垃圾识别分类方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术，揭露一种垃圾识别分类方法，包括：利用模型提取垃圾图片训练集中的图片的特征，得到特征数据，计算特征数据的类别分析值；对交叉熵损失函数进行损失权重平衡转换，得到目标损失函数；确认特征数据对应类别真实值，根据类别分析值及类别真实值对目标损失函数进行计算，得到类别损失值；当类别损失值大于或等于损失阈值，更新模型的参数，并对更新后的模型重新训练；当类别损失值小于损失阈值，输出训练完成的模型对待识别垃圾图片进行识别，得到识别结果。本发明专利技术还涉及一种区块链技术，所述类别损失值可以存储在区块链节点中。本发明专利技术还提出一种垃圾识别分类装置、设备以及介质。本发明专利技术可以提高垃圾识别分类的准确率。类的准确率。类的准确率。

【技术实现步骤摘要】
垃圾识别分类方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能技术，尤其涉及一种垃圾识别分类方法、装置、电子设备及存储介质。

技术介绍

[0002]近年来，随着人工智能的发展，人工智能的也逐渐应用到生活的方方面面，如利用基于人工智能的深度学习模型对垃圾进行识别分类以提高垃圾分类的效率。
[0003]但是现有的用户垃圾识别分类的模型的训练过程中存在不同分类类别的损失值差异过大，导致模型的训练以某一分类类别为主导，训练后的模型鲁棒性较差，从而导致垃圾分类识别的准确率较低。

技术实现思路

[0004]本专利技术提供一种垃圾识别分类方法、装置、电子设备及存储介质，其主要目的在于提高了垃圾分类识别的准确率。
[0005]获取垃圾图片训练集，其中，所述垃圾图片训练集中每个垃圾图片都有对应的类别；
[0006]在所述垃圾图片训练集中随机选取预设数量的图片，得到训练子集，并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取，得到对应的目标特征数据集；
[0007]利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算，得到每种所述类别对应的类别分析值，并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值；
[0008]对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数；
[0009]根据所述目标特征数据对应的类别分析值与类别真实值，利用所述目标损失函数进行计算，得到类别损失值；r/>[0010]当所述类别损失值大于或等于所述损失阈值，更新所述垃圾图片训练集及所述图片分类模型的参数，并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤；
[0011]当所述类别损失值小于所述损失阈值，输出训练完成的图片分类模型；
[0012]当获取待识别垃圾图片时，利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类，得到识别结果。
[0013]可选地，所述利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取，得到对应的目标特征数据集，包括：
[0014]对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化，得到对应的初始特征数据；
[0015]构建激活函数对所述初始特征数据进行特征增强，得到目标特征数据；
[0016]汇总所有所述目标特征数据，得到所述目标特征数据集。
[0017]可选地，所述对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化，得到对应的初始特征数据，包括：
[0018]将所述垃圾图片输入所述图片分类模型的卷积池化层以进行卷积池化，得到所述初始特征数据，其中，所述卷积池化层包括预设第一数量卷积层及预设第二数量的池化层串联构成，所述第一数量与所述第二数量之和为所述预设次数。
[0019]可选地，所述更新所述垃圾图片训练集及所述图片分类模型的参数，包括：
[0020]将所述垃圾图片训练集中所述训练子集包含的所有图片删除，得到更新后的垃圾图片训练集；
[0021]利用梯度下降算法更新所述图片分类模型的模型参数，得到更新后的图片分类模型。
[0022]可选地，所述对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数，包括：
[0023][0024]其中，M为所述垃圾图片训练集中类别的种类，C为类别对应的种类序号，p
ic
为目标特征数据i的C类别的类别分析值；y
ic
为目标特征数据i的C类别的类别真实值，i为所述目标特征数据集中目标特征数据的序号，N为所述目标特征数据集中目标特征数据的数量，H表示所述目标损失函数，γ为预设调节参数。
[0025]可选地，所述利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类，得到识别结果，包括：
[0026]将所述待识别垃圾图片输入所述训练完成的图片分类模型，得到识别特征数据；
[0027]利用所述softmax函数对所述识别特征数据进行计算，得到不同预设垃圾类别的识别概率；
[0028]将所述识别概率最高的所述垃圾类别确认为所述识别结果。
[0029]为了解决上述问题，本专利技术还提供一种垃圾识别分类装置，所述装置包括：
[0030]损失函数转换模块，用于获取垃圾图片训练集，其中，所述垃圾图片训练集中每个垃圾图片都有对应的类别；在所述垃圾图片训练集中随机选取预设数量的图片，得到训练子集，并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取，得到对应的目标特征数据集；利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算，得到每种所述类别对应的类别分析值，并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值；对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数；
[0031]损失值计算模块，用于根据所述目标特征数据对应的类别分析值与类别真实值，利用所述目标损失函数进行计算，得到类别损失值；当所述类别损失值大于或等于所述损失阈值，更新所述垃圾图片训练集及所述图片分类模型的参数，并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤；当所述类别损失值小于所述损失阈值，输出训练完成的图片分类模型；
[0032]模型识别模块，用于当获取待识别垃圾图片时，利用所述训练完成的图片分类模
型对所述待识别垃圾图片进行识别分类，得到识别结果。
[0033]可选地，所述对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数，包括：
[0034][0035]其中，M为所述垃圾图片训练集中类别的种类，C为类别对应的种类序号，p
ic
为目标特征数据i的C类别的类别分析值；y
ic
为目标特征数据i的C类别的类别真实值，i为所述目标特征数据集中目标特征数据的序号，N为所述目标特征数据集中目标特征数据的数量，H表示所述目标损失函数，γ为预设调节参数。
[0036]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0037]存储器，存储至少一个计算机程序；及
[0038]处理器，执行所述存储器中存储的计算机程序以实现上述所述的垃圾识别分类方法。
[0039]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的垃圾识别分类方法。
[0040]本专利技术实施例对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数；根据所述目标特征数据对应的类别分析值与类别真实值，利用所述目标损失函数进行计算，得到类别损失值；当所述类别损失值大于或等于所述损失阈值，更新所述垃圾图片训练集及所述图片分类模型的参数，并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤；平衡不同类别的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种垃圾识别分类方法，其特征在于，所述方法包括：获取垃圾图片训练集，其中，所述垃圾图片训练集中每个垃圾图片都有对应的类别；在所述垃圾图片训练集中随机选取预设数量的图片，得到训练子集，并利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取，得到对应的目标特征数据集；利用softmax函数对所述目标特征数据集中每个目标特征数据进行计算，得到每种所述类别对应的类别分析值，并根据所述目标特征数据对应的垃圾图片的类别确认该目标特征数据对应的类别真实值；对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数；根据所述目标特征数据对应的类别分析值与类别真实值，利用所述目标损失函数进行计算，得到类别损失值；当所述类别损失值大于或等于所述损失阈值，更新所述垃圾图片训练集及所述图片分类模型的参数，并返回所述在所述垃圾图片训练集中随机选取预设数量的图片步骤；当所述类别损失值小于所述损失阈值，输出训练完成的图片分类模型；当获取待识别垃圾图片时，利用所述训练完成的图片分类模型对所述待识别垃圾图片进行识别分类，得到识别结果。2.如权利要求1所述的垃圾识别分类方法，其特征在于，所述利用预构建的利用交叉熵损失函数进行训练的图片分类模型对所述训练子集进行特征提取，得到对应的目标特征数据集，包括：对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化，得到对应的初始特征数据；构建激活函数对所述初始特征数据进行特征增强，得到目标特征数据；汇总所有所述目标特征数据，得到所述目标特征数据集。3.如权利要求2所述的垃圾识别分类方法，其特征在于，所述对所述训练子集中每张所述垃圾图片进行预设次数的卷积池化，得到对应的初始特征数据，包括：将所述垃圾图片输入所述图片分类模型的卷积池化层以进行卷积池化，得到所述初始特征数据，其中，所述卷积池化层包括预设第一数量卷积层及预设第二数量的池化层串联构成，所述第一数量与所述第二数量之和为所述预设次数。4.如权利要求1所述的垃圾识别分类方法，其特征在于，所述更新所述垃圾图片训练集及所述图片分类模型的参数，包括：将所述垃圾图片训练集中所述训练子集包含的所有图片删除，得到更新后的垃圾图片训练集；利用梯度下降算法更新所述图片分类模型的模型参数，得到更新后的图片分类模型。5.如权利要求1所述的垃圾识别分类方法，其特征在于，所述对所述交叉熵损失函数进行损失权重平衡转换，得到目标损失函数，包括：其中，M为所述垃圾图片训练集中类别的种类，C为类别对应的种类序号，p
ic
为目标特征
数据i的C类别的类别分析值；y
ic
为目标特征数据i的C类别的类别真实值，i为所述目标特征数据集中目标特征数据的序号，N为所述目标特征数据集中目标...

【专利技术属性】
技术研发人员：刘锴靖，
申请(专利权)人：平安普惠企业管理有限公司，
类型：发明
国别省市：