一种生活垃圾检测方法技术

本发明专利技术涉及机器视觉、深度学习技术领域，且公开了一种生活垃圾检测方法，包括以下步骤：获取日常生活垃圾图片数据集，通过标签贴定软件对数据集图片进标签处理，将数据集随机划分为训练集、验证集和测试集；搭建i

【技术实现步骤摘要】
一种生活垃圾检测方法


[0001]本专利技术涉及机器视觉、深度学习
，具体为一种生活垃圾检测方法。

技术介绍

[0002]研究表明，随着1950年世界合成生产能力开始强化，从1950年到2015年，全球塑料产量为83亿吨。大约63亿吨生产的塑料被当作垃圾处理。根据研究结果，9％的垃圾被回收，12％的垃圾被焚烧，79％的垃圾被倾倒在垃圾填埋场或自然环境。土壤中塑料的破坏持续时间估计将持续400年。
[0003]通过发展相关的先进辅助技术，人们将有能力设计出效率更高的自动垃圾分类回收系统，在这些系统中，机器的自动分拣将大大减少人工的劳动负担和一系列经济成本。
[0004]目标分类是计算机视觉的一项基本任务，这种分类技术刚好就能有效的在垃圾分类的过程中发挥巨大的作用。传统的目标图像分类算法主要包括两个步骤:特征提取和分类。
[0005]计算机视觉由多种技术组成，有传统的图像处理技术以及近几年来迅速发展的深度学习技术，监控行业是计算机视觉以及图像处理较早采用者之一，计算机视觉的迅猛发展以及智能的深度学习技术的加持，使得机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生活垃圾检测方法，其特征在于，包括以下步骤：第一步：获取日常生活垃圾图片数据集，通过标签贴定软件对数据集图片进标签处理，将数据集随机划分为训练集、验证集和测试集；第二步：搭建i
‑
YOLOX生活垃圾目标检测模型，模型包括主干特征提取网络、加强特征提取网络和特征解耦检测网络；第三步：设置好初始训练超参数，将整理好的数据集输入到i
‑
YOLOX模型中进行训练和评估；第四步：动态调节超参数和模型权重，反复训练i
‑
YOLOX模型直到损失函数值趋于稳定；第五步：获得最终模型权重，对测试集图片进行测试。2.根据权利要求1所述的一种生活垃圾检测方法，其特征在于：所述第一步的具体内容如下：S1：通过拍摄以及从网络下载日常生活垃圾图片数据集；S2：对获得的图片进行种类和位置信息的手动标注；S3：将标注好的数据集随机划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8：1：1。3.根据权利要求1所述的一种生活垃圾检测方法，其特征在于：所述第二步中i
‑
YOLOX各个部位的网络结构用Pytorch搭建；主干特征提取网络主要包括：1个Focus图片切片模块；5个二维卷积特征提取模块，二维卷积特征提取模块包括1个Batch Normalization层和SiLU激活函数层；4个iCSPLayer复合残差结构，其中包含4个1
×
1二维卷积层和一个3
×
3二维involution结构，其中involution结构是一个1
×
1二维卷积层和一个3
×
3二维involution层堆叠而成的残差结构；1个空间金字塔池化结构；加强特征提取网络采用Path Aggregation Network结构，包含：2个上采样模块和2个下采样模块，4个iCSPLayer结构模块，2个involution特征提取模块，4个convolution block attention module模块；特征解耦检测网络包含一个1
×
1二维卷积结构，4个3
×
3二维involution特征提取层，2个shortcut残差连接结构，1个Cls目标分类输出端，1个Reg预测框回归输出端，1个Obj目标识别输出端。4.根据权利要求3所述的一种生活垃圾检测方法，其特征在于：第三步的具体步骤如下：S1：设置好检测模型训练的各项超参数，将输入图片转换为RGB三通道格式，随机调节图片的大小、亮度、旋转角度；并使用马赛克增强技术随机对四张图片进行拼接；S2：将处理完的图片统一剪裁为640
×
640的尺寸大小，并将小于640
×
640的图片通过灰条填充扩大至640
×
640大小；S3：调整大小的图片首先输入Focus模块，使得每张图片每隔一个像素取值，获得320

【专利技术属性】
技术研发人员：刘长红，谢宁，
申请(专利权)人：广州大学，
类型：发明
国别省市：