【技术实现步骤摘要】
一种基于贝叶斯神经网络的垃圾分类方法及系统
[0001]本专利技术属于垃圾分类
，特别涉及一种基于贝叶斯神经网络的垃圾分类方法及系统。
技术介绍
[0002]随着社会的进步，人们的生活水平和质量逐渐提高，能够消费的东西也日益增多，因此产生的垃圾也越来越多，垃圾主要采用填埋和焚烧等方法进行处理，现有的垃圾分类回收方法主要为人工分类，容易出错且给人们的日常生活造成不便。现有的垃圾桶或箱在分类时，大都分为可回收垃圾和不可回收垃圾，分类不明确，给垃圾回收利用的时候造成很大的麻烦，不方便回收。在生活区或办公区，存在很多的废弃的电池、灯管、温度计和药品等有害垃圾，这些东西直接投放到垃圾桶，和其他生活垃圾混合投放，极易破损，泄漏，造成比其他生活垃圾更为严重的环境污染。
[0003]公开号为CN114289343A的中国专利公开了一种垃圾分类处理方法及系统，涉及垃圾分类
该方法包括：获取预设垃圾分类规则。根据预设垃圾分类规则建立垃圾分类模型，并对垃圾分类模型进行训练，以得到训练好的垃圾分类模型。获取目标垃圾图像数据，对...
【技术保护点】
【技术特征摘要】
1.一种基于贝叶斯神经网络的垃圾分类方法，其特征在于，所述基于贝叶斯神经网络的垃圾分类方法包括以下步骤：S1：破碎垃圾包裹物，采集各类垃圾原始图像，构建基础垃圾图像数据集，对基础数据集进行补充，得到增广垃圾图像数据集；S2：根据《城市生活垃圾分类其评价标准》的要求标记垃圾图像数据集，对数据集进行预处理；S3：将数据集垃圾图像数据转化为数字向量输入基于贝叶斯神经网络的深度学习模型进行识别训练，通过输入训练数据识别垃圾种类；S4：对实时获取的垃圾图像数据转化为数字向量输入贝叶斯神经网络模型，输出概率向量，根据向量识别垃圾类别。2.根据权利要求1所述的基于贝叶斯神经网络的垃圾分类方法，其特征在于，所述S1中，通过对内部数据与外部数据的增广补充基础垃圾图像数据集，内部数据增强对原始图像采用灰度化、对比度增强、尺寸放缩及高斯模糊的变化操作，外部数据增强采用通过跟踪外部互联网等图片网站的HTML文件，提取URL列表得到目标图片。3.根据权利要求1所述的基于贝叶斯神经网络的垃圾分类方法，其特征在于，所述S2中，对垃圾图像数据集中的垃圾进行分类标记，将垃圾分类为可回收物、大件垃圾、可堆肥垃圾、可燃垃圾、有害垃圾与其他垃圾，将不同类别垃圾图像的标签设置为所属类别，对垃圾图像的预处理包括以下步骤：去均值，将输入数据各个维度都中心化为0；归一化处理，将样本数据打乱顺序后进行归一化处理，使各维度数据位于同一变化幅度上；主成分分析：对原始数据的特征值进行由小到大的排序，按照方差解释比例大于90％的特征向量个数进行降维的维度数选择，去除数据集中的噪声和冗余信息，提取出数据集的主要特征。4.根据权利要求1所述的基于贝叶斯神经网络的垃圾分类方法，其特征在于，所述S3中训练基于贝叶斯神经网络的深度学习模型包括以下步骤：S3
‑
1：将70％的垃圾图像样本作为训练数据，用于训练模型，30％的垃圾图像样本作为测试数据，用于测试模型的泛化能力；S3
‑
2：所述贝叶斯神经网络的隐含层节点数n设置为：式中，l为输入层节点数，k为输出层节点数，m为调整因子，m∈[1.20]；S3
‑
3：基于变分推断近似贝叶斯神经网络参数w的后验分布，通过KL散度函数度量参数w分布与后验分布的距离，KL散度函数表示为：式中，D为训练数据，qθ(w|D)为参数w在数据集D的近似分布，p(w|D)为后验分布，θ＝(μ,σ2)，参数w
i
在高斯分布θ＝(μ,σ2)中采样；通过KL散度函数优化参数，表示为：
进一步推导得到，式中，p(D|w)为基于qθ(w|D)的似然分布，p(w)为先验分布；变分下界ELBO表示为，则目标函数Loss可表示为，式中，q
θ
(w
i
|D)为第i次采样的参数w的似然分布，p(w
i
)为第i次采样的参数w的先验分布，p(D|w
i
)为基于q
θ
(w|D)第i次采样的参数w的似然分布；S3
‑
4：重复更新参数进行迭代训练，得到近似分布q
θ
(w|D)向量，根据输入数据对应的垃圾类别标签训练垃圾图像所属类别；S3
‑
5：将测试数据输入训练完成的贝叶斯神经网络模型，根据贝叶斯公式，利用训练好的模型参数和先验概率，计算后验概率，得到垃圾分类结果。5.根据权利要求1所述的基于贝叶斯神经网络的垃圾分类方法，其特征在于，所述贝叶斯神经网络模型采用ReLU激活函数，该激活函数表示为：f(x)＝max(0,x)式中，x为输入向量与对应的权重的乘积之和。6...
【专利技术属性】
技术研发人员：林立璇，张郑云，朱建新，许忠萍，
申请(专利权)人：福建天元通信科技有限公司，
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。