【技术实现步骤摘要】
本专利技术涉及垃圾分类及物体识别领域，具体涉及一种颜色相似灰度再验证的垃圾识别分类方法。
技术介绍
1、垃圾分类是处理生活垃圾公害的最佳解决方法和最佳的出路。在生活垃圾的类别识别中，对于一些颜色相似，形状不同的多种类垃圾(如厨余垃圾白萝卜块、有害垃圾白色药片和其他垃圾白色碎瓷片等)，多个特征同时提取并学习后的模型往往容易混淆其类别。
2、目前主要通过两种技术来识别垃圾分类，一种是只提取垃圾的形状特征来检测垃圾种类，这种方法没有充分利用垃圾的颜色特征，所需的训练数据集极大；另一种是对垃圾形状和颜色特征融合进行提取来识别垃圾种类，这种方法极易出现过拟合的情况，将颜色相同或类似的不同种类垃圾混淆，识别准确率较低。本专利技术提取垃圾的形状特征和颜色特征，得到初步识别结果，同时根据易混淆程度来判断是否验证垃圾的初步识别结果，进行再验证，从而提高识别结果的准确度。
技术实现思路
1、本专利技术的目的在于：针对目前存在的上述问题，提供了一种颜色相似灰度再验证的垃圾识别分类方法，主要针对待识别垃圾存在容易与颜色类似的其他种类垃圾混淆的情况，引入易混淆程度，进行图像的颜色变换，忽略其颜色特征，仅保留单一形状特征，从而对初步识别的结果进行验证，提高易混淆的不同种类垃圾的检出率，降低误检率。
2、本专利技术的技术方案如下：
3、本专利技术公开了一种颜色相似灰度再验证的垃圾识别分类方法，包括以下步骤：
4、构建垃圾易混淆程度检测模型，获取数据集图片并进行目标
5、通过训练后的垃圾易混淆程度检测模型提取待检测垃圾图片的颜色和形状特征，并预测不同垃圾的类别、置信度、回归位置信息并标注易混淆程度；
6、根据预测的易混淆程度判断垃圾图片是否通过颜色特征变换模块进行灰度变换；
7、灰度变换后的垃圾图片经过形状特征细化再验证模块将单一形状特征的图像再识别，得到具体的垃圾分类；
8、所述垃圾的类别、置信度、回归位置信息和易混淆程度通过yolov5的模型卷积计算获得。
9、进一步的，所述垃圾易混淆程度检测模型包括垃圾特征提取模块和至少四分支检测头，垃圾特征提取模块可从视频流中截取一帧具有垃圾的图片，并提取图片中垃圾的颜色和形状特征；
10、至少四分支检测头根据垃圾特征提取模块提取到的特征，利用pafpn网络将特征进行融合，经过1*1卷积预测目标垃圾的类别、置信度、回归位置信息并标注易混淆程度。
11、进一步的，所述垃圾易混淆程度检测模型的训练方法具体包括以下步骤：
12、获取数据集图片，并对图片进行目标分数标注；
13、随机从数据集中选择一张照片和对应的标注标签；
14、使用cspdarknet作为模型的backbone，提取垃圾的特征，应用fafpn网络进行多尺度特征融合；
15、进行模型训练时，使用四分支耦合检测头，得到模型的输出结果：类别标签、置信度、回归位置信息和易混淆程度；
16、利用类别分类损失函数、置信度损失函数、回归位置损失函数以及易混淆程度损失函数计算垃圾易混淆程度检测模型输出与标签之间的总损失；
17、总损失反向传播更新易混淆程度检测模型的网络权重；
18、重复上述步骤，待训练一定的次数或总损失收敛到期望值后，固定易混淆程度检测模型权重得到垃圾分类易混淆程度检测模型，该模型可以检测具有不同易混淆程度的目标垃圾。
19、进一步的，所述总损失函数为：
20、
21、其中lconf(·,·)为置信度损失函数，lcls(·,·)为类别损失函数，lloc(·,·)为回归位置损失函数，le-conf(·,·)为易混淆程度损失函数。
22、进一步的，根据四分支检测头预测的易混淆程度判断是否需要经过颜色特征变换模块，将易混淆程度高于阈值0.5的目标视为不易混淆目标，直接输出类别标签、置信度和回归位置信息，不需要经过颜色特征变换模块；将易混淆程度低于阈值0.5的目标视为易混淆目标，需要再经过颜色特征变换模块以消除颜色特征相似引起的类别混淆，仅保留单一的形状特征。
23、进一步的，所述颜色特征变换模块具体包括以下步骤：
24、将视频流随机截取的一帧图像输入易混淆程度判断模型confusiondegreejudgemodel，经过前向推理，得到模型的输出out＝confusiondegreejudgemodel({x})；
25、将四分支检测头预测的易混淆程度输入该模块，将易混淆程度高于阈值0.5的目标视为不易混淆目标，直接将类别标签、置信度和回归位置信息输出，传递给单片机；
26、将易混淆程度低于阈值0.5的目标视为易混淆目标，进行该截取图片的灰度变换，gray＝r*0.299+g*0.587+b*0.114，将三通道的彩色图片转换为单通道的黑白图片，以忽略其颜色特征。
27、进一步的，所述形状特征细化再验证模块将具有单一形状特征的图像再识别，并重新标注类别标签和置信度。
28、进一步的，所述形状特征细化再验证模块具体包括以下步骤：
29、将颜色特征变换模块输出的黑白图片输入易混淆程度判断模型
30、confusiondegreejudgemodel，经过前向推理，得到模型的输出out＝confusiondegreejudgemodel({x})。
31、进一步的，所述目标分数为(0,1)区间内的一位小数。
32、与现有的技术相比本专利技术的有益效果是：
33、本专利技术一种颜色相似灰度再验证的垃圾识别分类方法，对于易混淆的相近颜色垃圾，可以通过训练后的垃圾易混淆程度检测模型得到其易混淆程度，依据易混淆程度决定是否进行灰度变换，忽略其颜色特征，将具有单一形状特征的图像再识别进行验证，提高了易混淆垃圾的检出率，降低了误检率。
本文档来自技高网...【技术保护点】
1.一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述垃圾易混淆程度检测模型包括垃圾特征提取模块和至少四分支检测头，垃圾特征提取模块从视频流中截取一帧具有垃圾的图片，并提取图片中垃圾的颜色和形状特征；
3.根据权利要求1所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述总损失函数为：
4.根据权利要求1所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，根据四分支检测头预测的易混淆程度判断是否需要经过颜色特征变换模块：将易混淆程度高于阈值0.5的目标视为不易混淆目标，直接输出类别标签、置信度和回归位置信息，不需要经过颜色特征变换模块；将易混淆程度低于阈值0.5的目标视为易混淆目标，需要再经过颜色特征变换模块以消除颜色特征相似引起的类别混淆，仅保留单一的形状特征。
5.根据权利要求4所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，判断是否需要经过颜色特征变换模块，并进行颜色特征变换的，具体步骤：将视频
6.根据权利要求1或5所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述形状特征细化再验证模块将具有单一形状特征的图像再识别，并重新标注类别标签和置信度。
7.根据权利要求6所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述形状特征细化再验证模块具体包括以下步骤：将颜色特征变换模块输出的黑白图片输入垃圾易混淆程度检测模型ConfusionDegreeJudgeModel，经过前向推理，得到模型的输出out＝ConfusionDegreeJudgeModel({x})，传递给单片机。
8.根据权利要求1-7任一权利要求所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述目标分数为(0,1)区间内的一位小数。
...【技术特征摘要】
1.一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述垃圾易混淆程度检测模型包括垃圾特征提取模块和至少四分支检测头，垃圾特征提取模块从视频流中截取一帧具有垃圾的图片，并提取图片中垃圾的颜色和形状特征；
3.根据权利要求1所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，所述总损失函数为：
4.根据权利要求1所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，根据四分支检测头预测的易混淆程度判断是否需要经过颜色特征变换模块：将易混淆程度高于阈值0.5的目标视为不易混淆目标，直接输出类别标签、置信度和回归位置信息，不需要经过颜色特征变换模块；将易混淆程度低于阈值0.5的目标视为易混淆目标，需要再经过颜色特征变换模块以消除颜色特征相似引起的类别混淆，仅保留单一的形状特征。
5.根据权利要求4所述的一种颜色相似灰度再验证的垃圾识别分类方法，其特征在于，判断是否需要经过颜...
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。