[发明专利]一种基于深度学习的垃圾分类方法

权利要求书

1.一种基于深度学习的垃圾分类方法，其特征在于，包括如下步骤：

步骤S1、使用爬虫爬取并构建深度学习训练集，将深度学习训练集称为初始数据集；

步骤S2、使用不同的网络结构在初始数据集的基础上训练模型，得到多个模型；

步骤S3、使用步骤S2得到的模型结合爬虫进行数据的自动爬取、清洗、打标，完成对初始数据集的自动扩充，构建最终版数据集；

步骤S4、选出步骤S2中表现最好的网络结构作为主干网络，在构建的最终版数据集上训练模型，并且使用优化策略进行优化，提升模型的准确率与鲁棒性；

步骤S3具体实现如下：

步骤S31、利用步骤S1中所使用的爬虫爬取新图片，进行图片的清洗、类别平衡；

步骤S32、使用步骤S2中训练好的模型，对模型进行判别，判别结果按照各模型的准确率进行加权得出模型判别结果；模型判别结果与爬取时所用的类别标签按照3：7的比例加权，作为新图片最终的标签；初始数据集上进行自动扩充，构建最终版数据集；

步骤S4具体实现如下：

步骤S41、选出步骤S2中表现最好的网络结构作为主干网络：EfficientNet；EfficientNet使用混合维度放大法，使用一个混合系数来决定网络深度deepth、通道数width和特征图大小resolution三个维度的放大倍率；使用NAS技术搜索出一个较优的网络结构作为基准网络b0，即EfficientNet-b0；根据下式，

其中,α·β²·γ²≈2,α≥1,β≥1,γ≥1

固定进行网格搜索，得到最优的参数α＝1.2，β＝1.1，γ＝1.15；固定这三个参数，调节为不同的值，得到经过放大的网络EfficientNet-b4就是基准网络的第四级放大的结果；

步骤S42、使用迁移学习的方法，将模型在ImageNet数据集上进行预训练，将得到的预训练权重移植到该垃圾分类任务上；将预训练模型中与EfficientNet训练后的模型中结构相同部分权重直接载入，结构不同部分的权重依旧使用默认的初始化方式；

步骤S43、对图像数据进行标准化处理：计算出整个训练集图像各通道的均值与方差；通过下式对图像的每个通道进行变换；

其中，x_i表示第i张图片；μ表示图像的均值；σ表示图像的标准差；x表示原始图像；x'表示进行过标准化处理的图像；

步骤S44、对于图像数据的增强使用2种策略：第一种是将图像缩放，使其的长边大小等于网络的输入图像的大小，然后进行中心剪裁、随机水平垂直翻转、随机旋转、随机擦除的操作；第二种策略是将图像缩放，使其的长边大小超过网络的输入图像的大小20％，然后按照网络的输入图像的大小进行随机剪裁，以及随机水平垂直翻转、随机旋转、随机擦除的操作；

步骤S45、使用多分类交叉熵损失函数作为误差的评价指标，如下式所示：

其中，N为样本数量；K为类别数量；p_ic指示变量0或1，如果该类别和样本i的类别相同p_ic则为1，否则为0；p_ic：观测样本i属于类别c的预测概率；

而后，利用下式，将标签往中间偏移，以提升模型的泛化能力；

其中，K为类别数量，ε为标签平滑因子；

步骤S46、利用下式对批归一化层的输入特征图做归一化；

其中，m表示训练批次的大小；x_i表示训练批次中的第i张图片；μ_β表示训练批次图像的均值；表示训练批次图像的方差；表示经过归一化的图像；∈为一个极小值1e-5；γ与β为可学习参数；y_i为经过批归一化后的输出图像；

步骤S47、在学习率的调整策略上，使用带热重启的余弦退火算法；将初始学习率设为1e-4，初始周期设为10，周期拓展倍率设为2；在周期内，学习率按照余弦函数前1/2周期的下降曲线进行调整，一旦完成周期后，将学习率重置为初始值，并按照周期拓展倍率对周期进行拓展；

步骤S48、考虑到训练时神经网络学习的是经过放大的特征，测试时却对未经放大的特征进行识别，存在辨率的差异，因此在测试时使用比训练大的图像大小。