[发明专利]垃圾图像分类模型构建的方法、装置、设备及存储介质

说明书

本申请涉及人工智能领域，公开了一种垃圾图像分类模型构建的方法、装置、设备及存储介质，提高垃圾分类模型对垃圾分类的准确性。本申请方法包括：通过卷积神经识别网络中的卷积层的多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息；通过池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；根据分类网络得到的分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；通过所述垃圾分类模型输出目标垃圾图像的目标分类结果；基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。

技术领域

本申请涉及智能决策领域，尤其涉及垃圾图像分类模型构建的方法、装置、设备及存储介质。

背景技术

为响应国家推行的垃圾分类制度，各市民进行了垃圾分类行动，但靠市民区分垃圾的分类，存在效率低和错误率高或其他问题，且市民在无法区分垃圾的分类时容易产生不良情绪，导致乱扔垃圾，对环境产生较大污染的不良情况。

目前的垃圾分类处理中，通过获取垃圾图片训练集，通过卷积神经网络获取所述垃圾图片训练集的特征向量；将所述特征向量输入至单个非线性分类器，并根据垃圾标签信息对所述单个非线性分类器进行监督学习，以获取分类模型，通过所述分类模型对目标垃圾图片进行分类以获取垃圾分类结果。

由于其构建的网络深度低，以致使对垃圾图片的特征拟合的能力弱和分类的准确度低，因而，导致垃圾分类模型对垃圾分类的准确性低。

发明内容

本申请提供了一种垃圾图像分类模型构建的方法、装置、设备及存储介质，用于通过多个小卷积核叠加为稍大的卷积核的核技巧和使用ResNet算法对错误分类进行再标记和训练，提高垃圾分类模型对垃圾分类的准确性。

本申请实施例的第一方面提供一种垃圾图像分类模型构建的方法，包括：

通过卷积神经识别网络中的卷积层中多个小卷积核对待处理垃圾图像进行提取特征处理，得到预处理特征信息，所述多个小卷积核的分布数量从所述卷积神经识别网络的输入端至输出端逐渐增加，所述卷积神经识别网络包括卷积层、池化层、分类网络和多个集成学习弱分类器；

通过所述池化层对所述预处理特征信息进行主特征提取处理，得到特征信息；

通过所述分类网络对所述特征信息进行分类处理，得到分类结果；

根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型；

将所述垃圾分类模型部署至客户端，并将从所述客户端接收的目标垃圾图像输入至所述垃圾分类模型，通过所述垃圾分类模型输出所述目标垃圾图像的目标分类结果；

基于残差网络ResNet算法和多个所述集成学习弱分类器，通过所述目标分类结果中的错误分类信息对所述垃圾分类模型进行训练，得到更新的所述垃圾分类模型。

可选的，在本申请实施例第一方面的第一种实现方式中，所述根据所述分类结果更新所述卷积神经识别网络的神经元的权值，获得垃圾分类模型，包括：

根据所述分类结果获取评估所述卷积神经识别网络分类精度的目标参数，通过交叉熵损失函数评估所述目标参数，获得评估值，所述目标参数包括所述待处理垃圾图像、所述待处理垃圾图像的样本数量、所述待处理垃圾图像的分类标签概率值、所述卷积神经识别网络的初始权值及偏差值、所述卷积层的数量和所述池化层的数量；

计算偏差值，所述偏差值为所述评估值与预设期望值的差值；

根据预置的单次正反向传播周期对所述卷积神经识别网络进行迭代训练，调整所述卷积神经识别网络的神经元的权值，直至所述偏差值小于预设阈值，得到目标权值；

将所述目标权值对应的当前卷积神经识别网络确定为垃圾分类模型。