本发明利用基于低秩卷积神经网络的废旧手机型号识别方法实现废旧手机回收过程中手机型号的精准识别。在废旧手机回收过程中，将手机按型号分类处理可以获得更大的经济效益，手机型号的识别成为了影响废旧手机回收效率的重要因素，手机各品牌型号繁多，相似度高，所以需要有一定的经验积累，才能熟练的对手机型号进行区分。将基于卷积神经网络的废旧手机型号识别方法应用于废旧手机回收过程中，能够避免由人员经验不足而产生的分类错误和分类效率低等问题，提高废旧手机回收的准确性和快速性，是图像识别领域的重要分支，又属于固体废物的处理领域。
背景技术：
废旧手机型号的快速准确识别能够提高手机回收效率，节省人力，同时还能提升废旧手机回收企业经济效益，是提高城市固体废物资源再利用的重要举措；不但具有较好的经济效益，而且具有显著的环境和社会效益。因此，本发明的研究成果具有广阔的应用前景。
废旧手机型号识别是一个图像识别与分类的过程，由于验机人员回收手机时拍摄的验机照片角度、设备、光源等拍摄条件各异，分辨率也不一，严重影响了废旧手机型号识别的准确性。
由于部分手机型号相似度过高，且在实际手机回收场景中手机型号的类别随着新机型上市而动态更新，且由于新机型训练样本较少使得模型难以及时学习和提取有效的特征信息，更是增大了建立模型的难度，根据手机的相似性度量手机各型号间的差别，可以降低模型学习需要的计算量，提高计算速度，满足废旧手机回收的需要。从而提高回收效率，加速废旧手机的流通过程，同时也能够减少人工费用，提高回收企业的效益。
本发明设计了一种基于低秩双线性卷积神经网络的手机型号识别方法，主要通过低秩双线性卷积算法提取了验机照片中可识别的手机区域，利用卷积神经网实现对废旧手机型号的快速准确识别。
技术实现要素：
本发明获得了一种低秩双线性卷积神经网络的手机型号识别方法，该识别方法通过低秩卷积算法提取了验机照片中可识别的手机区域，利用卷积神经网实现对废旧手机型号的快速准确识别；解决了废旧手机回收过程中型号识别的问题，提高了手机的回收效率。
本发明采用了如下的技术方案及实现步骤：
1.一种基于低秩双线性卷积神经网络的手机型号识别方法，通过设计低秩双线性卷积网络结构实现手机型号的准确识别，其特征在于，包括以下步骤：
(1)选择与手机型号识别模型的输入变量为：第一张待识别手机图像像素矩阵i1；第二张待识别手机图像像素矩阵i2；第一张待识别手机图像i1中红色通道像素矩阵ir1、第一张待识别手机图像i1中绿色通道像素矩阵ig1、第一张待识别手机图像i1中蓝色通道像素矩阵ib1，第二张待识别手机图像i2中红色通道像素矩阵ir2、第二张待识别手机图像i2中绿色通道像素矩阵ig2、第二张待识别手机图像i2中蓝色通道像素矩阵ib2，第一张待识别手机图像i1的型号标签z1；第二张待识别手机图像i2的型号标签z2；
(2)建立双线性卷积网络手机型特征提取模型
将两个手机型号图像样本的输入变量ir、ig、ib灰度化后进行双线性卷积特征提取，具体计算公式如下：
r1(t)＝0.299×ir1(t)+0.588×ig1(t)+0.114×ib1(t)(1)
r2(t)＝0.299×ir2(t)+0.588×ig2(t)+0.114×ib2(t)(2)
r1(t+1)＝f(w(t)×r1(t)+λ1)(3)
r2(t+1)＝f(w(t)×r2(t)+λ2)(4)
式中：r1(t)为待识别手机图像i1灰度化后的像素矩阵；r2(t)为待识别手机图像i2灰度化后的像素矩阵；r1(t+1)为第1个双线性卷积结构在第t+1次迭代时的待识别手机图像激活特征像素矩阵；r2(t+1)为第2个双线性卷积结构在第t+1次迭代时的待识别手机图像激活特征像素矩阵；f(·)为激活函数；w(t)表示双线性卷积结构的参数权重；λ1为第1个双线性卷积结构的输出偏置参数，λ1在(0,1)区间随机取值；λ2为第2个双线性卷积结构的输出偏置参数，λ2在(0,1)区间随机取值；t为迭代次数；p1(r(t))为r1(t)池化后的输出向量；r1为特征向量r1(t)中的元素；p2(r(t))为r2(t)池化后的输出向量；r2为特征向量r2(t)中的元素；s1为水平池化步长；s2为垂直池化步长；a为平均池化后卷积特征图的水平方向的维度；b为平均池化后卷积特征图的垂直方向的维度；i表示特征矩阵中的行数；j表示特征矩阵中的列数；b1(t)为p1(t)经奇异值分解降维后的特征矩阵；b2(t)为p2(t)经奇异值分解降维后的特征矩阵；δ1(t)为p1(t)的奇异值矩阵；u1(t)为p1(t)的左奇异矩阵；v1t(t)为p1(t)的右奇异矩阵的转置；δ2(t)为p2(t)的奇异值矩阵；u2(t)为p2(t)的左奇异矩阵；v2t(t)为p2(t)的右奇异矩阵的转置；z1(t)为矩阵b1(t)中的各特征元素进行正则向量化后的输出向量；z2(t)为矩阵b2(t)中的各特征元素进行正则向量化后的输出向量；||||2表示二范数归一化操作；sign为符号函数；
(2)设计联合监督分类模型
手机图像联合监督分类模型采用softmax与对比损失联合的回归分类算法，同类样本使用中心损失计算样本间的相似度量，而异类时直接采用softmax损失进行计算，具体计算方法如式(11)所示：
式中：l(t)为联合损失函数的输出；μ为损失权衡系数，当z1＝z2，即样本为同型号手机时μ＝1；当z1≠z2，即样本为不同型号手机时μ＝0；wt(t)表示双线性卷积结构的参数权重的转置；
(3)手机型号识别过程
使用双线性卷积网络结构进行手机型号识别的过程具体为：
①利用废旧手机在回收验机过程中采集的真实图像作为训练数据，从中选取任意两张图像i1和i2输入至双线性卷积特征提取模型中，得到每个训练样本的融合特征b1(t)和b2(t)；
②通过公式(5)～(6)所示的低秩矩阵参数降维方法对双线性特征矩阵进行降秩操作，以降低外积聚合运算的计算复杂度，提高运算速度，最终得到低秩双线性特征矩阵z1(t)和z2(t)；
③将降维后的特征矩阵输入到如公式(7)所示的联合损失函数中，得到该样本的联合监督值l(t)，反向传播并反复调整双线性卷积模型参数权重w(t)，使得联合监督值l(t)达到全局最小值。
④将样本随机成对输入到双线性卷积识别模型中，将模型的权重参数设置为w(t)，将模型输出的低秩双线性特征矩阵输入到联合损失函数中进行分类识别，进而得到分类后该样本的目标机型标签值，该标签值即为手机的型号。
本发明的创造性主要体现在：
(1)本发明针对当前废旧手机回收过程中的手机型号识别过程，需要准确快速的对手机型号进行识别，提高废旧手机回收的效率，然而手机照片角度、设备、光源等拍摄条件各异，分辨率也不一，严重影响了废旧手机型号识别的准确性，而且部分手机型号相似度过高，且在实际手机回收场景中手机型号的类别随着新机型上市而动态更新，且由于新机型训练样本较少使得模型难以及时学习和提取有效的特征信息；采用了基于卷积神经网络的型号识别算法，具有精度高，检测时间小等特点；
(2)本发明提出了一种基于卷积神经网络的废旧手机型号识别方法，该识别方法通过边缘检测算法提取了验机照片中可识别的手机区域，利用卷积神经网实现对废旧手机型号的快速准确识别；解决了废旧手机回收过程中型号识别的问题，提高了手机的回收效率。
特别要注意：本发明只是为了描述方便，采用卷积神经网络和边缘检测算法对手机图像进行处理，将其他的特征提取算法和识别区域提取算法相结合等相同原理的图像识别方法都应该属于本发明的范围。
具体实施方式
1.一种基于低秩双线性卷积神经网络的手机型号识别方法，通过设计低秩双线性卷积网络结构实现手机型号的准确识别，其特征在于，包括以下步骤：
(1)选择与手机型号识别模型的输入变量为：第一张待识别手机图像像素矩阵i1；第二张待识别手机图像像素矩阵i2；第一张待识别手机图像i1中红色通道像素矩阵ir1、第一张待识别手机图像i1中绿色通道像素矩阵ig1、第一张待识别手机图像i1中蓝色通道像素矩阵ib1，第二张待识别手机图像i2中红色通道像素矩阵ir2、第二张待识别手机图像i2中绿色通道像素矩阵ig2、第二张待识别手机图像i2中蓝色通道像素矩阵ib2，第一张待识别手机图像i1的型号标签z1；第二张待识别手机图像i2的型号标签z2；
(2)建立双线性卷积网络手机型特征提取模型
将两个手机型号图像样本的输入变量ir、ig、ib灰度化后进行双线性卷积特征提取，具体计算公式如下：
r1(t)＝0.299×ir1(t)+0.588×ig1(t)+0.114×ib1(t)(1)
r2(t)＝0.299×ir2(t)+0.588×ig2(t)+0.114×ib2(t)(2)
r1(t+1)＝f(w(t)×r1(t)+λ1)(3)
r2(t+1)＝f(w(t)×r2(t)+λ2)(4)
式中：r1(t)为待识别手机图像i1灰度化后的像素矩阵；r2(t)为待识别手机图像i2灰度化后的像素矩阵；r1(t+1)为第1个双线性卷积结构在第t+1次迭代时的待识别手机图像激活特征像素矩阵；r2(t+1)为第2个双线性卷积结构在第t+1次迭代时的待识别手机图像激活特征像素矩阵；f(·)为激活函数；w(t)表示双线性卷积结构的参数权重；λ1为第1个双线性卷积结构的输出偏置参数，λ1在(0,1)区间随机取值；λ2为第2个双线性卷积结构的输出偏置参数，λ2在(0,1)区间随机取值；t为迭代次数；p1(r(t))为r1(t)池化后的输出向量；r1为特征向量r1(t)中的元素；p2(r(t))为r2(t)池化后的输出向量；r2为特征向量r2(t)中的元素；s1为水平池化步长；s2为垂直池化步长；a为平均池化后卷积特征图的水平方向的维度；b为平均池化后卷积特征图的垂直方向的维度；i表示特征矩阵中的行数；j表示特征矩阵中的列数；b1(t)为p1(t)经奇异值分解降维后的特征矩阵；b2(t)为p2(t)经奇异值分解降维后的特征矩阵；δ1(t)为p1(t)的奇异值矩阵；u1(t)为p1(t)的左奇异矩阵；v1t(t)为p1(t)的右奇异矩阵的转置；δ2(t)为p2(t)的奇异值矩阵；u2(t)为p2(t)的左奇异矩阵；v2t(t)为p2(t)的右奇异矩阵的转置；z1(t)为矩阵b1(t)中的各特征元素进行正则向量化后的输出向量；z2(t)为矩阵b2(t)中的各特征元素进行正则向量化后的输出向量；||||2表示二范数归一化操作；sign为符号函数；
(2)设计联合监督分类模型
手机图像联合监督分类模型采用softmax与对比损失联合的回归分类算法，同类样本使用中心损失计算样本间的相似度量，而异类时直接采用softmax损失进行计算，具体计算方法如式(11)所示：
式中：l(t)为联合损失函数的输出；μ为损失权衡系数，当z1＝z2，即样本为同型号手机时μ＝1；当z1≠z2，即样本为不同型号手机时μ＝0；wt(t)表示双线性卷积结构的参数权重的转置；
(3)手机型号识别过程
使用双线性卷积网络结构进行手机型号识别的过程具体为：
⑤利用废旧手机在回收验机过程中采集的真实图像作为训练数据，从中选取任意两张图像i1和i2输入至双线性卷积特征提取模型中，得到每个训练样本的融合特征b1(t)和b2(t)；
⑥通过公式(5)～(6)所示的低秩矩阵参数降维方法对双线性特征矩阵进行降秩操作，以降低外积聚合运算的计算复杂度，提高运算速度，最终得到低秩双线性特征矩阵z1(t)和z2(t)；
⑦将降维后的特征矩阵输入到如公式(7)所示的联合损失函数中，得到该样本的联合监督值l(t)，反向传播并反复调整双线性卷积模型参数权重w(t)，使得联合监督值l(t)达到全局最小值。
⑧将样本随机成对输入到双线性卷积识别模型中，将模型的权重参数设置为w(t)，将模型输出的低秩双线性特征矩阵输入到联合损失函数中进行分类识别，进而得到分类后该样本的目标机型标签值，该标签值即为手机的型号。