本发明专利技术公开了一种基于胶囊网络的垃圾分类与识别的方法，步骤如下：获取垃圾图像数据集并进行预处理；构建胶囊网络模型；引入多尺度模块构建改进的胶囊网络；对胶囊网络的性能进行测试和评估。本发明专利技术通过训练胶囊网络模型，能够同时捕捉图像在不同尺度上的特征，提高分类准确率，还具有较高的鲁棒性和泛化能力，实现对不同类型垃圾图像的高效、准确识别与分类，进而提升垃圾分类的自动化水平，减少人工干预，促进资源回收和环境保护；本发明专利技术强化了网络对多尺度特征的适应性，能够获取更丰富的生活垃圾图像特征信息。
1、随着城市化进程的加快，垃圾处理成为环境保护和资源循环利用的重要环节。传统的垃圾分类方法主要依赖人工分拣，效率低下且易出错。近年来，基于深度学习的图像识别技术通过模拟人脑神经网络的工作方式，构建多层的神经网络结构进行学习，在垃圾分类领域提供了强大的工具并得到广泛应用，但现有技术如卷积神经网络(cnn)在处理垃圾图像时，对于形状、纹理等复杂特征的识别能力有限，且易受到光照、角度等变化的影响。
2、胶囊网络作为一种新型深度学习结构，在处理复杂视觉任务时表现出更高的性能，但在垃圾分类与识别领域的应用仍较少。作为深度学习的一种特殊形式，专门设计用于处理图像数据，通过捕获图像的复杂结构，能够更准确地识别和分类垃圾。胶囊网络在垃圾分类中的应用是人工智能技术的一种实践，通过深度学习和计算机视觉等技术，实现垃圾的自动识别和分类，有助于提高垃圾处理的效率和环保性。
>6、对图像的类别属性进行标注和扩充；7、对数据进行预处理，所述预处理包括数据增强、图像去噪和归一化；所述数据增强包括旋转、镜像、裁剪、锐化操作。
8、步骤s2、构建胶囊网络模型；
9、步骤s2所述的胶囊网络包含编码器结构和解码器结构，编码器结构包括普通的卷积层、主胶囊层以及数字胶囊层，解码器结构则由3个全连接层构成；所述胶囊网络中，卷积层采用不同大小的卷积核进行卷积操作，提取图像特征；全连接层用于将胶囊层的输出进行分类；主胶囊层采用向量形式的胶囊进行空间关系的捕捉和层级结构的表示。
10、所述胶囊网络中，主胶囊层负责把特征图转换为向量表示；数字胶囊层负责输出分类结果；主胶囊层和数字胶囊层之间用动态路由算法传递信息，并通过迭代计算更新低层胶囊与高层胶囊之间的耦合系数。动态路由算法可以替代池化操作，保留更多的空间信息。
11、所述的主胶囊层和数字胶囊层之间用动态路由算法传递信息具体为：
12、矩阵转化：首先，对输入的向量进行矩阵转化；
13、加权求和：类似于普通神经元的加权步骤，但总和不是标量是向量；
14、动态路由：低层胶囊ui代表对象的基本实体，使用动态路由算法将信息传递到下一层的高层胶囊中；上一层的胶囊通过可学习的转换矩阵对下一层胶囊的实例化参数进行预测，使用一个被称为squash的非线性函数(即挤压函数)将向量的长度压缩至[0,1]，以保证不同胶囊层之间激活功能的完成如式(1)所示：
15、
16、其中，vj为胶囊的输出向量；sj为上一层所有胶囊输出到当前层的向量加权和，即胶囊j的输入向量；挤压函数的部分保证向量的原始方向不会发生改变，前一部分则将向量的长度压缩到[0,1]；sj的计算过程由预测和线性组合获得，如式(2)(3)所示：
17、
18、
19、其中，为前一层的第i个胶囊的输出向量ui和对应的转换矩阵wij相乘得出的预测向量；耦合系数cij是动态路由算法一个重要参数，高层胶囊j通过cij与低层胶囊i传递信息，表示低层胶囊对于高层胶囊投票抉择的一致性，cij是非负值的标量。
20、步骤s3、引入多尺度模块构建改进的胶囊网络；
21、所述步骤s3具体为：构建多尺度特征提取网络，包括依次相连的降维卷积层、尺度特征提取层、合并层和特征融合层；将待提取特征的图像输入降维卷积层内进行1x1的卷积，将待提取特征的图像进行特征融合与降维，形成原始特征图；通过将卷积核从单分支改为多分支，增加网络的宽度，充分利用图像所包含的不同尺度的信息，在胶囊网络中的每一层用不同尺度的卷积核对输入图像进行特征提取，获取多维度胶囊提取不同特性的特征；通过动态路由算法根据上一层传递下来的特征向量和权重，迭代计算生成下一层所需的学习向量，进行特征传递。
22、所述的改进的胶囊网络是用不同尺度的卷积核获得不同尺度的结构信息和语义信息；引入的多尺度胶囊结构主要由三条支线组成，通过分支结构拓宽网络模型宽度，提升模型的稀疏性，进而适应不同尺度的特征；每一条分支包括一个1x1卷积核和三个固定尺寸的卷积核，分别为9x9、5x5和3x3。
23、步骤s3所述胶囊网络是利用卷积滤波器逐层提取特征。滤波器的尺寸大小决定卷积层的感受野面积，而感受野的面积大小决定卷积层输出特征为共性特征还是个性特征。
24、步骤s4、利用标注的垃圾图像数据训练胶囊网络模型；
25、所述步骤s4具体为：
26、对网络参数进行初始化，将图像输入网络中进行前向传播，计算输出结果；
27、选用交叉熵损失函数根据输出结果和真实标签计算损失函数值，衡量模型预测的准确性；
28、根据损失函数的梯度，对网络参数进行反向传播更新，逐渐更新权重减小损失值；
29、在胶囊层中，用动态路由算法对胶囊的输出进行加权求和输出，多次迭代训练网络达到损失值满足要求；
30、对训练好的模型进行测试和评估，计算评价指标评估模型的性能；
31、根据测试结果对模型进行调整和优化，以提高模型的性能。
32、步骤s5、对胶囊网络的性能进行测试和评估。
33、步骤s5中采用计算指标的方式对模型的性能进行评估，所述的指标如下：
34、(1)准确率(accuracy)是衡量分类器正确分类样本的总体能力，计算方法是把分类器正确分类的样本数除以总样本数；准确率的计算公式如下：
35、
36、(2)精确率(precision)：精确率是指分类器预测为正的样本中真正为正样本的比例，能够反映分类器在某个类别上的预测精度：
37、
38、(3)召回率(recall)是指所有正样本中被分类器预测为正的比例，反映了分类器识别所有正样本的能力；召回率的计算公式如下：
39、
40、(4)f1分数(f1 score)是精确率和召回率的调和平均数，综合考虑了分类器的精确率和召回率，能够更全面地评价分类器的性能；f1分数的计算公式如下：
41、
42、(5)混淆矩阵(confusion matrix)：是分类问题的专门评价指标，通过对比分类器预测结果和真实标签之间的关系，得出各类别的精确率和召回率等指标。
43、其中tp表示为混淆矩阵中实际为真本文档来自技高网...
【技术保护点】
1.一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述步骤S1具体为：
3.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，步骤S2所述的胶囊网络包含编码器结构和解码器结构，编码器结构包括普通的卷积层、主胶囊层以及数字胶囊层，解码器结构则由3个全连接层构成；所述胶囊网络中，卷积层采用不同大小的卷积核进行卷积操作，提取图像特征；全连接层用于将胶囊层的输出进行分类；主胶囊层采用向量形式的胶囊进行空间关系的捕捉和层级结构的表示；所述胶囊网络中，主胶囊层负责把特征图转换为向量表示；数字胶囊层负责输出分类结果；主胶囊层和数字胶囊层之间用动态路由算法传递信息，并通过迭代计算更新低层胶囊与高层胶囊之间的耦合系数。
4.根据权利要求3所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述的主胶囊层和数字胶囊层之间用动态路由算法传递信息具体为：
5.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述步骤S3具体为：构建多尺度特征提取网络，包括依次相连的降维卷积层、尺度特征提取层、合并层和特征融合层；将待提取特征的图像输入降维卷积层内进行1x1的卷积，将待提取特征的图像进行特征融合与降维，形成原始特征图；通过将卷积核从单分支改为多分支，增加网络的宽度，充分利用图像所包含的不同尺度的信息，在胶囊网络中的每一层用不同尺度的卷积核对输入图像进行特征提取，获取多维度胶囊提取不同特性的特征；通过动态路由算法根据上一层传递下来的特征向量和权重，迭代计算生成下一层所需的学习向量，进行特征传递。
6.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述的改进的胶囊网络是用不同尺度的卷积核获得不同尺度的结构信息和语义信息；引入的多尺度胶囊结构主要由三条支线组成，通过分支结构拓宽网络模型宽度，提升模型的稀疏性，进而适应不同尺度的特征；每一条分支包括一个1x1卷积核和三个固定尺寸的卷积核，分别为9x9、5x5和3x3。
7.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述步骤S4具体为：
8.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，步骤S5中采用计算指标的方式对模型的性能进行评估，所述的指标如下：
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的一种基于胶囊网络的垃圾分类与识别的方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的一种基于胶囊网络的垃圾分类与识别的方法。
...
【技术特征摘要】
1.一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述步骤s1具体为：
3.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，步骤s2所述的胶囊网络包含编码器结构和解码器结构，编码器结构包括普通的卷积层、主胶囊层以及数字胶囊层，解码器结构则由3个全连接层构成；所述胶囊网络中，卷积层采用不同大小的卷积核进行卷积操作，提取图像特征；全连接层用于将胶囊层的输出进行分类；主胶囊层采用向量形式的胶囊进行空间关系的捕捉和层级结构的表示；所述胶囊网络中，主胶囊层负责把特征图转换为向量表示；数字胶囊层负责输出分类结果；主胶囊层和数字胶囊层之间用动态路由算法传递信息，并通过迭代计算更新低层胶囊与高层胶囊之间的耦合系数。
4.根据权利要求3所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述的主胶囊层和数字胶囊层之间用动态路由算法传递信息具体为：
5.根据权利要求1所述的一种基于胶囊网络的垃圾分类与识别的方法，其特征在于，所述步骤s3具体为：构建多尺度特征提取网络，包括依次相连的降维卷积层、尺度特征提取层、合并层和特征融合层；将待提取特征的图像输入降维卷积层内进行1x1的卷积，将待提取特征的图像进行特征融合与降维，形成原始特征图；通过将卷积核从单分支改为多分支，增加网络的宽度...
【专利技术属性】
技术研发人员：刘艨霆，沈骞，张宇翔，胡婷，杨晟尧，吴金花，徐寅，臧建东，李易，
申请(专利权)人：淮阴工学院，
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。