[发明专利]一种用于饮料瓶分类回收的识别方法及系统

权利要求书

1.一种用于饮料瓶分类回收的识别方法，其特征在于：所述识别方法包括下列步骤：

S100：采集所述饮料瓶的原始图像；

S200：对采集到的所述原始图像进行预处理；

S300：对预处理后的所述原始图像进行标注处理；

S400：对标注后的所述原始图像进行数据增强处理；

S500：将数据增强处理后的所述原始图像划分为训练集和测试集，基于迁移学习的方式加载实例分割模型，然后使用所述训练集和所述测试集对所述实例分割模型进行微调阶段参数训练，接着以平均精度均值为指标评价所述实例分割模型以得到训练好的实例分割模型；

S600：使用所述训练好的实例分割模型预测所述原始图像，得到每个饮料瓶的轮廓，再根据各饮料瓶的轮廓对各饮料瓶的原始图像进行抠图处理，得到各饮料瓶的特征图像，并存储所述特征图像；

S700：提取各所述特征图像上的各特征的平均值，并以所述平均值作为输入特征来训练机器学习模型；

S800：评价所述机器学习模型以得到训练好的机器学习模型。

2.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在完成步骤S800之后还包括下列步骤：

S900：将所述训练好的实例分割模型和所述训练好的机器学习模型导出，再对所述训练好的实例分割模型和所述训练好的机器学习模型进行部署。

3.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S100中，是通过工业相机采集脱标饮料瓶的原始图像。

4.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S200中，所述预处理包括图像裁剪处理和图像缩放处理。

5.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S300中，所述标注处理为语义标注处理，标注格式为COCO格式。

6.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S400中，所述数据增强处理包括图像翻转和图像复制。

7.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S500中，所述训练集和所述测试集的数量比例为7：3，加载的实例分割模型采用Mask R-CNN架构。

8.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S700中，先分别提取各所述特征图像上的红色、绿色和蓝色三个颜色的平均值，然后将所述特征图像的格式转换为HSV格式，再分别计算色调、饱和度和明度三个数值的平均值,并以红色、绿色、蓝色、色调、饱和度和明度六个数值的平均值作为输入特征来训练机器学习模型。

9.根据权利要求1所述的用于饮料瓶分类回收的识别方法，其特征在于：在所述步骤S800中，是以回收率和纯度为指标来评价所述机器学习模型。

10.一种用于饮料瓶分类回收的识别系统，其特征在于：所述识别系统包括：

采集单元，用于采集所述饮料瓶的原始图像；

预处理单元，用于对采集到的所述原始图像进行预处理；

标注单元，用于对采集到的所述原始图像进行标注处理；

数据增强单元，用于对标注后的所述原始图像进行数据增强处理；

划分单元，用于将数据增强处理后的所述原始图像划分为训练集和测试集；

加载单元，用于加载实例分割模型，然后使用所述训练集和所述测试集对所述实例分割模型进行微调阶段参数训练，接着以平均精度均值为指标评价所述实例分割模型以得到训练好的实例分割模型；

特征提取单元，用于使用所述训练好的实例分割模型预测所述原始图像，得到每个饮料瓶的轮廓，再根据各饮料瓶的轮廓对各饮料瓶的原始图像进行抠图处理，得到各饮料瓶的特征图像，并存储所述特征图像；

训练单元，用于提取各所述特征图像上的各特征的平均值，并以所述平均值作为输入特征来训练机器学习模型；

评价单元，用于评价所述机器学习模型以得到训练好的机器学习模型。