[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

本發明公開了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：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；將原始訓練樣本集的訓練樣本數據轉換為TFRecord格式；采用深度卷積神經網絡構造生成網絡；采用稀疏自編碼深度卷積神經網絡構造判別網絡；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；建立垃圾圖像生成器，生成垃圾圖像。本發明引入用于平衡生成網絡和判別網絡的平衡參數，利用平衡參數來更新學習率，以達到收斂條件，只需采集少量垃圾圖像樣本，即可自動生成大量高逼真度的垃圾圖像樣本，解決了人工采集圖像樣本過程勞動強大、可操作性差、成本昂貴的問題。

技術領域

本發明涉及圖像處理領域，特別涉及一種可用于垃圾分類的垃圾圖像自動生成方法。

背景技術

垃圾分類是對垃圾進行有效處置的一種科學管理方法。面對日益增長的垃圾產量和環境狀況惡化的局面，如何通過垃圾分類管理，最大限度地實現垃圾資源利用，減少垃圾處置量，改善生存環境質量，是當前世界各國共同關注的迫切問題之一。

目前，垃圾分類主要依靠人工完成，其勞動強度大，效率低，可分撿處理的垃圾種類十分有限；實際上，面對巨大的垃圾產量，只有極其少量的部分得到了有效的處理。隨著垃圾的日益增多，如何實現對垃圾的自動化、智能化和規模化分撿處理，這一技術問題亟待解決。

隨著計算機技術的飛速發展，借助計算機視覺和圖像處理技術對垃圾進行識別和分類已成為可能。利用計算機技術實現對垃圾的分類處理，首先需要訓練分類模型，這就需要采集大量的垃圾圖像作為訓練數據。在實際應用中，為了確保分類的準確性，所需的訓練圖像樣本往往需要幾十萬張甚至上百萬張。顯然，采用人工方式采集大規模的垃圾圖像數據并不可行。

近年來，在計算機領域，圖像生成技術得到了長足發展。生成式對抗網絡GAN(Generative adversarial networks)就是其中的代表。其構造受博弈論中二人零和博弈(即二人的利益之和為零，一方所得正是另一方所失)的啟發，可用于圖像的自動生成。目前，應用GAN已經實現了對數字、人臉及室內外場景等對象的圖像生成，并且生成的圖片逼真。因此，利用圖像生成的方式獲取垃圾圖像作為訓練樣本，可以較好地解決人工采集圖像樣本過程勞動強大，可操作性差的問題。

然而，不同于普通物體，垃圾圖像規范性差，包含的場景信息復雜。測試表明，采用現有的圖像生成技術處理垃圾圖像時，圖片生成過程不穩定，生成的圖像失真度較高。生成圖片用于訓練垃圾分類器時，存在分類精度低，錯檢率高的問題，無法在實際中應用。

發明內容

為了解決上述技術問題，本發明提供一種采集樣本少、工作效率高的可用于垃圾分類的垃圾圖像自動生成方法。

本發明解決上述問題的技術方案是：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：