[发明专利]一种基于轻量卷积神经网络的垃圾分类方法

说明书

一种基于轻量卷积神经网络的垃圾分类方法，它属于垃圾分类技术领域。本发明解决了现有方法不能同时兼具低模型复杂度和高分类精度的问题。本发明将特征提取层分为9个部分，每一部分的卷积均采用深度可分离卷积和普通卷积相结合的方法，且卷积核大小交替采用1×1和3×3，并对每一次卷积的结果进行批量归一化处理。不同于常用的ReLU激活函数和Flatten连接层，本发明模型采用Leaky ReLU作为激活函数，以及全局平均池化层作为连接层。实验结果表明，该网络在TrashNet数据集上进行训练测试后，得到了93.02％的准确率，具有较高的分类精度，且模型的复杂度较低，可以同时兼顾分类精度和模型复杂度。本发明可以应用于垃圾的智能分类。

技术领域

本发明属于垃圾分类技术领域，具体涉及一种基于轻量卷积神经网络的垃圾分类方法。

背景技术

近几年来，经济的快速增长促进了城市化建设，但城市化发展的同时，环境污染问题也日益加剧。快速的工业和经济发展消耗了大量资源，并增加了城市生活垃圾。目前，由于生活垃圾的倾倒，中国有超过5亿平方米的土地被侵占，近三分之二的大中型城市都被垃圾吞噬。毫无疑问，回收处理城市生活垃圾对于缓解环境污染和资源过度消耗具有重要意义。但如何有效的进行垃圾回收处理，是当今世界各国都面临的一个主要问题。近几年提出的可持续发展战略为解决这一问题做出了巨大贡献，但仍然面临着回收分类垃圾时耗时耗力且效率不高的问题。走向智能的可持续发展战略为处理城市生活垃圾，面临的耗费人力过多，效率不高的问题提供了一种新的解决思路。在可持续发展的背景下，发展智能化城市，实现智能化回收利用生活垃圾能够有效的改善资源利用和缓解城市环境问题。

深度学习技术为发展智能化城市做出了突出性的贡献。近五年内，有许多研究人员在智能化管理回收垃圾的背景下，利用深度学习图像技术和其他图像处理技术进行了实验。2016年，Yang M,Thung G两人在垃圾分类智能化的背景下，使用改进后的支持向量机(Support Vector Machines，SVM)和微调一种卷积神经网络(CNN)——AlexNet这两种方法来识别垃圾类别以达到分类任务。SVM模型在其收集的6个类别垃圾的数据集上训练，测得分类精度为63％；测得CNN模型分类精度为22％。2017年，Awe O等人在PASCAL VOC数据集上微调FasterR-CNN网络。他们基于Yang M,Thung G两人的数据集(TrashNet)制作了10000张3种类别的垃圾图像，实现了对废渣，可回收垃圾，以及废弃纸张三种垃圾的检测及分类。经测试，得到三种类别的平均精度的均值(Mean Average Accuracy,MAP)为68.3％。2018年，Kennedy T等人微调VGG19网络，也是基于TrashNet数据集，制作了包含7个类别，2645张垃圾图像数据集。经测试，精度为88.42％。StephennL.Rabano等人微调一种轻量级的深层神经网络—MobileNet，在TrashNet数据集上，测得精度为87.2％。Satvilkar M使用了多种分类方法进行对比。微调TrashNet，得到包含5个类别2390张垃圾图像数据集，最终得出采用卷积神经网络(CNN)的方法分类效果最好，经测试得到精度为89.81％。BS Costa等人微调了VGG16和AlexNet两种网络，以及改进了K近邻(K-Nearest Neighbor，KNN)，随机决策森林(Random Decision Forests，RF)的方法，在TrashNet数据集上进行测试，得出使用微调之后的VGG16的网络效果最好，达到93％的识别精度。Aral等人又微调了DenseNet，Inception-V4，Xception以及MobileNet网络。在TrashNet数据集上进行训练及测试，得出使用微调后的DenseNet网络时效果最好，在精度这一指标上达到95％。2019年，VictoriaRuiz等人微调VGG，Inception，ResNet，Inception-ResNet等经典网络，在TrashNet数据集上进行了训练测试，得到使用微调后的ResNet网络分类效果最好，具有88.66％的识别精度。AdedejiO,WangZ两人使用ResNet网络和多类别SVM(Multi-ClassSVM)相结合的方法，在TrashNet数据集上训练测试得到87％的识别精度。Abdul Rajak AR等人采用微调后的AlexNet网络，在改进后的TrashNet数据集上进行测试，测得该网络有80％的识别精度。这些方法中，具有高精度的模型普遍都具有较高的模型复杂度。另一方面，若使用复杂度较低模型的方法，在对垃圾图像分类时，精度上又不能达到一个较好的效果。因此，现有方法并不能同时兼具低的模型复杂度和高的分类精度。