[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的垃圾分類方法及裝置

在審

• 申請?zhí)枺?/td>: 202110594291.1
• 申請日: 2021-05-28
• 公開（公告）號: CN113496254A
• 公開（公告）日: 2021-10-12
• 發(fā)明（設(shè)計）人: 王鐸
• 申請（專利權(quán)）人: 聞泰通訊股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京開陽星知識產(chǎn)權(quán)代理有限公司 11710
• 代理人: 唐博

1.一種基于神經(jīng)網(wǎng)絡(luò)的垃圾分類方法，其特征在于，所述方法包括：

獲取訓練樣本集，所述訓練樣本集包括多個樣本垃圾圖像以及所述多個樣本垃圾圖像中各個樣本垃圾圖像對應的類別標簽；

加載預訓練分類網(wǎng)絡(luò)模型，所述預訓練分類網(wǎng)絡(luò)模型為基于源數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練得到的圖像分類模型；

基于遷移學習，通過所述訓練樣本集對所述預訓練分類網(wǎng)絡(luò)模型的輸出層網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，獲取垃圾分類模型；所述輸出層網(wǎng)絡(luò)結(jié)構(gòu)包括至少一個全連接層；

根據(jù)所述垃圾分類模型進行垃圾分類。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于遷移學習，通過所述訓練樣本集對所述預訓練分類網(wǎng)絡(luò)模型的輸出層網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，獲取垃圾分類模型，包括：

凍結(jié)所述預訓練網(wǎng)絡(luò)模型的遷移層網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值，并初始化所述輸出層網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值，獲取待訓練網(wǎng)絡(luò)模型；其中，所述遷移層網(wǎng)絡(luò)結(jié)構(gòu)為所述預訓練網(wǎng)絡(luò)模型中除所述輸出層網(wǎng)絡(luò)結(jié)構(gòu)之外的所有網(wǎng)絡(luò)層組成的網(wǎng)絡(luò)結(jié)構(gòu)；

基于所述訓練樣本集對所述待訓練網(wǎng)絡(luò)模型進行訓練，獲取所述垃圾分類模型。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于遷移學習，通過所述訓練樣本集對所述預訓練分類網(wǎng)絡(luò)模型的輸出層網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，獲取垃圾分類模型，包括：

設(shè)置第一學習率因子與第二學習率因子；其中，所述第一學習率因子用于表征所述預訓練網(wǎng)絡(luò)模型的遷移層網(wǎng)絡(luò)結(jié)構(gòu)的學習速率，所述第二學習率因子用于表征所述輸出層網(wǎng)絡(luò)結(jié)構(gòu)的學習率速率；所述第一學習率因子小于所述第二學習率因子；

基于所述訓練樣本集、所述第一學習率因子、所述第二學習率因子對所述待訓練網(wǎng)絡(luò)模型進行訓練，獲取所述垃圾分類模型。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在基于遷移學習，通過所述訓練樣本集對所述預訓練分類網(wǎng)絡(luò)模型的輸出層網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，獲取垃圾分類模型之后，所述方法還包括：

獲取測試樣本集，所述測試樣本集包括多個樣本垃圾圖像以及所述多個樣本垃圾圖像中各個樣本垃圾圖像對應的類別標簽；

基于所述測試樣本集對所述垃圾分類模型的可靠性進行驗證。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，在基于遷移學習，通過所述訓練樣本集對所述預訓練分類網(wǎng)絡(luò)模型的輸出層網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，獲取垃圾分類模型之前，所述方法還包括：

對所述多個垃圾圖像進行灰度化處理，獲取各垃圾圖像對應的第一特征圖；

對所述各垃圾圖像對應的第一特征圖進行數(shù)據(jù)增強處理，獲取各垃圾圖像對應的第二特征圖；

將所述各垃圾圖像對應的第二特征圖的尺寸調(diào)整為目標尺寸，所述目標尺寸為所述垃圾分類模型的輸入層所支持輸入的圖像的尺寸。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述垃圾分類模型進行垃圾分類，包括：

獲取待分類垃圾圖像，所述待分類垃圾圖像包括至少一類垃圾圖像；

將所述待分類垃圾圖像輸入所述垃圾分類模型中；

根據(jù)所述垃圾分類模型的輸出，獲取所述待分類垃圾圖像中的垃圾的類別。

7.根據(jù)權(quán)利要求1-6任一項所述的方法，其特征在于，所述預訓練網(wǎng)絡(luò)模型為AlexNet神經(jīng)網(wǎng)絡(luò)模型。

8.一種基于神經(jīng)網(wǎng)絡(luò)的垃圾分類裝置，其特征在于，所述裝置包括：

獲取單元，用于獲取訓練樣本集，所述訓練樣本集包括多個樣本垃圾圖像以及所述多個樣本垃圾圖像中各個樣本垃圾圖像對應的類別標簽；

加載單元，用于加載預訓練分類網(wǎng)絡(luò)模型，所述預訓練分類網(wǎng)絡(luò)模型為基于源數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練得到的圖像分類模型；

訓練單元，用于基于遷移學習，通過所述訓練樣本集對所述預訓練分類網(wǎng)絡(luò)模型的輸出層網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，獲取垃圾分類模型；所述輸出層網(wǎng)絡(luò)結(jié)構(gòu)包括至少一個全連接層；

分類單元，用于根據(jù)所述垃圾分類模型進行垃圾分類。