[发明专利]垃圾分类模型建模方法、垃圾分类方法

说明书

本发明涉及一种垃圾分类模型建模方法、垃圾分类方法及装置，用于解决垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。通过非均衡数据集和均衡数据集交替对模型进行训练，使得模型在学习到非均衡数据集中多数类样本的特征后，也学习到了少数类样本的特征，解决了垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。垃圾分类方法在克服了数据类别不均衡的基础上，对分类器所得到的结果通过感知机网络进行处理，然后对两结果进行信息融合，得到更为鲁棒的分类结果。

技术领域

本发明涉及计算机视觉技术领域，具体涉及垃圾分类模型建模方法、垃圾分类方法。

背景技术

垃圾的分类是保洁机器人的主要任务之一，目前常用的手段是通过神经网络对垃圾数据集进行学习，使保洁机器人获得“辨别”垃圾种类的能力。在工程项目中，从实际应用场景采集到的垃圾分类数据集绝大多数时候都具有严重的类别不平衡问题。类别不平衡是指分类任务中不同类别的训练样本数量差别很大的情况。比如，在火车站广场采集到的垃圾分类数据集中，烟头与烟盒垃圾的样本数量远远超过行道树落叶垃圾的样本数量，样本数量差距有时甚至可以达到几十倍。若不同类别的训练样本数量差别很大，会对网络模型训练造成严重困扰。样本类别不均衡将导致少数类样本所包含的特征过少，很难从中提取规律；即使得到分类模型，也容易产生过度依赖与过拟合问题，模型性能无法达到实际应用需求。

发明内容

本发明的目的在于提供一种垃圾分类模型建模方法、垃圾分类方法，用于解决垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。

为了解决上述问题，本发明采用以下技术方案：

一种垃圾分类模型建模方法，包括以下步骤：

S1：确定第一分类器网络的权重参数，初始化感知机网络的权重参数；

S2：创建与第一分类器网络相同的第二分类器网络，将第一分类器网络的权重参数加载到第二分类器网络；

S3：将非均衡样本数据集中的非均衡样本前向传递，依次通过第二分类器网络和感知机网络得到第一损失值，根据第一损失值反向更新第二分类器网络的权重参数；

S4：将均衡样本数据集中的均衡样本前向传递，通过第二分类器网络得到第二损失值，根据第二损失值反向更新感知机网络的权重参数；

S5：将非均衡样本数据集中的非均衡样本前向传递，依次通过第一分类器网络和感知机网络得到第三损失值，根据第三损失值反向更新第一分类器网络的权重参数；

S6：重复步骤S2至S5，直至模型收敛，得到垃圾分类模型。

有益效果为：

通过非均衡数据集和均衡数据集交替对模型进行训练，使得模型在学习到非均衡数据集中多数类样本的特征后，也学习到了少数类样本的特征，解决了垃圾分类任务中数据类别不均衡所导致的分类模型性能不好的问题。

进一步地，第一分类器网络为在公开垃圾分类数据集上预训练后的分类器网络或未经预训练的网络，第一分类器网络为卷积神经网络、残差神经网络、注意力机制模型、多层感知机和循环神经网络中的一种。针对多种常用深度学习网络模块均可使用此方法进行垃圾分类模型建模，体现了该方法适用性强的优点。

进一步地，非均衡样本数据集的构建包括以下步骤：

采集多张实际场景图片；

标注每张实际场景图片中垃圾的位置坐标和类别；

根据位置坐标对每张实际场景图片进行裁剪，裁剪后的每张实际场景图片仅包含单个垃圾，根据单个垃圾的类别对裁剪后的每张实际场景图片划分类别；

对实际场景图片进行聚类；