[发明专利]一种基于CNN的建筑垃圾分类方法

说明书

一种基于CNN的建筑垃圾分类方法，包括以下步骤：步骤1)收集建筑垃圾图片，自制建筑垃圾物料数据集，通过数据增强丰富数据集样本；步骤2)将轻量级自制卷积神经网络模型用于建筑垃圾分类：将经过预处理的图片输入训练好的网络模型，最终输出一组概率值，概率值最大的类别为结果类别；步骤3)在CNN中，通过卷积核对图像进行卷积操作，提取图片特征信息，在建筑垃圾分类应用中，数据集图片信息中的噪声是不可避免的，为了减少噪声的传递，使用最大池化方式，降低特征图维度；步骤4)使用AdamOptimizer优化器对模型参数进行优化，从而实现对红砖、泡沫、混凝土、PVC四类建筑垃圾物料的精确分类。本发明实现了对四类建筑垃圾物料的精确分类。

技术领域

本发明涉及建筑垃圾分类技术领域，特别涉及一种基于CNN的建筑垃圾分类方法。

背景技术

在国家大力发展建筑实业的同时，建筑垃圾也越来越多，现有的建筑垃圾回收装置回收工序复杂，效率低下，导致回收成本远远高于资源本身价值，因此探索高效率，低成本的建筑垃圾回收设备尤为重要。本发明利用神经网络算法对建筑垃圾进行准确分类，从而大大提高建筑垃圾回收站的回收效率，降低经济成本。

针对建筑垃圾回收问题，部分学者提出使用体积、重量等特征对建筑垃圾分类，也有学者提出提取建筑颜色特征进行分离。但在实际应用中，上述方法的识别范围，识别率都无法满足工业上对多种建筑垃圾进行分类的实际需求。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供一种基于CNN的建筑垃圾分类方法，该方法基于深度学习和机器视觉理论，通过训练CNN模型框架提取目标物特征信息，实现了对四类建筑垃圾物料(红砖、泡沫、混凝土、PVC)的精确分类。

为了实现上述目的，本发明采用的技术方案是：

一种基于CNN的建筑垃圾分类方法，包括以下步骤：

步骤1)收集建筑垃圾图片，自制建筑垃圾物料数据集，通过数据增强丰富数据集样本；

步骤2)将轻量级自制卷积神经网络模型用于建筑垃圾分类：将经过预处理的图片输入训练好的网络模型，最终输出一组概率值，概率值最大的类别为结果类别；

步骤3)在CNN中，通过卷积核对图像进行卷积操作，提取图片特征信息，在建筑垃圾分类应用中，数据集图片信息中的噪声是不可避免的，为了减少噪声的传递，使用最大池化方式，降低特征图维度；

步骤4)使用AdamOptimizer优化器对模型参数进行优化，从而实现对红砖、泡沫、混凝土、PVC四类建筑垃圾物料的精确分类。

所述步骤1)中，对建筑垃圾图片进行数据增强，包括随机裁剪、亮度增强、旋转、锐化操作，将增强后的所有样本按照2：8划分为val、train两类，所述train文件中的样本用于训练模型，val文件中的样本用于测试模型。

所述步骤2)中，基于tensorflow深度学习框架搭建网络模型，该模型深度为7层，包括两层卷积层+池化层，两层全连接层和一层分类输出层，通过两层卷积层，能够提取建筑垃圾图片的特征信息，所述步骤3)中在每一层卷积后，结合池化能够减少原始数据图像带来的参数，利用图像局部相关性的原理，对图像进行采样，池化层对原始特征层的信息进行压缩，减少处理的数据量，从而防止过拟合：

全连接层中，每一个神经元都与上一层神经元进行全连接，全连接层整合卷积层和池化层中具有类别区别性的局部信息，包含向量权重和激活函数，将卷积层输出拉平为一维特征向量作为输入，该向量再与权重向量进行点乘，结果再通过激活函数，以此作为全连接层最终输出，在全连接层之后加入Softmax函数，预测属于每一种类图片的归一化概率，Softmax函数定义式为：