【技术实现步骤摘要】
本申请涉及废旧家电回收，具体而言，涉及一种家电回收图像分类方法及装置。
技术介绍
1、随着我国经济的快速发展和人民生活水平的不断提高，家用电器产品已经成为家庭生活中不可或缺的一部分，然而，随着家电产品的更新换代速度加快，废旧家电数量呈现出爆发式增长，目前，废旧电器和电子设备被认为是全球增长最快的废物流，每年的增长速率大约在3％～5％[1]，据统计，我国每年产生的废旧家电数量已经超过了亿台，且这一数字还在不断上升，然而，由于废旧家电中含有大量有害物质，如重金属、氟化物等[2]，如果不能得到妥善处理，将对环境和人类健康造成严重危害。
2、因此，发展废旧家电产品回收技术不仅对解决因废旧家电造成的环境和健康问题有着重要意义，同时也有助于发展循环经济、促进资源科学合理利用，在废旧家电及电子产品图像分类方面，shreyas等针对废旧家电及电子设备回收困难的问题，提出一种基于迁移学习的移动机器人垃圾识别系统，能够有效减少模型的训练时间和计算成本，he等将几种机器学习和深度学习算法应用于不同笔记本电脑品牌的图像分类，通过实验验证了深度学习算法在电器产品图像分类上的优异性。
3、但是，近年来，随着互联网、大数据的发展，各类废旧家电回收信息海量增长，其中大量的图像数据难以得到有效利用，亟需用人工智能赋能废旧家电回收再利用，通过对回收图像进行自动识别和分类，以提高废旧家电产品回收效率，促进废旧物资回收再利用行业发展。
技术实现思路
1、为了解决大量的图像数据难以得到有效利用，亟需
2、本申请的实施例是这样实现的：
3、第一方面，本申请提供一种家电回收图像分类方法，包括：
4、获取初始图像，所述初始图像包括多种常见家用电器图像；
5、对所述初始图像进行预处理得到图像数据集，并根据所述图像数据集划分为训练集测试集及验证集；
6、基于深度卷积神经网络构建得到图像分类模型。
7、在一种可能的实现方式中，所述获取初始图像，初始图像包括冰箱图像、空调图像、洗衣机图像、热水器图像、电视机图像及电脑图像，进一步包括：
8、以关键词为索引在数据库中获取初始图像，所述初始图像为常见的家用电器图像；
9、筛选并去除所述初始图像中损坏及重复的图像。
10、在一种可能的实现方式中，所述对所述初始图像进行预处理得到图像数据集，并根据所述图像数据集划分为训练集测试集及验证集，进一步包括：
11、对所述初始图像中的不同种类的家用电器的图分别设定不同的标签值，所述标签值包括多种整型数字；
12、对所述初始图像的尺寸进行调整；
13、基于所述初始图像采用多种数据增广方式进行扩充，得到图像数据集；
14、随机将所述图像数据集根据7:2:1的比例划分为训练集、测试集及验证集。
15、在一种可能的实现方式中，所述深度卷积神经网络采用resnet网络，通过残差连接方式将底层特征与高层特征直接相加。
16、在一种可能的实现方式中，所述深度卷积神经网络包括浅层次的卷积层及深层次的卷积层；
17、在所述浅层次的卷积层，引入空间注意力机制，考虑特征图中不同位置的重要性，将注意力集中在图像的关键区域上；
18、在所述深层次的卷积层，引入通道注意力机制，学习每个通道的重要性权重，使网络能够自动选择和调整不同通道的贡献程度。
19、在一种可能的实现方式中，所述图像分类模型通过多个相同或相似的残差块堆叠形成；
20、在多个所述残差块中分别插入空间注意力模块或通道注意力模块，得到融合空间注意力残差块及融合通道注意力残差块。
21、在一种可能的实现方式中，所述空间注意力机制包括：
22、使用平均池化和最大池化操作，捕捉输入特征图的整体趋势和局部细节；
23、将平均池化和最大池化的结果通过拼接操作进行融合；
24、通过一个7×7的卷积和sigmoid激活函数生成了一个范围在0到1之间的注意力系数，作为输入特征图中每个位置的重要性权重；
25、将所述注意力系数与输入特征图按元素相乘，以突出重要的空间位置，抑制无关的背景噪声。
26、在一种可能的实现方式中，所述通道注意力机制包括：
27、使用自适应最大池化操作和自适应平均池化操作，根据输入特征的尺寸自动选择池化窗口的大小和步幅，使得池化操作的输出尺寸固定为1，在不受输入特征尺寸的影响下，保留了特征的空间信息；
28、通过线性层的组合，将池化输出映射到新的特征空间；
29、将经非线性变换的两种池化输出结果进行拼接融合，同时考虑特征图最大值和平均值的信息，提取不同特征之间的互补性和相关性，以获得更丰富的特征表示；
30、通过sigmoid函数将融合后的特征值进行非线性映射，将其映射到0到1的范围内，得到通道注意力权重；
31、将原特征图与通道注意力权重相乘，实现了对不同通道的关注程度的提升。
32、在一种可能的实现方式中，在训练所述图像分类模型时，设定批量大小(batchsize)为16，学习率(learningrate)采用指数衰减策略，并设置初始学习率为0.1，衰减因子为0.9，衰减步数为3，总迭代次数为200次，学习率衰减函数表示为：
33、
34、其中，initiallr为初始学习率；γ为衰减因子；epoch为迭代次数；
35、采用交叉熵损失函数作为损失函数，训练时通过最小化损失函数值对损失函数进行优化，使模型的预测结果更接近真实类别，所述交叉熵损失函数表示为：
36、
37、其中，n为样本总数；c为类别总数；yij为第i个样本的第j个类别的真实标签；pij为模型预测第i个样本属于第j个类别的概率；
38、其优化算法采用随机梯度下降法，通过计算损失函数关于模型参数的梯度，再按照负梯度方向更新参数，使损失函数值逐渐减小，所述随机梯度下降法表示为：
39、θn＝θn-1-η×▽l(θn-1)；
40、其中，θn为更新后的模型参数；θn-1为更新前的模型参数；η为学习率；▽l(θn-1)是损失函数关于模型参数的梯度。
41、第二方面，本申请提供一种家电回收图像分类装置，包括：
42、数据采集模块，用于获取初始图像，并对所述初始图像进行预处理得到图像数据集；
43、数据处理模块，用于根据所述图像数据集划分为训练集测试集及验证集；
44、模型训练模块，用于基于深度卷积神经网络构建得到图像分类模型。
45、本申请提供的技术方案至少可以达到以下有益效果：
46、本文档来自技高网...
【技术保护点】
1.一种家电回收图像分类方法，其特征在于，包括：
2.如权利要求1所述的家电回收图像分类方法，其特征在于，所述获取初始图像，初始图像包括冰箱图像、空调图像、洗衣机图像、热水器图像、电视机图像及电脑图像，进一步包括：
3.如权利要求1所述的家电回收图像分类方法，其特征在于，所述对所述初始图像进行预处理得到图像数据集，并根据所述图像数据集划分为训练集测试集及验证集，进一步包括：
4.如权利要求1所述的家电回收图像分类方法，其特征在于，所述深度卷积神经网络采用ResNet网络，通过残差连接方式将底层特征与高层特征直接相加。
5.如权利要求4所述的家电回收图像分类方法，其特征在于，所述深度卷积神经网络包括浅层次的卷积层及深层次的卷积层；
6.如权利要求4所述的家电回收图像分类方法，其特征在于，所述图像分类模型通过多个相同或相似的残差块堆叠形成；
7.如权利要求6所述的家电回收图像分类方法，其特征在于，所述空间注意力机制包括：
8.如权利要求6所述的家电回收图像分类方法，其特征在于，所述通道注意力机制包括：
9.如权利要求1所述的家电回收图像分类方法，其特征在于，在训练所述图像分类模型时，设定批量大小(Batch size)为16，学习率(LearningRate)采用指数衰减策略，并设置初始学习率为0.1，衰减因子为0.9，衰减步数为3，总迭代次数为200次，学习率衰减函数表示为：
10.一种家电回收图像分类装置，其特征在于，包括：
...【技术特征摘要】
1.一种家电回收图像分类方法，其特征在于，包括：
2.如权利要求1所述的家电回收图像分类方法，其特征在于，所述获取初始图像，初始图像包括冰箱图像、空调图像、洗衣机图像、热水器图像、电视机图像及电脑图像，进一步包括：
3.如权利要求1所述的家电回收图像分类方法，其特征在于，所述对所述初始图像进行预处理得到图像数据集，并根据所述图像数据集划分为训练集测试集及验证集，进一步包括：
4.如权利要求1所述的家电回收图像分类方法，其特征在于，所述深度卷积神经网络采用resnet网络，通过残差连接方式将底层特征与高层特征直接相加。
5.如权利要求4所述的家电回收图像分类方法，其特征在于，所述深度卷积神经网络包括浅层次的卷积层及深层次的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。