一种基于目标检测技术的厨余垃圾杂质识别方法与流程

技术特征：
1.一种基于目标检测技术的厨余垃圾杂质识别方法，其特征在于，包括以下步骤：s1.建立厨余垃圾图像库，收集包含杂质的厨余垃圾图像n张，并利用标注工具将厨余垃圾图像中的杂质标注出位置以及类别；s2.将标注好的厨余垃圾图像按比例划分为训练集和测试集，并分别进行预处理；s3.构建基于卷积神经网络的目标检测模型；s4.利用标注后的厨余垃圾图像训练集训练基于卷积神经网络的目标检测模型；s5.将待检测的厨余垃圾图像输入至预先训练好的目标检测模型中，最终模型输出检测到的杂质位置以及类别。2.根据权利要求1所述的基于目标检测技术的厨余垃圾杂质识别方法，其特征在于，所述步骤s1中建立包含k类杂质的厨余垃圾图像库，且每类杂质均有一定规模，包括如下方面：(1)采集厨余垃圾图像；(2)将收集到的厨余垃圾图像进行筛选，保留含有杂质的厨余垃圾图像，杂质类型有如下5类：玻璃、金属、塑料瓶、纸盒、其他；(3)利用目标检测标注工具，将采集到的厨余垃圾图像按照杂质类型进行标注，分别标注出目标位置以及对应类别；使得每张图像均含有其中包含的杂质的位置以及杂质类别信息。3.根据权利要求1所述的基于目标检测技术的厨余垃圾杂质识别方法，其特征在于，所述步骤s2中将标注好的厨余垃圾图像按比例划分为训练集和测试集，并分别进行预处理，主要包括：(1)将标注好的厨余垃圾图像按照一定比例划分为训练集与测试集；(2)将图像进行预处理，重新设置大小，统一输入图像尺寸；(3)数据增强方法一：对输入的图像进行随机裁剪，通过裁剪不仅增加了图像数据，同时也弱化了数据噪声，能够增强模型的稳定性；(4)数据增强方法二：将图像分别进行垂直翻转和水平翻转，以及随机旋转一定角度，该方法能够提升模型的泛化能力，使模型对各种形状的垃圾图像均能有效的提取图像特征；(5)数据增强方法三：对图像进行颜色变换，随机叠加一些噪声；最常见的方法是高斯噪声，或者在面积大小可选定、位置随机的矩形区域上丢弃像素产生某种颜色矩形块，从而产生彩色噪声，在图片上随机选取一块区域并擦除图像信息；(6)对变换后的图像进行归一化，使模型训练时更加稳定。4.根据权利要求1所述的基于目标检测技术的厨余垃圾杂质识别方法，其特征在于，所述步骤s3中构建基于卷积神经网络的目标检测模型，主要工作如下：(1)利用卷积神经网络进行学习，包括输入层，卷积层，批归一化层，激活函数层，残差连接层，构建特征提取网络；(2)使用sigmoid分类层进行分类，利用回归计算层计算锚点框位置，构建基于卷积神经网络的目标检测模型。5.根据权利要求1所述的基于目标检测技术的厨余垃圾杂质识别方法，其特征在于，所述步骤s4中利用厨余垃圾图像训练集训练基于卷积神经网络的目标检测模型，具体工作如
下：利用搭建的卷积神经网络模型，在预处理后的训练图像数据集上进行训练，模型通过卷积神经网络进行特征提取，再利用最终的回归计算层和分类层来定位和识别杂质；通过在训练集上的学习过程，目标检测模型对厨余垃圾中的杂质具有识别能力。6.根据权利要求1所述的基于目标检测技术的厨余垃圾杂质识别方法，其特征在于，所述步骤s5中将目标图像输入至预先训练好的目标检测模型中，最终输出厨余垃圾图像中所含杂质的位置以及类别，具体过程如下：(1)将待识别目标图像输入至训练好的目标检测模型中，模型通过卷积神经网络提取图像的关键特征，根据提取到的关键特征判断是否包含杂质，并输出杂质位置以及类别；(2)使用测试集进行验证，通过测试集的验证可评价模型对厨余垃圾中杂质的定位准确率以及类别判断准确率。

技术总结
本发明公开了一种基于目标检测技术的厨余垃圾杂质识别方法，属于计算机视觉领域，面向厨余垃圾图像数据，基于卷积神经网络进行建模，利用卷积神经网络提取有效特征，再利用分类层和回归计算层进行杂质分类和定位。主要包括：建立并预处理厨余垃圾图像库，采用数据增强的方式扩大数据规模；构建基于卷积神经网络的目标检测模型；利用厨余垃圾图像库训练目标检测模型；将目标图像输入至训练好的目标检测模型中进行判断，最终输出目标图像中所含杂质的位置以及所属类别，实现厨余垃圾中的杂质的自动识别。自动识别。自动识别。


技术研发人员：杜永萍 刘杨 彭治 牛晋宇 韩红桂
受保护的技术使用者：北京工业大学
技术研发日：2021.08.20
技术公布日：2021/12/16