[发明专利]基于深度学习的垃圾视觉识别方法、装置及分类回收装置

说明书

本发明公开了一种基于深度学习的垃圾视觉识别方法、装置及分类回收装置，本发明的识别装置利用垃圾自重推动所述漏斗盘实现了所述相机对同一物体的不同位置进行成像，将该成像通过采用改进的YOLOv3深度学习网络框架构建的识别方法训练后能够快速识别垃圾所属类别；进一步配合本发明设计的垃圾分类回收装置，将识别的垃圾类别信号转换为用于控制若干个电磁铁的电信号，各分类机构在若干电磁铁和若干弹簧的配合下提前规划出物体的掉落轨迹，使物体仅靠自重便可自动完成分类。

技术领域

本发明涉及一种基于深度学习的垃圾视觉识别方法、装置及分类回收装置，属于智能垃圾分类回收装置领域。

背景技术

随着城市现代化建设的步伐加快，物体分类在生产生活中的重要性也越来越明显。其中，批量化或归一化的处理物体发挥着极其重要的作用。但人们在日常生活生产中的垃圾分类意识仍有待提高。因生产废料未能够及时分类而造成浪费和生活垃圾不分类乱扔等问题屡见不鲜。

鉴于常见分类装置大多采用电机来控制的复杂繁琐，分类类别较为单一，有必要提出一种基于深度学习的垃圾视觉识别方法、装置和控制若干电磁铁的装置来实现物体的精确分类的装置。

发明内容

本发明提供了一种基于深度学习的垃圾视觉识别方法，用于对采集的垃圾图像进行类别识别，提供了一种基于深度学习的垃圾视觉识别装置，用于采集垃圾图像并配合识别方法进行类别识别，提供了一种基于深度学习的垃圾视觉分类回收装置，用于根据分类的结果，通过机械控制的方式进行二次垃圾分类，进而实现不同类别垃圾的分区存放。

本发明的技术方案是：一种基于深度学习的垃圾视觉识别方法，其特征在于：所述方法的具体步骤如下：

Step1、人工采集四类垃圾图像数据集，利用插值算法将垃圾图像数据集中的所有图像转变为统一尺寸的图像；其中，四类垃圾分为有害垃圾、可回收垃圾、不可回收垃圾、其他垃圾；

Step2、将所有变换统一尺寸后的垃圾图像数据集分为训练数据集和验证数据集两部分；

Step3、用yolo_mark工具包对训练数据集和验证数据集中的图像进行标注；所述标注是对每张图像上所有需要识别的物体标出相对应的带垃圾类别的边界框；

Step4、数据集标注完成后对超参数进行设置；

Step5、用darknet_master工具包对改进的YOLOv3深度学习网络模型进行训练；所述改进的YOLOv3深度学习网络模型的训练对象是标注边界框的参数，训练结果的表现形式是训练后得到的权重参数；所述边界框的参数包括有：目标信息中心位置的横、纵坐标，边界框的长、宽大小和类别置信度。

所述darknet_master工具包，其具体训练要步骤如下：

Step5.1、载入所述工具包中的预训练文件作为训练的初始权重参数；

Step5.2、在训练数据集中随机抽取一组图像作为本次训练的样本；

Step5.3、将step5.2中所述训练样本中的每一张图像依次放入改进的YOLOv3深度学习网络模型中进行权重参数的更新；所述权重参数的更新，具体为：使用Step5.1所述初始权重参数进行卷积神经网络的前向传播计算并得到一组中间参数，再使用该中间参数进行反向传播计算得到一组新的权重参数；所述新的权重参数将迭代之前用于计算前向传播的旧权重参数；

Step5.4、将Step5.2中所述的训练样本中的所有图像完成一次前向和反向传播的过程记为一次对网络模型的训练，重复步骤Step5.2 ~ Step5.3直至对网络模型训练到固定次数为止；

Step5.5、把Step5.4中所述网络模型训练到固定次数后，筛选出整个过程中最优的权重参数载入到网络模型用于识别。