一种垃圾分类方法、系统、电子设备及介质技术方案

本发明专利技术提供一种垃圾分类方法、系统、电子设备及介质，属于垃圾分类领域，方法包括：获取待分类垃圾图像；根据待分类垃圾图像，采用垃圾分类模型进行垃圾识别并分类，以确定待分类垃圾图像中垃圾的类别。其中，垃圾分类模型为预先采用训练样本集，基于注意力机制和随机深度学习策略，对MobileNetv3进行训练得到的。MobileNet v3是轻量级网络，能够在移动设备上快速流畅地运行，提高了垃圾分类的便携性及速度，通过注意力机制加强垃圾分类模型对信息的细化能力，提高了垃圾分类的精度。此外，通过随机深度学习策略训练MobileNetv3网络，提高了模型训练的效率。模型训练的效率。模型训练的效率。

【技术实现步骤摘要】
一种垃圾分类方法、系统、电子设备及介质


[0001]本专利技术涉及垃圾分类领域，特别是涉及一种基于改进MobileNet的垃圾分类方法、系统、电子设备及介质。

技术介绍

[0002]近年来，地球上的垃圾数量越来越多，而垃圾的不及时处理会给人们的生活带来巨大的影响。垃圾分类被认为是当下处理垃圾最有效的措施。然而有相当一部分人群缺乏垃圾分类的意识，或者说缺少垃圾类别的辨识能力。
[0003]随着人工智能的发展，深度学习和智能技术得到了广泛的应用。智能垃圾分类已成为垃圾管理中的一项重要技术。近年来，也有很多大型的卷积神经网络被开发出来，虽然识别精度较高，但是对资源的消耗是巨大的，无法在算力较低的移动设备上部署，所以帮助人们对生活垃圾的类别区分学习是不可行的。而轻量级的网络不仅具有更少的参数量而且可以实现在移动设备上的部署，例如手机，可以帮助人们实时区分垃圾的类别，同时在识别速度上相比大型的卷积神经网络也更有优势，但是在识别精度上不如大型卷积神经网络。
[0004]也有大量学者对轻量级网络进行进一步的研究来解决生活垃圾的分类问题，而大多针对垃圾分类问题设计的网络都难以实现在参数量、精度和速度上的均衡。
[0005]基于上述问题，亟需一种新的垃圾分类方法以同时提高分类精度及速度。

技术实现思路

[0006]本专利技术的目的是提供一种垃圾分类方法、系统、电子设备及介质，可提高垃圾分类的精度和速度。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种垃圾分类方法，包括：
[0009]获取待分类垃圾图像；
[0010]根据所述待分类垃圾图像，采用垃圾分类模型进行垃圾识别并分类，以确定所述待分类垃圾图像中垃圾的类别；所述垃圾分类模型为预先采用训练样本集，基于注意力机制和随机深度学习策略，对MobileNet v3进行训练得到的；所述训练样本集中包括多张样本图像及各样本图像中垃圾的类别。
[0011]可选地，所述垃圾分类模型包括依次连接的第一卷积层、特征提取模块、第二卷积层、平均池化层及全连接层；
[0012]所述根据所述待分类垃圾图像，采用垃圾分类模型进行垃圾识别并分类，以确定所述待分类垃圾图像中垃圾的类别，具体包括：
[0013]通过所述第一卷积层对所述待分类垃圾图像进行卷积操作，得到第一特征图；
[0014]通过所述特征提取模块对所述第一特征图进行特征提取，得到第二特征图；
[0015]通过所述第二卷积层对所述第二特征图进行卷积操作，得到第三特征图；
[0016]通过所述平均池化层对所述第三特征图进行池化操作，得到第四特征图；
[0017]通过所述全连接层确定所述第四特征图中的垃圾类别。
[0018]可选地，所述特征提取模块包括依次连接的四组残差结构；第一组残差结构包括依次连接的3个普通残差结构；第二组残差结构包括依次连接的3个注意力残差结构；第三组残差结构包括依次连接的4个普通残差结构；第四组残差结构包括依次连接的5个注意力残差结构；
[0019]第一组残差结构中的第1个普通残差结构还与所述第一卷积层连接；第二组残差结构中的第1个注意力残差结构还与第一组残差结构中的第3个普通残差结构连接；第三组残差结构中的第1个普通残差结构还与第二组残差结构中的第3个注意力残差结构连接；第四组残差结构中的第1个注意力残差结构还与第三组残差结构中的第4个普通残差结构连接；第四组残差结构中的第5个注意力残差结构还与所述第二卷积层连接；
[0020]各普通残差结构均包括依次连接的第一逐点卷积、第一深度卷积及第二逐点卷积；各注意力残差结构均包括依次连接的第三逐点卷积、第二深度卷积、注意力融合模块及第四逐点卷积；
[0021]所述普通残差结构通过第一逐点卷积对输入的特征图进行升维处理，得到第一升维特征图；通过第一深度卷积对所述第一升维特征图进行特征提取，得到第一深度特征图；通过第二逐点卷积对所述第一深度特征图进行降维处理，输出对应的特征图；
[0022]所述注意力残差结构通过第三逐点卷积对输入的特征图进行升维处理，得到第二升维特征图；通过第二深度卷积对所述第二升维特征图进行特征提取，得到第二深度特征图；通过注意力融合模块对所述第二深度特征图的特征细化，得到细化特征图；通过第四逐点卷积对所述细化特征图进行降维处理，输出对应的特征图。
[0023]可选地，所述注意力融合模块包括通道注意力分支及空间注意力分支；
[0024]所述通过注意力融合模块对所述第二深度特征图的特征细化，得到细化特征图，具体包括：
[0025]通过所述通道注意力分支融合所述第二深度特征图每个通道的特征信息，得到通道特征向量；
[0026]将所述通道特征向量与所述第二深度特征图进行逐元素相乘，得到通道特征图；
[0027]通过所述空间注意力分支增加所述第二深度特征图的视野区域，得到空间特征向量；
[0028]将所述空间特征向量与所述第二深度特征图进行逐元素相乘，得到空间特征图；
[0029]将所述通道特征图与所述空间特征图进行逐元素相加，得到细化特征图。
[0030]可选地，所述通过所述通道注意力分支融合所述第二深度特征图每个通道的特征信息，得到通道特征向量，具体包括：
[0031]对所述第二深度特征图进行平均池化操作，得到第一特征向量；
[0032]对所述第二深度特征图进行最大池化操作，得到第二特征向量；
[0033]将所述第一特征向量进行三次卷积操作，得到平均池化向量；
[0034]将所述第二特征向量进行三次卷积操作，得到最大池化向量；
[0035]对所述平均池化向量与所述最大池化向量进行逐元素相加并激活，得到通道特征向量。
[0036]可选地，所述通过所述空间注意力分支增加所述第二深度特征图的视野区域，得
到空间特征向量，具体包括：
[0037]采用卷积核尺寸为1
×
1的卷积块对所述第二深度特征图进行浓缩，得到浓缩特征图；
[0038]依次采用两个卷积核尺寸为3
×
3的空洞卷积增加所述浓缩特征图的感受野，得到空洞特征；
[0039]采用卷积核尺寸为1
×
1的卷积块将所述空洞特征整合为通道数为1的特征向量并激活，得到空间特征向量。
[0040]为实现上述目的，本专利技术还提供了如下方案：
[0041]一种垃圾分类系统，包括：
[0042]图像获取单元，用于获取待分类垃圾图像；
[0043]分类单元，与所述图像获取单元连接，用于根据所述待分类垃圾图像，采用垃圾分类模型进行垃圾识别并分类，以确定所述待分类垃圾图像中垃圾的类别；所述垃圾分类模型为预先采用训练样本集，基于注意力机制和随机深度学习策略，对MobileNetv3进行训练得到的；所述训练样本集中包括多张样本图像及各样本图像中垃圾的类别。
[0044]为实现上述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾分类方法，其特征在于，所述垃圾分类方法包括：获取待分类垃圾图像；根据所述待分类垃圾图像，采用垃圾分类模型进行垃圾识别并分类，以确定所述待分类垃圾图像中垃圾的类别；所述垃圾分类模型为预先采用训练样本集，基于注意力机制和随机深度学习策略，对MobileNet v3进行训练得到的；所述训练样本集中包括多张样本图像及各样本图像中垃圾的类别。2.根据权利要求1所述的垃圾分类方法，其特征在于，所述垃圾分类模型包括依次连接的第一卷积层、特征提取模块、第二卷积层、平均池化层及全连接层；所述根据所述待分类垃圾图像，采用垃圾分类模型进行垃圾识别并分类，以确定所述待分类垃圾图像中垃圾的类别，具体包括：通过所述第一卷积层对所述待分类垃圾图像进行卷积操作，得到第一特征图；通过所述特征提取模块对所述第一特征图进行特征提取，得到第二特征图；通过所述第二卷积层对所述第二特征图进行卷积操作，得到第三特征图；通过所述平均池化层对所述第三特征图进行池化操作，得到第四特征图；通过所述全连接层确定所述第四特征图中的垃圾类别。3.根据权利要求2所述的垃圾分类方法，其特征在于，所述特征提取模块包括依次连接的四组残差结构；第一组残差结构包括依次连接的3个普通残差结构；第二组残差结构包括依次连接的3个注意力残差结构；第三组残差结构包括依次连接的4个普通残差结构；第四组残差结构包括依次连接的5个注意力残差结构；第一组残差结构中的第1个普通残差结构还与所述第一卷积层连接；第二组残差结构中的第1个注意力残差结构还与第一组残差结构中的第3个普通残差结构连接；第三组残差结构中的第1个普通残差结构还与第二组残差结构中的第3个注意力残差结构连接；第四组残差结构中的第1个注意力残差结构还与第三组残差结构中的第4个普通残差结构连接；第四组残差结构中的第5个注意力残差结构还与所述第二卷积层连接；各普通残差结构均包括依次连接的第一逐点卷积、第一深度卷积及第二逐点卷积；各注意力残差结构均包括依次连接的第三逐点卷积、第二深度卷积、注意力融合模块及第四逐点卷积；所述普通残差结构通过第一逐点卷积对输入的特征图进行升维处理，得到第一升维特征图；通过第一深度卷积对所述第一升维特征图进行特征提取，得到第一深度特征图；通过第二逐点卷积对所述第一深度特征图进行降维处理，输出对应的特征图；所述注意力残差结构通过第三逐点卷积对输入的特征图进行升维处理，得到第二升维特征图；通过第二深度卷积对所述第二升维特征图进行特征提取，得到第二深度特征图；通过注意力融合模块对所述第二深度特征图的特征细化，得到细化特征图；通过第四逐点卷积对所述细化特征图进行降维处理，输...

【专利技术属性】
技术研发人员：胡朋，吴宇震，于勇涛，丁洪伟，杨俊东，徐倩雪，王红琳，
申请(专利权)人：优备科技股份有限公司，
类型：发明
国别省市：