[發明專利]一種可用于垃圾分類的垃圾圖像自動生成方法

在審

• 申請號: 201910073616.4
• 申請日: 2019-01-25
• 公開（公告）號: CN109840561A
• 公開（公告）日: 2019-06-04
• 發明（設計）人: 印峰;陳新雨;寧凱;康永亮;邱杰;李澤賢
• 申請（專利權）人: 湘潭大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湘潭市匯智專利事務所(普通合伙) 43108
• 代理人: 顏昌偉

1.一種可用于垃圾分類的垃圾圖像自動生成方法，包括以下步驟：

步驟一：人工采集若干垃圾圖像，對所得圖像做數據增強和歸一化處理，得到原始訓練樣本集；

步驟二：將原始訓練樣本集的訓練樣本數據轉換為TFRecord格式；

步驟三：采用深度卷積神經網絡構造生成網絡；生成網絡的構造步驟為：

使用深度卷積神經網絡構造生成網絡，設置深度卷積神經網絡模型層數為11層，包括輸入層、卷積層、上采樣層和輸出層，其中第1層是輸入層，第2至10層是卷積層和上采樣層，最后一層是輸出層，生成網絡的輸出是一幅32*32大小的圖像；

步驟四：采用稀疏自編碼深度卷積神經網絡構造判別網絡；判別網絡的構造步驟為：

使用自編碼器構造判別網絡，設置自編碼器中的編碼器為12層，包括輸入層、卷積層、下采樣層、全連接層和輸出層，其中第1層是輸入層，第2至10層是卷積層和下采樣層，第11層是全連接層，最后一層是輸出層，其輸入是一幅32*32大小的圖像，圖像大小是32*32，輸出的是經過編碼解碼之后的圖像；

使用自編碼器構造判別網絡，設置自編碼器中的解碼器為11層，包括輸入層、卷積層、上采樣層和輸出層，其中第1層是輸入層，第2至10層是卷積層和上采樣層，最后一層是輸出層，輸出的是一幅圖像，圖像尺寸是32*32；

步驟五：采用交替迭代優化的方式訓練生成網絡和判別網絡直至模型收斂；具體步驟為：

5-1)引入用于平衡生成網絡和判別網絡的平衡參數Γ∈[0,1]，Γ定義如下：

Γ為生成樣本損失期望E[ζ(G(z))]和真實樣本損失期望E[ζ(v)]之比，用于衡量生成樣本圖像的多樣性；其中ζ表示自編碼器重構誤差函數，z是隨機向量，G(z)是隨機向量經過生成模型G之后生成的圖片；v是輸入的真實圖片；

5-2)設定生成網絡G的訓練損失函數ζ_G如下：

ζ_G＝ζ(G(z_G))

ζ(G(z_G))＝||G(z_G)-D(G(z_G))||

其中，G(z_G)是隨機向量z_G經過生成模型G之后生成的圖片；D(G(z_G))是生成圖片G(z_G)經判別網絡重構出來的圖片，ζ(G(z_G))表示隨機向量z_G經過生成網絡生成的圖片與該生成圖片經判別網絡重構出來的圖片之間的誤差；

5-3)設定判別網絡D的訓練損失函數ζ_D如下：

ζ_D＝ζ(v)-k·ζ(G(z_D))+σ_noise·ζ_SAE

ζ(v)＝||v-D(v)||

k是學習率，表示控制ζ(G(z_D))的梯度下降的程度；ζ(v)表示采樣而來的真實圖片v經過判別網絡編碼解碼之后重構出來的圖片D(v)與該真實圖片v之間的誤差；ζ_SAE表示稀疏自編碼器的損失，σ_noise表示稀疏自編碼器損失的置信度，設置σ_noise＝1；

5-4)設對于訓練步驟t，初始t＝0，更新學習率；

k_t+1＝k_t+λ_k(Γζ(v)-ζ(G(z_G))

k_t+1是訓練步驟t+1下的學習率；λ_k是k的比例增益，設置k的學習率為0.0001；

5-5)在平衡參數Γ∈[0,1]范圍內，生成模型和判別模型達到納什均衡；在Γ＝0.5時，生成的圖片最為真實；

步驟六：建立垃圾圖像生成器，生成垃圾圖像。

2.根據權利要求1所述的可用于垃圾分類的垃圾圖像自動生成方法，其特征在于：所述步驟一中，對所得圖像的數據增強處理包括對圖像進行水平鏡像翻轉、隨機旋轉、裁切、縮放操作。