[发明专利]一种基于CNN神经网络的智能垃圾识别方法及装置

权利要求书

1.一种基于CNN神经网络的智能垃圾识别方法，其特征在于，所述方法包括：

步骤一：获取至少三种种类的垃圾图像，建立数据集；

步骤二：构建CNN卷积神经网络；

步骤三：将数据集中的图像送入CNN卷积神经网络来训练CNN卷积神经网络，得到CNN卷积神经网络模型并测试CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型；

步骤四：利用训练好的CNN卷积神经网络模型检测未知垃圾图像，得到垃圾分类结果。

2.根据权利要求1所述的一种基于CNN神经网络的智能垃圾识别方法，其特征在于，所述步骤一包括：建立数据集，所述数据集包括训练集、辅助训练集以及验证集，所述训练集包括14种类垃圾的图像，共5000张；辅助训练集包括14种类垃圾的图像，共3000张；验证集包括14种类垃圾的图像，共2000张。

3.根据权利要求2所述的一种基于CNN神经网络的智能垃圾识别方法，其特征在于，利用SSD目标检测模型对训练集、辅助训练集以及验证集中的图像分别进行种类标注。

4.根据权利要求1所述的一种基于CNN神经网络的智能垃圾识别方法，其特征在于，所述步骤二中CNN卷积神经网络包括第一卷积层、第二卷积层、第三卷积层、全连接层以及Softmax分类层，所述第一卷积层、第二卷积层以及第三卷积层顺序连接，所述第二卷积层的输出以及第三卷积层的输出均与全连接层连接，所述全连接层与Softmax分类层连接。

5.根据权利要求4所述的一种基于CNN神经网络的智能垃圾识别方法，其特征在于，所述第一卷积层用16个5×5×3的核去卷积32×32×3的输入图像，经过一个2×2的第一最大值池化层，再经过一个第一ReLU层得到14×14×16的特征，第二卷积层用32个3×3×16的核去卷积第一卷积层输出的14×14×16特征，经过2×2的第二最大值池化层，再经过第二ReLU层得到6×6×32的特征，第三卷积层用64个2×2×32的核去卷积第二卷积层输出的6×6×32的特征，经过2×2的第三最大值池化层，再经过第三ReLU层得到2×2×64的特征，全连接层包括100个神经元，第二卷积层的输出以及第三卷积层的输出均输入到全连接层的每个神经元中得到100个神经元的输出，100个神经元的输出输入到Softmax分类层得到输入图像对应的垃圾种类。

6.根据权利要求3所述的一种基于CNN神经网络的智能垃圾识别方法，其特征在于，所述步骤三包括：当CNN卷积神经网络的损失函数收敛时，将训练得到的CNN卷积神经网络模型在验证集上进行测试，对于垃圾种类检测错误的图像，从辅助训练集中找一些与垃圾种类检测错误的图像被标注的种类相同的图像添加到训练集中，继续对CNN卷积神经网络进行训练，直至在验证集上的检测结果稳定，停止训练，得到训练好的CNN卷积神经网络模型，所述验证集上的检测结果稳定是指CNN卷积神经网络模型在验证集上进行测试时，对图像对应的垃圾种类检测错误率低于预设值。

7.根据权利要求5所述的一种基于CNN神经网络的智能垃圾识别方法，其特征在于，所述步骤四包括：训练时输入CNN卷积神经网络的图像是32×32×3的输入图像，所以利用训练好的CNN卷积神经网络模型检测未知垃圾图像时，输入的未知垃圾图像的大小为32×32×3。

8.一种基于CNN神经网络的智能垃圾识别装置，其特征在于，所述装置包括：

数据集建立模块，用于获取至少三种种类的垃圾图像，建立数据集；

网络构建模块，用于构建CNN卷积神经网络；

模型训练模块，用于将数据集中的图像送入CNN卷积神经网络来训练CNN卷积神经网络，得到CNN卷积神经网络模型并测试CNN卷积神经网络模型，获得训练好的CNN卷积神经网络模型；

检测模块，用于利用训练好的CNN卷积神经网络模型检测未知垃圾图像，得到垃圾分类结果。