[发明专利]一种SVM与目标检测算法融合的垃圾分类方法

权利要求书

1.一种SVM与目标检测算法融合的垃圾分类方法，其特征在于包含以下步骤：

步骤一：通过高光谱相机采集带分类垃圾的光谱数据；

步骤二：通过PLS降维模型对采集的光谱数据进行降维；

步骤三：采用SVM分类模型对光谱数据进行分类，并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像；

步骤四：采用YOLOv4目标检测模型对生成的RGB图像进行训练和检测。

2.根据权利要求1所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤一具体为高光谱相机通过线扫的方式扫描待分类垃圾的材质光谱信息，扫描的光谱波段范围为400-1000nm或900-1700nm。

3.根据权利要求1所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤二具体为：

2.1高光谱相机采集到的待分类垃圾的光谱数据为待分类垃圾的二维信息矩阵；

2.2采用偏最小二乘回归方法，利用PLS降维模型对待分类垃圾的光谱数据进行降维，PLS降维模型的公式为：

A＝TO^T+E (1)

B＝UQ^T+F (2)

其中，A表示n*m预测矩阵；B表示n*p响应矩阵；T和U表示n*l矩阵，分别为A和B的投影；P和Q表示m*l和p*l的正交载荷矩阵；矩阵E和F为错误项；公式(1)和(2)一同进行运算，完成PLS模型降维；

2.3待分类垃圾的光谱数据经过PLS降维模型的降维后，从200多个混杂的光谱像素信息进行特征提取，选取包含信息量大的波段或像素信息来降低数据冗余程度，提取两个特征光谱值，分别记作坐标X、Y的值，将所有光谱数据经过PLS降维模型降维后得到待分类垃圾的散点图。

4.根据权利要求3所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤三中采用SVM分类模型对光谱数据进行分类具体为：

3.1对获取的散点图后，使用支持向量机SVM模型中多分类器将不同像素分开，即假设一种为正面样本，其余为反面样本，需使任意样本的点到平面距离≥1，判定决策边界及点到平面距离公式如下：

决策边界：ω^TX+b＝0

点到平面距离：y_i(w^TX_i+b)≥1

其中，参数w，b分别为超平面的法向量和截距；X，y分别为样本以及标签类；

3.2利用标准化后的训练集样本训练SVM多分类器，利用交叉验证思想找出优化后的参数C、γ，优化分类器；其中，参数γ是多项式、高斯径向基、两层感知机核函数的γ参数，参数C是SVM惩罚参数，为非负数；

3.3通过重复3.1-3.2步骤，将多种样本全部分开，得到分类模型。

5.根据权利要求4所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：如果待分类垃圾的坐标点信息在三条线的中间区域，则通过分类时的权重实现分类，到此分类模型搭建完成。

6.根据权利要求4所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：当分析新的光谱时，光谱数据经过PLS降维模型后得到X、Y坐标值，坐标值通过PLS降维模型就可以将光谱分类，从而对采集的每个像素点进行分类。

7.根据权利要求4所述的一种SVM与目标检测算法融合的垃圾分类方法，其特征在于：所述步骤三中并对分类后的光谱数据按材质不同进行不同颜色的上色从而生成RGB图像具体为：

3.4对分类后的每个像素点，按照像素点的像素值对应不同材质进行分段，然后按照分段信息对应的不同材质赋予每个像素点指定种类颜色；

3.5将每线扫416行的像素颜色信息拼接成416*416尺寸的RGB伪彩色图片。