[发明专利]一种基于轻量卷积神经网络的垃圾分类方法

权利要求书

1.一种基于轻量卷积神经网络的垃圾分类方法，其特征在于，该方法包括以下步骤：

步骤一、获取原始垃圾图像数据集，并对获取的图像进行数据增强，得到数据增强后的图像数据集；

步骤二、对数据增强后的图像数据集进行预处理，获得预处理后的图像数据集；

步骤三、构建卷积神经网络模型，将构建好的卷积神经网络在预处理后的图像数据集上进行训练，获得训练好的卷积神经网络模型；

所述卷积神经网络模型的结构为：从卷积神经网络模型的输入端开始，卷积神经网络模型依次包括输入层、第一子卷积单元、第二子卷积单元、第三子卷积单元、第四子卷积单元、第五子卷积单元、第六子卷积单元、第七子卷积单元、第八子卷积单元、第九子卷积单元、全局平均池化层以及密集连接输出层；

所述第一子卷积单元从输入端开始依次包括第一卷积层、第一深度可分离卷积层以及第一最大池化层；

所述第二子卷积单元从输入端开始依次包括第二卷积层、第二深度可分离卷积层以及第二最大池化层；

所述第三子卷积单元从输入端开始依次包括第三卷积层、第四卷积层、第三深度可分离卷积层以及第三最大池化层；

所述第四子卷积单元从输入端开始依次包括第五卷积层、第六卷积层、第四深度可分离卷积层以及第四最大池化层；

所述第五子卷积单元从输入端开始依次包括第七卷积层、第八卷积层、第五深度可分离卷积层以及第五最大池化层；

所述第六子卷积单元从输入端开始依次包括第九卷积层以及第六深度可分离卷积层；

所述第七子卷积单元从输入端开始依次包括第十卷积层以及第七深度可分离卷积层；

所述第八子卷积单元从输入端开始依次包括第十一卷积层以及第八深度可分离卷积层；

所述第九子卷积单元从输入端开始依次包括第十二卷积层、第九深度可分离卷积层以及第十三卷积层；

在第一子卷积单元和第二子卷积单元中，第一卷积层和第二卷积层均采用1×1大小的卷积核，第一深度可分离卷积层和第二深度可分离卷积层均采用3×3大小的卷积核；

在第三子卷积单元中，第三卷积层采用1×1大小的卷积核，第四卷积层采用3×3大小的卷积核，第三深度可分离卷积层采用3×3大小的卷积核；

在第四子卷积单元中，第五卷积层采用1×1大小的卷积核，第六卷积层采用3×3大小的卷积核，第四深度可分离卷积层采用3×3大小的卷积核；

在第五子卷积单元中，第七卷积层采用1×1大小的卷积核，第八卷积层采用3×3大小的卷积核，第五深度可分离卷积层采用3×3大小的卷积核；

在第六子卷积单元中，第九卷积层采用1×1大小的卷积核，第六深度可分离卷积层采用3×3大小的卷积核；

在第七子卷积单元中，第十卷积层采用1×1大小的卷积核，第七深度可分离卷积层采用3×3大小的卷积核；

在第八子卷积单元中，第十一卷积层采用1×1大小的卷积核，第八深度可分离卷积层采用3×3大小的卷积核；

在第九子卷积单元中，第十二卷积层和第十三卷积层均采用1×1大小的卷积核，第九深度可分离卷积层采用3×3大小的卷积核；

所述卷积神经网络模型采用的激活函数为Leaky ReLU，Leaky ReLU函数的数学表达式为：

其中：x_i和y_i为Leaky ReLU函数的变量，a的取值为10；

在训练过程中添加了自动保存精度值最高的模型机制、自动降低学习率的机制以及自动停止训练机制；设置初始学习率，并将初始学习率作为当前学习率L_r，在当前学习率下对构建的卷积神经网络模型进行训练，直至在精度值P_max后面的连续M次训练中获得的精度值均未比P_max高，则降低当前学习率，获得新的学习率；

L′_r＝L_r×C

其中：L′为新的学习率，C为降低参数；

将新的学习率作为当前学习率，继续进行训练，满足条件时再次降低当前学习率；

直至连续降低N次学习率获得的精度值均未较N次降低学习率之前提高，则终止训练；将最高精度值对应的卷积神经网络模型作为训练好的卷积神经网络模型；

步骤四、将待识别垃圾图像输入步骤三训练好的卷积神经网络模型，获得卷积神经网络模型输出的垃圾分类结果。