[发明专利]一种垃圾自动分类的装置及方法

权利要求书

1.一种垃圾自动分类的装置的使用方法，所述装置包括机体(1)，所述机体(1)内安装有微处理器(2)，所述微处理器(2)内部存储有训练好的改进后的ResNet-50垃圾分类卷积神经网络模型；所述机体(1)上有用于投放垃圾的投放口(3)，所述投放口(3)安装有摄像头(4)进行图像采集，所述摄像头(4)与微处理器(2)输入端相连；所述机体(1)上有四种不同类别的垃圾桶，分别为可回收垃圾垃圾桶、厨余垃圾垃圾桶、有害垃圾垃圾桶和其他垃圾垃圾桶，用于实现不同类别的垃圾归类；所述机体(1)上有传送带(5)位于投放口(3)正下方，所述传送带(5)下方有驱动电机(6)，用于传送带(5)的运转；所述传送带(5)与微处理器(2)输出端相连，用于将微处理器(2)输出的垃圾类别将其运输到对应桶内；其特征在于，包括以下步骤；

Step1：人们将垃圾通过投放口(3)丢入；

Step2：摄像头(4)自动进行拍照，完成图像采集；

Step3：图像信息传输给微处理器(2)，通过训练好的改进后的ResNet-50垃圾分类卷积神经网络模型，识别垃圾种类，并将识别出的种类信息传输给显示屏与传送带(5)下方的驱动电机(6)；

Step4：传送带(5)下面驱动电机(6)开始运转，通过传送带(5)将垃圾运输到对应类别的垃圾桶上方；

Step5：对应垃圾桶上方的驱动电机(9)开始运转，带动对应垃圾桶上方的挡板7将垃圾推入下方对应的垃圾桶中；

Step6：显示屏显示本次垃圾分类结果，完成本次垃圾自动识别分类过程；

所述Step3中具体的分类方法为，包括以下步骤；

步骤一：根据垃圾分类的任务，收集不同种类的的垃圾照片，并按照分类要求制作包含四大类共21875张照片的垃圾级数据集，分别为可回收垃圾、厨余垃圾、有害垃圾和其他垃圾；

步骤二：对摄像头采集的数据图像进行预处理；

步骤三：对基于卷积神经网络ResNet-50模型根据设计需要进行改进，搭建改进后的网络模型；

步骤四：用步骤一制作的垃圾数据集在改进后的ResNet-50模型上进行训练，使模型能够实现对待检测垃圾图像的自主识别分类过程。

步骤五：模型实现垃圾分类的过程：垃圾图片输入改进后的网络模型，通过模型提取图片中垃圾特征，利用分类器将特征图进行分类，确定为何种垃圾类型，进行最终结果输出；

所述步骤三为：

在ResNet-50网络的基础上引入了1x3卷积和3x1卷积以及多尺度池化，对于一个尺寸为H×W，通道数为D的卷积核，以通道数为C的特征图作为输入，使用F∈R^H×W×C表示卷积核，M∈R^U×V×C表示输入，尺寸为U×V，通道数为C的特征图，O∈R^R×T×D代表输出特征图，则对于这层的第j个卷积，相应的输出特征映射通道可以表示为：

其中*是二维卷积算子，M_:,:k是M的第k个通道的尺寸为U×V的特征图，代表F^(j)的第k个通道的尺寸H×W的特征图；

在训练过程中，分别用3x3，1x3，3x1的卷积核对图像进行卷积运算，然后将三个输出进行相加得到输出，利用这样的卷积核来替代单一的卷积核进行运算，提升网络对图像特征的提取能力；

所述多尺度池化模块前端网络输出垃圾特征，多尺度池化模块利用不同尺度的池化层对输出特征进行多尺度特征提取，进而混合4种不同尺度的特征，以最左侧池化层突出显示的最粗糙级别是用于生成单个输出的全局池化，接下来的多尺度层把特征分成不同的子区域，并对不同的位置进行池化表达，不同层级的多尺度池化层产生的特征图大小不同，多尺度层的个数和每一层的特征大小都是可以调整的，所述多尺度池化模块具有4个层级，每一个层级的pooling kernel大小为1x1，2x2，3x3和6x6；

所述每一个多尺度层后面采用1x1卷积层来降低维度，如果有N个多尺度层，则每个层级后面的特征图个数为原始特征个数的1/N，把每一个层级的特征图通过双线性插值上采样到原始特征图的大小，最后所有的多尺度特征以及原始特征concatenate在一起作为最终的多尺度池化特征；

所述改进后的ResNet-50网络模型得到目标函数：

式中，x表示特征数据的输入，为ResNet模型预测结果的概率，w和b为ResNet模型训练得到的参数，esNet-50网络利用多个卷积层的特征稀疏性进行特征提取，网络每批次输入的样本图像数据被转换为稀疏特征，后进入ResNet-50网络的全连接层，图像特征经过softmax分类器后，将每行最大值对应的one-hot矩阵作为本次训练的分类结果；

在训练ResNet-50网络时把损失函数看作样本的真实类型(label)与ResNet-50网络预测结果的交叉熵，其计算公式为(3)：对于每批次样本，损失函数计算如式(4)所示：

对于每批次样本，损失函数计算如式(4)所示：

式中，t_ki为样本k属于类别i的概率，y_ki为样本k属于类别i的模型概率预测；