[發明專利]一種基于混合卷積神經網絡的垃圾分類方法

有效

• 申請號: 201911383091.0
• 申請日: 2019-12-27
• 公開（公告）號: CN111144496B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 石翠萍;譚聰;苗鳳娟;劉文禮;王天毅
• 申請（專利權）人: 齊齊哈爾大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/77;G06V10/82;G06N3/04
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

1.一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，該方法包括以下步驟：

步驟一、加載垃圾圖像，并對垃圾圖像進行預處理，獲得預處理后的垃圾圖像；

步驟二、構建混合卷積神經網絡，將步驟一獲得的預處理后垃圾圖像輸入混合卷積神經網絡進行訓練，以獲得訓練好的混合卷積神經網絡；

所述混合卷積神經網絡的結構為：

從混合卷積神經網絡的輸入端開始，混合卷積神經網絡依次包括第一網絡模塊、第二網絡模塊、第三網絡模塊、第四網絡模塊、展平層、第一全連接層、第一全連接層后的批標準化層、第二全連接層、第二全連接層后的批標準化層以及Softmax分類器；

從所述第一網絡模塊的輸入端開始，第一網絡模塊由兩個基礎模塊以及一個最大池化層組成，其中：每個基礎模塊包括一個卷積層以及一個批標準化層；

其中：第二網絡模塊、第三網絡模塊和第四網絡模塊的結構均與第一網絡模塊的結構相同；

步驟三、將待分類的垃圾圖像輸入訓練好的混合卷積神經網絡，并加載訓練好的混合卷積神經網絡的權重，輸出對待分類垃圾圖像的分類結果。

2.根據權利要求1所述的一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，所述步驟一中，對垃圾圖像進行預處理，獲得預處理后的垃圾圖像；其具體過程為：

通過對加載的垃圾圖像進行數據增強和歸一化處理，來獲得預處理后的垃圾圖像；

所述數據增強的方式包括對垃圾圖像進行隨機縮放、翻轉、平移和旋轉。

3.根據權利要求1所述的一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，所述第一網絡模塊的通道數為32；第二網絡模塊的通道數為64；第三網絡模塊的通道數為128；第四網絡模塊的通道數為256，第一全連接層的通道數為128，第二全連接層的通道數為64。

4.根據權利要求3所述的一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，所述混合卷積神經網絡中每個卷積層均采用3×3的卷積核，且步幅都為1；每個最大池化層均采用2×2的過濾器，且步幅都為2×2。

5.根據權利要求4所述的一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，所述混合卷積神經網絡采用的激活函數為Relu，優化器為SGDM+Nesterov，優化器的動量參數設置為0.9。

6.根據權利要求5所述的一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，所述將步驟一獲得的預處理后垃圾圖像輸入混合卷積神經網絡進行訓練，以獲得訓練好的混合卷積神經網絡，其具體過程為：

步驟1、設置初始學習率為0.01，在訓練過程中添加監控保存損失函數值最低且精度值最高的模型機制；

步驟2、在當前學習率lr下，對混合卷積神經網絡進行訓練，當學習停滯時，若連續15次訓練中模型的性能得不到提升，則學習率下降0.1，獲得新的學習率lr×0.1；

步驟3、重復步驟2的過程，新的混合卷積神經網絡在新的學習率下繼續訓練；

步驟4、直至當前學習率對應的損失函數值開始增加、停滯改善時，則提前停止機制被激活，訓練30次后停止訓練，獲得訓練好的混合卷積神經網絡。

7.根據權利要求6所述的一種基于混合卷積神經網絡的垃圾分類方法，其特征在于，所述混合卷積神經網絡中卷積層的每個卷積核提取出圖像特征，即提取出特征圖譜，提取出的特征圖譜的具體計算公式如下:

其中，y_j^l表示第j個特征圖譜；w_j表示對應的卷積核；表示上一層第i個特征圖譜，即將上一層第i個特征圖譜作為當前的輸入；b_j^l表示偏置量；N_j^l-1表示每個特征圖譜的特征數量；M表示每個卷積層的特征圖譜數；θ(·)為激活函數。