[发明专利]一种基于主动学习的垃圾分类方法

权利要求书

1.一种基于主动学习的垃圾分类方法，其特征在于,包括以下步骤：

S1、数据获取阶段：获取多张未标注的垃圾图片，生成数据集；

S2、模型训练阶段：使用ResNeXt101网络利用BvSB方法对步骤S1获取的数据集进行训练，得到模型model_z；

S3、模型应用阶段：将待分类垃圾图片输入到步骤S2中所得到的模型model_z中，利用softmax函数输出每个类别的概率值，获取最大概率与次大概率的差值，若差值大于阈值P，则将其输出为最大概率对应的类别；若差值小于阈值P，则筛选出该待分类垃圾图片进行人为标注。

2.如权利要求1所述的一种基于主动学习的垃圾分类方法，其特征在于，步骤S1具体包括以下步骤：

S1.1、获取多张垃圾图片作为训练使用数据集；

S1.2、对垃圾图片进行预处理，然后将垃圾图片等比缩放到同一尺寸；

S1.3、将处理后的数据集划分为训练集D、未标记样本集、验证集和测试集。

3.如权利要求2所述的一种基于主动学习的垃圾分类方法，其特征在于，步骤S1.3中的数据集50％用于构建训练集D和未标记样本集，其中每种类别选取十个样本用于构建训练集D，其余样本为未标记样本集；另外50％为验证集和测试集，其中验证集占5％，测试集占95％。

4.如权利要求3所述的一种基于主动学习的垃圾分类方法，其特征在于，步骤S2具体包括以下步骤：

S2.1、将训练集D中的样本进行标注，并对样本进行数据增强操作；

S2.2、将处理后的训练集D输入到ResNeXt101网络中进行训练，得到原始模型；

S2.3、根据原始模型，运用BvSB方法对未标记样本集进行筛选，满足条件的样本放入到训练集D，不满足条件的样本放回未标记样本集；

S2.4、对新放入训练集D的样本进行标注，并进行数据增强操作；

S2.5、将新放入训练集D的样本输入到原始模型对其进行再训练，得到模型model_x，并将其作为初始模型；

S2.6、重复上述S2.3-S2.5，直到达到指定的迭代次数，保存最终得到的模型model_z；

S2.7、保存最后一次迭代由BvSB方法所得最大概率与次大概率差值记为阈值P。

5.如权利要求4所述的一种基于主动学习的垃圾分类方法，其特征在于：步骤S2.4中标注类别包括可回收垃圾、厨余垃圾、有害垃圾、其他垃圾四个一级标签，以及n个二级标签。

6.如权利要求4所述的一种基于主动学习的垃圾分类方法，其特征在于：数据增强操作包括随机噪声、随机擦除、随机裁剪、Mixup和CutMix，数据增强操作用于提升标注样本的泛化能力。

7.如权利要求5所述的一种基于主动学习的垃圾分类方法，其特征在于：步骤S2.2中的ResNeXt101网络包括五个bottleneck和两个全连接层，且每个bottleneck后加有cbam注意力机制，用于提升其特征表征能力，在两个全连接层之间加有dropout，随机丢弃一些神经元，防止模型过拟合，将最后一个全连接层连接softmax函数，最后输出各个类别的概率。

8.如权利要求7所述的一种基于主动学习的垃圾分类方法，其特征在于：将待筛选的样本输入模型model_z中，经softmax函数输出各个类别的概率，将最大概率以及次大概率记为P_first、P_second，则其中，xi为表示训练集D里的第i个样本。