[发明专利]一种基于图像识别的塑料瓶颜色分选方法

权利要求书

1.一种基于图像识别的塑料瓶颜色分选方法，其特征在于，包括：

S1，采集塑料瓶图像，对图像进行去噪、均值化、去雾以及裁剪操作后，将图像按比例划分为训练图像数据集、验证图像数据集和待测图像数据集；

S2，建立塑料瓶颜色分选的深度学习网络模型，将训练图像数据集输入网络模型进行训练，确定深度学习网络模型及模型参数；

S3,将验证图像数据集输入已确定的深度学习网络模型中，检验深度学习网络模型；

S4，将待测图像数据集输入到深度学习网络模型中，得到待测图像数据集中塑料瓶颜色分类结果。

2.如权利要求1所述的一种基于图像识别的塑料瓶颜色分选方法，其特征在于，所述S1中包括以下步骤；

S11，利用工业相机对不同颜色的塑料瓶进行图像采集，形成第一数据集；

S12，对第一数据集中的图像进行高斯滤波去噪；

S13，将S12处理后的图像进行灰度均值化和去雾操作处理；

S14，将S13处理后的图形按224*224大小进行裁剪，将裁剪后的图像存入第一数据集，替换原来的图像，形成第二数据集；

S15，对S14中第二数据集的图像将塑料瓶按红色、绿色、蓝色、紫色、黄色、黑色、白色和透明色分类，打上标签，进行不同方向的旋转、镜像、增加对比度等操作后，将第二数据集按照8：1：1的比例进行划分，得到预处理后的训练图像数据集、验证图像数据集和待测图像数据集。

3.如权利要求2所述的一种基于图像识别的塑料瓶颜色分选方法，其特征在于，所述S2中包括以下步骤；

S21，确定输入图像的卷积层和池化层；

S22，通过残差网络来实现塑料瓶颜色的特征提取；

S23，将提取的特征图输入到全局平均池化层，再将池化特征输入到全连接层进行塑料瓶颜色分类；

S24，设置训练算法中的参数，包括学习率、训练次数和迭代次数；

S25，将训练图像数据集输入建立的网络模型，确定深度学习网络模型及模型参数。

4.如权利要求3所述的一种基于图像识别的塑料瓶颜色分选方法，其特征在于，所述S21中的卷积层包括第一卷积层和第二卷积层，所述第一卷积层中卷积核的大小为3*3，步长为2；所述第二卷积层中卷积核的大小为3*3，步长为1。

5.如权利要求3所述的一种基于图像识别的塑料瓶颜色分选方法，其特征在于，所述S22中所述的残差网络设置有四个残差块，所述残差块中设置第三层卷积层、第四层卷积层和第五层卷积层。

6.如权利要求5所述的一种基于图像识别的塑料瓶颜色分选方法，其特征在于，所述残差块的输出计算公式如下：

Y＝relu₃([relu₂(relu₁(X,W₁),W₂)]*W₃+X*Wt)

其中，X为输入，Y为输出，W₁、W₂、W₃为各卷积层的权重矩阵，relu₁为第三卷积层输出的激励函数，relu₂为第四卷积层输出的激励函数，relu₃为残差块输出的激励函数，Wt为线性变换矩阵。

7.如权利要求4所述的种基于图像识别的塑料瓶颜色分选方法，其特征在于，第三个卷积层的卷积核为1*1，步长为2，第四个卷积层的卷积核为3*3，步长为1，第五个卷积层的卷积核为1*1，步长为1。

8.如权利要求3所述的一种基于图像识别的塑料瓶颜色分选方法，其特征在于，所述S25中包括以下步骤：

S251，判断是否达到设定训练次数，若达到则得出结果，否则重复S251；

S252，判断是否达到设定迭代次数，若达到则训练结束，否则重复S251；

S253，确定深度学习网络模型及模型参数。