[发明专利]基于迁移学习和模型融合的垃圾分类方法、系统及介质

说明书

本发明公开了一种基于迁移学习和模型融合的垃圾分类方法、系统及存储介质，该方法中，通过分类器对垃圾图像数据进行分类，并输出相应的分类结果，而且，由于本发明所采用的分类器其生成过程包括通过使用Adaboost算法将两种不同的分类网络构建成为两个强分类器，泛化错误率低，不会出现过拟合，能够达到工业需求的高准确率；以及还包括利用决策层融合的方式将两个强分类器融合，从而充分利用特征多样性，进一步提高分类准确率。

技术领域

本发明涉及图像分析识别领域与机器学习领域，特别涉及一种基于迁移学习和模型融合的垃圾分类方法、系统及介质，属于基于深度学习的图像目标检测技术。

背景技术

随着低碳环保的生活理念越来越普及，垃圾分类问题越来越得到人民的关注。根据住房和城乡建设部规划，到2020年底包括北京、成都、重庆等46个重点城市要基本实现垃圾分类处理系统，其他地级城市实现公共机构生活垃圾分类全覆盖。但垃圾分类界定模糊，比如瓜子壳被官方鉴定为湿垃圾，但是粽叶却被鉴定为干垃圾，除了居民素质及宣传力度等因素外，人工进行垃圾分类难、麻烦的问题也越来越突出。

与人们的直觉不同，若设定垃圾分类标准通过计算机识别、通过传感器获得垃圾的图像信息，然后通过深度神经网络进行分类的方法能有效降低人工成本，因此，越来越被重视。

目前，基于机器学习来实现垃圾分类的方式主要是：通过金属传感器及其他一些专用传感器获得垃圾的物理特征，然后通过中央处理器对获得的特征进行识别及分类，大部分需要联网在云端进行识别。而现有的垃圾分类算法主要依靠人工特征提取，如颜色、形态、纹理等视觉特征，再通过支持向量机等机器学习方法进行判断。但是，此类方法复杂度高，通常只能适用于某些特定场景，可泛化能力差，在实际应用过程中易受到环境因素的干扰，造成复杂环境下识别准确率低的缺点。

因此，有必要设计一种泛化能力强、精度高的垃圾分类方法。

发明内容

鉴于以上所述现有技术的不足，本发明的目的在于：提供一种泛化能力强、精度高的垃圾分类方法，并基于迁移学习技术和模型融合技术，克服现有垃圾分类算法拓展性低、误报率高、训练成本高、识别速度慢、难以实现本地运算等足。

为实现上述发明目的，本发明提供以下技术方案：

一种基于迁移学习和模型融合的垃圾分类方法，其包括以下步骤：

S1：对待分类的垃圾图像进行预处理；

S2：采用分类器对经所述预处理后的垃圾图像数据进行分类，输出相应的分类结果；

其中，生成所述分类器的过程包括：通过使用Adaboost算法分别对第一种分类网络和第二种分类网络进行迭代N次训练而得到N个所述第一种分类网络的弱分类网络和N个所述第二种分类网络的弱分类网络，再通过加权投票选出1个所述第一种分类网络的强分类器和1个所述第二种分类网络的强分类器，最后，对2个强分类器进行决策层模型融合而生成所述分类器。

根据一种具体的实施方式，本发明基于迁移学习和模型融合的垃圾分类方法中，对第一种分类网络和第二种分类网络进行迭代N次训练前，按照一定比例将已添加分类标签的垃圾图像数据集划分为训练集D、验证集V和测试集T；

以及在使用Adaboost算法进行迭代N次训练过程中，若新迭代轮次对前一轮错误分类样本改进低于给定阈值，则下一次迭代时解冻部分冻结参数。

进一步地，本发明基于迁移学习和模型融合的垃圾分类方法中，对2个强分类器进行决策层模型融合包括以下步骤：

使用测试集T分别测试对2个强分类器的分类正确率，而得到所述第一种分类网络的强分类器的分类正确率ACC_M，所述第二种分类网络的强分类器的分类正确率ACC_S；