[发明专利]一种垃圾分类方法及垃圾桶

说明书

本发明提供了一种垃圾分类方法及垃圾桶，垃圾分类方法包括：首先获取待分类垃圾的图像数据；构建神经网络模型；神经网络模型包括：第一层稀疏网络模块、第二层稀疏网络模块、第三层残差网络模块、平均池化层和归一化层；第一层稀疏网络模块包括一个7*7卷积层、一个1*1卷积核、一个3*3卷积核、一个5*5卷积核和一个3*3最大池化层；第二层稀疏网络模块包括：三个1*1卷积核、一个3*3卷积核、一个5*5卷积核和一个3*3最大池化层；基于神经网络模型对图像数据进行处理，得到分类结果；根据分类结果，将待分类垃圾投放到对应位置。本发明基于构建的神经网络模型提高了垃圾分类的准确率和效率。

技术领域

本发明涉及神经网络训练技术领域，特别是涉及一种垃圾分类方法及垃圾桶。

背景技术

通过对市场调研发现目前垃圾分类问题严峻，垃圾分类意识薄弱、分类错误和垃圾回收不及时等问题。另外，基于神经网络的垃圾分类识别算法尚不成熟，主要体现为垃圾分类不准确，时延较长，另外可识别的垃圾种类有限。因此，亟需解决垃圾分类不准确，垃圾分类时间较长的问题。

发明内容

本发明的目的是提供一种垃圾分类方法及垃圾桶，以提高垃圾分类的准确率和效率。

为实现上述目的，本发明提供了一种垃圾分类方法，所述垃圾分类方法包括：

步骤S1：获取待分类垃圾的图像数据；

步骤S2：构建神经网络模型；所述神经网络模型包括：第一层稀疏网络模块、第二层稀疏网络模块、第三层残差网络模块、平均池化层和归一化层；所述第一层稀疏网络模块包括一个7*7卷积层、一个1*1卷积核、一个3*3卷积核、一个5*5卷积核和一个3*3最大池化层；所述第二层稀疏网络模块包括：三个1*1卷积核、一个3*3卷积核、一个5*5卷积核和一个3*3最大池化层；

步骤S3：基于所述神经网络模型对所述图像数据进行处理，得到分类结果；

步骤S4：根据所述分类结果，将所述待分类垃圾投放到对应位置。

可选地，所述基于所述神经网络模型对所述图像数据进行处理，得到分类结果，具体包括：

步骤S31：将所述图像数据输入到第一层稀疏网络模块进行计算，得到第一特征矩阵；

步骤S32：将所述第一特征矩阵输入到第二层稀疏网络模块进行计算，得到第二特征矩阵；

步骤S33：将所述第二特征矩阵输入到第三层残差网络模块进行卷积处理，得到第七特征矩阵；

步骤S34：将所述第七特征矩阵输入到平均池化层进行矩阵转换，获得特征向量；

步骤S35：将所述特征向量进行归一化处理，计算所述图像数据属于各类垃圾的概率；

步骤S36：将概率最大的垃圾类别作为分类结果，并输出所述分类结果。

可选地，所述将所述第二特征矩阵输入到第三层残差网络模块进行卷积处理，得到第七特征矩阵，具体包括：

步骤S331：将所述第二特征矩阵经过两次卷积处理后，获得深度为256的第三特征矩阵；

步骤S332：将所述第二特征矩阵经过1*1卷积处理后，获得深度为256的第四特征矩阵；

步骤S333：将所述第三特征矩阵与所述第四特征矩阵相加，得到第五特征矩阵；

步骤S334：将经过两次卷积处理后的第五特征矩阵与所述第五特征矩阵相加，得到第六特征矩阵；

步骤S335：将经过两次卷积处理后的第六特征矩阵与所述第六特征矩阵相加，得到第七特征矩阵。

可选地，所述计算所述图像数据属于各类垃圾的概率的公式为：