[发明专利]基于差分进化算法-深度森林算法的废旧手机识别方法

说明书

本发明公开一种基于差分进化算法‑深度森林算法的废旧手机识别方法，将DE和DF算法进行结合应用于废旧手机回收识别；首先，基于经验选择对识别结果影响较大的多尺度特征参数和DF参数；接着，将DF废旧手机识别准确率作为适应度函数，通过DE算法找出模型参数的最优解集；最后，将最优解集传入手机识别模型中，基于工信部手机图像的仿真结果证明了该方法的有效性。

技术领域

本发明属于手机回收技术领域，尤其涉及一种基于差分进化算法-深度森林算法的废旧手机识别方法。

背景技术

手机逐渐成为人们生活中不可或缺的一部分，这导致手机相关产业和废旧手机识别产业发展迅速。废旧手 机回收装备成为最主要的手机回收方式之一。然而其对废旧手机的识别准确率和识别效率并不能令人满意。当 前基于回收装备的废旧手机识别方法分为手机图像识别，IMEI码识别，箱内机械手识别和USB接口识别四种。 总结前人研究，找到提高回收装备中废旧手机识别效率的方法是当前的研究难点。

随着人工智能技术的不断发展，图像识别算法已成功应用于许多领域。然而，图像识别算法的改进并未促 进手机图像识别技术的改善。目前，仅有BP神经网络和卷积神经网络(CNN)应用于废旧手机识别领域。CNN 需要大量数据来训练模型，十分耗时且鲁棒性差。在废旧手机识别这一问题中，虽然拥有大量的手机图像样本， 但是按照型号划分的手机标签也很庞大，这导致每个标签下的手机图片十分稀少。因此，废旧手机识别仍是一 个小样本问题，非常有必要研究相应识别算法。

基于深度学习的思想的深度森林(DF)算法通过实验证明了其在手写字符分类和人脸识别等问题上的优 越性。DF算法被证实在小样本问题中具有显著的优越性。与CNN相比，DF的参数更少，即使样本量很小， 它仍然具有更好的分类精度。最重要的是，DF可以根据具体问题进行深度自适应，减少模型冗余。

然而，DF仍存在一些缺陷。在废旧手机识别这一问题中，原始手机图片像素过大会导致模型运转缓慢， 为了解决这一问题，可以使用多尺度HOG特征代替原始手机图片。HOG特征尺度、滑动窗口的选择以及DF 中的随机森林相关参数决定了模型的准确性。如何调整模型参数已成为当前待解决的主要问题。

发明内容

随着手机产业的不断发展，废旧手机回收已成为热门话题。目前，基于手机回收装备的废旧手机识别方法 研究在国内外鲜有听闻。因此提出了一种基于差分进化(DE)算法-深度森林(DF)算法的废旧手机识别方法。 本申请将DE和DF算法进行结合应用于废旧手机回收识别。首先，基于经验选择对识别结果影响较大的多尺 度特征参数和DF参数。接着，将DF废旧手机识别准确率作为适应度函数，通过DE算法找出模型参数的最 优解集。最后，将最优解集传入手机识别模型中进行识别，基于工信部手机图像的仿真结果证明了该方法的有 效性。

附图说明

图1废旧手机回收流程

图2DE-DF废旧手机识别流程

图3废旧手机识别模型策略图；

图4多尺度HOG特征组合；

图5多粒度扫描示意图；

图6级联森林示意图；

图7不同迭代次数优化曲线，图7(a)15次迭代曲线，图7(b)20次迭代曲线，图7(c)25次迭代曲线。

具体实施方式

如图1所示：用户在手机回收装备内投放手机后，填写手机各项评估特征，回收机通过用户填写信息对手 机型号、内存、外观磨损等状态进行估价，并通过人机交互模块将手机价格信息反馈给用户；用户通过人机界 面确认是否进行回收；用户同意回收后，传动模块将手机传送至回收仓内，回收机内置识别模块对手机进行检 测，若检测结果与用户填写一致则完成本次回收，将返利汇入用户账户内，若不一致则退还手机。