[发明专利]一种再生资源识别模型建立方法及再生资源识别方法

说明书

本发明涉及图像处理领域，尤其涉及一种再生资源识别模型建立方法及再生资源识别方法。再生资源识别模型建立方法包括建立关于再生资源识别模型的网络框架；将所述网络框架在基准数据集上进行预训练，以得到预训练权重；采集关于再生资源的图像样本，并将所述图像样本分为训练数据集和测试数据集；根据所述预训练权重以及所述训练数据集对所述网络框架进行迁移学习，以得训练数据集训练权重。本发明所提出的再生资源识别模型建立方法填补了现有技术的空白，通过再生资源识别模型可以实现再生资源的快速、准确识别。

技术领域

本发明涉及图像处理领域，尤其涉及一种再生资源识别模型建立方法及再生资源识别方法。

背景技术

再生资源的回收利用是提高资源的利用率、变废为宝的一种有效手段。然而再生资源的资源种类繁多，形态各异，传统的人工分类、分拣与回收模式不仅效率低下，而且具有一定的主观性和不确定性。近年来，随着深度学习的蓬勃发展，计算机视觉技术在物体分类、检测与分割等领域取得了巨大的成功，被广泛应用于智能安防、人脸识别、智能驾驶、文字识别等领域。基于此，需要探索出一种再生资源识别模型建立方法及再生资源识别方法，来以实现再生资源的快速、准确识别。

发明内容

鉴于上述现有技术的不足，本申请的目的在于提供一种再生资源识别模型建立方法及再生资源识别方法，旨在解决现有再生资源主要通过人工分类、分拣与回收，上述方式存在效率低下、带有主观性和不确定性等问题。

本发明的第一方面提供了一种再生资源识别模型建立方法，包括：建立关于再生资源识别模型的网络框架；将所述网络框架在基准数据集上进行预训练，以得到预训练权重；采集关于再生资源的图像样本，并将所述图像样本分为训练数据集和测试数据集；根据所述预训练权重以及所述训练数据集对所述网络框架进行迁移学习，以得训练数据集训练权重。本发明所提出的再生资源识别模型建立方法填补了现有技术的空白，通过建立再生资源识别模型可以实现再生资源的快速、准确识别。

可选地，所述建立关于再生资源识别模型的网络框架包括：构建所述网络框架的第0阶段，所述第0阶段包括Conv3×3卷积、激活函数和BN层；构建所述网络框架的第1至3阶段，所述第1至3阶段中分别包括Fused-MBConv结构；构建所述网络框架的第4至6阶段，所述第4至6阶段中分别包括MBConv结构；构建所述网络框架的第8阶段，所述第8阶段包括1×1卷积层、池化层和全连接层。本发明所提出的再生资源识别模型结构简单占用内存小，易于构建便于在移动端及嵌入式设备部署。

可选地，所述所述建立关于再生资源识别模型的网络框架还包括：在所述MBConv结构中设置注意力机制模块。通过设置所述注意力机制模块能够在图像分类和检测中提升准确率。

可选地，所述将所述网络框架在基准数据集上进行预训练，以得到预训练权重包括：修改所述全连接层的输出节点个数；调整所述基准数据集中图像的大小；以及通过所述基准数据集以预设数量迭代所述网络框架得到预训练权重。本发明通过预训练可以起到帮助监督后续的迁移学习的效果。

可选地，所述再生资源识别模型建立方法还包括：对所述训练数据集中的图像进行预处理。

可选地，所述对所述训练数据中的图像进行预处理包括：对所述训练数据集进行数据增强；将增强后的训练数据集的数据进归一化处理；将归一化处理后的训练数据集进行标签平滑正则化处理。本发明通过对图像进行预处理避免了在后续的迁移学习造成干扰。

可选地，所述根据所述预训练权重以及所述训练数据集对所述网络框架进行迁移学习包括：冻结所述网络框架中除第7阶段外的所有网络框架；对所述第7阶段的网络框架进行渐进式地迁移学习。本发明在训练过程采用渐进式学习策略，在训练早期使用较小的训练尺寸以及较弱的正则方法，这样网络框架能够快速的学习到一些简单的表达能力。接着逐渐提升图像尺寸，同时增强正则方法来保证模型的准确率。