【技术实现步骤摘要】
本专利技术基于对比动态特征增量学习，提出了一种废旧家电识别方法。该方法采集及预处理废旧家电数据，通过构建基于resnet-18的分类网络模型，利用对比动态特征增量学习训练模型，实现废旧家电的高精度分类与识别。该技术在废旧家电回收过程中，避免废旧家电识别模型受到不同类别干扰，为废旧家电的资源化利用和环境保护提供了技术支持。
技术介绍
1、随着科技的快速发展和家电产品的更新换代，家电更新换代的速度显著提升。废旧家电拆解部件中包含大量的金属、塑料等可回收资源，同时也含有一些有害物质，如铅、汞和镉。因此，废旧家电的正确分类与处理对于资源循环利用和环境保护具有极其重要的意义。然而，废旧家电的种类繁多，形态各异，人工分类费时又费力，且准确度无法保证。因此，研究一种自动精确识别废旧家电类别的方法迫在眉睫。
2、基于传统深度卷积网络已被用于对场景中的识别，利用传统深度卷积网络，可以实现视觉域内的精确识别。传统深度卷积网络可用于废旧家电识别，其识别性能优于浅层网络。然而，在废旧家电拆解过程中，废旧家电拆解部件类型不断增加，传统深度神经网络的识别方法难以保证识别精度，训练好的传统深度卷积网络参数不随着实际数据变化而更新，需要对网络参数进行重新训练，在实际的废旧电器回收过程中，废旧家电回收过程中废旧家电识别模型受到不同类别干扰，引起识别结果不稳定的问题。
技术实现思路
1、本专利技术获得了一种基于对比动态特征增量学习的废旧家电识别方法，该方法通过设计类别对比动态特征感知误分类别，提升了识别精
2、本专利技术采用了如下的技术方案及实现步骤：
3、一种基于对比动态特征增量学习的废旧家电识别方法，其特征在于，包括以下步骤：
4、(1)采集及预处理废旧家电数据
5、获取废旧家电图像数据集，共10类废旧家电图像：包括电路板、电线、铝、压缩机、冷凝器、铜管、外电机、阻燃、废杂物和内机扇，共s张jpg格式的图像，将废旧家电图像数据集中每张图像的像素归一化至[0,1]；
6、将归一化后的废旧家电图像数据集分为训练集和测试集，训练集为xt＝[x1,…,x5]，t为任务数量，t＝1,2,…,5，xt图像总数量为s的70％，测试集为图像总数量为s的30％，当t＝1时，进入初始训练任务，当t＝2时，进入增量训练任务，每个任务选择2类废旧家电图像数据训练，中包含的废旧家电图像类别与xt中的类别一致；
7、(2)构建废旧家电分类网络模型
8、构建基于resnet-18的废旧家电分类网络：该网络包括五个部分，第一部分conv1由一个卷积核为3×3的卷积层，一个批量归一化处理层，一个relu激活函数层组成，通道数为64，第二部分conv2，通道数为64，第三部分conv3，通道数为128，第四部分conv4，通道数为256，第五部分conv5，通道数为512，均由两个残差模块组成，每个残差模块由一个卷积核为3×3的卷积层，一个relu激活函数层，一个卷积核为3×3的卷积层组成；xt为基于resnet-18的废旧家电分类网络的输入，定义为该分类网络在第t次分类任务中的特征提取器，θt为的参数矩阵，大小为512×28×28，用分类器作为废旧家电分类网络在第t次分类任务的输出，f为的输入特征，ωt为的参数矩阵，大小为2048×10；
9、(3)基于对比动态特征增量学习训练废旧家电分类模型
10、基于对比动态特征增量学习训练废旧家电分类模型分为初始训练任务和增量训练任务，训练集xt分批次输入废旧家电分类网络，经过和完成分类任务，的交叉熵损失函数l()为：
11、
12、其中，为第j类图像的第i张图像数据真实标签，j＝1,2,…,10，i＝1,2,…,n，n为第j类图像的数目，为图像i属于类别j的预测概率，y为l()的输入图像类别真实标签，p为l()的输入图像类别预测概率；
13、①初始训练任务：当t＝1时，开始初始训练，训练初始模型参数，第1次分类任务损失函数lce,1为：
14、
15、其中，θ1为第1次任务中的参数矩阵，x1为第1次任务的训练图像数据，ω1为的参数矩阵，y1为x1中图像的类别标签，使用梯度下降算法更新θ1和ω1，更新参数公式为：
16、
17、
18、其中，为第1次分类任务中，第n+1次迭代训练时的参数矩阵，为n次迭代时的参数矩阵，为第1次分类任务中，第n+1次迭代训练时的参数矩阵，为n次迭代时的参数矩阵，表示偏导；
19、②增量训练任务：当t＝2时，训练增量模型参数，在任务t中基于对比动态特征增量学习总损失函数ldp,t公式为：
20、ldp,t＝lce,t+lμ,t+lf,t (5)
21、其中，lf,t为对比特征损失函数，如公式(7)，lμ,t为动态原型分类任务的损失函数，如公式(8)，第t次分类任务损失函数lce,t公式为：
22、
23、其中，yt为xt中图像的类别标签，ωt为分类器的参数矩阵，在第t次任务中不同类别对比动态特征损失函数公式lf,t为：
24、
25、其中，为任务t中第k类的第q张图像数据，q＝1,2,…,q，q为第k类图像数目，k＝1,2,…,10，j≠k，为任务t中第j类的第i张图像数据，在任务t中应提供第j类的第i张图像动态原型将任务t中的送入分类器得到动态原型分类任务的损失函数表达公式lμ,t为：
26、
27、其中，yt,p为的类标签，由和组成，动态原型公式为：
28、
29、其中，使用梯度下降算法优化增量废旧家电分类网络中的参数θt和ωt，参数更新公式为：
30、
31、
32、其中，为第t次分类任务中，第n+1次迭代训练时的参数矩阵，为n次迭代时的参数矩阵，为第t次分类任务中，第n+1次迭代训练时的参数矩阵，θt为n次迭代时的参数矩阵，当第t次增量训练任务模型参数完成更新时，t增加1，开始进行第t+1次增量训练任务，当t＝5时，完成模型参数训练；
33、(4)识别废旧家电类型
34、利用训练完成的基于对比动态特征增量学习废旧家电模型，对测试集中的10类废旧家电图像进行识别，得到废旧家电预测类别标签完成废旧家电识别任务。
35、本专利技术设计了一种基于对比动态特征增量学习的废旧家电识别方法，实现废旧家电智能识别。该方法通过设计类别对比动态特征感知误分类别，提升了识别精度；其次，结合动态原型的家电代表性特征，实现废旧家电准确分类，为废旧家电识别模型受到不同类别干扰，引起本文档来自技高网...
【技术保护点】
1.一种基于对比动态特征增量学习的废旧家电识别方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于对比动态特征增量学习的废旧家...
【专利技术属性】
技术研发人员：韩红桂，刘一鸣，李方昱，杜永萍，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
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。