[发明专利]一种基于改进MobileNet网络进行垃圾分类的方法及工具

权利要求书

1.一种基于改进MobileNet网络进行垃圾分类的方法，其特征在于,该方法的实现过程包括：

步骤1、采集垃圾图像，作为初始数据集；

步骤2、根据垃圾种类，对初始数据集包含的垃圾图像进行标记；

步骤3、将标记后的初始数据集随机划分成训练集和验证集，且训练集包含样本数量大于验证集包含样本数量；

步骤4、构建改进MobileNet网络，利用训练集训练改进MobileNet网络，使改进MobileNet网络提取训练集所包含垃圾图像的特征；

步骤5、将验证集包含的垃圾图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络输出的分类结果与验证集的标记完全相同，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为垃圾分类模型；

步骤6、将垃圾分类模型部署到边缘设备，通过边缘设备的摄像头采集所投入的垃圾图像，并将采集的垃圾图像输入垃圾分类模型。

2.根据权利要求1所述的一种基于改进MobileNet网络进行垃圾分类的方法，其特征在于，将标记后的初始数据集按照9:1或8:2或7:3的比例随机划分训练集和验证集。

3.根据权利要求2所述的一种基于改进MobileNet网络进行垃圾分类的方法，其特征在于，利用分割函数train_test_split()对标记后的初始数据集进行随机划分。

4.根据权利要求1所述的一种基于改进MobileNet网络进行垃圾分类的方法，其特征在于，所述改进MobileNet网络包括：

1)深度可分离卷积：

深度可分离卷积将传统的卷积分解为深度卷积Depthwise Convolution和点乘点卷积Pointwise Convolution，其中，

深度卷积Depthwise Convolution将输入图片分为三组，对每一组分别执行3×3卷积，收集每个通道的空间特征，

点乘点卷积Pointwise Convolution对输入图片执行1×1卷积，收集每个点的特征；

2)激活函数：

输出层用softmax激活函数表示：

softmax激活函数中，z定义输出层输入的向量，j为输出层的固定神经元，即待计算的神经元，K为神经元的个数；

除输出层外的其余所有卷积层都使用ReLU激活函数：

ReLU激活函数中，x为函数在x轴上的值；

3)残差模型；

4)网络结构：

使用MobileNet的深度可分离卷积结合残差结构，构建改进MobileNet网络模型。

5.根据权利要求4所述的一种基于改进MobileNet网络进行垃圾分类的方法，其特征在于，所述改进MobileNet网络中，使用python实现softmax激活函数的分类。

6.一种基于改进MobileNet网络进行垃圾分类的工具，其特征在于，其结构包括：

采集模块，用于采集垃圾图像，并存储于初始数据集；

标记模块，用于根据垃圾种类对初始数据集包含的垃圾图像进行标记；

划分模块，用于将标记后的初始数据集随机划分成训练集和验证集，且训练集包含样本数量大于验证集包含样本数量；

构建模块，用于构建改进MobileNet网络，训练集训练改进MobileNet网络，使改进MobileNet网络提取训练集所包含垃圾图像的特征；

验证模块，用于利用验证集包含的垃圾图像验证训练完成的改进MobileNet网络，若该改进MobileNet网络输出的分类结果与验证集的标记完全相同，则表示训练完成的改进MobileNet网络通过验证，随后将通过验证的训练完成的改进MobileNet网络作为垃圾分类模型，该垃圾分类模型将部署于边缘设备，并根据边缘设备采集的图像进行垃圾分类。

7.根据权利要求6所述的一种基于改进MobileNet网络进行垃圾分类的工具，其特征在于，所述划分模块将标记后的初始数据集按照9:1或8:2或7:3的比例随机划分训练集和验证集。