垃圾分类质量评估方法及系统技术方案

一种垃圾分类质量评估方法及系统，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估。本发明专利技术基于图像识别技术识别源头分类混合垃圾图像中各类垃圾的占比，评估生活垃圾分类的质量，可以搭载于手机等便携设备，或集成在智能垃圾桶上，自动检测生活垃圾分类质量并实时反馈给居民，能够降低监督居民垃圾投放行为的成本，并有望解除垃圾投放时间和地点的限制，提高居民生活垃圾分类与投放的体验。

【技术实现步骤摘要】
垃圾分类质量评估方法及系统
本专利技术涉及的是一种图像处理领域的技术，具体是一种垃圾分类质量评估方法及系统。
技术介绍
目前，各生活垃圾分类管理条例试点城市仍然在使用原始的人力监督方法，在居民小区、用人单位等地雇佣清洁工或招募志愿者，逐一检查居民投入垃圾桶的垃圾是否符合分类标准，亟需有效的自动化手段代替人力评估垃圾分类的质量，对居民垃圾分类行为进行监督和引导。现有的图像识别技术如目标检测和语义分割，均有潜力识别混合垃圾的组分，但许多因素导致它们并不能实际解决垃圾分类质量评估问题。目标检测技术使用多层神经网络检测输入图像中是否存在预先定义的目标，判断该目标的类别，并用边界框对目标进行定位。将目标检测技术应用在垃圾分类质量评估问题上，则模型接收混合垃圾图像作为输入，然后输出图像中各个垃圾的边界框。但由于混合垃圾中的垃圾种类多样，分布密集，互相遮挡严重，构成了非常复杂的场景。现有的目标检测算法尚未突破密集目标识别的难关，并不具备准确地识别混合垃圾中各个垃圾的能力。其次，训练目标检测模型需要大规模的垃圾图像数据集，人工用边界框标记每张图像中的每本文档来自技高网...

【技术保护点】
1.一种垃圾分类质量评估方法，其特征在于，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估，即图像中各类垃圾的占比，评估垃圾分类的质量；/n当输入图像I

【技术特征摘要】
1.一种垃圾分类质量评估方法，其特征在于，利用训练后的深度卷积神经网络识别输入图像中包含的对象，定位其中正确投放和错误投放的垃圾，自动给出对该图像中垃圾分类的质量的总体评估，即图像中各类垃圾的占比，评估垃圾分类的质量；
当输入图像Ii属于所述对象的类别j，根据中心极限定理认为Ii源自于高斯分布N(μj，σj2)，该高斯分布体现了垃圾类别j的特征；
所述的深度卷积神经网络为包含高斯编码层的高斯分类网络，在过滤图像噪声的同时提取与分类任务紧密相关的图像特征。


2.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的识别是指：对输入图像Ii进行预处理后，通过深度卷积神经网络的骨干网络提取得到卷积特征f；通过两个全连接层分别提取卷积特征f的高斯分布的均值特征fμ和方差特征fσ，对应μj和方差logσj2；将均值特征fμ和方差特征fσ拼接成为高斯特征fgauss，再输入由全连接层和softmax函数组成的分类器中，得到预测的垃圾样本图像类别。


3.根据权利要求2所述的垃圾分类质量评估方法，其特征是，所述的预处理，包括：随机切割、随机擦除、正则化处理。


4.根据权利要求2所述的垃圾分类质量评估方法，其特征是，所述的骨干网络采用ResNet、VGG、GoogleNet。


5.根据权利要求1所述的垃圾分类质量评估方法，其特征是，所述的训练，使用随机梯度下降算法，其损失函数是分类损失Lc和散度损失Le之和，其中：分类损失采用交叉熵损失，即衡量预测值y′i和标记的真实值yi之间的差异：Lc＝-∑iyilog(y′i)；散度损失采用KL散度约束提取的fμ和fσ符合标准正态分布：


6.根据权利要求1或5所述的垃圾分类质量评估方法，其特征是，所述的训练，通过垃圾图像数据集实现：使用每类1200样本的垃圾图像数据集训练，使用随机梯度下降算法，批量大小64，初始学习率0.01，每40次迭代后衰减，衰减指数为0.1，训练过程共迭代100次。


7.一种实现上述任一权利要求所述方法的垃圾分类质量评估系统，其特征在于，包括：区域分割模块、垃圾图像样本提取模块、垃圾图像样本分类模块和区域分类模块，其中：区域分割模块通过内置的无监督图像分割神经网络，在没有任何标记数据训练的情况下，将输入图像划分为多个不重叠的分割区域，垃圾图像样本提取模块从分割区域中提取垃圾图像样本以识别垃圾区域的种类，垃圾图像样本分类模块...

【专利技术属性】
技术研发人员：朱弘恣，贺毅楠，邰俊，毕珠洁，奚慧，楼紫阳，过敏意，
申请(专利权)人：上海交通大学，上海环境卫生工程设计院有限公司，
类型：发明
国别省市：上海;31