【技术实现步骤摘要】
本专利技术属于垃圾智能化识别的，具体地涉及一种垃圾分类识别方法、系统、电子设备及存储介质。
技术介绍
1、随着人们的物质生产和生活日益丰富，导致工业生产和日常生活中所产生的废弃物也越来越多，其典型代表便是生活垃圾。早期，大多数垃圾分类采用人工分拣方式，这种方式缺点非常明显，必须花费巨大的人力物力，同时效率也大大降低。随着计算机视觉技术的发展，用机器代替眼睛对目标进行识别，计算机视觉技术应用于垃圾分类识别领域主要通过利用模式识别和图像处理的方法，在图像中通过滑动窗口获得候选区域，再通过分类算法判断是否是所需要的目标或者是根据目标物体的心态纹理等特征获得候选区域等方法进行识别，这大大提高了工作效率，在一定程度上满足了垃圾分类自动化的需求。
2、目前，基于计算机视觉技术的垃圾分类识别虽有效的改进了传统人工分拣垃圾的工作模式。然而现有计算机视觉识别垃圾技术普通存在以下问题：1、针对多类别生活垃圾的公开数据集较为稀缺，且通过爬取拍摄系统获取的数据误差性较高，故此目前检测模型并不适用于多类别生活垃圾的识别。2、目标检测模型的模型结构复杂，并且其识别精度及识别效率并不能兼得，若要确保识别精度，但识别效率较低，若要确保识别效率，但识别精度较差。
3、因此，如何改进现有检测模型在多类别垃圾识别中存在的识别精度与识别效率不能兼顾，以及适用性差等弊端，是本领域技术人员亟待解决的课题。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种垃圾分类识别方法、系统、电子设备及存
2、第一方面，该专利技术提供一种垃圾分类识别方法，包括：
3、采用爬虫技术获取不同类别生活垃圾的图片集；
4、通过感知哈希算法对所述图片集进行去重处理；
5、将去重处理的所述图片集采用labelimg标注方法进行类别标签处理得到样本数据集；
6、通过平滑标签方式对所述样本数据集进行数据增强处理；
7、使用增强处理的所述样本数据集，并通过最小化损失函数训练检测模型；引入k均值算法对检测模型进行优化处理；
8、将待识别的目标图片输入优化后的所述检测模型以实时识别所述目标图片中的物体。
9、较佳地，所述采用爬虫技术获取不同类别生活垃圾的图片集的步骤具体包括：
10、通过视觉图像采集系统获取每一拍摄点位的资源定位符，并将所述资源定位符传入待抓取队列中；
11、按照先进先出的顺序依次读取所述资源定位符；
12、采用dns解析方式对所述资源定位符进行解析得到网站的ip地址；
13、组合所述ip地址和网站相对路径进行网页下载得到不同类别生活垃圾的图片集。
14、较佳地，所述通过感知哈希算法对所述图片集进行去重处理的步骤具体包括：
15、将所述图片集进行灰度处理；
16、将灰度处理后的所述图片集的离散余弦变换值进行变换得到系数矩阵；
17、缩小所述离散余弦变换值直至呈现图片的最低频率以计算对应变化的哈希值；
18、根据所述系数矩阵，并基于所述哈希值的设定规则构成所述图片集对应的指纹；
19、根据所述指纹，并基于设置相应的去重参数对所述图片集进行去重处理。
20、较佳地，所述通过平滑标签方式对所述样本数据集进行数据增强处理的步骤具体包括：
21、将所述样本数据集对应的类别标签转化成one-hot-vector标签；
22、基于平滑标签的调整算法调整所述one-hot-vector标签，其中所述调整算法为label=label×(1-smooth_factor)+smooth_factor×num_class；
23、根据调整后的所述one-hot-vector标签增强处理所述样本数据集。
24、较佳地，所述使用增强处理的所述样本数据集，并通过最小化损失函数训练检测模型的步骤具体包括：
25、基于yolov5网络结构构建检测模型，所述检测模型包括依次连接的backbone模块、neck模块、head模块和串口通信模块；
26、将增强处理的所述样本数据集通过损失函数方法训练所述检测模型，其中所述损失函数方法具体为二元交叉熵及完整交叉并集。
27、较佳地，所述serial模块从所述检测模型的输出层获取所述head模块得出的识别信息，并将所述识别信息编码为一个10进制的数据帧，转换为16进制后向串口输出。
28、较佳地，所述k均值算法具体为：从样本集中随机选取若干样本作为簇中心，并计算所有样本与若干簇中心的距离，将每个样本划分到与其距离最近的簇中心所在的簇中，以新的簇计算新的簇中心。
29、第二方面，一种垃圾分类识别系统，包括：
30、获取模块，用于采用爬虫技术获取不同类别生活垃圾的图片集；
31、去重模块，用于通过感知哈希算法对所述图片集进行去重处理；
32、标注模块，用于将去重处理的所述图片集采用labelimg标注方法进行类别标签处理得到样本数据集；
33、增强模块，用于通过平滑标签方式对所述样本数据集进行数据增强处理；
34、训练模块，用于使用增强处理的所述样本数据集，并通过最小化损失函数训练检测模型；
35、优化模块，用于引入k均值算法对检测模型进行优化处理；
36、识别模块，用于将待识别的目标图片输入优化后的所述检测模型以实时识别所述目标图片中的物体。
37、较佳地，所述获取模块具体包括：
38、采集单元，用于通过视觉图像采集系统获取每一拍摄点位的资源定位符，并将所述资源定位符传入待抓取队列中；
39、读取单元，用于按照先进先出的顺序依次读取所述资源定位符；
40、解析单元，用于采用dns解析方式对所述资源定位符进行解析得到网站的ip地址；
41、组合单元，用于组合所述ip地址和网站相对路径进行网页下载得到不同类别生活垃圾的图片集。
42、较佳地，所述去重模块具体包括：
43、灰度单元，用于将所述图片集进行灰度处理；
44、变换单元，用于将灰度处理后的所述图片集的离散余弦变换值进行变换得到系数矩阵；
45、计算单元，用于缩小所述离散余弦变换值直至呈现图片的最低频率以计算对应变化的哈希值；
46、构成单元，用于根据所述系数矩阵，并基于所述哈希值的设定规则构成所述图片集对应的指纹；
47、去重单元，用于根据所述指纹，并基于设置相应的去重参数对所述图片集进行去重处理。
48、较佳地，所述增强模块具体包括：
49、转化单元，用于将所述样本数据集对应的类别标签转化成one-hot-vector标签；
50、调整单元，用于基于平滑标签的调整算法调整所述one-hot-vector标签本文档来自技高网...
【技术保护点】
1.一种垃圾分类识别方法，其特征在于，包括：
2.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述采用爬虫技术获取不同类别生活垃圾的图片集的步骤具体包括：
3.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述通过感知哈希算法对所述图片集进行去重处理的步骤具体包括：
4.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述通过平滑标签方式对所述样本数据集进行数据增强处理的步骤具体包括：
5.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述使用增强处理的所述样本数据集，并通过最小化损失函数训练检测模型的步骤具体包括：
6.根据权利要求5所述的垃圾分类识别方法，其特征在于，所述Serial模块从所述检测模型的输出层获取所述head模块得出的识别信息，并将所述识别信息编码为一个10进制的数据帧，转换为16进制后向串口输出。
7.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述K均值算法具体为：从样本集中随机选取若干样本作为簇中心，并计算所有样本与若干簇中心的距离，将每个样本划分到与其距离最近
8.一种垃圾分类识别系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的垃圾分类识别方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的垃圾分类识别方法。
...【技术特征摘要】
1.一种垃圾分类识别方法，其特征在于，包括：
2.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述采用爬虫技术获取不同类别生活垃圾的图片集的步骤具体包括：
3.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述通过感知哈希算法对所述图片集进行去重处理的步骤具体包括：
4.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述通过平滑标签方式对所述样本数据集进行数据增强处理的步骤具体包括：
5.根据权利要求1所述的垃圾分类识别方法，其特征在于，所述使用增强处理的所述样本数据集，并通过最小化损失函数训练检测模型的步骤具体包括：
6.根据权利要求5所述的垃圾分类识别方法，其特征在于，所述serial模块从所述检测模型的输出层获取所述head模块得出...
【专利技术属性】
技术研发人员：刘晓峰，徐琦勇，江子恒，程文华，
申请(专利权)人：江西源春环保科技有限公司，
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。