[发明专利]一种基于深度学习模型的回收瓶分类方法

说明书

本发明公开了一种基于深度学习模型的回收瓶分类方法，包括如下步骤：S01：获取回收瓶图像，对各个回收瓶图像进行标注和定义类别，形成训练图像数据集、验证图像数据集和测试图像数据集；S02：建立深度学习模型，采用训练图像数据集对所述深度学习模型进行训练；S03：采用验证图像数据集和测试图像数据集对训练之后的深度学习模型进行验证和测试，若验证或测试结果达不到设定值，则返回步骤S02继续进行深度学习模型训练；若验证或测试结果达到设定值，则得到预测模型；S04：对预测模型加载在回收装置中，所述预测模型的输出结果控制机械手对回收瓶进行分类。本发明提供的的一种基于深度学习模型的回收瓶分类方法，用以提高回收瓶的识别和回收效率。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于深度学习模型的回收瓶分类方法。

背景技术

随着我国对生态保护和环境卫生的重视程度不断提升，对垃圾的回收利用越来越规范化和产业化，在垃圾回收过程中希望垃圾回收的效率得到提升，因此智能化垃圾处理和回收行业快速发展。利用自动化设备来分担一部分人工分拣垃圾的工作，以此提高回收效率和质量。

其中自动化设备中涉及到深度学习、计算机视觉和图像处理等领域。目前，由于垃圾的数量巨大，而且垃圾回收处理行业的人员较少，大多非青壮年，回收环境较差，人工分拣处理，效率较低，误检率较高。尤其对于垃圾中的回收瓶，其回收价值高，若能实现高效回收，既能节约资源，也能变废为宝，创造新的价值。

若能利用自动化设备分拣，采用深度学习的目标检测算法，在环境稳定的环境下，识别准确且能实时返回检测给分拣自动化设备，则能集中化、高效率的完成垃圾分拣工作，大大减少人的工作量。因此，如何训练出能够准确识别垃圾类别的深度学习模型成为急需解决的问题。

发明内容

针对现有技术的不足，本发明的目的旨在提供一种基于深度学习模型的回收瓶分类方法，用以提高回收瓶的识别和回收效率。

为实现上述目的，本发明采用如下技术方案：一种基于深度学习模型的回收瓶分类方法，包括如下步骤：

S01：获取回收瓶图像，对各个回收瓶图像进行标注和定义类别，形成训练图像数据集、验证图像数据集和测试图像数据集；

S02：建立深度学习模型，采用训练图像数据集对所述深度学习模型进行训练；所述深度学习模型包括主分支网络、预测分支和修正分支；

S03：采用验证图像数据集和测试图像数据集对训练之后的深度学习模型进行验证和测试，若验证或测试结果达不到设定值，则返回步骤S02继续进行深度学习模型训练；若验证或测试结果达到设定值，则得到预测模型；

S04：对预测模型加载在回收装置中，所述预测模型的输出结果控制机械手对回收瓶进行分类。

进一步的，所述步骤S01具体包括：

S011：利用工业相机拍摄传送带上回收瓶视频；

S012：提取视频中相同帧间隔的图像，获得回收瓶图像；

S013：删除回收瓶图像中不合格图像，对剩余图像进行标注和定义类别；

S014：将标注和定义类别之后的图像分类形成训练图像数据集、验证图像数据集和测试图像数据集。

进一步的，所述步骤S014中训练图像数据集、验证图像数据集和测试图像数据集中图像的个数比例为6:2:2。

进一步的，所述主分支网络包括特征提取部分和定位部分，所述预测分支和修正分支嵌入在特征增强部分和定位部分之间。

进一步的，所述深度学习模型采用RepPointsV2模型。

进一步的，所述主分支网络为anchor-free目标预测模型。