[發明專利]基于神經網絡的垃圾分類方法及裝置

在審

• 申請號: 202110594291.1
• 申請日: 2021-05-28
• 公開（公告）號: CN113496254A
• 公開（公告）日: 2021-10-12
• 發明（設計）人: 王鐸
• 申請（專利權）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: 北京開陽星知識產權代理有限公司 11710
• 代理人: 唐博

本申請涉及一種基于神經網絡的垃圾分類方法、裝置、計算機設備和計算機可讀存儲介質。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；加載預訓練分類網絡模型，所述預訓練分類網絡模型為基于源數據對卷積神經網絡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絡模型的輸出層網絡結構進行訓練，獲取垃圾分類模型；所述輸出層網絡結構包括至少一個全連接層；根據所述垃圾分類模型進行垃圾分類。采用本方法構建小樣本的垃圾分類模型，減少參數數量，降低計算的復雜度，從而能夠實現垃圾的準確、快速分類。

技術領域

本申請涉及人工智能技術領域，特別是涉及一種基于神經網絡的垃圾分類方法、裝置、計算機設備和計算機可讀存儲介質。

背景技術

隨著人民生活水平的快速提高，生活中的垃圾產量也在飛速增長，但垃圾的處理速度與垃圾分類的智能化水平仍有待提高。深度學習算法可以從海量數據中學習高級特征并能夠自動提取特征，這使得深度學習超越了傳統的機器學習算法。卷積神經網絡在輸入樣本時不需要特征提取，但訓練一個卷積神經網絡往往需要龐大的樣本數量集，因此將遷移學習與深度學習兩種技術相結合，既可以自動學習數據樣本的高級特征，又擺脫了對樣本數據容量的依賴。

目前，垃圾處理廠中垃圾分類處理多采用人工流水線分揀的方式進行，該方式存在環境惡劣、勞動強度大、分揀效率低和自動化程度低的弊端，遠不能滿足我國環保資源回收利用的發展和社會進步的需求。又由于垃圾分類條例推廣實施處于初級階段，許多居民還沒有足夠強的垃圾分類意識，也缺乏相關的垃圾分類知識，生活中的垃圾分類工作進展成果并不理想，因此垃圾收集站仍然有很強的垃圾自動分類需求。

本申請將基于遷移學習與深度學習技術，針對垃圾快速分類問題提出解決方案，提高垃圾分類效率，降低垃圾分類的成本。

發明內容

為了解決上述技術問題或者至少部分地解決上述技術問題，本申請提供了一種基于神經網絡的垃圾分類方法、裝置、計算機設備和計算機可讀存儲介質。

第一方面，本申請提供了一種基于神經網絡的垃圾分類方法，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；

加載預訓練分類網絡模型，所述預訓練分類網絡模型為基于源數據對卷積神經網絡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絡模型的輸出層網絡結構進行訓練，獲取垃圾分類模型；所述輸出層網絡結構包括至少一個全連接層；

根據所述垃圾分類模型進行垃圾分類。

作為本發明實施例一種可選的實施方式，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絡模型的輸出層網絡結構進行訓練，獲取垃圾分類模型，包括：

凍結所述預訓練網絡模型的遷移層網絡結構的權值，并初始化所述輸出層網絡結構的權值，獲取待訓練網絡模型；其中，所述遷移層網絡結構為所述預訓練網絡模型中除所述輸出層網絡結構之外的所有網絡層組成的網絡結構；

基于所述訓練樣本集對所述待訓練網絡模型進行訓練，獲取所述垃圾分類模型。

作為本發明實施例一種可選的實施方式，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絡模型的輸出層網絡結構進行訓練，獲取垃圾分類模型，包括：

設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絡模型的遷移層網絡結構的學習速率，所述第二學習率因子用于表征所述輸出層網絡結構的學習率速率；所述第一學習率因子小于所述第二學習率因子；