基于废旧物资的质量分析方法及装置制造方法及图纸

本发明专利技术涉及一种基于废旧物资的质量分析方法及装置，包括：接受包括废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成，将废旧物资训练集输入至废旧物资识别模型中执行训练得到训练完成的废旧物资识别模型，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图，对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。本发明专利技术可以解决传统方法无法端到端实现废旧物资分类及质量鉴定的问题。现废旧物资分类及质量鉴定的问题。现废旧物资分类及质量鉴定的问题。

【技术实现步骤摘要】
基于废旧物资的质量分析方法及装置


[0001]本专利技术涉及环境资源利用
，尤其涉及一种基于废旧物资的质量分析方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]废旧物资即陈旧或废弃类东西，部分废旧物资具有再生资源的可回收利用性。目前按照大类划分，可将废旧物资划为废金属、废生活用品、废塑料及废陶瓷。一般情况下，废金属及废陶瓷可重复利用或再利用，因此其可回收价值更高。
[0003]传统的废旧物资回收分析主要依赖于X射线光，如通过X射线光判断废旧物资中是否有重金属等，基于X射线光的物资回收方法在一定程度上可提高智能化，但由于X射线光识别物资单一，一般仅能识别出金属物质，因此具有局限性，且X射线并不具有判断金属质量的作用。故目前方法智能化程度有待提高且无法端到端实现废旧物资分类及质量鉴定。

技术实现思路

[0004]本专利技术提供一种基于废旧物资的质量分析方法、装置及计算机可读存储介质，其主要目的在于解决传统方法无法端到端实现废旧物资分类及质量鉴定的问题。
[0005]为实现上述目的，本专利技术提供的一种基于废旧物资的质量分析方法，包括：接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成；将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：其中，c表示改进的卷积层中卷积核总数，表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，表示经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，表示与通道数k对应的第c个卷积核函数，表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，表示卷积运算，卷积运算如下所示：
其中，表示第i张废旧物资图中像素位置与执行卷积运算后得到的像素值，表示以像素位置为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，表示卷积核函数与矩形区域m中每个像素均执行卷积运算；利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：其中，表示第i张废旧物资图中像素位置执行注意力运算后得到的像素值，g表示激活函数，为第一重权重值，为第二重权重值，为第i张废旧物资图经过平均池化后得到像素值，为第i张废旧物资图经过最大池化后得到像素值；将所述第一特征图和第二特征图在特征融合层中执行特征融合，得到融合特征，将所述融合特征作为分类器的输入计算得到预测标签；计算每个预测标签与真实标签的误差值，根据误差值调节所述废旧物资识别模型的模型参数，其中模型参数包括所述偏置值、第一重权重值及第二重权重值，直至误差值小于预设阈值，得到训练完成的废旧物资识别模型；接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图；对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。
[0006]可选地，所述第一组特征提取层共8层，其中第1、3、5层为改进的卷积层，第2、4、6、8层为最大池化层，第7层为普通的卷积层；第一组特征提取层共6层，其中第1、3层为普通的卷积层，第2、4层分别为平均池化层和最大化池化层，第5层为改进的注意力机制层，第6层为最大化池化层。
[0007]可选地，所述利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，包括：获取所述废旧物资训练集中每张废旧物资图的通道图；将每张废旧物资图的每个通道图依次输入共8层的第一组特征提取层；按照第一组特征提取层的结构，依次经过改进的卷积层、最大化池化层、普通的卷积层，得到所述第一特征图。
[0008]可选地，所述利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，包括：
获取所述废旧物资训练集中每张废旧物资图的通道图；将每张废旧物资图的每个通道图依次输入共6层的第二组特征提取层；按照第二组特征提取层的结构，依次经过普通的卷积层、平均池化层、最大化池化层及改进的注意力机制层得到所述第二特征图。
[0009]可选地，所述计算每个预测标签与真实标签的误差值，包括：将每个预测标签与真实标签映射为[0,1]区间内的数值；采用如下公式计算得到每个预测标签与真实标签的误差值：其中，表示第i张废旧物资图的预测标签与真实标签的误差值，表示与预测标签对应的映射数值，表示与预测标签对应的映射数值。
[0010]可选地，所述对所述质量待鉴定物资图执行裂纹判断，包括：提取所述质量待鉴定物资图的像素矩阵；依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差；根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值；将滤波值大于滤波阈值的像素值用对应行的像素平均值替代，得到物资滤波图；基于YOLO构建裂纹识别模型，并基于具有裂纹和不具有裂纹的物资图训练所述裂纹识别模型，得到训练完成的裂纹识别模型；利用所述裂纹识别模型识别所述物资滤波图是否具有裂纹。
[0011]可选地，所述依次计算所述像素矩阵中每一行像素值的像素平均值和像素标准差，包括：采用如下公式计算得到像素平均值和像素标准差：其中，表示像素矩阵中第i行像素值的像素平均值，m表示第i行的像素总数，表示第i行第j列的像素值，表示像素矩阵中第i行像素值的像素标准差。
[0012]可选地，所述根据每一行的像素标准差，依次计算出像素矩阵中每一行的每一个像素的滤波值，包括：其中，表示第i行第j列像素值的滤波值。
[0013]可选地，所述滤波阈值设定为12。
[0014]为了解决上述问题，本专利技术还提供一种基于废旧物资的质量分析装置，所述装置包括：物资训练集获取模块，用于接受包括真实标签的废旧物资训练集，其中废旧物资训练集由废金属图片、废生活用品图片、废塑料图片及废陶瓷图片组成；模型训练模块，用于将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；第一特征提取模块，用于利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：其中，c表示改进的卷积层中卷积核总数，表示废旧物资训练集中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于废旧物资的质量分析方法，其特征在于，所述方法包括：接受包括真实标签的废旧物资训练集；将所述废旧物资训练集输入至预构建的废旧物资识别模型中执行训练，其中废旧物资识别模型按从左到右的顺序包括两组并排的特征提取层、一组特征融合层及一组分类器组成，其中第一组特征提取层由改进的卷积层和最大池化层按顺序组成，第二组特征提取层由卷积层、池化层和改进的注意力机制层组成；利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，其中改进的卷积层的卷积运算采用如下计算公式：其中，c表示改进的卷积层中卷积核总数，表示废旧物资训练集中第i张废旧物资图的第k个通道的通道图，表示经过改进的卷积层中所有的卷积核执行卷积操作后得到第k个通道图的卷积特征，K为废旧物资训练集的通道总数，表示与通道数k对应的第c个卷积核函数，表示与第i张废旧物资图及第c个卷积核函数对应的偏置值，表示卷积运算，卷积运算如下所示：其中，表示第i张废旧物资图中像素位置与执行卷积运算后得到的像素值，表示以像素位置为左上角顶点所确定的矩形区域m，L为矩形区域的长，W为矩形区域的宽，表示卷积核函数与矩形区域m中每个像素均执行卷积运算；利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，其中改进的注意力机制层的注意力运算采用如下计算公式：其中，表示第i张废旧物资图中像素位置执行注意力运算后得到的像素值，g表示激活函数，为第一重权重值，为第二重权重值，为第i张废旧物资图经过平均池化后得到像素值，为第i张废旧物资图经过最大池化后得到像素值；将所述第一特征图和第二特征图在特征融合层中执行特征融合，得到融合特征，将所述融合特征作为分类器的输入计算得到预测标签；计算每个预测标签与真实标签的误差值，根据误差值调节所述废旧物资识别模型的模型参数，其中模型参数包括所述偏置值、第一重权重值及第二重权重值，直至误差值小于预设阈值，得到训练完成的废旧物资识别模型；
接收待分类的废旧物资图，将待分类的废旧物资图输入至训练完成的废旧物资识别模型执行分类，若分类结果为废陶瓷或废金属，则确定该待分类的废旧物资图为质量待鉴定物资图；对所述质量待鉴定物资图执行裂纹判断，若质量待鉴定物资图存在裂纹，则鉴定为低质量物资，若质量待鉴定物资图不存在裂纹，则鉴定为高质量物资。2.如权利要求1所述的基于废旧物资的质量分析方法，其特征在于，所述第一组特征提取层共8层，其中第1、3、5层为改进的卷积层，第2、4、6、8层为最大池化层，第7层为普通的卷积层；第一组特征提取层共6层，其中第1、3层为普通的卷积层，第2、4层分别为平均池化层和最大化池化层，第5层为改进的注意力机制层，第6层为最大化池化层。3.如权利要求2所述的基于废旧物资的质量分析方法，其特征在于，所述利用第一组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第一特征图，包括：获取所述废旧物资训练集中每张废旧物资图的通道图；将每张废旧物资图的每个通道图依次输入共8层的第一组特征提取层；按照第一组特征提取层的结构，依次经过改进的卷积层、最大化池化层、普通的卷积层，得到所述第一特征图。4.如权利要求2所述的基于废旧物资的质量分析方法，其特征在于，所述利用第二组特征提取层对所述废旧物资训练集中每张废旧物资图执行特征提取，得到第二特征图，包括：获取所述废旧物资训练集中每张废旧物资图的通道图；将每张废旧物资图的每个通道图依次输入共6层的第二组特征提取层；按照第二组特征提取层的结构，依次经过普通的卷积层、平均池化层、最大化池化层及改进的注意力机制层得到所述第二特征图。5.如权利要求4所述的基于废旧物资的质量分析方法，其特征在于，所述计算每个预测标签与真...

【专利技术属性】
技术研发人员：张小翠，卢华，彭航，梁佳，陈挚，
申请(专利权)人：湖北信通通信有限公司，
类型：发明
国别省市：