一种湿垃圾中垃圾袋目标检测方法及检测系统技术方案

本发明专利技术公开一种湿垃圾中垃圾袋目标检测方法，包含：采集含有垃圾袋的湿垃圾图像形成湿垃圾图像库；湿垃圾图像标注垃圾袋的位置和类别信息，分为训练集、验证集和测试集；搭建深度学习神经网络进行训练；调整训练网络模型参数优化网络模型；将测试集中的湿垃圾图像输入训练完成的深度学习神经网络进行测试，若正确率和漏检率符合场景使用的阈值范围，则本地化保存。本发明专利技术采用深度学习网络进行湿垃圾图像中的垃圾袋的检测识别，实现大量湿垃圾中自动化识别垃圾袋，提高识别效率，提高垃圾再利用率。

A detection method and system of garbage bag target in wet garbage

【技术实现步骤摘要】
一种湿垃圾中垃圾袋目标检测方法及检测系统
本专利技术涉及一种属于计算机视觉
的图像目标检测方法，具体涉及一种湿垃圾中垃圾袋目标检测方法。
技术介绍
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。垃圾分类是对垃圾收集处置传统方式的改革，是对垃圾进行有效处置的一种科学管理方法。人们面对日益增长的垃圾产量和环境状况恶化的局面，如何通过垃圾分类管理，最大限度地实现垃圾资源利用，减少垃圾处置的数量，改善生存环境状态，是当前世界各国共同关注的迫切问题。垃圾分类的好处是显而易见的，垃圾分类后被送到工厂而不是填埋场，既省下了土地，又避免了填埋或焚烧所产生的污染，还可以变废为宝。湿垃圾是居民日常生活及食品加工、饮食服务、单位供餐等活动中产生的垃圾，包括丢弃不用的菜叶、剩菜、剩饭、果皮、蛋壳、茶渣、骨头、动物内脏、鱼鳞、树叶、杂草等，其主要来源为家庭厨房、餐厅、饭店、食堂、市场及其他与食品加工有关的行业。有机垃圾具有易腐烂、热值低、有机质含量丰富等特点，常规的填埋和焚烧难以妥善处理，所以综合利用的途径有：制作有机肥料、燃料油、酒精、活性炭、九二〇(赤霉菌素)、糠醛、菲汀、角蛋白、甲壳质、鱼鳞胶、化学浆糊等。垃圾袋给人们的生活带来了方便，但一时的方便却带来长久的危害。垃圾袋回收价值较低，在使用过程中除了散落在城市街道、旅游区、水体中、公路和铁路两侧造成视觉污染外，还存在着潜在的危害。塑料结构稳定，不易被天然微生物降解，在自然环境中长期不分离。这就意味着废塑料垃圾如不加以回收，将在环境中变成污染物长期存在并不断累积，会对环境造成极大危害。据统计，全球一年使用2.6亿吨塑料，其中1.7亿吨属于一次性使用。目前，垃圾分类与回收处理工作面临着许多的问题和挑战。其中最重要的一点就是垃圾产生数量巨大，而且现有的地区垃圾分类收集、分类运输、分类处理设施不够完备甚至没有，仅靠大量的拾荒人员在垃圾里翻找，但这样的翻找零星、随机、粗放。鲜有地方实行工厂化的人工集中分拣和无害化处理。所以，有限的人工处理能力远远匹配不了每日剧增的垃圾产量。同时，湿垃圾作为垃圾类别中一个大类，同样面临着严峻的挑战。湿垃圾的利用价值较高，但是实际情况中湿垃圾里总会混杂一些其他垃圾导致增加分类难度和工作量，其中最常见的就是垃圾袋。所以，如何代替主要以人工方式为主，效率不高、自动化程度低的现状，是我们一直关注的问题。
技术实现思路
本专利技术提供一种湿垃圾中垃圾袋目标检测方法，代替人工识别湿垃圾中垃圾袋的方式，提高效率，实现垃圾识别自动化。为实现上述目的，本专利技术提供一种湿垃圾中垃圾袋目标检测方法，其特点是，该方法包含：S1、采集含有垃圾袋的湿垃圾图像形成湿垃圾图像库；S2、湿垃圾图像标注垃圾袋的位置和类别信息，并分为训练集、验证集和测试集；S3、搭建深度学习神经网络，将湿垃圾图像的训练集输入深度学习神经网络中进行训练；S4、根据深度学习神经网络输出训练输出的结果，调整训练网络模型参数优化网络模型，直到输出的结果达到预期的阈值；S5、将测试集中的湿垃圾图像输入训练完成的深度学习神经网络进行测试，若场景使用里深度学习神经网络模型的正确率和漏检率符合场景使用的阈值范围，则将训练好的深度学习神经网络本地化保存。上述S2包含：S2.1、湿垃圾图像库中的湿垃圾图像重命名和序列化；S2.2、对湿垃圾图像中的垃圾袋图像进行标注；S2.3、将标注完成的湿垃圾图像库的标注数据统一储存；S2.4、将湿垃圾图像库及其标注数据拆分为训练集、验证集和测试集，生成对应的训练集文件夹、验证集文件夹和测试集文件夹中等待训练。上述训练集、验证集和测试集的拆分比例为：8:1:1。上述S3包含：S3.1、搭建深度学习神经网络模型；S3.2、设置深度学习神经网络模型的训练参数；S3.3、执行深度学习神经网络模型训练脚本。上述S4中，深度学习神经网络输出的损失率训练采用损失计算函数，损失计算函数基于交叉熵计算公式改进方法，交叉熵计算公式如式(1)：式(1)中，y表示图片标注时label属性，正类为1，表示有垃圾袋，负类为0，表示无垃圾袋；p表示样本预测为正的概率；式(1)进一步泛化为式(2)：式(2)中，Pt表示式(1)的泛化，当y＝1时，Pt＝p，当y为其他值时，Pt＝1-p；式(2)的交叉熵损失公式如式(3)：CE(p，y)＝CE(pt)＝-log(pt)(3)式(3)加上一用来平衡类别不均的参数权重参数αt∈[0，1]，如式(4)：CE(pt)＝-αtlog(pt)(4)损失计算函数就是CE(pt)的基础上再加上一个权重(1-pt)γ，如式(5)：FL(pt)＝-αt(1-pt)γlog(pt)(5)式(5)中，γ≥0是可调节的聚焦参数。上述at取值0.25，γ取值2。上述S5中，若场景使用里深度学习神经网络模型的正确率和漏检率不符合场景使用的阈值范围，则跳转到S3重新训练深度学习神经网络。上述场景使用的阈值范围为：正确率大于85％，漏检率小于15％。当场景使用里深度学习神经网络模型的正确率和漏检率不符合场景使用的阈值范围时，判断损失率是否大于0.1且一直没有下降的趋势，若是则跳转到S3重新训练深度学习神经网络，若否则跳转到S4调整模型以提升模型的能力。一种适用于上述湿垃圾中垃圾袋目标检测方法的湿垃圾中垃圾袋目标检测系统，该系统包含：图像采集设备，采集含有垃圾袋的湿垃圾图像；湿垃圾图像库，其通信连接图像采集设备，存储采集的湿垃圾图像，并对湿垃圾图像标注和拆分为训练集、验证集和测试集；深度学习神经网络，其通信连接湿垃圾图像库，深度学习神经网络接收湿垃圾图像库的湿垃圾图像及其标注数据进行训练，根据训练输出进行优化，完成优化后本地化保存；垃圾袋目标检测模块，其通过图像采集设备采集检测目标，经过训练的深度学习神经网络对检测目标进行垃圾袋检测。本专利技术湿垃圾中垃圾袋目标检测方法及检测系统和现有技术相比，其优点在于，本专利技术采用RetinaNet深度学习网络进行湿垃圾图像中的垃圾袋的检测识别，实现在湿垃圾量巨大的情况下，自动化识别垃圾袋，替代人工方式识别垃圾袋，提高识别效率，提高垃圾再利用率。附图说明图1为本专利技术一种基于RetinaNet深度学习算法的湿垃圾中垃圾袋目标检测系统的实施例的系统图；图2为一种基于RetinaNet深度学习算法的湿垃圾中垃圾袋目标检测方法的流程图；图3为本专利技术中RetinaNet的网络框架图；本文档来自技高网...

【技术保护点】
1.一种湿垃圾中垃圾袋目标检测方法，其特征在于，该方法包含：/nS1、采集含有垃圾袋的湿垃圾图像形成湿垃圾图像库；/nS2、湿垃圾图像标注垃圾袋的位置和类别信息，并分为训练集、验证集和测试集；/nS3、搭建深度学习神经网络，将湿垃圾图像的训练集输入深度学习神经网络中进行训练；/nS4、根据深度学习神经网络输出训练输出的结果，调整训练网络模型参数优化网络模型，直到输出的结果达到预期的阈值；/nS5、将测试集中的湿垃圾图像输入训练完成的深度学习神经网络进行测试，若场景使用里深度学习神经网络模型的正确率和漏检率符合场景使用的阈值范围，则将训练好的深度学习神经网络本地化保存。/n

【技术特征摘要】
1.一种湿垃圾中垃圾袋目标检测方法，其特征在于，该方法包含：
S1、采集含有垃圾袋的湿垃圾图像形成湿垃圾图像库；
S2、湿垃圾图像标注垃圾袋的位置和类别信息，并分为训练集、验证集和测试集；
S3、搭建深度学习神经网络，将湿垃圾图像的训练集输入深度学习神经网络中进行训练；
S4、根据深度学习神经网络输出训练输出的结果，调整训练网络模型参数优化网络模型，直到输出的结果达到预期的阈值；
S5、将测试集中的湿垃圾图像输入训练完成的深度学习神经网络进行测试，若场景使用里深度学习神经网络模型的正确率和漏检率符合场景使用的阈值范围，则将训练好的深度学习神经网络本地化保存。


2.如权利要求1所述的湿垃圾中垃圾袋目标检测方法，其特征在于，所述S2包含：
S2.1、湿垃圾图像库中的湿垃圾图像重命名和序列化；
S2.2、对湿垃圾图像中的垃圾袋图像进行标注；
S2.3、将标注完成的湿垃圾图像库的标注数据统一储存；
S2.4、将湿垃圾图像库及其标注数据拆分为训练集、验证集和测试集，生成对应的训练集文件夹、验证集文件夹和测试集文件夹中等待训练。


3.如权利要求2所述的湿垃圾中垃圾袋目标检测方法，其特征在于，所述训练集、验证集和测试集的拆分比例为：8:1:1。


4.如权利要求1所述的湿垃圾中垃圾袋目标检测方法，其特征在于，所述S3包含：
S3.1、搭建深度学习神经网络模型；
S3.2、设置深度学习神经网络模型的训练参数；
S3.3、执行深度学习神经网络模型训练脚本。


5.如权利要求1所述的湿垃圾中垃圾袋目标检测方法，其特征在于，所述S4中，深度学习神经网络输出的损失率训练采用损失计算函数，损失计算函数基于交叉熵计算公式改进方法，交叉熵计算公式如式(1)：



式(1)中，y表示图片标注时label属性，正类为1，表示有垃圾袋，负类为0，表示无垃圾袋；p表示样本预测为正的概率；
式(1)进一步泛化为式(2)：



式(2)中，Pt表示式(1)的...

【专利技术属性】
技术研发人员：张威，宋淼，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31