垃圾分类模型的训练方法、垃圾分类方法及装置制造方法及图纸

本申请公开了一种垃圾分类模型的训练方法、垃圾分类方法及装置，通过对预先标注好的垃圾图像样本集进行重采样，得到均衡样本集；基于所述垃圾图像样本集和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛条件，得到目标平滑感知模型；基于所述垃圾图像样本集，对预设的第一垃圾分类模型进行迭代训练，得到第一损失值，并利用所述目标平滑感知模型，对所述第一损失值进行平滑处理，得到第二损失值；最后根据所述第二损失值，更新所述第一垃圾分类模型的模型参数，直至所述第一垃圾分类模型达到第二预设收敛条件，得到目标垃圾分类模型，提高模型的分类结果的准确度。模型的分类结果的准确度。模型的分类结果的准确度。

【技术实现步骤摘要】
垃圾分类模型的训练方法、垃圾分类方法及装置


[0001]本申请涉及机器人
，尤其涉及一种垃圾分类模型的训练方法、垃圾分类方法及装置。

技术介绍

[0002]垃圾分类是智能保洁机器人的核心功能，通过深度卷积神经网络对采集图片中的垃圾类别进行推理，并根据推理结果使用机械臂等设备来清理不同类别的垃圾，其中深度卷积神经网络的推理能力直接决定智能保洁机器人的垃圾分类性能。
[0003]垃圾分类模型的训练集通常包含数十万甚至上百万个训练样本，需要若干标注人员对训练样本中的垃圾类别进行标注。由于某些垃圾的类别易混淆，并且标注人员的认知存在差异，使得有一定比例的样本类别被错误标注，存在大量的标签噪声，从而导致深度卷积神经网络对存在噪音的数据集过拟合，进而大大降低模型在干净测试数据上的准确性。

技术实现思路

[0004]本申请提供了一种垃圾分类模型的训练方法、垃圾分类方法及装置，以解决现有垃圾分类模型存在分类结果准确度低的技术问题。
[0005]为了解决上述技术问题，本申请实施例提供了一种垃圾分类模型的训练方法，包括：
[0006]对预先标注好的垃圾图像样本集进行重采样，得到均衡样本集；
[0007]基于所述垃圾图像样本集和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛条件，得到目标平滑感知模型；
[0008]基于所述垃圾图像样本集，对预设的第一垃圾分类模型进行迭代训练，得到第一损失值；
[0009]利用所述目标平滑感知模型，对所述第一损失值进行平滑处理，得到第二损失值；
[0010]根据所述第二损失值，更新所述第一垃圾分类模型的模型参数，直至所述第一垃圾分类模型达到第二预设收敛条件，得到目标垃圾分类模型。
[0011]本实施例通过对预先标注好的垃圾图像样本集进行重采样，得到均衡样本集，以提高正负样本的精确率和召回率；基于所述垃圾图像样本集和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛条件，得到目标平滑感知模型，以使目标平滑感知模型学习到相应的平滑系数；基于所述垃圾图像样本集，对预设的第一垃圾分类模型进行迭代训练，得到第一损失值，并利用所述目标平滑感知模型，对所述第一损失值进行平滑处理，得到第二损失值，以通过平滑处理解决标签噪声容易导致模型过拟合的问题，提高模型准确度；最后根据所述第二损失值，更新所述第一垃圾分类模型的模型参数，直至所述第一垃圾分类模型达到第二预设收敛条件，得到目标垃圾分类模型，从而能够从训练数据中自动学习训练样本平滑感知网络的超参数，克服人为选择的弊端，提高模型的分类结果的准确度。
[0012]在一实施例中，所述基于所述垃圾图像样本和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛条件，得到目标平滑感知模型，包括：
[0013]基于所述垃圾图像样本集，对预设的第二垃圾分类模型进行训练，得到第三损失值，所述第二垃圾分类模型与所述第一垃圾分类模型的模型结构相同；
[0014]利用所述初始平滑感知模型，对所述第三损失值进行平滑处理，得到第四损失值；
[0015]根据所述第四损失值，更新所述第二垃圾分类模型的模型参数，得到第二目标垃圾分类模型；
[0016]基于所述均衡样本集，对所述第二垃圾分类模型进行训练，得到第五损失值；
[0017]根据所述第五损失值，更新所述初始平滑感知模型的模型参数，直至所述初始平滑感知模型达到所述第一预设收敛条件，得到目标平滑感知模型。
[0018]本实施例通过复制一个与第一垃圾分类模型结构相同的第二垃圾分类模型，以模拟第一垃圾分类模型的分类训练过程，并配合初始平滑感知模型进行训练，使目标平滑感知模型学习到平滑系数，以避免人为经验因素，使得模型处理过程更加客观。
[0019]在一实施例中，所述基于所述垃圾图像样本集，对预设的第一垃圾分类模型进行迭代训练，得到第一损失值，包括：
[0020]利用所述第一垃圾分类模型，对所述垃圾图像样本集中的每个垃圾图像样本进行垃圾分类识别，得到每个所述垃圾图像样本的垃圾分类结果；
[0021]基于第一损失函数，根据所述垃圾分类结果，计算所述第一损失值，所述第一损失函数为：
[0022][0023]其中，N表示所述垃圾图像样本的总量，Loss
i
表示第i个垃圾图像样本的损失函数，表示第i个垃圾图像样本属于第j个类别时的符号函数，表示第i个垃圾图像样本属于第j个类别时的概率。
[0024]本实施例采用交叉熵作为损失函数，对于最后一层权重的梯度不再跟激活函数的导数相关，只跟输出值和真实值的差值成正比，此时收敛较快，使得整个权重矩阵的更新加快。
[0025]在一实施例中，所述利用所述第一垃圾分类模型，对所述垃圾图像样本集中的每个垃圾图像样本进行垃圾分类识别，得到每个所述垃圾图像样本的垃圾分类结果，包括：
[0026]利用所述第一垃圾分类模型，确定所述垃圾图像样本的属于各个类别时的置信度分数；
[0027]对所述置信度分数进行归一化处理，得到所述垃圾图像样本的属于各个类别时的概率。
[0028]本实施例通过对置信度分数进行归一化处理，以实现垃圾分类模型的多分类任务。
[0029]在一实施例中，所述利用所述目标平滑感知模型，对所述第一损失值进行平滑处
理，得到第二损失值，包括：
[0030]利用所述目标平滑感知模型，确定所述第一损失值对应的平滑系数；
[0031]基于第二损失函数，根据所述平滑系数，计算所述第二损失值，所述第二损失函数为：
[0032][0033]其中，N表示所述垃圾图像样本集中垃圾图像样本的总量，Loss
i
表示第i个垃圾图像样本的损失函数，表示第i个垃圾图像样本属于第j个类别时的符号函数，表示第i个垃圾图像样本属于第j个类别时的概率，ε
j
表示第j个类别的平滑系数。
[0034]本实施例通过加入平滑系数，以对第一损失值进行平滑处理，区分于传统损失值采用经验调参，平滑处理能够使损失值的调整过程更加客观，从而提高模型的分类性能。
[0035]第二方面，本申请实施例提供一种垃圾分类方法，包括：
[0036]获取垃圾图像；
[0037]基于目标垃圾分类模型，对所述垃圾图像进行分类识别，得到初始分类数据，所述目标垃圾分类模型基于第一方面所述的训练方法训练得到；
[0038]对所述初始分类数据进行平滑处理和全连接，得到目标分类结果。
[0039]第三方面，本申请实施例提供一种垃圾分类模型的训练装置，包括：
[0040]采样模块，用于对预先标注好的垃圾图像样本集进行重采样，得到均衡样本集；
[0041]第一训练模块，用于基于所述垃圾图像样本集和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾分类模型的训练方法，其特征在于，包括：对预先标注好的垃圾图像样本集进行重采样，得到均衡样本集；基于所述垃圾图像样本集和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛条件，得到目标平滑感知模型；基于所述垃圾图像样本集，对预设的第一垃圾分类模型进行迭代训练，得到第一损失值；利用所述目标平滑感知模型，对所述第一损失值进行平滑处理，得到第二损失值；根据所述第二损失值，更新所述第一垃圾分类模型的模型参数，直至所述第一垃圾分类模型达到第二预设收敛条件，得到目标垃圾分类模型。2.如权利要求1所述的垃圾分类模型的训练方法，其特征在于，所述基于所述垃圾图像样本集和所述均衡样本集，训练预设的初始平滑感知模型，直至所述初始平滑感知模型达到第一预设收敛条件，得到目标平滑感知模型，包括：基于所述垃圾图像样本集，对预设的第二垃圾分类模型进行训练，得到第三损失值，所述第二垃圾分类模型与所述第一垃圾分类模型的模型结构相同；利用所述初始平滑感知模型，对所述第三损失值进行平滑处理，得到第四损失值；根据所述第四损失值，更新所述第二垃圾分类模型的模型参数，得到第二目标垃圾分类模型；基于所述均衡样本集，对所述第二垃圾分类模型进行训练，得到第五损失值；根据所述第五损失值，更新所述初始平滑感知模型的模型参数，直至所述初始平滑感知模型达到所述第一预设收敛条件，得到目标平滑感知模型。3.如权利要求1所述的垃圾分类模型的训练方法，其特征在于，所述基于所述垃圾图像样本集，对预设的第一垃圾分类模型进行迭代训练，得到第一损失值，包括：利用所述第一垃圾分类模型，对所述垃圾图像样本集中的每个垃圾图像样本进行垃圾分类识别，得到每个所述垃圾图像样本的垃圾分类结果；基于第一损失函数，根据所述垃圾分类结果，计算所述第一损失值，所述第一损失函数为：其中，N表示所述垃圾图像样本的总量，Loss
i
表示第i个垃圾图像样本的损失函数，表示第i个垃圾图像样本属于第j个类别时的符号函数，表示第i个垃圾图像样本属于第j个类别时的概率，K为总类别数。4.如权利要求3所述的垃圾分类模型的训练方法，其特征在于，所述利用所述第一垃圾分类模型，对所述垃圾图像样本集中的每个垃圾图像样本进行垃圾分类识别，得到每个所述垃圾图像样本的垃圾分类结果，包括：利用所述第一垃圾分类模型，确定所述垃圾图像样本的属于各个类别时的置信度分数；
对所述置信度分数进行归一化处理，得到所述垃圾图像样本的属于...

【专利技术属性】
技术研发人员：袁野，万里红，张赛，张伟，陈子昂，
申请(专利权)人：中原动力智能机器人有限公司，
类型：发明
国别省市：