细地，所述对所述质量待鉴定物资图执行裂纹判断，包括：
提取所述质量待鉴定物资图的像素矩阵；
依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差；
根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值；
将滤波值大于滤波阈值的像素值用对应行的像素平均值替代，得到物资滤波图；
基于YOLO构建裂纹识别模型，并基于具有裂纹和不具有裂纹的物资图训练所述裂纹识别模型，得到训练完成的裂纹识别模型；
利用所述裂纹识别模型识别所述物资滤波图是否具有裂纹。
进一步地，所述依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差，包括：
采用如下公式计算得到像素平均值和像素标准差：
Figure 965842DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE031
表示像素矩阵中第i行像素值的像素平均值，m表示第i行的像素总数，
Figure DEST_PATH_IMAGE032
表示第i行第j列的像素值，
Figure DEST_PATH_IMAGE033
表示像素矩阵中第i行像素值的像素标准差。
详细地，所述根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值，包括：
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示第i行第j列像素值的滤波值。
进一步地，经实验分析，滤波阈值的取值范围可以为3-25，本发明实施例的滤波阈值确定为12。
需解释的是，YOLO是一种目标检测模型，本发明实施例将未训练的YOLO模型作为裂纹识别模型，并预先构建了具有裂纹和不具有裂纹的物资图训练所述裂纹识别模型，其训练过程与传统深度学习训练方法相同，在此不再赘述。
综上所述，通过上述方法可实现对质量待鉴定物资图的裂纹判断，从而完成废旧物资的质量分析。
本发明实施例为解决背景技术所述问题，先接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成，将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成，可见本发明实施例结合了深度学习模型，将分类方法从X射线转为神经网络，通过训练神经网络达到智能化识别更多种类废品物资的目的，此外，接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资，可见本发明实施补足了传统方法无法鉴定废弃物资的质量问题。因此本发明提出的基于废旧物资的质量分析方法、装置、电子设备及计算机可读存储介质，可以解决传统方法无法端到端实现废旧物资分类及质量鉴定的问题。
如图2所示，是本发明一实施例提供的基于废旧物资的质量分析装置的功能模块图。
本发明所述基于废旧物资的质量分析装置100可以安装于电子设备中。根据实现的功能，所述基于废旧物资的质量分析装置100可以包括物资训练集获取模块101、模型训练模块102、第一特征提取模块103、第二特征提取模块104及裂纹判断模块105。本发明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。
所述物资训练集获取模块101，用于接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成；
所述模型训练模块102，用于将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；
所述第一特征提取模块103，用于利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：
Figure DEST_PATH_IMAGE036
其中，c表示改进的卷积层中卷积核总数，
Figure 504709DEST_PATH_IMAGE002
表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，
Figure 878052DEST_PATH_IMAGE003
表示
Figure 462748DEST_PATH_IMAGE002
经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，
Figure 554332DEST_PATH_IMAGE004
表示与通道数k对应的第c个卷积核函数，
Figure 312204DEST_PATH_IMAGE005
表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，
Figure 274475DEST_PATH_IMAGE006
表示卷积运算，卷积运算如下所示：
Figure 764493DEST_PATH_IMAGE007
其中，
Figure 275197DEST_PATH_IMAGE008
表示第i张废旧物资图中像素位置
Figure 40022DEST_PATH_IMAGE009
与
Figure 856799DEST_PATH_IMAGE004
执行卷积运算后得到的像素值，
Figure 580036DEST_PATH_IMAGE010
表示以像素位置
Figure 115053DEST_PATH_IMAGE009
为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，
Figure 949148DEST_PATH_IMAGE011
表示卷积核函数与矩形区域m中每个像素均执行卷积运算；
所述第二特征提取模块104，用于利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：
Figure 151591DEST_PATH_IMAGE012
其中，
Figure 844648DEST_PATH_IMAGE013
表示第i张废旧物资图中像素位置
Figure 866962DEST_PATH_IMAGE009
执行注意力运算后得到的像素值，g表示激活函数，
Figure 239168DEST_PATH_IMAGE014
为第一重权重值，
Figure 233800DEST_PATH_IMAGE015
为第二重权重值，
Figure 564419DEST_PATH_IMAGE016
为第i张废旧物资图经过平均池化后得到像素值，
Figure 74029DEST_PATH_IMAGE017
为第i张废旧物资图经过最大池化后得到像素值；
所述裂纹判断模块105，用于接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
详细地，本发明实施例中所述基于废旧物资的质量分析装置100中的所述各模块在使用时采用与上述的图1中所述的基于区块链的产品供应链管理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，是本发明一实施例提供的实现基于废旧物资的质量分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线12，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，如基于废旧物资的质量分析方法程序。
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1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1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1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1的应用软件及各类数据，例如基于废旧物资的质量分析方法程序的代码等，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（例如基于废旧物资的质量分析方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线12可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12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。
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1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1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、电源故障检测电路、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1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。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口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1与其他电子设备之间建立通信连接。
所述电子设备1中的所述存储器11存储的基于废旧物资的质量分析方法程序是多个指令的组合，在所述处理器10中运行时，可以实现所述基于废旧物资的质量分析方法。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3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1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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）。
本发明还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，可以实现所述基于废旧物资的质量分析方法。
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。
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)

1.一种基于废旧物资的质量分析方法，其特征在于，所述方法包括：
接受包括真实标签的废旧物资训练集；
将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；
利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：
Figure DEST_PATH_IMAGE001
其中，c表示改进的卷积层中卷积核总数，
Figure DEST_PATH_IMAGE002
表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，
Figure DEST_PATH_IMAGE003
表示
Figure 65731DEST_PATH_IMAGE002
经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，
Figure DEST_PATH_IMAGE004
表示与通道数k对应的第c个卷积核函数，
Figure DEST_PATH_IMAGE005
表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，
Figure DEST_PATH_IMAGE006
表示卷积运算，卷积运算如下所示：
Figure DEST_PATH_IMAGE007
其中，
Figure DEST_PATH_IMAGE008
表示第i张废旧物资图中像素位置
Figure DEST_PATH_IMAGE009
与
Figure 448784DEST_PATH_IMAGE004
执行卷积运算后得到的像素值，
Figure DEST_PATH_IMAGE010
表示以像素位置
Figure 713674DEST_PATH_IMAGE009
为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，
Figure DEST_PATH_IMAGE011
表示卷积核函数与矩形区域m中每个像素均执行卷积运算；
利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
表示第i张废旧物资图中像素位置
Figure 34451DEST_PATH_IMAGE009
执行注意力运算后得到的像素值，g表示激活函数，
Figure DEST_PATH_IMAGE014
为第一重权重值，
Figure DEST_PATH_IMAGE015
为第二重权重值，
Figure DEST_PATH_IMAGE016
为第i张废旧物资图经过平均池化后得到像素值，
Figure DEST_PATH_IMAGE017
为第i张废旧物资图经过最大池化后得到像素值；
将所述第一特征图和第二特征图在特征融合层中执行特征融合，得到融合特征，将所述融合特征作为分类器的输入计算得到预测标签；
计算每个预测标签与真实标签的误差值，根据误差值调节所述废旧物资识别模型的模型参数，其中模型参数包括所述偏置值、第一重权重值及第二重权重值，直至误差值小于预设阈值，得到训练完成的废旧物资识别模型；
接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图；
对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
2.如权利要求1所述的基于废旧物资的质量分析方法，其特征在于，所述第一组特征提取层共8层，其中第1、3、5层为改进的卷积层，第2、4、6、8层为最大池化层，第7层为普通的卷积层；第一组特征提取层共6层，其中第1、3层为普通的卷积层，第2、4层分别为平均池化层和最大化池化层，第5层为改进的注意力机制层，第6层为最大化池化层。
3.如权利要求2所述的基于废旧物资的质量分析方法，其特征在于，所述利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；
将每张废旧物资图的每个通道图依次输入共8层的第一组特征提取层；
按照第一组特征提取层的结构，依次经过改进的卷积层、最大化池化层、普通的卷积层，得到所述第一特征图。
4.如权利要求2所述的基于废旧物资的质量分析方法，其特征在于，所述利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；
将每张废旧物资图的每个通道图依次输入共6层的第二组特征提取层；
按照第二组特征提取层的结构，依次经过普通的卷积层、平均池化层、最大化池化层及改进的注意力机制层得到所述第二特征图。
5.如权利要求4所述的基于废旧物资的质量分析方法，其特征在于，所述计算每个预测标签与真实标签的误差值，包括：
将每个预测标签与真实标签映射为[0,1]区间内的数值；
采用如下公式计算得到每个预测标签与真实标签的误差值：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示第i张废旧物资图的预测标签
Figure DEST_PATH_IMAGE020
与真实标签
Figure DEST_PATH_IMAGE021
的误差值，
Figure DEST_PATH_IMAGE022
表示与预测标签
Figure 347358DEST_PATH_IMAGE020
对应的映射数值，
Figure DEST_PATH_IMAGE023
表示与预测标签
Figure 383535DEST_PATH_IMAGE021
对应的映射数值。
6.如权利要求5所述的基于废旧物资的质量分析方法，其特征在于，所述对所述质量待鉴定物资图执行裂纹判断，包括：
提取所述质量待鉴定物资图的像素矩阵；
依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差；
根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值；
将滤波值大于滤波阈值的像素值用对应行的像素平均值替代，得到物资滤波图；
基于YOLO构建裂纹识别模型，并基于具有裂纹和不具有裂纹的物资图训练所述裂纹识别模型，得到训练完成的裂纹识别模型；
利用所述裂纹识别模型识别所述物资滤波图是否具有裂纹。
7.如权利要求6所述的基于废旧物资的质量分析方法，其特征在于，所述依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差，包括：
采用如下公式计算得到像素平均值和像素标准差：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示像素矩阵中第i行像素值的像素平均值，m表示第i行的像素总数，
Figure DEST_PATH_IMAGE026
表示第i行第j列的像素值，
Figure DEST_PATH_IMAGE027
表示像素矩阵中第i行像素值的像素标准差。
8.如权利要求7所述的基于废旧物资的质量分析方法，其特征在于，所述根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值，包括：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
表示第i行第j列像素值的滤波值。
9.如权利要求8所述的基于废旧物资的质量分析方法，其特征在于，所述滤波阈值设定为12。
10.一种基于废旧物资的质量分析装置，其特征在于，所述装置包括：
物资训练集获取模块，用于接受包括真实标签的废旧物资训练集；
模型训练模块，用于将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；
第一特征提取模块，用于利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：
Figure DEST_PATH_IMAGE030
其中，c表示改进的卷积层中卷积核总数，
Figure 788584DEST_PATH_IMAGE002
表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，
Figure 597271DEST_PATH_IMAGE003
表示
Figure 875937DEST_PATH_IMAGE002
经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，
Figure 947930DEST_PATH_IMAGE004
表示与通道数k对应的第c个卷积核函数，
Figure 204990DEST_PATH_IMAGE005
表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，
Figure 286210DEST_PATH_IMAGE006
表示卷积运算，卷积运算如下所示：
Figure 622644DEST_PATH_IMAGE007
其中，
Figure 865538DEST_PATH_IMAGE008
表示第i张废旧物资图中像素位置
Figure 716950DEST_PATH_IMAGE009
与
Figure 601861DEST_PATH_IMAGE004
执行卷积运算后得到的像素值，
Figure 583680DEST_PATH_IMAGE010
表示以像素位置
Figure 263054DEST_PATH_IMAGE009
为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，
Figure 601763DEST_PATH_IMAGE011
表示卷积核函数与矩形区域m中每个像素均执行卷积运算；
第二特征提取模块，用于利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：
Figure 555944DEST_PATH_IMAGE012
其中，
Figure 398129DEST_PATH_IMAGE013
表示第i张废旧物资图中像素位置
Figure 45142DEST_PATH_IMAGE009
执行注意力运算后得到的像素值，g表示激活函数，
Figure 871147DEST_PATH_IMAGE014
为第一重权重值，
Figure 888738DEST_PATH_IMAGE015
为第二重权重值，
Figure 851009DEST_PATH_IMAGE016
为第i张废旧物资图经过平均池化后得到像素值，
Figure 403344DEST_PATH_IMAGE017
为第i张废旧物资图经过最大池化后得到像素值；
裂纹判断模块，用于接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
CN202211366465.XA 2022-11-03 2022-11-03 基于废旧物资的质量分析方法及装置 Active CN115424095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211366465.XA CN115424095B (zh) 2022-11-03 2022-11-03 基于废旧物资的质量分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211366465.XA CN115424095B (zh) 2022-11-03 2022-11-03 基于废旧物资的质量分析方法及装置

Publications (2)

Publication Number Publication Date
CN115424095A true CN115424095A (zh) 2022-12-02
CN115424095B CN115424095B (zh) 2023-04-07

Family

ID=84207892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211366465.XA Active CN115424095B (zh) 2022-11-03 2022-11-03 基于废旧物资的质量分析方法及装置

Country Status (1)

Country Link
CN (1) CN115424095B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170221017A1 (en) * 2015-04-01 2017-08-03 Ron Gonen System and method to manage collection of waste resources
CN108898530A (zh) * 2018-06-26 2018-11-27 厦门理工学院 一种电子垃圾回收监管系统和方法
WO2019026551A1 (ja) * 2017-07-31 2019-02-07 荏原環境プラント株式会社 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造
CN112434726A (zh) * 2020-11-03 2021-03-02 武汉锦星科技有限公司 —种基于深度学习的垃圾识别分类方法
CN213103269U (zh) * 2020-08-27 2021-05-04 苏州华融环境技术有限公司 一种低值可回收物自动化识别、连续分选的智能装备
CN113335793A (zh) * 2021-06-10 2021-09-03 安徽国科信通科技有限公司 一种基于深度学习的可回收垃圾图像识别装置
WO2021244988A1 (en) * 2020-05-31 2021-12-09 Recircula Solutions S.L. A method for classifying waste
CN114239667A (zh) * 2020-09-08 2022-03-25 上海永力信息科技股份有限公司 一种基于深度学习的垃圾检测分类与推断方法
CN114708352A (zh) * 2022-04-22 2022-07-05 重庆邮电大学 一种基于无监督学习的低剂量ct图像恢复方法及系统
CN114926462A (zh) * 2022-07-19 2022-08-19 苏州翔楼新材料股份有限公司 一种金属材料表面缺陷的智能检测方法及系统
CN115049914A (zh) * 2022-07-04 2022-09-13 通号智慧城市研究设计院有限公司 垃圾分类方法、装置和终端
CN115240194A (zh) * 2022-07-28 2022-10-25 广东小白龙环保科技有限公司 一种基于视觉的垃圾分类和云回收估价方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170221017A1 (en) * 2015-04-01 2017-08-03 Ron Gonen System and method to manage collection of waste resources
WO2019026551A1 (ja) * 2017-07-31 2019-02-07 荏原環境プラント株式会社 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造
CN108898530A (zh) * 2018-06-26 2018-11-27 厦门理工学院 一种电子垃圾回收监管系统和方法
WO2021244988A1 (en) * 2020-05-31 2021-12-09 Recircula Solutions S.L. A method for classifying waste
CN213103269U (zh) * 2020-08-27 2021-05-04 苏州华融环境技术有限公司 一种低值可回收物自动化识别、连续分选的智能装备
CN114239667A (zh) * 2020-09-08 2022-03-25 上海永力信息科技股份有限公司 一种基于深度学习的垃圾检测分类与推断方法
CN112434726A (zh) * 2020-11-03 2021-03-02 武汉锦星科技有限公司 —种基于深度学习的垃圾识别分类方法
CN113335793A (zh) * 2021-06-10 2021-09-03 安徽国科信通科技有限公司 一种基于深度学习的可回收垃圾图像识别装置
CN114708352A (zh) * 2022-04-22 2022-07-05 重庆邮电大学 一种基于无监督学习的低剂量ct图像恢复方法及系统
CN115049914A (zh) * 2022-07-04 2022-09-13 通号智慧城市研究设计院有限公司 垃圾分类方法、装置和终端
CN114926462A (zh) * 2022-07-19 2022-08-19 苏州翔楼新材料股份有限公司 一种金属材料表面缺陷的智能检测方法及系统
CN115240194A (zh) * 2022-07-28 2022-10-25 广东小白龙环保科技有限公司 一种基于视觉的垃圾分类和云回收估价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SYLWIA MAJCHROWSKA 等: "Deep learning-based waste detection in natural and urban environments", 《ELSEVIER》 *
王超 等: "基于ＲesNet－50 垃圾分类算法的改进及应用", 《智能计算机与应用》 *

Also Published As

Publication number Publication date
CN115424095B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN107944450B (zh) 一种车牌识别方法及装置
CN109002824B (zh) 一种基于OpenCV的建筑图纸标签信息检测方法
WO2020253508A1 (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN110516703A (zh) 基于人工智能的车辆识别方法、装置及存储介质
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN109740689A (zh) 一种图像语义分割的错误标注数据筛选方法及系统
CN112749653A (zh) 行人检测方法、装置、电子设备及存储介质
CN112100425A (zh) 基于人工智能的标签标注方法、装置、电子设备及介质
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN112580684A (zh) 基于半监督学习的目标检测方法、装置及存储介质
CN111767915A (zh) 车牌检测方法、装置、设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN113222063A (zh) 快递纸箱垃圾分类方法、装置、设备及介质
CN112528903B (zh) 人脸图像获取方法、装置、电子设备及介质
CN113408630A (zh) 一种变电站指示灯状态识别方法
CN115424095B (zh) 基于废旧物资的质量分析方法及装置
CN110598650A (zh) 车牌虚警过滤方法、装置及电子设备和存储介质
CN113221888B (zh) 车牌号管理系统测试方法、装置、电子设备及存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN114155598A (zh) 一种图像处理模型的训练方法、装置及电子设备
CN112561893A (zh) 图片匹配方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant