【技术实现步骤摘要】
一种基于迁移学习的垃圾图像分类方法
[0001]本专利技术涉及机器视觉领域，特别是涉及一种基于迁移学习的垃圾图像分类方法。
技术介绍
[0002]随着社会的不断发展，人类生活水平日益提高，伴随着居民生活的各类生活垃圾的数量急剧增加，为了提高资源的利用率，对于各类垃圾进行分类在日常生活中就显得尤为重要。
[0003]近些年，随着图像处理技术的进一步发展，基于深度学习的图像处理方式被广泛应用于图像分类领域。与传统图像处理方法相比，将深度学习网络运用在图像分类领域的泛化强，分类准确性更高，因此使用深度学习技术进行垃圾图像的分类任务。
[0004]然而，深度学习模型复杂，参数多，计算量大，对于设备的算力要求高。为了保证深度学习模型能在移动端正常的运行，并且在可接受的精度损失范围内完成垃圾图像分类的任务，推理速度快和分类准确率高的轻量级网络必不可少。2016年，Forrest N.Iandola等提出了轻量级网络SqueezeNet，采用不同与传统的卷积方式，使网络结构的参数数量大幅减少，但其计算量却比AlexNet网...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的垃圾图像分类方法，其特征在于：含有以下步骤：步骤1、收集已经分好类的垃圾图像，得到初始垃圾图像数据集；步骤2、对于初始垃圾图像数据集进行随机裁剪，得到224
×
224大小的图像，再以0.5概率进行随机水平旋转，将图像转换为Tensor后，进行归一化处理；步骤3、对预处理后的垃圾图像数据集按N:M的比例分配为训练集和验证集；步骤4、根据ShuffleNet V2网络模型，加入压缩激励网络和LeakyReLU激活函数建立垃圾分类网络模型，并在末端增添Flatten层和三层全连接层建立垃圾分类网络模型，从前往后依次为卷积层，BN层，Leaky ReLU激活函数，最大池化层，stage2，压缩激活网络，stage3，压缩激活网络，stage4，压缩激活网络，卷积层，BN层，Leaky ReLU激活函数，全局池化层，Flatten层，第一全连接层，BN层，第二全连接层，BN层和第三全连接层，得到初始分类神经网络；步骤5、将ImageNet图像数据集中的权重参数导入初始分类神经网络，再将网络进行训练，得到训练完成的分类神经网络；步骤6、将垃圾图片输入训练完成的分类神经网络，得到垃圾分类结果。2.根据权利要求1所述的基于迁移学习的垃圾图像分类方法，其特征在于：所述步骤2中调用torchvision中的transforms.Resize()函数改变输入图像尺寸为256
×
256，再调用transforms.CenterCrop()函数将图像随机裁剪为224
×
224大小的图像，然后调用transforms.ToTensor()函数将裁剪后的图像转换为Tensor，最后调用transforms.Normalize()函数将图像进行归一化处理。3.根据权利要求1所述的基于迁移学习的垃圾图像分类方法，其特征在于：所述步骤4中的卷积层由3
×3×
112大小的卷积核构成，其padding深度为0，stride值为2；步骤4中调用torch中的nn.BatchNorm2d()函数或nn.BatchNorm1d()函数生成BN层来实现批量归一化；步骤4中调用torch中的nn.Leaky ReLU()函数得到激活函数Leaky ReLU，并且负值斜率值为0.001；步骤4中的最大池化层的池化窗口大小为3
×
3，其padding深度为1，stride值为2。4.根据权利要求1所述的基于迁移学习的垃圾图像分类方法，其特征在于：所述步骤4中的stage2、stage3和stage4，其均由shufflenet单元组成，具体包括基本单元和下采样单元，stage2由1个下采样单元和3个基本单元组成，stage3由1个下采样单元和7个基本单元组成，stage4由1个下采样单元和1个基本单元组成，下采样单元含有以下步骤：4.1.1、由步骤2得到的图像，将输入经过两个分支的卷积操作，一个分支进行2个卷积操作，从前往后依次为卷积核大小为3
×
3、stride为2的DW卷积层，BN层，卷积核大小为1
×
1卷积层，BN层，Leaky ReLU激活函数；另一个分支进行3个卷积操作，从前往后依次为卷积核大小为1
×
1卷积层，BN层，Leak...
【专利技术属性】
技术研发人员：郭宝龙，张靖晗，李泽坤，蒋元淑，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。