[发明专利]一种基于边缘计算和深度学习的垃圾箱垃圾识别方法

权利要求书

1.一种基于边缘计算和深度学习的垃圾箱垃圾识别方法，其特征在于，包括如下步骤：

步骤1：投放者将待投放的垃圾放在高分辨率摄像机前进行扫描，高分辨率摄像机设置在垃圾箱上；

步骤2：边缘服务器根据已训练好的垃圾检测模型识别待投放垃圾，同时存储垃圾图片数据，将未标记的垃圾数据上传至云服务器；

步骤3：显示屏上显示垃圾类别检测结果及语音播报。

2.如权利要求1所述的基于边缘计算和深度学习的垃圾箱垃圾识别方法，其特征在于，云服务器根据垃圾分类标准运用SSD算法训练垃圾检测模型，具体为：

步骤11：使用SSD框架结构，在VGG16网络中将最后两个全连接层改成卷积层，并增加4个卷积层来构造网络结构，在这6层上依次提取feature map，最终得到8732个缺省检测框；

步骤12：prior box为被使用的缺省检测框的包围盒，将prior box和实际目标框按照IOU值的大小进行匹配；匹配时先从实际目标框的角度出发，找到与目标相匹配的IOU值最大的缺省检测框进入候选正样本集；其中IOU值指的是目标的真实边框和检测算法得到的预测框之间的重叠率，其具体计算公式如下：

步骤13：由于由步骤12所确定的正样本数量太少，所以接着从缺省检测框的角度出发，在缺省检测框与实际目标框满足IOU＞0.5的样本集中，选择最大的缺省检测框，也放入正样本集；

步骤14：最后，将每个物体所对应的缺省检测框的置信度进行排序，从低到高选出一定数量的缺省检测框，存入负样本集，使得prior box中的正负样本比为1:3，由此可得良好的训练样本；

步骤15：求损失函数，损失函数为位置误差和置信度误差的加权和，公式为：

其中：L_conf和L_loc分别代表的是类别置信度的损失函数和搜索框位置的损失函数；N代表匹配到真实框的prior box的数量；c为置信度，l为垃圾预测框，g为垃圾真实框；α参数用于调整confidence loss和location loss之间的比例，默认α＝1；

搜索框位置的损失函数为：

其中，为第i个垃圾预测框与第j个垃圾真实框关于类别k是否匹配，为0代表不匹配，为1代表匹配；cx,cy,w,h分别表示垃圾边界框的中心横坐标、垃圾边界框的中心纵坐标、边界框的宽度、边界框的高度；m没有具体的含义，参数m∈cx,cy,w,h，即分别取cx,cy,w,h这四个值；

smooth_L1(x)损失函数的定义为

l^m表示预测的目标框相对于defaultbox的偏移量，g^m表示真实的目标框相对于defaultbox的偏移量；求g^m的公式为：

其中d表示垃圾真实框的参数，g表示垃圾预测框的参数；

类别置信度的损失函数为：

其中，表示垃圾预测框i与垃圾真实框j关于类别p匹配，p的概率预测越高，损失越小；表示垃圾预测框没有物体，预测为背景的概率越高损失越小；置信度c通过SoftMax产生；

步骤16：预训练；对于每个预测框，首先根据类别置信度确定其类别与置信度值，并过滤掉属于背景的预测框；然后根据IOU(＝0.5)过滤掉阈值较低的预测框，对于留下的预测框进行解码，根据先验框得到其真实的位置参数，解码之后，需要根据置信度进行降序排列，然后仅保留Top-k(＝400)个预测框；最后进行非极大抑制算法，过滤掉重叠度较大的预测框，最后剩余的预测框即是检测结果。

3.如权利要求1所述的基于边缘计算和深度学习的垃圾箱垃圾识别方法，其特征在于，步骤1具体包括：在垃圾箱上安装高分辨率摄像机，拍摄分辨率为300×300；摄像机将扫描所得的图像通过socket上传至边缘服务器，边缘服务器运用SSD算法检测图片是否在已有的垃圾模型中被标记，未被标记，就以二进制的形式存入边缘服务器的非易失存储器中，并上传至云服务器，云服务器运用SSD框架训练垃圾检测模型，更新模型。