[發明專利]基于遷移學習和模型融合的垃圾分類方法、系統及介質

有效

• 申請號: 202010518521.1
• 申請日: 2020-06-09
• 公開（公告）號: CN111783841B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 秦小林;顧勇翔;崔小莉;許洋;彭云聰
• 申請（專利權）人: 中科院成都信息技術股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/0464
• 代理公司: 成都創新引擎知識產權代理有限公司 51249
• 代理人: 向群

本發明公開了一種基于遷移學習和模型融合的垃圾分類方法、系統及存儲介質，該方法中，通過分類器對垃圾圖像數據進行分類，并輸出相應的分類結果，而且，由于本發明所采用的分類器其生成過程包括通過使用Adaboost算法將兩種不同的分類網絡構建成為兩個強分類器，泛化錯誤率低，不會出現過擬合，能夠達到工業需求的高準確率；以及還包括利用決策層融合的方式將兩個強分類器融合，從而充分利用特征多樣性，進一步提高分類準確率。

技術領域

本發明涉及圖像分析識別領域與機器學習領域，特別涉及一種基于遷移學習和模型融合的垃圾分類方法、系統及介質，屬于基于深度學習的圖像目標檢測技術。

背景技術

隨著低碳環保的生活理念越來越普及，垃圾分類問題越來越得到人民的關注。根據住房和城鄉建設部規劃，到2020年底包括北京、成都、重慶等46個重點城市要基本實現垃圾分類處理系統，其他地級城市實現公共機構生活垃圾分類全覆蓋。但垃圾分類界定模糊，比如瓜子殼被官方鑒定為濕垃圾，但是粽葉卻被鑒定為干垃圾，除了居民素質及宣傳力度等因素外，人工進行垃圾分類難、麻煩的問題也越來越突出。

與人們的直覺不同，若設定垃圾分類標準通過計算機識別、通過傳感器獲得垃圾的圖像信息，然后通過深度神經網絡進行分類的方法能有效降低人工成本，因此，越來越被重視。

目前，基于機器學習來實現垃圾分類的方式主要是：通過金屬傳感器及其他一些專用傳感器獲得垃圾的物理特征，然后通過中央處理器對獲得的特征進行識別及分類，大部分需要聯網在云端進行識別。而現有的垃圾分類算法主要依靠人工特征提取，如顏色、形態、紋理等視覺特征，再通過支持向量機等機器學習方法進行判斷。但是，此類方法復雜度高，通常只能適用于某些特定場景，可泛化能力差，在實際應用過程中易受到環境因素的干擾，造成復雜環境下識別準確率低的缺點。

因此，有必要設計一種泛化能力強、精度高的垃圾分類方法。

發明內容

鑒于以上所述現有技術的不足，本發明的目的在于：提供一種泛化能力強、精度高的垃圾分類方法，并基于遷移學習技術和模型融合技術，克服現有垃圾分類算法拓展性低、誤報率高、訓練成本高、識別速度慢、難以實現本地運算等足。

為實現上述發明目的，本發明提供以下技術方案：

一種基于遷移學習和模型融合的垃圾分類方法，其包括以下步驟：

S1：對待分類的垃圾圖像進行預處理；

S2：采用分類器對經所述預處理后的垃圾圖像數據進行分類，輸出相應的分類結果；

其中，生成所述分類器的過程包括：通過使用Adaboost算法分別對第一種分類網絡和第二種分類網絡進行迭代N次訓練而得到N個所述第一種分類網絡的弱分類網絡和N個所述第二種分類網絡的弱分類網絡，再通過加權投票選出1個所述第一種分類網絡的強分類器和1個所述第二種分類網絡的強分類器，最后，對2個強分類器進行決策層模型融合而生成所述分類器。

根據一種具體的實施方式，本發明基于遷移學習和模型融合的垃圾分類方法中，對第一種分類網絡和第二種分類網絡進行迭代N次訓練前，按照一定比例將已添加分類標簽的垃圾圖像數據集劃分為訓練集D、驗證集V和測試集T；

以及在使用Adaboost算法進行迭代N次訓練過程中，若新迭代輪次對前一輪錯誤分類樣本改進低于給定閾值，則下一次迭代時解凍部分凍結參數。

進一步地，本發明基于遷移學習和模型融合的垃圾分類方法中，對2個強分類器進行決策層模型融合包括以下步驟：

使用測試集T分別測試對2個強分類器的分類正確率，而得到所述第一種分類網絡的強分類器的分類正確率ACC_M，所述第二種分類網絡的強分類器的分類正確率ACC_S；