[發明專利]一種垃圾分類方法及垃圾桶

在審

• 申請號: 202011451938.7
• 申請日: 2020-12-10
• 公開（公告）號: CN112633335A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 張婧;楊宏偉;胡劍飛;李環宇;伍浩聰;程茵;劉新平;趙進;曹鴻運
• 申請（專利權）人: 長春理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;B65F1/00;B65F1/14;B65F1/16;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

本發明提供了一種垃圾分類方法及垃圾桶，垃圾分類方法包括：首先獲取待分類垃圾的圖像數據；構建神經網絡模型；神經網絡模型包括：第一層稀疏網絡模塊、第二層稀疏網絡模塊、第三層殘差網絡模塊、平均池化層和歸一化層；第一層稀疏網絡模塊包括一個7*7卷積層、一個1*1卷積核、一個3*3卷積核、一個5*5卷積核和一個3*3最大池化層；第二層稀疏網絡模塊包括：三個1*1卷積核、一個3*3卷積核、一個5*5卷積核和一個3*3最大池化層；基于神經網絡模型對圖像數據進行處理，得到分類結果；根據分類結果，將待分類垃圾投放到對應位置。本發明基于構建的神經網絡模型提高了垃圾分類的準確率和效率。

技術領域

本發明涉及神經網絡訓練技術領域，特別是涉及一種垃圾分類方法及垃圾桶。

背景技術

通過對市場調研發現目前垃圾分類問題嚴峻，垃圾分類意識薄弱、分類錯誤和垃圾回收不及時等問題。另外，基于神經網絡的垃圾分類識別算法尚不成熟，主要體現為垃圾分類不準確，時延較長，另外可識別的垃圾種類有限。因此，亟需解決垃圾分類不準確，垃圾分類時間較長的問題。

發明內容

本發明的目的是提供一種垃圾分類方法及垃圾桶，以提高垃圾分類的準確率和效率。

為實現上述目的，本發明提供了一種垃圾分類方法，所述垃圾分類方法包括：

步驟S1：獲取待分類垃圾的圖像數據；

步驟S2：構建神經網絡模型；所述神經網絡模型包括：第一層稀疏網絡模塊、第二層稀疏網絡模塊、第三層殘差網絡模塊、平均池化層和歸一化層；所述第一層稀疏網絡模塊包括一個7*7卷積層、一個1*1卷積核、一個3*3卷積核、一個5*5卷積核和一個3*3最大池化層；所述第二層稀疏網絡模塊包括：三個1*1卷積核、一個3*3卷積核、一個5*5卷積核和一個3*3最大池化層；

步驟S3：基于所述神經網絡模型對所述圖像數據進行處理，得到分類結果；

步驟S4：根據所述分類結果，將所述待分類垃圾投放到對應位置。

可選地，所述基于所述神經網絡模型對所述圖像數據進行處理，得到分類結果，具體包括：

步驟S31：將所述圖像數據輸入到第一層稀疏網絡模塊進行計算，得到第一特征矩陣；

步驟S32：將所述第一特征矩陣輸入到第二層稀疏網絡模塊進行計算，得到第二特征矩陣；

步驟S33：將所述第二特征矩陣輸入到第三層殘差網絡模塊進行卷積處理，得到第七特征矩陣；

步驟S34：將所述第七特征矩陣輸入到平均池化層進行矩陣轉換，獲得特征向量；

步驟S35：將所述特征向量進行歸一化處理，計算所述圖像數據屬于各類垃圾的概率；

步驟S36：將概率最大的垃圾類別作為分類結果，并輸出所述分類結果。

可選地，所述將所述第二特征矩陣輸入到第三層殘差網絡模塊進行卷積處理，得到第七特征矩陣，具體包括：

步驟S331：將所述第二特征矩陣經過兩次卷積處理后，獲得深度為256的第三特征矩陣；

步驟S332：將所述第二特征矩陣經過1*1卷積處理后，獲得深度為256的第四特征矩陣；

步驟S333：將所述第三特征矩陣與所述第四特征矩陣相加，得到第五特征矩陣；

步驟S334：將經過兩次卷積處理后的第五特征矩陣與所述第五特征矩陣相加，得到第六特征矩陣；

步驟S335：將經過兩次卷積處理后的第六特征矩陣與所述第六特征矩陣相加，得到第七特征矩陣。

可選地，所述計算所述圖像數據屬于各類垃圾的概率的公式為：