一种实现垃圾自动分类的方法技术

本发明专利技术公开了一种实现垃圾自动分类的方法，涉及垃圾分类领域，包括模型训练过程和基于模型训练过程的垃圾分类方法，为了使训练模型具有识别垃圾分类的特征的功能而使用卷叠式模型训练过程。卷叠式模型训练过程包括依次进行的标注图集、预处理、转换方式、卷积、抽样、归一、全连接、随机失活及输出结果和输出训练结果，垃圾分类方法使用训练模型形成若干两类识别模型，采用针对垃圾拍照后经过若干两类识别模型，让垃圾依次经过这些两类识别模型进行识别，并且根据依次经过的两类识别模型的识别结果分类。

【技术实现步骤摘要】
一种实现垃圾自动分类的方法
本专利技术涉及垃圾分类领域，特别涉及一种实现垃圾自动分类的方法。
技术介绍
现有的垃圾分类工作大部分依赖于人工分类，特别是在居民区等应用场景，如果使用计算机视觉，可以实现垃圾自动分类，大幅度提高分类速度和准确率，以此减少人工成本，近年来，随着卷叠式神经网络在计算机视觉上取得的巨大突破，并且加以诸如线性整流函数（RectifiedLinearUnit，ReLU）、等激活函数和随机失活（dropout），使用自适应矩估计优化模型（Adam：adaptivemomentestimation）等优化方式的利用，使得卷叠式神经网络在图像识别方面可以获得极高的准确率，基于卷叠式神经网络智能垃圾分类识别成为了可能。因此基于卷叠式神经网络可以配合机械分拣装置对垃圾进行高效地，快速地，低成本地垃圾分类。目前市场上暂时没有针对垃圾分类而设计的分类算法模型，同时也没有完善的垃圾图片数据集用方法来训练该模型从而获得一个准确率达到实际使用需求的，再者没有配合垃圾分类识别算法而设计的垃圾分类分拣装置，从而导致现有垃圾分类必需使用人工手段本文档来自技高网...

【技术保护点】
1.一种实现垃圾自动分类的方法，包括模型训练过程，基于模型训练过程的垃圾分类方法，其特征在于：所述模型训练过程包括依次进行的以下步骤，/nS1：将标注的垃圾分类训练图集放入模型预处理器中进行预处理；/nS2：将预处理后的RGB三通道的图片输入到深度神经网络中；/nS3：在深度神经网络的第一层卷积层，使用零补充的方式填充滤镜尺寸和图片尺寸之间的间距；/nS4：在深度神经网络的第二层抽样层，将卷积层提取后得到的特征进行特征提取；/nS5：在深度神经网络的第三层归一化层，输入抽样层提取出来的特征层；/nS6：将批量归一化的数列输入数层叠加的卷积层和抽样层计算，重复若干次；/nS7：将计算后的结果输入...

【技术特征摘要】
1.一种实现垃圾自动分类的方法，包括模型训练过程，基于模型训练过程的垃圾分类方法，其特征在于：所述模型训练过程包括依次进行的以下步骤，
S1：将标注的垃圾分类训练图集放入模型预处理器中进行预处理；
S2：将预处理后的RGB三通道的图片输入到深度神经网络中；
S3：在深度神经网络的第一层卷积层，使用零补充的方式填充滤镜尺寸和图片尺寸之间的间距；
S4：在深度神经网络的第二层抽样层，将卷积层提取后得到的特征进行特征提取；
S5：在深度神经网络的第三层归一化层，输入抽样层提取出来的特征层；
S6：将批量归一化的数列输入数层叠加的卷积层和抽样层计算，重复若干次；
S7：将计算后的结果输入数个全连接层中进行计算；
S8：将全连接层计算的结果输入数个随机失活层中,通过随机失活深度神经网络中的神经元，提升模型的识别能力；
S9：将深度神经网络计算获得的结果输入到使用自适应矩估计优化模型中与已知的结果进行比对，计算误差，对神经网络进行优化；
S10：在模型训练完成后，输出垃圾分类设备模型，并报告训练结果。


2.根据权利要求1所述的一种实现垃圾自动分类的方法，其特征在于：所述基于模型训练过程的垃圾分类方法包括依次进行的以下步骤，
T1：至少基于垃圾种类之间外形特点，尺寸特点和用户倾倒习惯这三个使用特征针对每两种垃圾训练一个两类识别模型；
T2：根据需求训练若干个两类...

【专利技术属性】
技术研发人员：唐国凯，
申请(专利权)人：成都禧来科技有限公司，
类型：发明
国别省市：四川;51