[发明专利]一种垃圾分类方法及系统

说明书

本发明涉及一种垃圾分类方法及系统，属于图像识别领域，该方法包括：构建垃圾分类数据集；构建粒度分级表征网络，粒度分级表征网络用于对输入待分类垃圾图像连续多次进行下采样操作获得目标特征图，对目标特征图进行N个不同尺度池化核的池化操作，并对各池化操作后的特征图进行反卷积，获得N个粒度特征图，N个粒度特征图的尺寸相同，将N个粒度特征图和目标特征图进行通道维度的拼接获得多粒度表征特征图，将多粒度表征特征图输入全连接层得到图像在各垃圾细化分类上的预测概率；采用垃圾分类数据集训练粒度分级表征网络，获得垃圾分类模型；采用垃圾分类模型对垃圾图像进行分类。本发明提高了垃圾分类的效率和准确性。

技术领域

本发明涉及图像识别技术领域，特别是涉及一种垃圾分类方法及系统。

背景技术

实施生活垃圾分类是一项“利国利民”的民生工程，但复杂细化的垃圾分类方式和尚未普及的垃圾分类知识严重阻碍了垃圾分类的执行和推进效率。近年来，利用计算机视觉技术实现垃圾的自动化分类成为了当前的一大研究热点。通过图像识别自动判断垃圾种类，能够帮助居民进行正确的垃圾分类，有效提升城市垃圾分类的工作效率，降低垃圾对城市环境的生态污染。

然而，城市生活垃圾的种类繁多，且在形态和尺度上具有一定的丰富性和多样性，分类难度较大，导致现有基于计算机视觉的垃圾分类算法识别准确率不高（贺朝辉,曾鹏程.基于深度学习的生活垃圾分类[J].电脑知识与技术,2022,18(03): 99-100.DOI:10.14004/j.cnki.ckt.2022.0177.）。因此，亟需针对垃圾分类的任务特性，提出一种具有较强特征提取能力的神经网络结构，从而实现准确高效的自动化垃圾分类。

发明内容

本发明的目的是提供一种垃圾分类方法及系统，提高了垃圾分类的效率和准确性。

为实现上述目的，本发明提供了如下方案：

一种垃圾分类方法，包括：

构建垃圾分类数据集，所述垃圾分类数据集中包括多类垃圾图像，为每张垃圾图像对应一个垃圾细化分类；

构建粒度分级表征网络，所述粒度分级表征网络用于对输入待分类垃圾图像连续多次进行下采样操作获得目标特征图，对所述目标特征图进行N个不同尺度池化核的池化操作，并对各池化操作后的特征图进行反卷积，获得N个粒度特征图，N个粒度特征图的尺寸相同，将N个粒度特征图分别输入sigmoid激活函数后和所述目标特征图进行通道维度的拼接获得多粒度表征特征图，将所述多粒度表征特征图进行卷积操作后经过两个连续的全连接层，得到所述待分类垃圾图像在每个垃圾细化分类上的预测概率，将预测概率最大值对应的垃圾细化分类作为所述待分类垃圾图像的垃圾细化分类；

采用所述垃圾分类数据集训练所述粒度分级表征网络，获得垃圾分类模型；

采用所述垃圾分类模型对垃圾图像进行分类。

可选地，所述垃圾细化分类包括玻璃、电池、塑料、金属、废纸、一次性筷子、烟蒂、残旧菜叶、果皮和废节能灯。

可选地，所述粒度分级表征网络包括目标特征图获取模块，所述目标特征图获取模块用于对输入待分类垃圾图像连续三次进行下采样操作输出所述目标特征图，所述目标特征图获取模块包括依次连接的第一下采样单元、第二下采样单元和第三下采样单元，各下采样单元均包括依次连接卷积层和池化层，所述第一下采样单元中卷积层为卷积核为3*3，卷积核数量为64的卷积层，所述第二下采样单元中卷积层为卷积核为3*3，卷积核数量为128的卷积层，所述第三下采样单元中卷积层为卷积核为3*3，卷积核数量为256的卷积层，所述第一下采样单元、所述第二下采样单元和所述第三下采样单元中的池化层均为池化核为2*2的最大池化层。

可选地，N的数量为4，4个不同尺度池化核的池化操作包括池化核为2*2的平均池化操作、池化核为4*4的平均池化操作、池化核为6*6的平均池化操作和池化核为8*8的平均池化操作。