[发明专利]一种基于GinTrans网络的垃圾分割方法及系统

说明书

本发明公开了一种基于GinTrans网络的垃圾分割方法，其包括一下步骤：(1)图像分割系统设置；(2)图像采集输入；(3)特征图提取；(4)切割标识重组；(5)重塑融合；(6)跳跃聚合；(7)分割输出。本发明还公开一种图像分割系统。本发明通过线性变换生成挖掘特征所需的特征图，减少网络参数，降低复杂度，保证分割处理效率的同时，提高响应速度；通过利用Bi‑Frequency Transformer(BiFTrans block)模块实现对高频和低频的分频处理特征，实现对高频细节的捕捉及兼顾低频全局信息，保证图像处理的速度及稳定性，且提高对垃圾目标分割的精度及准确性，提高分类效率。

技术领域

本发明涉及视觉处理的技术领域，具体涉及一种基于GinTrans网络的垃圾分割方法及系统。

背景技术

随着经济发展飞速，人民生活水平提高，产生的垃圾种类越来越复杂，统一的填埋方法已经不能满足保护自然、绿色发展的理念。对垃圾的分类处理可以实现资源的循环利用、减少土壤危害、防止空气污染。要实现绿色环保型社会、实现资源的循环利用，垃圾分类是一个重要的步骤。从每个小家庭、每个各人开始进行垃圾分类，可以节省后续工作大量的人力物力。实现可回收垃圾的循环利用，非可回收物的正确投放、垃圾处理。目前我国开展目前垃圾分类先行先试的46个重点城市中，生活垃圾分类小区覆盖率已达86.6％，生活垃圾平均回收利用率为30.4％，厨余垃圾处理能力从2019年的每天3.47万吨提升到2020年年底的每天6.28万吨。

然而，尽管近年来我国生活垃圾分类和处理方面成绩可圈可点，但在部分城市和社区，垃圾分类仍是一个棘手的难题，在多数垃圾分类中心，仍然需要手动分拣，效率低下，因尖锐垃圾划伤还会对人体产生伤害。通过人工智能技术，利用计算机视觉和图像处理分割垃圾，不仅能够大大提升垃圾分拣效率，还可以精准分类，将混在其他垃圾中的可回收垃圾筛选出来，实现资源的高效和循环利用，但现有的垃圾采用的基于视觉的垃圾分类系统还存在的以下问题：1、现有基于传统图像处理的垃圾分割方法，分割精度低；2、现有基于传统深度学习网络的分割方法，模型参数多，计算复杂度高，影响后续的图像处理速度及效率；3、垃圾目标种类繁多，变形、污损严重，目标之间的边界极为不清洗，现有方法无法很好地捕捉细节和轮廓信息，导致分割难度大，误分割率高，影响后续的分类精度。

发明内容

本项发明是针对现在的技术不足，提供一种基于GinTrans网络的垃圾分割方法。

本发明还公开一种图像分割系统。

本发明为实现上述目的所采用的技术方案是：

一种基于GinTrans网络的垃圾分割方法，其包括以下步骤：

(1)图像分割系统设置：所述图像分割系统包括图像采集模块、提取模块、切割标识重组模块、重塑融合输出模块、跳跃连接聚合模块及分割输出模块，所述提取模块设有GhostNet网络，所述重塑融合输出模块设有Bi-Frequency Transformer(BiFTrans block)模块，所述跳跃连接聚合模块设有上采样恢复模块及GhostNet下采样特征提取模块，所述分割输出模块设有分割头模块；

(2)图像采集输入：所述图像采集模块连接有图像采集摄像头，所述图像采集摄像头对智能化垃圾回收分拣线上的垃圾进行图像采集并传输到图像采集模块上，图像采集模块采集到的图像作为图像输入数据并输送至提出模块进行处理；

(3)特征图提取：提取模块对图像输入数据进行处理，所述提取模块采用GhostNet网络对图像输入数据进行底层特征提取，提取得到输出特征图，并进行下个步骤处理；

(4)切割标识重组：所述切割标识重组模块对提取到的输出特征图进行切割操作，通过切割操作将输出特征图网格化，网格化完成后通过线性映射生成标记特征，并将标记特征组成标记特征序列，将标记特征序列作为Bi-Frequency Transformer(BiFTransblock)模块的输入；