[发明专利]基于人工智能的林地生活垃圾样本数据扩增方法和系统

说明书

一种基于人工智能的林地生活垃圾样本数据扩增方法，利用搭载相机的无人机采集的林地生活垃圾图像样本，对所述林地生活垃圾图像样本进行标注后，利用DCGAN网络模型生成扩增的林地生活垃圾图像，并将该扩增的林地生活垃圾图像加入林地生活垃圾样本集。所述的DCGAN网络模型包括，判别器，对于输入的虚假图像和真实图像，判别其真伪；生成器，生成接近真实图像的虚假图像。在生成器的输出层使用Tach激活函数以控制输出范围，而在所述的DCGAN网络模型的其它层中均使用ReLU激活函数。

技术领域

本发明属于城市管理技术领域，特别涉及一种基于人工智能的林地生活垃圾样本数据扩增方法和系统。

背景技术

在大数据图像处理中，以卷积神经网络为代表的深层结构具有更高的性能，但同时需要相对更多的标签训练样本。目前，在对林地中生活垃圾的管理中，已经运用到了高空图像识别深度学习模型，但是遇到的难题是，虽然林地内生活垃圾图像获取渠道较多，但数据标注的过程往往耗资巨大，林地生活垃圾识别面临标签样本缺乏的困难。

发明内容

本发明实施例之一，一种基于GCGAN算法的林地内生活垃圾样本数据扩增方法，利用搭载相机的无人机采集的林地生活垃圾图像样本，对所述林地生活垃圾图像样本进行标注后，利用DCGAN网络模型生成林地生活垃圾图像，并将该扩增的林地生活垃圾图像加入林地生活垃圾样本集。所述的DCGAN网络模型包括，

判别器，对于输入的虚假图像和真实图像，判别其真伪；

生成器，生成接近真实图像的虚假图像。

本发明实施例的数据扩增可以增加训练集的样本，有效缓解模型过拟合的情况，使得训练数据尽可能的接近测试数据，从而提高预测精度。另外样本扩增可以迫使网络学习到更鲁棒性的特征，从而使模型拥有更强的泛化能力，比如对图像进行一定程度的遮挡。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1生成对抗网络模型结构示意图。

图2根据本发明实施例之一的基于GCGAN算法的林地内生活垃圾样本数据扩增方法流程图。

具体实施方式

林地样本数据规模是林业智能识别算法性能的关键，利用少量已有数据扩增得到大量林业样本数据成为林业场景识别需要解决的问题。而林地垃圾的种类非常多样，例如，林地内生活垃圾主要有：

1)废纸张：报纸、纸箱、书本、纸塑铝复合包装和纸袋等。

2)废塑料：塑料瓶、玩具、油桶、乳液罐、食品保鲜盒、泡沫塑料和衣架等。

3)废玻璃制品：酒瓶、玻璃放大镜和玻璃杯等。

4)废金属：易拉罐、锅和电线等。

5)废织物：皮鞋、衣服、床单、枕头、包和毛绒玩具等。

6)废杀虫剂和消毒剂的包装物等。

7)废胶片及废相纸：x光片等感光胶片、相片底片等。

8)食材废料：谷物及其加工食品、肉蛋及其加工食品、水产及其加工食品、蔬菜、调料和酱料等。

9)干垃圾：餐巾纸、卫生间用纸、尿不湿、狗尿垫、猫砂、烟蒂、污损纸张、干燥剂、污损塑料、尼龙制品、编制袋、防碎气泡膜、大骨头、硬贝壳、毛发、灰土、炉渣、橡皮泥、太空沙、陶瓷花盆、带胶制品、旧毛巾、一次性餐具、镜子、陶瓷制品、竹制品、成分复杂的制品等。

10)大件垃圾：沙发、床垫、床和桌子等。