【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种基于集成并行注意力模块的垃圾分拣方法。
技术介绍
1、近些年来，伴随着经济和社会的持续发展，以及人们物质消费水平的不断提升，垃圾的产生数量也在不断增加。这种趋势不仅仅代表着资源的浪费，更构成了对环境的潜在威胁。因此，垃圾处理已经成为制约经济社会持续健康发展的一个重要因素。传统的垃圾分拣方法需要大量人力和时间成本，难以满足大规模的分类需求。因此，如何高效进行垃圾分拣和回收已成为人们迫切需要解决的问题之一。
2、新兴的计算机视觉技术，特别是深度学习算法的应用，为传统垃圾处理方式带来了新的解决方案。通过利用高分辨率摄像头和先进的图像识别系统，计算机视觉技术能够自动识别和分类垃圾，极大地提高了分拣效率和准确性。基于深度学习的垃圾图像分类技术，尤其是卷积神经网络的应用，已经成为自动化垃圾分拣的核心。这些算法通过学习大量的垃圾图像数据集，能够识别出不同类型的垃圾，如塑料、金属、玻璃和纸张等。这种自动化分拣系统不仅提高了分拣速度和处理能力，还降低了人力成本和错误率。更重要的是，它有助于推动垃圾处理行业的可持续发展，通过提高回收率和减少填埋，减轻对环境的压力。但是垃圾图像中的关键特征可能集中在局部区域，这给垃圾分类算法增加了难度。
3、授权公告号为cn117611915a，专利技术名称为“基于arm架构的智能垃圾分类方法及系统”的专利技术专利中利用alexnet神经网络进行高效的垃圾图像识别，并通过线上知识蒸馏技术实现类别的增量学习以实现垃圾分拣；授权公告号为cn112926670a，
技术实现思路
1、本专利技术的核心目标是实现垃圾自动化分拣，旨在通过先进的深度学习算法，精确识别可回收垃圾，从而提高垃圾处理的效率和准确性。为了达到这一目标，本专利技术专注于开发能够关注垃圾关键特征的智能算法，并在此基础上提升卷积神经网络的分类性能与效率。本专利技术方法基于集成并行注意力模块搭建可回收垃圾分拣网络，从而实现可回收垃圾图像的自动分类。集成并行注意力模块是一种注意力机制，旨在提升卷积神经网络在图像识别任务中的性能，尤其是在垃圾分拣等复杂场景中。在这些场景中，图像的背景多样性和类别不平衡问题可能会干扰模型对垃圾本身的识别。为了解决这些问题，集成并行注意力模块集成了两种类型的注意力模块：通道注意力模块和空间注意力模块，它们并行工作以独立关注图像的特征图的通道和空间信息。
2、本专利技术方法的具体实施步骤如下：
3、一种基于集成并行注意力模块的垃圾分拣方法，该方法为：利用集成并行注意力模块构建可回收垃圾分拣网络，所述可回收垃圾分拣网络利用通道-空间注意力提取垃圾特征图的关键信息，实现可回收垃圾图像的自动识别与分类。
4、所述集成并行注意力模块的构建方法具体步骤如下：
5、s1：搭建集成并行注意力模块的通道注意力模块。所述通道注意力模块能够捕捉不同通道之间的相互依赖关系，强化重要特征的同时抑制不相关特征，提高网络对关键特征的关注度。
6、s2：搭建集成并行注意力模块的空间注意力模块。空间注意力模块专注于捕捉特征图在空间维度上的变化，使得网络能够关注图像中的局部特征。
7、s3：将通道注意力模块和空间注意力模块并行连接，使得两者可以同时关注图像的不同特征维度，从而得到所述集成并行注意力模块。
8、可回收垃圾分拣网络基于集成并行注意力模块搭建，具体方法为：
9、首先将集成并行注意力模块插入resnext50中，然后将可回收垃圾数据集trashzj中的图像统一剪裁为同样的尺寸(如224×224)对网络进行训练，得到所述可回收垃圾分拣网络，利用训练好的可回收垃圾分拣网络进行可回收垃圾图像的自动识别与分类。
10、基于现有的开源垃圾数据集，筛选并合并得到可回收垃圾数据集trashzj，具体方法如下：
11、从多个公共垃圾数据集中筛除无背景垃圾图像后进行合并，搭建数据集trashzj。trashzj包括5类可回收垃圾(trashzj-5)，包括衣服、玻璃、金属、塑料和纸类。
12、为了实现垃圾的精细回收，trashzj可以进一步细分为12类(trashzj-12)，包括裤子、裙子、上衣、纸板、纸盒、报纸、纸杯、塑料袋、塑料瓶、塑料盆、罐子、玻璃瓶。
13、集成并行注意力模块的构建包括三个部分，一是构建通道注意力模块，二是搭建空间注意力模块，三是通道注意力与空间注意力的连接。具体方法如下：
14、通道注意力模块基于层归一化搭建。通道注意力模块通过层归一化增强了通道间的依赖性表示，并通过注意力机制动态调整每个通道的重要性，最终得到能够反映通道重要性的注意力权重。它能够提供更加稳定的注意力权重，有助于提高网络对关键特征的关注度。
15、空间注意力模块基于实例归一化搭建。空间注意力模块对每个样本的每个像素点进行独立归一化，专注于捕捉特征图在空间维度上的变化。这种机制使得网络能够关注图像中的局部特征，从而提高对细节的识别能力。
16、集成并行注意力模块将通道注意力模块和空间注意力模块并行连接。这使得两者可以同时关注图像的不同特征维度。这种并行结构不仅避免了特征修改对后续模块的潜在影响，还允许网络同时学习通道和空间信息，从而更全面地理解图像内容。
17、所述通道注意力模块捕捉不同通道之间的相互依赖关系，强化重要特征的同时抑制不相关特征，具体方法如下：首先对维度为h×w×c的输入的垃圾特征图fin进行层归一化，得到层归一化后的特征图fln，其中μ为fin的均值，σ为fin的标准差。λ和都为可训练的仿射变换参数，用于控制缩放和平移操作，它们均可通过网络自身的学习而不断校正。通过层归一化得到的通道注意力缩放因子λ用于衡量样本的方差，从而指示样本的重要性，方差较大意味着样本包含更丰富的信息，因此更重要。基于层归一化的输出fln，计算样本的注意力权重wln，wln＝ω⊙fln。其中，ω是一个通道注意力向量，其元素ωi表示ω的第i个元素，ωi的计算是通过将第i个通道的缩放因子除以所有特征维度的缩放因子λi之和来实现的，以确保所有缩放因子的总和为1。同时，为了捕获全局的通道信息，使用基于通道的平均池化(avgpool)来计算通道统计数据fc。然后，将注意力权重wln与通道统计数据fc逐元素相乘，并应用sigmoid函数，得本文档来自技高网...
【技术保护点】
1.一种基于集成并行注意力模块的垃圾分拣方法，其特征在于，利用集成并行注意力模块构建可回收垃圾分拣网络，所述可回收垃圾分拣网络利用通道-空间注意力提取垃圾特征图的关键信息，实现可回收垃圾图像的自动识别与分类；所述集成并行注意力模块的构建方法具体步骤如下：
2.根据权利要求1所述的基于集成并行注意力模块的垃圾分拣方法，其特征在于，所述利用集成并行注意力模块构建可回收垃圾分拣网络的方法为：首先将集成并行注意力模块插入ResNeXt50中，然后将可回收垃圾数据集TrashZJ中的图像统一剪裁为同样的尺寸对网络进行训练，得到所述可回收垃圾分拣网络。
3.根据权利要求2所述的基于集成并行注意力模块的垃圾分拣方法，其特征在于，所述TrashZJ具体是基于现有的开源垃圾数据集，筛选并合并得到的，具体方法如下：
4.根据权利要求1所述的基于集成并行注意力模块的垃圾分拣方法，其特征在于，步骤S1中，所述通道注意力模块用于捕捉不同通道之间的相互依赖关系，强化重要特征的同时抑制不相关特征，具体方法为：
5.根据权利要求1所述的基于集成并行注意力模块的垃圾
6.根据权利要求1所述的基于集成并行注意力模块的垃圾分拣方法，其特征在于，步骤S3中，所述集成并行注意力模块同时关注图像的不同特征维度，具体方法为：集成并行注意力模块的输出特征图其中，EC为通道注意力权重，EHW为基于空间像素点的相对重要性。
...【技术特征摘要】
1.一种基于集成并行注意力模块的垃圾分拣方法，其特征在于，利用集成并行注意力模块构建可回收垃圾分拣网络，所述可回收垃圾分拣网络利用通道-空间注意力提取垃圾特征图的关键信息，实现可回收垃圾图像的自动识别与分类；所述集成并行注意力模块的构建方法具体步骤如下：
2.根据权利要求1所述的基于集成并行注意力模块的垃圾分拣方法，其特征在于，所述利用集成并行注意力模块构建可回收垃圾分拣网络的方法为：首先将集成并行注意力模块插入resnext50中，然后将可回收垃圾数据集trashzj中的图像统一剪裁为同样的尺寸对网络进行训练，得到所述可回收垃圾分拣网络。
3.根据权利要求2所述的基于集成并行注意力模块的垃圾分拣方法，其特征在于，所述trashzj具体是基于现有的开源垃圾数据集，...
【专利技术属性】
技术研发人员：林华伶，沈会良，张学，余俊辰，项基，强幸兴，
申请(专利权)人：浙江大学，
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。