一种图像中垃圾的分类方法及装置制造方法及图纸

本发明专利技术提供了一种图像中垃圾的分类方法及装置，其中，方法包括：针对所收集的样本图片，提取出样本图片的特征值，其中，所述特征值包括：颜色、亮度、形状、纹理、大小中的一种或组合；将对应的目标物分类信息作为标签标记图像特征值和样本图像，得到训练集；利用训练集训练预先搭建的神经网络模型直至收敛，得到目标网络模型；利用目标网络模型识别待识别目标物的分类。的分类。的分类。

【技术实现步骤摘要】
一种图像中垃圾的分类方法及装置


[0001]本专利技术涉及图像识别
，具体涉及一种图像中垃圾的分类方法及装置。

技术介绍

[0002]近年来，随着经济社会发展和物质消费水平提高，我国生活垃圾产生量迅速增长。垃圾是城市发展的附属物，城市和人的运转，每年产生上亿吨的垃圾。一边是不断增长的城市垃圾，一边是无法忍受的垃圾恶臭，成为城市垃圾处理中的棘手问题。高速发展中的中国城市，正在遭遇“垃圾围城”之痛。因此，推行垃圾综合化集约利用是当务之急。
[0003]目前，《城市生活垃圾分类标志》(GB/T 19095
‑
2019)国标将易腐烂的、含有机质的生活垃圾称为厨余垃圾(包括家庭厨余垃圾、餐厨垃圾和其他厨余垃圾)，与可回收物、有害垃圾、其他垃圾并列为四大类生活垃圾。但是，随着城市化的加剧，垃圾成分趋于复杂，可回收的垃圾种类也趋于复杂。一般而言，城市垃圾中可回收物主要有：废纸、玻璃、塑料、金属、织物等。可回收物中就存在无机可回收物如玻璃、金属，有机可回收物如塑料、废纸。无机可回收物中金属还存在黑色金属与有色金属两大类；织物还分为化纤、纯棉、羊毛等。如果分类过于简单，垃圾桶上仅有一个可回收的标识，很难引导人们去完全分清垃圾可回收的种类，进而导致垃圾分类效果不佳的技术问题。

技术实现思路

[0004]本专利技术所要解决的技术问题在于如何提供一种图像中垃圾的分类方法及装置以解决现有技术中存在的。
[0005]本专利技术通过以下技术手段实现解决上述技术问题的：
[0006]本专利技术提供了一种图像中垃圾的分类方法，所述方法包括：
[0007]针对所收集的样本图片，提取出样本图片的特征值，其中，所述特征值包括：颜色、亮度、形状、纹理、大小中的一种或组合；将对应的目标物分类信息作为标签标记图像特征值和样本图像，得到训练集；
[0008]利用训练集训练预先搭建的神经网络模型直至收敛，得到目标网络模型；
[0009]利用目标网络模型识别待识别目标物的分类。
[0010]可选的，预先搭建的神经网络模型包括：
[0011]4个卷积层好4个池化层依次交替串联组成特征提取层；
[0012]特征提取层将提取结果输出到全连接层，全连接层之后串联有输出层。
[0013]可选的，所述神经网络模型中的各个神经元的激活函数为：
[0014]其中，
[0015]y为神经元的输出；函数f(x)为激活函数；w为与上一个神经元之间连接的权重；x
i
为上一层中第i个神经元的输出值；θ为神经元的激活阈值。
[0016]可选的，全连接层中的神经元使用的激活函数为：
[0017]其中，
[0018]S(y1)为对应于分类(y1)的分类概率；(y1)为全连接层的输出；(y
j
)为全连接层第j个神经元的输出。
[0019]本专利技术提供了一种图像中目标物的分类装置，所述装置包括：
[0020]提取模块，用于针对所收集的样本图片，提取出样本图片的特征值，其中，所述特征值包括：颜色、亮度、形状、纹理、大小中的一种或组合；将对应的目标物分类信息作为标签标记图像特征值和样本图像，得到训练集；
[0021]训练模块，用于利用训练集训练预先搭建的神经网络模型直至收敛，得到目标网络模型；
[0022]分类模块，用于利用目标网络模型识别待识别目标物的分类。
[0023]可选的，预先搭建的神经网络模型包括：
[0024]4个卷积层好4个池化层依次交替串联组成特征提取层；
[0025]特征提取层将提取结果输出到全连接层，全连接层之后串联有输出层。
[0026]可选的，所述神经网络模型中的各个神经元的激活函数为：
[0027]其中，
[0028]y为神经元的输出；函数f(x)为激活函数；w为与上一个神经元之间连接的权重；x
i
为上一层中第i个神经元的输出值；θ为神经元的激活阈值。
[0029]可选的，全连接层中的神经元使用的激活函数为：
[0030]其中，
[0031]S(y1)为对应于分类(y1)的分类概率；(y1)为全连接层的输出；(y
j
)为全连接层第j个神经元的输出。
[0032]本专利技术的优点在于：
[0033]应用本专利技术实施例，使用分类垃圾样本训练神经网络模型，进而使用神经网络模型进行垃圾类别的识别，可以提高垃圾分类的准确性，提高垃圾分类的效果及速度。
附图说明
[0034]图1为本专利技术实施例提供的一种图像中垃圾的分类方法的流程示意图；
[0035]图2为本专利技术实施例提供的一种图像中垃圾的分类方法中训练集测试集的样本投入示例图；
[0036]图3为本专利技术实施例提供的一种图像中垃圾的分类方法使用的模型架构示意图；
[0037]图4为本专利技术实施例提供的一种图像中垃圾的分类方法中神经元功能示意图；
[0038]图5为本专利技术实施例提供的一种图像中垃圾的分类方法中训练集与测试集经过softmax函数优化修正的最终概率比对图。
具体实施方式
[0039]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例，
对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]垃圾回收设施分类过于简单现在街道上随处可见垃圾桶，大多分为两类：可回收物和不可回收物；也有的划分为三类：可回收物、有害垃圾以及其他垃圾。不管是怎样的分类，普遍存在着分类指导图例不明确或缺失的问题。
[0041]为了解决上述问题，图1为本专利技术实施例提供的一种图像中垃圾的分类方法的流程示意图，如图1所示，所述方法包括：
[0042]S1(图中未示出)：针对所收集的样本图片，提取出样本图片的特征值，其中，所述特征值包括：颜色、亮度、形状、纹理、大小中的一种或组合；将对应的目标物分类信息作为标签标记图像特征值和样本图像，得到训练集。
[0043]收集数据并对收集的数据进行预处理：将收集到的垃圾图片分别提取特征值，特征值中包含图像的颜色，亮度，形状，纹理，大小等特征值，图像的尺寸可根据具体需求进行设置，这里我们设置成100
×
100像素。也就是说，使用特征值的组合来表征一张垃圾图片。然后，再使用现有的多标签分类模型，如多标签随机森林算法根据特征值将垃圾图片数据集分成7大类：厨余垃圾、其他垃圾(干垃圾)、可回收垃圾、有害垃圾、大件垃圾、装修垃圾、电子废弃物，其中，
[0044]厨余垃圾数据规模：分为5类垃圾，每类垃圾3000张，共计15000张；
[0045]其他垃圾(干垃圾)数据规模：分为4类垃圾，每类垃圾3000张，共计12000张本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像中垃圾的分类方法，其特征在于，所述方法包括：针对所收集的样本图片，提取出样本图片的特征值，其中，所述特征值包括：颜色、亮度、形状、纹理、大小中的一种或组合；将对应的目标物分类信息作为标签标记图像特征值和样本图像，得到训练集；利用训练集训练预先搭建的神经网络模型直至收敛，得到目标网络模型；利用目标网络模型识别待识别目标物的分类。2.根据权利要求1所述的一种图像中垃圾的分类方法，其特征在于，预先搭建的神经网络模型包括：4个卷积层好4个池化层依次交替串联组成特征提取层；特征提取层将提取结果输出到全连接层，全连接层之后串联有输出层。3.根据权利要求2所述的一种图像中垃圾的分类方法，其特征在于，所述神经网络模型中的各个神经元的激活函数为：其中，y为神经元的输出；函数f(x)为激活函数；w为与上一个神经元之间连接的权重；x
i
为上一层中第i个神经元的输出值；θ为神经元的激活阈值。4.根据权利要求2所述的一种图像中垃圾的分类方法，其特征在于，全连接层中的神经元使用的激活函数为：其中，S(y1)为对应于分类(y1)的分类概率；(y1)为全连接层的输出；(y
j
)为全连接层第j个神经元的输出。5.一种图像中目标物的分类装置，其特征...

【专利技术属性】
技术研发人员：吴硕涛，陈海江，
申请(专利权)人：浙江力石科技股份有限公司，
类型：发明
国别省市：