一种基于垃圾目标检测的图像识别改进方法技术

本发明专利技术公开了一种基于垃圾目标检测的图像识别改进方法，所述方法将垃圾数据集经标记光斑区域、归一化处理后作为样本数据集；然后构建并训练针对光斑的目标检测模型，得到光斑区域特征；再对光斑区域特征取补，得到图片像素权重矩阵；然后构建并训练垃圾分类模型；最后将待测图像输入训练好的垃圾分类模型，将待测图像中所有像素的像素值与图片像素权重矩阵相乘输入训练好的垃圾分类模型，得到分类结果。果。果。

【技术实现步骤摘要】
一种基于垃圾目标检测的图像识别改进方法


[0001]本专利技术涉及深度学习模型的图像识别环境鲁棒性差的问题，提出了一种基于目标检测的深度学习模型图像识别改进方法。

技术介绍

[0002]深度学习模型拥有强大的学习样本数据集内在函数规律和分析抽象化特征的能力，近年来在很多领域辅助人们做出决策并给很多复杂的识别以及分类问题提供了解决方案。深度学习在生物信息学、图形图像识别、语音识别、无人驾驶汽车、艺术创作、情感识别、自然语言处理、银行、监狱、生涯评估和刑事司法判决等领域都起到了很好的效果。并且随着相关科研工作人员的不断努力，深度学习模型的效率不断提高，近年来随着卷积神经网络的提出，依托于深度神经网络的图像识别技术更是被抬上了一个新的高度。
[0003]传统的垃圾分类都需要人为进行辨识，近年来，科研人员将深度学习模型的图像分类技术引入垃圾分类的应用场景。但是由于开发环境和真实应用场景存在较大差别，因此相关算法的迁移效果并不理想。鉴于重新采集数据成本高，其余客观条件无法改变的情况，专利技术一种可以使得模型能够从现有实验室场景成功迁移到真实应用场景的方法显得十分必要。
[0004]例如，当实验室光照条件良好，但是真实应用场景通常不具备良好的照明条件，因此当使用在实验室场景下制造的数据集训练垃圾分类模型，将会在真实应用场景下产生准确率降低的问题，本示例中将以光照为例，专利技术一种可以针对特殊情况的深度学习模型图像识别的改进方法。

技术实现思路

[0005]为了解决深度学习模型图像识别现有的应用场景迁移后效果较差的问题，本专利技术提供了一种基于目标检测的深度学习模型图像识别改进方法，依托于场景主要差别，实现削弱特殊特征，实现应用场景迁移后，深度学习模型图像识别正确率的改进，以缓解模型在应用场景和数据集有一定差别的情况下，模型识别准确率较差的问题。
[0006]为实现上述技术目的，本专利技术的方案为：本专利技术实施例的第一方面提供了基于垃圾目标检测的图像识别改进方法，所述方法具体包括以下步骤：
[0007]S1，将垃圾数据集经标记光斑区域、归一化处理后作为样本数据集；
[0008]S2，构建并训练针对光斑的目标检测模型，将样本数据集输入针对光斑的目标检测模型中，得到图像中的光斑区域特征；
[0009]S3，对光斑区域特征取补，得到图片像素权重矩阵；
[0010]S4，构建并训练垃圾分类模型；
[0011]S5，将待测图像输入训练好的垃圾分类模型，将待测图像中所有像素的像素值与图片像素权重矩阵相乘输入训练好的垃圾分类模型，得到分类结果。
[0012]进一步地，所述垃圾数据集中的图像包括废纸箱、玻璃、非金属、纸、塑料、干电池、
充电宝、剩饭剩菜、水果果皮、烟蒂。
[0013]进一步地，针对光斑的目标检测模型为监督模型，其标签是标记的光斑区域的光斑区域标签。本实施例中，包括特征提取器和置信度生成器两部分，其中特征提取器采用5个卷积层，光斑置信度生成器采用2个反卷积层构成的网络，激活函数采用Relu函数。
[0014]进一步地，训练针对光斑的目标检测模型具体为：将垃圾数据集中的每张图片作为标签，设置训练批次，采用预热学习率策略，优化器采用Adam进行优化，损失函数采用峰值信噪比(PSNR)的形式，利用验证集进行验证，直至模型的准确率达到预设的标准或损失函数收敛完成训练。
[0015]进一步地，对光斑区域特征取补的公式如下：
[0016]W
model
＝I
‑
W
[0017]其中I表示所有元素均为1的矩阵，W为光斑区域特征，得到的W
model
则为图片像素权重矩阵。
[0018]进一步地，垃圾分类模型为监督模型，包括特征提取器和分类器两部分，其中特征提取器采用5个卷积层，分类器采用2个全连接层构成的网络。
[0019]进一步地，训练垃圾分类模型的过程为：将垃圾数据集划分为训练集和测试集，使用训练集对垃圾分类模型进行训练，将每张图片依次输入到模型中，并计算图片像素权重矩阵，将所有图片的RGB值都和对应的图片像素权重矩阵相乘后再输入到模型中，以达到削弱光斑影响的目的；设定训练批次，在训练阶段采用预热学习率策略，优化器采用Adam进行优化，损失函数采用交叉熵的形式；通过验证集验证模型识别准确率，直至模型的准确率达到预设的标准或损失函数收敛完成训练。
[0020]本专利技术实施例的第二方面提供了一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于垃圾目标检测的图像识别改进方法。
[0021]本专利技术实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述的基于垃圾目标检测的图像识别改进方法。
[0022]本专利技术的有益效果为：本专利技术方法提高了垃圾分类的精度，提高了垃圾图像分类方法的环境鲁棒性。本专利技术方法构建并训练针对光斑的目标检测模型，得到光斑区域特征，对光斑特征进行自动打标，避免制造数据集难度较大、人工打标工作量大的问题。本专利技术方法在数据集不完美的情况下依然使最终模型具有较好效果的方法，解决数据集数据分布和真实数据分布情况有差别的问题。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0024]图1为本专利技术示例提供的基于目标检测的深度学习模型图像识别改进方法的流程图；
[0025]图2为本专利技术示例提供的基于目标检测的深度学习模型图像识别改进方法的光斑
鲁棒性垃圾分类模型构建的算法框图；
[0026]图3为标记光斑区域特征的第一实例图；
[0027]图4为标记光斑区域特征的第二实例图；
[0028]图5为标记光斑区域特征的第一实例图；
[0029]图6为本专利技术实施例提供的装置的示意图。
具体实施方式
[0030]下为使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本专利技术进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不限定本专利技术的保护范围。
[0031]本实例将以光照为例，介绍基于目标检测的深度学习模型图像识别网络改进的方法。
[0032]在之前模型使用过程中，我们发现由于数据集采集环境具有较好的光照条件，玻璃类别的图像中存在较为明显的光斑，模型在训练过程中将光斑作为玻璃类别数据的重要特征。但是在之后的模型应用场景下，由于照明条件不佳，玻璃无法出现明显光斑，造成了模型对玻璃类别的物品识别准确率大大降低的问题。
[0033]为了解决由于训练数据集和真实应用场景的差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于垃圾目标检测的图像识别改进方法，其特征在于，所述方法具体包括以下步骤：S1，将垃圾数据集经标记光斑区域、归一化处理后作为样本数据集；S2，构建并训练针对光斑的目标检测模型，将样本数据集输入针对光斑的目标检测模型中，得到图像中的光斑区域特征；S3，对光斑区域特征取补，得到图片像素权重矩阵；S4，构建并训练垃圾分类模型；S5，将待测图像输入训练好的垃圾分类模型，将待测图像中所有像素的像素值与图片像素权重矩阵相乘输入训练好的垃圾分类模型，得到分类结果。2.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，所述垃圾数据集中的图像包括废纸箱、玻璃、非金属、纸、塑料、干电池、充电宝、剩饭剩菜、水果果皮、烟蒂。3.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，针对光斑的目标检测模型为监督模型，其标签是标记的光斑区域的光斑区域标签。本实施例中，包括特征提取器和置信度生成器两部分，其中特征提取器采用5个卷积层，光斑置信度生成器采用2个反卷积层构成的网络，激活函数采用Relu函数。4.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，训练针对光斑的目标检测模型具体为：将垃圾数据集中的每张图片作为标签，设置训练批次，采用预热学习率策略，优化器采用Adam进行优化，损失函数采用峰值信噪比(PSNR)的形式，利用验证集进行验证，直至模型的准确率达到预设的标准或损失函数收敛完成训练。5.根据权利要求1所述的基于垃圾目标检测的图像识别改进方法，其特征在于，对光斑区域特征取...

【专利技术属性】
技术研发人员：单沛婷，陈婷，杨骝，张宇杰，陈奕骁，张雨萌，陈依梦，杨旭升，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：