[发明专利]面向无人驾驶智能清扫车的垃圾分类方法

说明书

本发明公开了面向无人驾驶智能清扫车的垃圾分类方法，具体涉及垃圾分类技术领域，包括以下具体步骤：步骤一、使用交并比初定义可优化标签相似矩阵；步骤二、使用骨干网络提取输入无人驾驶智能清扫车传感器识别到的垃圾图片的高级特征；步骤三、根据二值码的优化损失和可优化的标签相似矩阵学习更新垃圾图片的二值码；步骤四、更新可优化标签相似矩阵用作下一次的二值码学习。本发明通过经可优化标签相似矩阵与ConvNeXt骨干网络相结合，从而使模型特征提取的更加精确，生成的二值码分类准确性有着很大的提升，提高运算速度，加快模型收敛，减少运算量，提高了垃圾分类检测效率，从而降低了垃圾对环境的污染。

技术领域

本发明涉及垃圾分类技术领域，具体涉及面向无人驾驶智能清扫车的垃圾分类方法。

背景技术

随着科技不断进步，人们对于智能城市的需求也在不断提高。自动驾驶技术是智能城市的重要组成部分，影响着城市的交通安全与交通效率。图像分类在计算机视觉领域是一个重要方向，比如人脸识别，物品识别等都有着广泛的应用。对于一个优秀的分类模型，训练数据是不可或缺的，训练数据的质量决定了控制车辆软件的性能，而优越的机器学习算法则促进了自动驾驶这一目标的实现。而当海量的数据开始“喷涌式”爆发时，我们不但要对数据进行记录，还要对数据进行高效的最近邻搜索，这样才能够在大规模的数据中挖掘出最有针对性、有效力的信息，让“数据”真正服务于人。这给很多需要进行高效搜索的领域带了极大的挑战，尤其是大规模的图像检索，无法使用简单的线性搜索去完成任务。因此，人们开始使用近似最近邻搜索方法完成搜索任务，二值码的搜索方法就是其中一种。它可以把图像等信息转换成01编码并保留原始图片之间的相似性关系，并计算图片之间的二值码距离来完成搜索任务。

并且随着深度网络的爆炸性增长，越来越多的研究集中在深度学习方法上，使用深度神经网络同时进行特征提取和二值码学习，比传统的手工制作特征的方法有更好的表现。在数据依赖的监督学习中，主要使用标签信息，可以使用图像标签来减轻语义差异，指导生成二值码，并产生比无监督的方法在语义相似性方面产生更好的检索性能；对于需要在实例中的像素级别上进行精确分类的图像尤其如此。

目前大多数的基于二值码的深度学习方法都是基于早期传统的卷积神经网络框架，包括AlexNet, ResNet等耳熟能详的网络。这些卷积神经网络模型特征提取的精确度严重不足，这导致对二值码的生成影响较大，最后导致分类的效果；然后对于传统的标签相似矩阵是用二值码去表示两个图像之间的关系，在多标签大规模数据集中，省略了过多的标签提供的图片相似性，这导致在训练过程中对模型产生较大的影响。

因此，发明面向无人驾驶智能清扫车的垃圾分类方法来解决上述问题很有必要。

发明内容

本发明的目的是提供面向无人驾驶智能清扫车的垃圾分类方法，通过经可优化标签相似矩阵与ConvNeXt骨干网络相结合，从而使模型特征提取的更加精确，生成的二值码分类准确性有着很大的提升，提高运算速度，加快模型收敛，减少运算量，提高了垃圾分类检测效率，从而降低了垃圾对环境的污染，以解决技术中的上述不足之处。

为了实现上述目的，本发明提供如下技术方案：面向无人驾驶智能清扫车的垃圾分类方法，包括以下具体步骤：

步骤一、使用交并比初定义可优化标签相似矩阵；

在上述步骤中的初定义可优化标签相似矩阵如下所示：

其中，为和的可优化的标签相似性程度，和是输入的垃圾图片类别标签，为垃圾类别数量，为超参数，代表转置矩阵；

步骤二、使用骨干网络提取输入无人驾驶智能清扫车传感器识别到的垃圾图片的高级特征；

在上述步骤中，首先收集无人驾驶智能清扫车传感器识别到的垃圾图片并标上标签，输入这些图片进行图片的预处理，让这些图片的尺寸一致；

然后，使用骨干网络ConvNeXt-T提取特征，对于一个大小为H×W×3的输入图像，将其分成大小为的相同的块，块的大小为4×4；