[发明专利]一种适用于饮料瓶回收机投递物分类识别的模型融合方法

说明书

本发明公开了一种适用于饮料瓶回收机投递物分类识别的模型融合方法，其包括以下步骤：第一步，在inception‑v3模型基础上、使用bottleneck的方式、通过训练不同的数据量分别得到深度卷积神经网络模型model_1、model_2，将yolov3‑tiny的24层结构修改为32层结构，通过训练指定量数据样本得到深度卷积神经网络模型model_3；第二步，在同一测试集上，得到model_1、model_2、model_3三个模型各自的正确数据集，将model_1、model_2两个模型的正确数据集取交集，再和model_3的正确数据集取并集，得到最终的识别数据集。

技术领域

本发明属物品回收技术领域，涉及饮料瓶回收机，具体涉及一种适用于饮料瓶回收机投递物分类识别的模型融合方法。

背景技术

目前，饮料瓶回收机投递物分类识别方法主要有如下几类。第一种，基于通用的数字图像处理技术，通过拍摄饮料瓶回收机投递物的数字图像，分析其轮廓特征、光线强弱特征、颜色特征、局部区域模板特征以及投递物附属条形码特征等信息中的一种或者多种组合，得到分类识别的决策方案，以此对饮料瓶回收机的投递物进行分类识别。但是，由于饮料瓶在种类、形状及包装等属性上的多样性，伴随着饮料瓶新品种和新包装的不断更替，再加上饮料瓶回收机投递物数字图像的采样时环境的多变性，拍摄得到的数字图像跟期望的效果相比会有各种各样的偏差，这些偏差将干扰传统的图像处理技术对饮料瓶回收机投递物做出正确判断，相应的投递物的误收或误判情况也会越来越多，最终影响到客户的智能投递体验与积极性。第二种，使用特征提取方法结合传统的机器学习方法对饮料瓶回收机投递物进行分类识别。先对拍摄的数字图像使用SIFT(即尺度不变特征转换，ScaleInvariant Feature Transform)、SURF(即加速稳健特征，Speeded Up Robust Feature)等算法提取图片的底层特征，然后对提取到的底层特征进行编码，再对编码后的特征使用k-means算法进行聚类，最后使用SVM(即支持向量机，Support-Vector-Machine)等分类器对聚类后的特征进行分类，在此基础上依据分类结果对投递物进行类别判断。不足在于，要提取投递物的有效特征，对拍摄的数字图像质量要求较高。由于现场环境差异存在，再考虑到各种配套硬件故障的不可预见性，实际拍摄的数字图像通常会有噪声、震荡、重影、局部不全以及光线暗淡等问题出现，这些问题都会影响图像特征提取的效果，导致提取的特征不能很好反映投递物本质的信息。鉴于上述原因，机器学习算法结合特征提取的方法分类识别效果往往不佳。虽然可以通过提高回收机配套相机的性能来获得效果更好的数字图片，但是考虑到回收机的成本和批量投放的因素，该方案可行度也不高。第三类，基于深度卷积神经网络模型的分类识别方法。深度卷积神经网络对于图片深层语义信息的提取具有非常好的效果，随着人工智能技术研究的深入，深度卷积神经网络在视觉识别领域也取得了瞩目的成绩。但是深度卷积神经网络通常隐藏层很多，因而其包含的参数数量非常巨大，重头开始训练一个模型，数据不足，训练周期长是常见的问题。再者，网络参数增加使得模型复杂度增加，进一步导致调参难度增大，最终训练模型效果通常不佳。另外，目前主要采用某种方案训练的单一深度卷积神经网络模型来对物体做分类识别，这种方式得到的模型其泛化能力通常难以满足期望的要求。

发明内容

为了解决数字图像处理方法对多变采样环境下投递物分类识别效果不佳、传统机器学习方法结合特征提取法对硬件过于依赖、以及使用深度学习训练的单模型泛化能力一般的问题，本发明提供一种适用于饮料瓶回收机投递物分类识别的模型融合方法，在一定量的数据基础上，使用迁移学习法训练两个inception-v3深度卷积神经网络模型和一个在yolov3-tiny结构基础上改进的yolov3-tiny32结构深度卷积网络模型，通过模型融合方法将上述三个模型进行融合，使用较少的数据进行训练就能明显提高饮料瓶回收机投递物的识别准确率，实现较好的识别效果。

本发明采用的技术方案是:一种适用于饮料瓶回收机投递物分类识别的模型融合方法，包括以下步骤：