基于YoloV5和ResNet50的垃圾分类方法技术

本发明专利技术公开了一种基于YoloV5和ResNet50的垃圾分类方法，首先收集生活垃圾图片，制成生活垃圾数据集，对生活垃圾数据集进行数据增强处理；然后训练YoloV5模型，利用训练好的YoloV5模型获取图片上多个生活垃圾的区域坐标，根据区域坐标信息，将含有多个生活垃圾的图片切割成多张含有单个生活垃圾的图片；最后训练ResNet50模型，将切割后的图片输入训练好的ResNet50模型，获得图片上生活垃圾的类别，实现智能化生活垃圾分类，有利于实现资源利用和环境保护，且避免了人工垃圾分类方法费时费力的问题；图片切割时考虑了垃圾重叠的情况，有利于提高图片切割、识别的精度，保障垃圾分类的准确性。类的准确性。类的准确性。

【技术实现步骤摘要】
基于YoloV5和ResNet50的垃圾分类方法


[0001]本专利技术涉及垃圾分类
，具体涉及一种基于YoloV5和ResNet50的生活垃圾分类方法。

技术介绍

[0002]近年来，随着经济的发展、生活水平的提高，生活垃圾的产生量也急剧增加。我国己全面展开垃圾分类回收多年，但仍存在一些问题。传统的人工垃圾分类方法一方面因为民众垃圾分类知识的缺乏，垃圾分类效果差，准确度不高；另一方面因为生活垃圾的大量产生，垃圾分类任务重，效率低，费时费力。针对上述情况，目前已经研发出不少智能垃圾分类的方法，然而现有的智能垃圾分类方法没有考虑生活垃圾图片上垃圾重叠的情况，导致生活垃圾图片切割、识别精度低，无法保障生活垃圾分类的准确性。
[0003]在环境保护刻不容缓的今天，我国提出可持续发展理念，将建设资源节约型、环境友好型社会作为目标。因此，亟需研发一种高效率、高精度的智能化垃圾分类方法，为建设资源节约型、环境友好型社会做贡献。

技术实现思路

[0004]本专利技术主要是为了解决传统的人工垃圾分类方法费时费力及智能垃圾分类方法没有考虑垃圾重叠情况导致分类准确性差的问题，提供了一种基于YoloV5和ResNet50的垃圾分类方法，首先收集生活垃圾图片，制成生活垃圾数据集，对生活垃圾数据集进行数据增强处理；然后训练YoloV5模型，利用训练好的YoloV5模型获取图片上多个生活垃圾的区域坐标，根据区域坐标信息，将含有多个生活垃圾的图片切割成多张含有单个生活垃圾的图片；最后训练ResNet50模型，将切割后的图片输入训练好的ResNet50模型，获得图片上生活垃圾的类别，实现智能化生活垃圾分类，有利于实现资源利用和环境保护，且避免了人工垃圾分类方法费时费力的问题；图片切割时考虑了垃圾重叠的情况，有利于提高图片切割、识别的精度，保障垃圾分类的准确性。
[0005]为了实现上述目的，本专利技术采用以下技术方案：
[0006]基于YoloV5和ResNet50的垃圾分类方法，包括以下步骤：步骤S1：收集生活垃圾图片，制成生活垃圾数据集，将数据集分为train和val两类，同时包含两类Yolo格式的标签；步骤S2：对所述生活垃圾数据集进行数据增强处理，通过数据增强丰富数据样本；步骤S3：训练YoloV5模型，利用训练好的YoloV5模型获取图片上多个生活垃圾的区域坐标，即获得生活垃圾识别框；步骤S4：根据区域坐标信息，使用PIL库进行图片切割，把含有多个生活垃圾的图片切割为多张含有单个生活垃圾的图片，如果生活垃圾识别框没有重叠的情况，则直接切割图片；如果生活垃圾识别框有重叠，则根据重叠部分的面积和生活垃圾识别框的面积和的比值来确定是直接切割，还是切割后用非重叠部分的图像来填充重叠部分，减少不同生
活垃圾信息的干扰，以提高图片识别准确度；步骤S5：训练ResNet50模型，利用训练好的ResNet50模型获取图片上多个生活垃圾的类别，即将切割后的图片输入训练好的ResNet50模型，在所述ResNet50模型中，通过卷积核对图片进行卷积操作，提取图片特征信息，再通过全连接层输出概率信息，最终输出的是一组概率值，概率值最大的类别为结果类别；本专利技术基于深度网络学习的方法，通过训练获得YoloV5模型和ResNet50模型，YoloV5模型用于获取图片上多个生活垃圾的区域坐标信息，根据区域坐标信息确定生活垃圾识别框，进而根据生活垃圾识别框进行图片切割，将含有多个生活垃圾的图片切割成多张含有单个生活垃圾的图片，然后将切割好的图片输入ResNet50模型，ResNet50模型用于识别图片上生活垃圾对应的类别，进而实现生活垃圾分类，提高生活垃圾的资源价值和经济价值，减少生活垃圾处理量和处理设备的使用，降低处理成本，减少土地资源的消耗，具有社会、经济、生态等方面的效益，为建设资源节约型、环境友好型社会做贡献；通过深度学习网络实现智能化分类，避免了人工垃圾分类方法费时费力的问题，给人们生活带来便利的同时降低人工成本；图片切割时考虑了垃圾重叠的情况，通过重叠部分所占面积比例选择切割方式，提高图片切割、识别精度，有效保障垃圾分类结果的准确性。
[0007]作为优选，步骤S2中所述数据增强处理包括顺时针旋转、逆时针旋转、等比例缩放和填充纯色背景，将增强后的数据样本(数据集)按照8.5：1：0.5划分为train、val、test 三类，train中的样本用于训练模型，val中的样本用于验证模型，test中的样本用于测试模型。
[0008]作为优选，步骤S3的具体过程，包括以下步骤：步骤S31：使用标注有生活垃圾区域坐标信息的图片训练YoloV5模型，获得训练好的YoloV5 模型；步骤S32：将处理过的生活垃圾图片输入YoloV5模型，获得生活垃圾图片上多个生活垃圾的区域坐标信息，即获得生活垃圾识别框。
[0009]作为优选，步骤S4中，根据生活垃圾的区域坐标信息确定生活垃圾识别框，使用PIL 库将含有多个生活垃圾的图片切割成多张含有单个生活垃圾的图片。图片切割时如果出现垃圾重叠的情况，则根据重叠部分所占面积比例选择切割方式，减少不同垃圾信息的干扰，保障垃圾分类的准确性。
[0010]作为优选，步骤S4中，所述图片切割的具体过程包括：对于没有重叠部分的生活垃圾识别框，直接根据区域坐标信息进行切割；对于有重叠部分的生活垃圾识别框，根据重叠部分面积和生活垃圾识别框面积和的比值选择切割方式，具体如下：当重叠部分面积与生活垃圾识别框面积和的比值小于设定值，直接按原区域坐标信息进行切割；当重叠部分面积与生活垃圾识别框面积和的比值大于设定值，先按原区域坐标信息切割；再依次从重叠部分向非重叠部分切割图片直到不包含重叠部分，获得多张图片；然后使用ResNet50模型识别所述图片，若多张图片的识别结果为同一种，则认为所述原区域坐标信息对应的生活垃圾识别框位于上层，上述识别结果即为其垃圾分类结果，直接输出其垃圾类别；若多张图片的识别结果出现两种及两种以上，则认为所述原区域坐标信息对
应的生活垃圾识别框位于下层，重叠部分为所述原区域坐标信息对应的生活垃圾识别框被遮挡的部分，则用非重叠部分的图像填充重叠部分，然后再按原区域坐标信息进行切割、识别；本专利技术在切割图片时，如果生活垃圾识别框没有重叠的情况，则直接切割图片；如果生活垃圾识别框有重叠，则根据重叠部分的面积与生活垃圾识别框的面积和的比值来确定是直接切割，还是切割后用非重叠部分的图像来填充重叠部分，减少不同生活垃圾信息的干扰，以提高图片识别准确度。比如一种生活垃圾完全被包含在另一种生活垃圾中时，被包含的生活垃圾直接切割，包含被包含生活垃圾的生活垃圾先用非重叠部分的图像填充重叠部分，再进行切割。
[0011]作为优选，步骤S5的具体过程，包括以下步骤：步骤S51：基于pytorch深度学习框架搭建ResNet50模型并进行训练，获得训练好的ResNet50 模型；步骤S52：将切割后的生活垃圾图片输入ResNet50模型，获得生活垃圾图片上生活垃圾的类别信息；基于pytorch深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于YoloV5和ResNet50的垃圾分类方法，其特征在于，包括以下步骤：步骤S1：收集生活垃圾图片，制成生活垃圾数据集；步骤S2：对所述生活垃圾数据集进行数据增强处理；步骤S3：训练YoloV5模型，利用训练好的YoloV5模型获取图片上多个生活垃圾的区域坐标；步骤S4：根据区域坐标信息，使用PIL库进行图片切割；步骤S5：训练ResNet50模型，利用训练好的ResNet50模型获取图片上多个生活垃圾的类别。2.根据权利要求1所述的基于YoloV5和ResNet50的垃圾分类方法，其特征在于，步骤S2中所述数据增强处理包括顺时针旋转、逆时针旋转、等比例缩放和填充纯色背景。3.根据权利要求1所述的基于YoloV5和ResNet50的垃圾分类方法，其特征在于，步骤S3的具体过程，包括以下步骤：步骤S31：使用标注有生活垃圾区域坐标信息的图片训练YoloV5模型，获得训练好的YoloV5模型；步骤S32：将处理过的生活垃圾图片输入YoloV5模型，获得生活垃圾图片上多个生活垃圾的区域坐标信息。4.根据权利要求1所述的基于YoloV5和ResNet50的垃圾分类方法，其特征在于，步骤S4中，根据生活垃圾的区域坐标信息确定生活垃圾识别框，使用PIL库将含有多个生活垃圾的图片切割成多张含有单个生活垃圾的图片。5.根据权利要求1或4所述的基于YoloV5和ResNet50的垃圾分类方法，其特征在于，步骤S4中，所述图片切割的具体过程包括：对于没有重叠部分的生活垃圾识别框，直接根据区域坐标信息进行切割；对于有重叠部分的生活垃圾识别框，根据重叠部分面积和生活垃圾识别框面积和的比值选择切割方式，具体如下：当重叠部分面积与生活垃圾识别框面积和的比值小于设定值，直接按原区域坐标信息进行切割；当重叠部分面积与生活垃圾识别框面积和的比值大于设定值，先按原区域坐标信息切割；再依次从重叠部分向非重叠部分切割图片直到不包含重叠部分，获得多张图片；然后使用ResNe...

【专利技术属性】
技术研发人员：代琦，孙奥，贺平安，樊翔宇，陆佳林，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：