一种基于判别性特征增强的垃圾分类方法与系统技术方案

本发明专利技术属于图形分类识别相关技术领域，本发明专利技术提出了一种基于判别性特征增强的垃圾分类方法与系统，在深度网络结构中引入了新的互补特征学习模块和特征细节增强模块；在互补特征学习模块中，利用图像随机擦除机制和分类一致性约束，迫使网络尽可能学习与传统特征互补的信息；在特征细节增强模块中，首先引入判别性特征细节学习模块，通过对比已有特征和学到的重建特征来获取特征细节信息，然后融合特征细节和所学的互补特征，最后引入卷积块注意力模块来进一步提升融合特征的判别能力，提升了分类的效果。分类的效果。分类的效果。

【技术实现步骤摘要】
一种基于判别性特征增强的垃圾分类方法与系统


[0001]本专利技术属于图形分类识别相关
，尤其涉及一种基于判别性特征增强的垃圾分类方法与系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]垃圾分类受到国家和社会越来越多的关注，人们每天产生大量的生活垃圾，仅仅依靠人力难以有效处理海量的垃圾，从而造成资源的浪费和环境的污染。
[0004]近年来，人工智能技术被广泛应用到分类任务中。深度学习是人工智能领域的核心技术，其具有强大的特征学习能力，已在现有的分类任务中取得了重大突破。
[0005]然而，生活中产生的垃圾多种多样，且放置姿势多变，使得垃圾分类较为复杂。对于同一大类的垃圾，其垃圾实体可能会存在遮挡、折叠变形、扭曲等破坏性因素，使得现有模型难以获取充分的判别性信息对垃圾进行准确分类，影响了垃圾分类的精度。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了一种基于判别性特征增强的垃圾分类方法与系统，在深度网络结构中引入了新的互补特征学习模块和特征细节增强模块。在互补特征学习模块中，利用图像随机擦除机制和分类一致性约束，迫使网络尽可能学习与传统特征互补的信息。在特征细节增强模块中，首先引入判别性特征细节学习模块，通过对比已有特征和学到的重建特征来获取特征细节信息，然后融合特征细节和所学的互补特征，最后引入卷积块注意力模块来进一步提升融合特征的判别能力。
[0007]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：一种基于判别性特征增强的垃圾分类方法，包括以下步骤：将获取的垃圾图像数据集进行预处理分为测试集和训练集；将训练集中的原始垃圾图像输入至基网络进行特征提取，将提取的特征输入至互补特征学习模块得到输入擦除图像，将输入擦除图像输入至基网络进行再训练；将原始垃圾图像和输入擦除图像分别输入至再训练后基网络的特征提取模块获得浅层特征的特征图和输入擦除特征图；根据浅层特征的特征图得到特征细节图，将特征细节图和输入擦除特征图输入至特征细节增强模块进行特征融合，得到互补特征图；将所述互补特征图输入至再训练后基网络的高级语义特征学习模块获得高级语义信息特征图，将获得的高级语义信息特征图输入至卷积块注意力模型进行进一步学习后输入至分类模块，然后对网络模型进行迭代训练，得到训练好的分类模型；将所述测试集的图像输入至所述分类模型中，得到垃圾分类结果。
[0008]进一步的，所述基网络采用resnet50，原始垃圾图像输入至基网络中首先经过卷积层后再使用激活函数增加非线性，然后进入池化层，来进行特征提取。
[0009]进一步的，还包括基网络的预训练，具体为：将训练集中预处理后的图像输入至基网络中获得第一特征图，计算所述第一特征图对应的预测类别，将预测类型与真实标签类别进行交叉熵损失计算，根据交叉熵损失约束反向传播训练基网络，直至损失稳定，得到预训练好的基网络。
[0010]进一步的，所述输入擦除图像具体获得方式为：将基于预训练的基网络获得的第一特征图进行归一化处理得到特征图，采用阈值T选择出传统特征和传统特征所在的区域，采用掩码的方式将特征图中传统特征随机丢失一半信息，得到擦除特征图，将擦除特征图与输入的原始垃圾图像作逐元素相乘得到擦除后的输入擦除图像。
[0011]进一步的，根据浅层特征的特征图得到特征细节图具体方法为：将获得的浅层特征的特征图先经过两层卷积层，然后输入至两层反卷积中浅层特征图进行重建，将重建后的特征图与浅层特征图进行作差得到特征细节图。
[0012]进一步的，将特征细节图和输入擦除特征图输入至特征细节增强模块进行特征融合，得到互补特征图，具体为：将输入擦除特征图与特征细节图先级联融合后再进行一次RELU激活、一次归一化与一层卷积池化后得到互补特征图。
[0013]进一步的，所述卷积块注意力模块包括通道注意力模块和空间注意力模块。
[0014]进一步的，在分类模型训练采用交叉熵损失，所述交叉熵损失函数为：其中，为预测类别、为真实标签类别，为所有的垃圾类别，为预测到的第个类别。
[0015]本专利技术的第二个方面提供一种基于判别性特征增强的垃圾分类系统，包括：获取模块：将获取的垃圾图像数据集进行预处理分为测试集和训练集；训练模块：将训练集中的原始垃圾图像输入至基网络进行特征提取，将提取的特征输入至互补特征学习模块得到输入擦除图像，将输入擦除图像输入至基网络进行再训练；特征提取模块：将原始垃圾图像和输入擦除图像分别输入至再训练后基网络的特征提取模块获得浅层特征的特征图和输入擦除特征图；特征细节增强模块：根据浅层特征的特征图得到特征细节图，将特征细节图和输入擦除特征图输入至特征细节增强模块进行特征融合，得到互补特征图；高级语义特征学习模块：将所述互补特征图输入至再训练后基网络的高级语义特征学习模块获得高级语义信息特征图；卷积块注意力模块：将获得的高级语义信息特征图输入至卷积块注意力模型进行进一步学习后输入至分类模块；分类模块：然后对网络模型进行迭代训练，得到训练好的分类模型，将所述测试集的图像输入至所述分类模型中，得到垃圾的分类结果。
[0016]以上一个或多个技术方案存在以下有益效果：本专利技术通过引入互补特征学习模块与特征细节增强模块实现对垃圾分类更有判别性特征细节的学习。在已习得传统特征的基础上，经过互补特征学习模块的约束，关注到了图像的不同区域进一步获取更多有益于垃圾分类的特征。在特征细节学习模块的帮助下，特征细节增强模块通过对细节信息的增强，网络更有效的学习判别性特征里的不易发现的细节信息，提升了分类的效果。
[0017]本专利技术可嫁接应用于任何网络模型中，实用性和使用性相较于原来普通的网络模型有较大的提高。
附图说明
[0018]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0019]图1为本专利技术中实施例一中垃圾分类的流程图；图2是本专利技术实施例一中垃圾分类模型框架示意图。
具体实施方式
[0020]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0021]本专利技术的整体构思：本专利技术在传统的基网络基础上，引入互补特征学习模块和特征细节增强模块。其中互补特征学习模块使用图像随机擦除的方法，将基网络可以学习到的判别性特征即传统特征在输入图像对应的区域上随机擦除一部分，破坏基本判别性特征，将擦除后的输入图像即输入擦除图再次输入基网络中，在分类损失的约束下，迫使网络尽可能学习其他的判别性特征完成对互补性特征的学习。
[0022]此外，将原始输入数据以及输入擦除图经过基网络的前两层得到特征图与输入擦除特征图并实现对浅层特征的提取，后经过特征细节增强模块学习特征图中的细节信息，然后将具有细节信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于判别性特征增强的垃圾分类方法，其特征在于，包括以下步骤：将获取的垃圾图像数据集进行预处理分为测试集和训练集；将训练集中的原始垃圾图像输入至基网络进行特征提取，将提取的特征输入至互补特征学习模块得到输入擦除图像，将输入擦除图像输入至基网络进行再训练；将原始垃圾图像和输入擦除图像分别输入至再训练后基网络的特征提取模块获得浅层特征的特征图和输入擦除特征图；根据浅层特征的特征图得到特征细节图，将特征细节图和输入擦除特征图输入至特征细节增强模块进行特征融合，得到互补特征图；将所述互补特征图输入至再训练后基网络的高级语义特征学习模块获得高级语义信息特征图，将获得的高级语义信息特征图输入至卷积块注意力模型进行进一步学习后输入至分类模块，然后对网络模型进行迭代训练，得到训练好的分类模型；将所述测试集的图像输入至所述分类模型中，得到垃圾分类结果。2.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法，其特征在于，所述基网络采用resnet50，原始垃圾图像输入至基网络中首先经过卷积层后再使用激活函数增加非线性，然后进入池化层，来进行特征提取。3.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法，其特征在于，还包括基网络的预训练，具体为：将训练集中预处理后的图像输入至基网络中获得第一特征图，计算所述第一特征图对应的预测类别，将预测类型与真实标签类别进行交叉熵损失计算，根据交叉熵损失约束反向传播训练基网络，直至损失稳定，得到预训练好的基网络。4.如权利要求3所述的一种基于判别性特征增强的垃圾分类方法，其特征在于，所述输入擦除图像具体获得方式为：将基于预训练的基网络获得的第一特征图进行归一化处理得到特征图，采用阈值T选择出传统特征和传统特征所在的区域，采用掩码的方式将特征图中传统特征随机丢失一半信息，得到擦除特征图，将擦除特征图与输入的原始垃圾图像作逐元素相乘得到擦除后的输入擦除图像。5.如权利要求1所述的一种基于判别性特征增强的垃圾分类方法，其特征在于，根据浅层特征的特征图得到特征细节图具体方法...

【专利技术属性】
技术研发人员：徐龙生，庞世玺，孙振行，袭肖明，
申请(专利权)人：山东省凯麟环保设备股份有限公司，
类型：发明
国别省市：