一种基于深度学习的生活垃圾分类方法技术

本发明专利技术涉及一种基于深度学习的生活垃圾分类方法。包括：建立生活垃圾数据集，采用数据增强方法扩充数据集；建立神经网络分类模型，使用幻象模块替换ResNet18残差单元的普通卷积，得到G

【技术实现步骤摘要】
一种基于深度学习的生活垃圾分类方法


[0001]本专利技术涉及深度学习图像分类算法应用研究领域，特别是一种基于深度学习的生活垃圾分类方法。

技术介绍

[0002]根据中国城乡建设统计年鉴统计，我国城市生活垃圾的产生量由1979年的0.25亿吨增至2018年的2.28亿吨。随着人民生活水平的提高，垃圾产生量仍在上升。有效回收生活垃圾成为急需解决的问题，这对于可持续发展具有重大的意义。垃圾分类是回收的前提。目前，我国垃圾分类主要以人工分拣为主，存在劳动强度大，效率低等缺点。实现垃圾分拣的智能化与自动化具有重要的意义。垃圾图片分类算法有助于实现垃圾分拣的智能化与自动化。
[0003]近年来，越来越多的专家学者对垃圾分类算法进行了研究与实践。吴建等人使用传统的计算机视觉方法，手动提取特征，识别实验室废物垃圾。黄惠玲等人提出基于HSV的阈值分割算法和K均值聚类算法识别建筑垃圾图像。黄兴华等人提出基于纹理特征融合的道路垃圾图像识别算法。向伟等人提出改进的CaffeNet网络识别水面垃圾。但是缺乏针对生活垃圾图片分类算法的研究。目前，我国各城市全面推行垃圾分类制度，基本建立相应的法律法规和标准体系，将生活垃圾细分，大致可分为可回收垃圾、有害垃圾、厨余垃圾和其他垃圾四大类。针对我国垃圾分类现状，收集制作了小型生活垃圾数据集，选取经典网络ResNet18作为基础网络，使用GhostNet的幻象模块代替残差学习单元中的普通卷积，减少网络的参数量，提出基于幻象残差结构的垃圾图片分类算法。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提出一种基于深度学习的生活垃圾分类方法，能在不降低网络识别精度的同时大大减少网络的参数量，可以应用于垃圾的智能分类。
[0005]本专利技术采用以下方案实现：一种基于深度学习的生活垃圾分类方法，包括以下步骤：步骤S1：建立生活垃圾数据集，采用数据增强方法扩充训练数据集；步骤S2：建立神经网络分类模型，将步骤S1扩充后的训练数据集经过预处理操作后输入到网络中进行分类训练，得到训练后的神经网络分类模型；步骤S3: 将待分类的生活垃圾图片经过预处理操作后输入到步骤S2训练后的神经网络分类模型，输出分类结果。
[0006]进一步地，所述步骤S1的具体内容为：采集不同大小、角度、光照下的常见生活垃圾图片作为数据集，将数据集打乱后按4:1随机划分为训练集和测试集。并采用随机水平翻转、随机垂直翻转、随机缩放、随机旋转、逆时针方向裁剪、水平偏移和竖直偏移的数据增强方法扩充训练数据。
[0007]进一步地，所述步骤S2具体包括以下步骤：
所述步骤S2具体包括以下步骤：步骤S21：采用ResNet18作为基础网络，使用幻象模块Ghost Module替换ResNet18残差单元的普通卷积，得到幻象残差学习单元；通过顺序堆叠幻象残差学习单元得到G-ResNet18网络。步骤S22：将步骤S1扩充后的训练数据集中的每张图像的大小统一缩放为(224 ,224)的大小，并将图像的每一个像素值乘以1/255，使每一个数值都处于0～1之间，获得预处理后的图像数据集；步骤S23：将步骤S22预处理后得到图像数据集输入到步骤S21得到的G-ResNet18网络中进行分类训练，得到训练后的G-ResNet18模型即训练后的神经网络分类模型。
[0008]进一步地，所述步骤S3的具体内容为：将待分类的生活垃圾图片缩放为(224 ,224)的大小后输入到训练后得到的神经网络分类模型中，输出分类结果。
[0009]与现有技术相比，本专利技术有以下有益效果：本专利技术能在不降低网络识别精度的同时大大减少网络的参数量，可以应用于垃圾的智能分类。
附图说明
[0010]图1为本专利技术实施例的方法流程图。
[0011]图2为本专利技术实施例的幻象模块结构图。
[0012]图3为本专利技术实施例的幻象残差学习单元结构图。
[0013]图4为本专利技术实施例的幻象残差学习单元结构图。
[0014]图5为本专利技术实施例的G-ResNet18网络结构图。
具体实施方式
[0015]下面结合附图及实施例对本专利技术做进一步说明。
[0016]应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0017]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0018]如图1所示，本实施例提供了一种基于深度学习的生活垃圾分类方法，包括以下步骤：步骤S1：建立生活垃圾数据集，采用数据增强方法扩充训练数据集；步骤S2：建立神经网络分类模型，将步骤S1扩充后的训练数据集经过预处理操作后输入到网络中进行分类训练，得到训练后的神经网络分类模型；步骤S3: 将待分类的生活垃圾图片经过预处理操作后输入到步骤S2训练后的神经网络分类模型，输出分类结果。
[0019]在本实施例中，所述步骤S1的具体内容为：采集不同大小、角度、光照下的常见生活垃圾图片作为数据集，将数据集打乱后按4:1随机划分为训练集和测试集。并采用随机水平翻转、随机垂直翻转、随机缩放、随机旋转、逆时针方向裁剪、水平偏移和竖直偏移的数据增强方法扩充训练数据。本实验采集部分常见的生活垃圾图片构成数据集，类别和图片数量分别为废纸:579、易拉罐:568、茶叶渣:476、香蕉皮:421、烟蒂:478、口罩:502、一次性纸杯:506、纽扣电池:586。共8类，4116张图片；在本实施例中，所述步骤S2具体包括以下步骤：步骤S21：采用ResNet18作为基础网络，使用幻象模块Ghost Module（说明书附图2）替换ResNet18残差单元的普通卷积，得到幻象残差学习单元。当步长为1时，幻象残差学习单元如说明书附图3所示，当步长为2时，幻象残差学习单元如说明书附图4所示。通过顺序堆叠幻象残差学习单元得到G-ResNet18网络（说明书附图5）；ResNet18网络的参数量为11186624, G-ResNet18网络的参数量为6063424，参数量减少了46%。幻象模块替换普通卷积：幻象模块如说明书附图2所示，相比于普通卷积，幻象模块分三步走。首先采用卷积核个数减半的普通卷积操作生成真实特征层，然后将真实特征层做深度卷积（卷积核大小取3x3,步长取1）进行线性变换获得幻象特征层，再将真实特征层与幻象特征层拼接到一起组成完整的特征层。若普通卷积的卷积核个数为n，步长为stride,卷积核大小为kernel,则幻象模块的普通卷积部分卷积核个数为n/2,步长为stride, 卷积核大小为kernel。说明书附图3：输入特征图经过幻象模块、BatchNormalization层、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的生活垃圾分类方法，其特征在于：包括以下几个步骤：步骤S1：建立生活垃圾数据集，采用数据增强方法扩充训练数据集；步骤S2：建立神经网络分类模型，将步骤S1扩充后的训练数据集经过预处理操作后输入到网络中进行分类训练，得到训练后的神经网络分类模型；步骤S3: 将待分类的生活垃圾图片经过预处理操作后输入到步骤S2训练后的神经网络分类模型，输出分类结果。2.根据权利要求1所述的一种基于深度学习的生活垃圾分类方法，其特征在于：所述步骤S1的具体内容为：采集不同大小、角度、光照下的常见生活垃圾图片作为数据集，将数据集打乱后按4:1随机划分为训练集和测试集；采用随机水平翻转、随机垂直翻转、随机缩放、随机旋转、逆时针方向裁剪、水平偏移和竖直偏移的数据增强方法扩充训练数据。3.根据权利要求1所述的一种基于深度学习的生活垃圾分类方法，其特征在于：所述步骤S2的具体包括以下步骤...

【专利技术属性】
技术研发人员：林志贤，郑佑顺，郭太良，周雄图，张永爱，林珊玲，
申请(专利权)人：闽都创新实验室，
类型：发明
国别省市：