[发明专利]一种基于图像识别的可回收垃圾分类方法

权利要求书

1.一种基于图像识别的可回收垃圾分类方法，其特征在于，包括以下步骤：

S1.建立K类可回收垃圾图像，且每类所述可回收垃圾图像采集N张图像；

S2.将分类的可回收垃圾图像按比例划分训练集与测试集，并分别进行预处理；

S3.构建基于卷积神经网络的分类模型；

S4.利用可回收垃圾图像训练集训练基于卷积神经网络的分类模型；

S5.将目标图像输入至预先训练好的分类模型中，最终输出目标图像的类别。

2.根据权利要求1所述的基于图像识别的可回收垃圾分类方法，其特征在于，所述步骤S1中建立K类可回收垃圾图像库，且每类所述可回收垃圾图像采集N张图像数据，包括如下方面：

(1)通过多种渠道采集可回收垃圾图像；

(2)将收集到的垃圾图像进行筛选，筛选出如下4类：玻璃、金属、塑料、纸类；

(3)将分好类的图像按筛选的类别进行标注，通过标注使每张图片具有相应的类别标签。

3.根据权利要求1所述的基于图像识别的可回收垃圾分类方法，其特征在于，所述步骤S2中将分类的可回收垃圾图像按比例划分训练集与测试集，并分别进行预处理：

(1)将标注好的图像按照一定比例划分为训练集与测试集；

(2)将图像进行预处理，重新设置大小，统一输入图像大小；

(3)数据增强方法一：对输入的图像进行随机裁剪，通过裁剪不仅增加了图像数据，同时弱化数据噪声，能够增强模型的稳定性；

(4)数据增强方法二：将随机裁剪后的图像分别进行垂直翻转和水平翻转，以及随机旋转一定角度，能够提升模型的泛化能力，使模型对各种形状的垃圾图像均能有效的提取图像特征；

(5)对旋转变换后的图像进行归一化，使模型训练时，梯度对每张图片的作用都是平均的。

4.根据权利要求1所述的基于图像识别的可回收垃圾分类方法，其特征在于，所述步骤S3中构建基于卷积神经网络的分类模型，工作如下：

(1)使用卷积神经网络进行学习，卷积神经网络的结构包括输入层、卷积层、激活函数层、池化层、全连接层，通过堆叠卷积神经网络，构建特征提取网络；

(2)最后使用支持向量机分类器代替传统的softmax分类层，获得基于卷积神经网络的分类模型。

5.根据权利要求1所述的基于图像识别的可回收垃圾分类方法，其特征在于，所述步骤S4中利用可回收垃圾图像训练集训练基于卷积神经网络的分类模型，具体工作如下：

将预处理后的训练集图像利用搭建的卷积神经网络模型进行训练，卷积神经网络模型通过卷积神经网络进行特征提取，再利用支持向量机分类器进行分类。通过在训练集上的学习过程，分类模型对可回收垃圾图像具有识别能力。

6.根据权利要求1所述的基于图像识别的可回收垃圾分类方法，其特征在于，所述步骤S5中将目标图像输入至预先训练好的分类模型中，最终输出目标图像的类别，具体过程如下：

(1)将待识别目标图像输入至训练好的分类模型中，模型通过卷积神经网络提取图像的关键特征，根据提取到的关键特征判断目标图像是属于哪种类别，最后输出类别信息；

(2)使用测试集进行验证；通过测试集的验证计算得到卷积神经网络模型对可回收垃圾图像的分类准确率。