[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

说明书

本发明公开一种基于改进MobileNet网络进行垃圾分类的方法及工具，涉及深度学习技术领域，本方法的实现包括：采集垃圾图像，作为初始数据集；根据垃圾种类标记初始数据集包含的垃圾图像；将标记后的初始数据集随机划分成训练集和验证集；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；将验证集包含的垃圾图像输入训练完成的改进MobileNet网络，若训练完成的改进MobileNet网络输出的分类结果与验证集的标记完全相同，则表示垃圾分类模型通过验证，将通过验证的改进MobileNet网络作为垃圾分类模型部署到边缘设备，完成垃圾图像的分类。本发明可以在损失较小精度的情况下减小改进MobileNet网络的参数量与运算量，并部署在边缘设备上使用。

技术领域

本发明涉及深度学习技术领域，具体的说是一种基于改进MobileNet网络进行垃圾分类的方法及工具。

背景技术

垃圾分类，指按一定规定或标准将垃圾分类储存、分类投放和分类搬运，从而转变成公共资源的一系列活动的总称。分类的目的是提高垃圾的资源价值和经济价值，力争物尽其用。然而，我们在日常生活中还是难以对垃圾进行准确分类，特别对干垃圾、湿垃圾等。

垃圾分类本质上是一种图像分类问题，随着深度学习的发展，卷积神经网络(CNN)在图像分类方面已经取得了巨大进展。卷积神经网络可以更加精确的提取图像特征信息，从而更加准确确定目标类别。但是通过传统深度学习方法训练出的目标检测模型通常包含大量参数，模型体积大并且需要GPU支持，模型难以在边缘端设备上进行部署。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种基于改进MobileNet网络进行垃圾分类的方法及工具。

首先，本发公开一种基于改进MobileNet网络进行垃圾分类的方法，解决上述技术问题采用的技术方案如下：

一种基于改进MobileNet网络进行垃圾分类的方法，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。

进一步的，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。

更进一步的，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。

进一步的，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，