【技术实现步骤摘要】
一种基于卷积神经网络的生活垃圾分类检测方法
本专利技术涉及深度学习领域，尤其是涉及一种基于卷积神经网络的生活垃圾分类检测方法。
技术介绍
垃圾分类作为一种有效处理垃圾的科学管理方案，在提高资源利用率、缓解垃圾生产压力以及改善生态环境等方面具有重要意义，备受世界各国的迫切关注。但是，由于垃圾的种类极其丰富，个人对垃圾归类的模糊程度普遍较高，因此，垃圾分类自动化的实现显得尤为重要。垃圾目标检测作为垃圾分类自动化的一个重要环节，本文将尝试实现该过程。所谓目标检测，简单来讲就是检测图像中的对象是什么以及在哪里的问题，即"目标分类+定位"问题。深度学习用于目标检测的算法从思路上来看，可以分为两大类，一类是两阶段检测方法，也就是把整个分为两部分，生成候选框和识别框内物体，它在检测准确率和定位精度上占优；另一类是单阶段检测方法，把整个流程统一在一起，直接给出检测结果，在算法速度上占优。目前，常见的两阶段检测方法主要有：R-CNN、SPP-Net、FastR-CNN、FasterR-CNN等，R-CNN采用选择性搜索(Selecti...
【技术保护点】
1.一种基于卷积神经网络的生活垃圾分类检测方法，其特征在于，/n选取多幅原始的垃圾图像及每幅原始垃圾图像对应的真实检测分类图像，并构成训练集；/n采用循环的方式，结合通道注意力机制和空洞卷积构建卷积神经网络；/n将所述训练集中的每幅垃圾图像作为原始输入图像，输入到卷积神经网络中进行训练，得到训练集中的每幅原始垃圾图像对应的垃圾分类的检测结果，将对应的垃圾分类检测得到的边框回归坐标、目标分类结果和置信度大小；/n计算训练集中的每幅垃圾图像对应的边框回归坐标、目标分类结果和置信度大小构成的集合与对应的真实边框回归坐标、目标分类结果和置信度大小构成的集合之间的损失函数值。/n
【技术特征摘要】
1.一种基于卷积神经网络的生活垃圾分类检测方法，其特征在于，
选取多幅原始的垃圾图像及每幅原始垃圾图像对应的真实检测分类图像，并构成训练集；
采用循环的方式，结合通道注意力机制和空洞卷积构建卷积神经网络；
将所述训练集中的每幅垃圾图像作为原始输入图像，输入到卷积神经网络中进行训练，得到训练集中的每幅原始垃圾图像对应的垃圾分类的检测结果，将对应的垃圾分类检测得到的边框回归坐标、目标分类结果和置信度大小；
计算训练集中的每幅垃圾图像对应的边框回归坐标、目标分类结果和置信度大小构成的集合与对应的真实边框回归坐标、目标分类结果和置信度大小构成的集合之间的损失函数值。
2.根据权利要求1所述的一种基于卷积神经网络的生活垃圾分类检测方法，其特征在于，所述训练集待检测分类垃圾图像的边框坐标、分类结果、置信度大小分别记为将训练集中与对应的真实目标检测图像的边框坐标、分类结果、置信度大小分别记为和
3.根据权利要求1所述的一种基于卷积神经网络的生活垃圾分类检测方法，其特征在于，所述卷积神经网络包括，输入层、隐层和输出层；
其中，所述输入层的输入端接收一幅原始输入图像的R通道分量、G通道分量和B通道分量，输入的RGB三通道分量经过Mosaic数据增强、自适应锚框计算、自适应图片缩放处理后，由所述输入层的输出端输出给隐层；
所述隐层包括，1个切片模块、8个常规卷积模块、8个残差卷积模块、1个空间金字塔池化模块、2个上采样模块、4个堆叠模块；其中，第一个切片模块、第一个常规卷积模块、第一个残差卷积模块、第二个常规卷积模块、第二个残差卷积模块、第三个常规卷积模块、第三个残差卷积模块、第四个常规卷积模块、第一个空间金字塔池化模块、第四个残差卷积模块、第五个常规卷积模块、第一个上采样模块、第一个堆叠模块、第五个残差卷积模块、第六个常规卷积模块、第二个上采样模块、第二个堆叠模块、第六个卷积残差模块、第七个常规卷积模块、第三个堆叠模块、第七个残差卷积模块、第八个常规卷积模块、第四个堆叠模块、第八个残差卷积模块依次连接，并且所述第二个残差卷积模块与所述第二个堆叠模块连接，所述第三个残差卷积模块与所述第一个堆叠模块连接，所述第五个常规卷积模块与所述第四个堆叠模块连接，所述第六个常规卷积模块与第三个堆叠模块连接，所述第六个残差卷积模块、所述第七个残差卷积模块和所述第八个残差卷积模块均与所述输出层的第一个输出模块连接；
所述输出层输出到检测器，返回待测目标的边框回归坐标、目标分类结果和置信度大小。
4.根据权利要求3所述的一种基于卷积神经网络的生活垃圾分类...
【专利技术属性】
技术研发人员：潘志刚，朱新荣，沈淑英，
申请(专利权)人：浙江净禾智慧科技有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。