一种垃圾智能分类方法及系统

1.本发明涉及垃圾智能分类技术领域，具体为一种垃圾智能分类方法及系统。


背景技术：

2.基于深度学习的垃圾智能分类已取得了广泛关注，与传统的机器学习方法相比，深度学习可以自动融合特征提取网络与分类网络使整个系统的性能达到最佳，以提取更高层次的分类特征。然而，深度学习获得高精度的分类性能取决于大量的监督训练集，且要求训练集和测试集具有相同的分布。在实际检测环境中，采集足够大规模的监督训练集既耗时又昂贵。此外，由于不同环境间的域移位的影响，训练集和测试集是独立同分布的情况在现实应用中很少成立，特别是对于复杂垃圾数据集的自动分类，很难实现分类环境的统一。随着时间和空间的改变，采集的垃圾数据集的分布不统一，域移位现象严重。
3.无监督域自适应可以将源域的知识迁移到目标域，消除域移位影响的同时解决监督训练数据不足的问题。然而大多数现有的无监督域自适应方法在对齐源样本和目标样本时忽略了样本的可迁移性，对齐难以迁移的源样本将破坏目标样本的分布。此外大量的无监督目标样本易使得模型训练出现偏差，导致模型的分类性能降低。


技术实现要素：

4.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.因此，本发明的目的是提供一种垃圾智能分类方法及系统，能够提高垃圾智能分类模型的学习能力，极大程度的提高跨域环境下垃圾分类的准确性。
6.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
7.一种垃圾智能分类方法，其包括：
8.s1、获取不同环境的垃圾样本，将样本分为源样本与目标样本，进一步将目标样本分为训练集和测试集；
9.s2、构建基于跨域优化的改进无监督域混淆网络模型即iudcn模型，初始化参数，所述iudcn模型包括特征提取网络，距离辅助网络以及分类网络；
10.s3、训练iudcn模型的特征提取网络和分类网络，获得跨域环境下的类混淆损失，分类损失以及样本间距离损失；
11.s4、在分类网络中引入基于类混淆损失的干扰因子，更新分类网络参数，获得优化后的分类网络；
12.s5、在特征提取网络与分类网络之间嵌入距离辅助网络，生成标准的样本间距离损失，更新距离辅助网络参数，获得优化后的距离辅助网络；
13.s6、联合分类损失，类混淆损失，标准的样本间距离损失以及样本间距离损失更新
特征提取网络与分类网络参数，获得优化后的特征提取网络与分类网络；
14.s7、重复s3至s6，迭代以使得特征提取网络，距离辅助网络以及分类网络达到平衡，所述iudcn模型收敛到最佳，保存模型参数，获得优化后的iudcn模型；
15.s8、将目标测试集样本输入至优化后的iudcn模型，得到垃圾样本分类结果，实现垃圾智能分类。
16.作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述s2包括：
17.构建特征提取网络，所述特征提取网络在resnet18主干网络的基础上添加一层全连接层用于提取更高层次的特征表示；
18.构建分类网络，所述分类网络由一个全连接层组成，输出类别概率；
19.构建距离辅助网络，分别初始化特征提取网络，距离辅助网络与分类网络的参数θf，θd与θc。
20.作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述距离辅助网络嵌入在特征提取网络与分类网络之间，由2个全连接层组成，其中，2个全连接层输出尺寸均为类别数量的一半，输出标准的样本间距离，包括：
21.源样本xs通过特征提取网络再经由距离辅助网络输出的标准样本间距离为：
22.a＝softmax(θ
dt
f(xs；θf))，
23.其中a＝{ar，as}，ar为距离辅助网络输出的同类样本间距离，ae为距离辅助网络输出的异类样本间距离。
24.作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述s3包括：
25.训练iudcn模型的特征提取网络和分类网络，获得跨域环境下目标训练集样本的类混淆损失l
mcc
为：
[0026][0027]
其中k为类别数量，与均为目标训练集样本经过特征提取网络再到分类网络后获得的输出，其中i为样本数量索引，j与j
′
为不同类别的索引，wi为不同样本的贡献程度；
[0028]
源样本的分类损失lc为：
[0029][0030]
其中n为源样本数量，y
is
为源样本标签，为源标样本经过特征提取网络再到分类网络后获得的输出；
[0031]
源样本的样本间距离损失ld为：
[0032][0033]
其中第一项为同类样本间距离l
ds
，nr为类内样本数量，yr为类内样本标签，xr为类内样本，第二项为异类样本间距离l
dd
，ne为类内样本数量，ye为类内样本标签，xe为类内样本。
[0034]
作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述s4包括：
[0035]
在分类网络中引入基于类混淆损失的干扰因子w
fj
为：
[0036]wfj
＝-∑c
jj
′
log(c
jj
′
)；
[0037]
其中即不同类的类混淆损失，源样本的分类损失lc进一步优化为：
[0038][0039]
l
′c更新特征提取网络参数θf与分类网络参数θc，获得优化后的分类网络。
[0040]
作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述s5包括：
[0041]
生成标准的样本间距离损失包括标准的同类样本间距离损失与标准的异类样本间距离损失；
[0042]
标准的同类样本间距离损失ss为：
[0043][0044]
标准的异类样本间距离损失sd为：
[0045][0046]
通过标准的样本间距离损失更新距离辅助网络参数θd，获得优化后的距离辅助网络。
[0047]
作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述s6包括：
[0048]
当两个源样本属于同类样本时，联合分类损失，类混淆损失，标准的同类样本间距离损失，以及同类样本间距离损失为：
[0049]
l＝lc+l
mcc
+l
ds
+ss，
[0050]
当两个源样本属于异类样本时，联合分类损失，类混淆损失，标准的异类样本间距离损失，以及异类样本间距离损失为：
[0051]
l＝lc+l
mcc
+l
dd
+sd，
[0052]
通过联合损失l与距离正则项更新特征提取网络参数θf与分类网络参数θc，获得优
化后的特征提取网络与分类网络。
[0053]
作为本发明所述的一种垃圾智能分类方法的一种优选方案，其中：所述通过联合损失l与距离正则项更新特征提取网络参数θf与分类网络参数θc，包括：
[0054]
距离正则项rr为：
[0055][0056]
其中，λ正则项系数；
[0057]
当两个源样本属于同类样本时，iudcn模型的总损失为：
[0058]
l
tol
＝lc+l
mcc
+l
ds
+ss+rr，
[0059]
当两个源样本属于异类样本时，iudcn模型的总损失为：
[0060]
l
tol
＝lc+l
mcc
+l
dd
+sd+rr；
[0061]
通过总损失l
tol
以端到端的方式迭代更新特征提取网络参数θf与分类网络参数θc，获得最佳iudcn模型。
[0062]
一种垃圾智能分类系统，包括：样本存储模块，所述样本存储模块用于采集与存储不同环境下的垃圾样本，将垃圾样本根据环境分为源样本与目标样本，进一步将目标样本分为训练集与测试集；
[0063]
模型构建模块，所述模型构建模块用于构建基于跨域优化的iudcn模型，所述iudcn模型包括特征提取网络，距离辅助网络以及分类网络；
[0064]
损失集成模块，所述损失集成模块利用不同环境下的源样本与目标训练集样本训练iudcn模型的特征提取网络，距离辅助网络以及分类网络，获得分类损失，类混淆损失，标准的样本间距离损失，以及样本间距离损失；
[0065]
分类网络优化模块，所述分类网络优化模块用于在分类网络中引入基于类混淆损失的干扰因子，约束源样本的分类损失，结合梯度下降法更新分类网络参数，获得优化后的分类网络；
[0066]
距离辅助网络优化模块，所述距离辅助网络优化模块结合基于目标训练集样本的标准的同类样本间距离损失与标准的异类样本间距离损失，利用梯度下降法更新距离辅助网络参数，获得优化后的距离辅助网络；
[0067]
iudcn模型优化模块，所述iudcn模型优化模块用于迭代以使得特征提取网络，距离辅助网络以及分类网络达到平衡，所述iudcn模型收敛到最佳，保存模型参数，获得优化后的iudcn模型；
[0068]
模型测试模块，所述模型测试模块将目标测试集样本输入至优化后的iudcn模型，实现垃圾智能分类。
[0069]
与现有技术相比，本发明的有益效果在于：
[0070]
1、本发明选择域混淆网络为基础模型，旨在减小域移位的影响。进一步地，在类混淆的指导下减少具有低可迁移性的样本对模型的影响，同时在模型训练期间引入距离辅助网络关注分类边界，以提高模型的泛化性能。
[0071]
2、本发明能够打破深度模型对监督数据集尺寸与同分布数据集的需求，极大程度的提高不同环境下垃圾智能分类的准确性。
附图说明
[0072]
为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0073]
图1为本发明流程图；
[0074]
图2为本发明基于跨域优化的改进无监督域混淆网络的模型图；
[0075]
图3为本发明样本可迁移性示意图；
[0076]
图4为本发明距离辅助网络示意图。
具体实施方式
[0077]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
[0078]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
[0079]
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0080]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
[0081]
请参考图1-图4，本发明提供一种垃圾智能分类方法，包括以下步骤：
[0082]
步骤s1：从不同环境中获取垃圾样本，分割并统一所有样本尺寸，具体方法参考现有的方法。将所有样本按照环境分为源样本与目标样本，进一步将目标样本按照一定的比例分为训练集与测试集。
[0083]
步骤s2：搭建iudcn模型，如图2所示。
[0084]
(1)构建特征提取网络，特征提取网络在resnet18主干网络的基础上添加一层全连接层用于提取更高层次的特征表示；
[0085]
(2)构建分类网络，分类网络由一个全连接层组成，输出类别概率；
[0086]
(3)构建距离辅助网络，距离辅助网络嵌入在特征提取网络与分类网络之间，由2个全连接层组成，其中，2个全连接层输出尺寸均为类别数量的一半，输出标准的样本间距离；
[0087]
分别初始化特征提取网络，距离辅助网络与分类网络的参数θf，θd与θc；
[0088]
其中，源样本xs通过特征提取网络再经由距离辅助网络输出的标准样本间距离为：
[0089]
a＝softmax(θ
dt
f(xs；θf))，
[0090]
其中a＝{ar，ac}，ar为距离辅助网络输出的同类样本间距离，ae为距离辅助网络输出的异类样本间距离。
[0091]
步骤s3：训练iudcn模型的特征提取网络和分类网络，获得跨域环境下的类混淆损
失，分类损失以及样本间距离损失，具体训练流程如图1所示。
[0092]
(1)训练iudcn模型的特征提取网络和分类网络，获得跨域环境下目标训练集样本的类混淆损失l
mcc
为：
[0093][0094]
其中k为类别数量，与均为目标训练集样本经过特征提取网络再到分类网络后获得的输出，其中i为样本数量索引，j与j
′
为不同类别的索引，wi为不同样本的贡献程度；
[0095]
(2)源样本的分类损失lc为：
[0096][0097]
其中n为源样本数量，y
is
为源样本标签，为源标样本经过特征提取网络再到分类网络后获得的输出；
[0098]
(3)源样本的样本间距离损失ld为：
[0099][0100]
其中第一项为同类样本间距离l
ds
，nr为类内样本数量，yr为类内样本标签，xr为类内样本，第二项为异类样本间距离l
dd
，ne为类内样本数量，ye为类内样本标签，xe为类内样本。
[0101]
步骤s4：在分类网络中引入基于类混淆损失的干扰因子，评估可迁移性，如图3所示，更新分类网络参数，获得优化后的分类网络。
[0102]
在分类网络中引入基于类混淆损失的干扰因子wf为：
[0103]wfj
＝-∑c
fj
′
log(c
jj
′
)，
[0104]
其中即不同类的类混淆损失，源样本的分类损失lc进一步优化为：
[0105][0106]
l
′c更新特征提取网络参数θf与分类网络参数θc，获得优化后的分类网络。
[0107]
步骤s5：在特征提取网络与分类网络之间嵌入距离辅助网络，生成标准的样本间
距离损失，更新距离辅助网络参数，获得优化后的距离辅助网络。生成标准的样本间距离损失包括标准的同类样本间距离损失与标准的异类样本间距离损失。
[0108]
标准的同类样本间距离损失ss为：
[0109][0110]
标准的异类样本间距离损失sd为：
[0111][0112]
通过标准的样本间距离损失更新距离辅助网络参数θd，获得优化后的距离辅助网络。
[0113]
步骤s6：联合分类损失，类混淆损失，标准的样本间距离损失以及样本间距离损失更新特征提取网络与分类网络参数，获得优化后的特征提取网络与分类网络。
[0114]
当两个源样本属于同类样本时，联合分类损失，类混淆损失，标准的同类样本间距离损失，以及同类样本间距离损失为：
[0115]
l＝lc+l
mcc
+l
ds
+ss，
[0116]
当两个源样本属于异类样本时，联合分类损失，类混淆损失，标准的异类样本间距离损失，以及异类样本间距离损失为：
[0117]
l＝lc+l
mcc
+l
dd
+sd，
[0118]
通过联合损失l与距离正则项更新特征提取网络参数θf与分类网络参数θc，获得优化后的特征提取网络与分类网络。
[0119]
其中，距离正则项r
t
为：
[0120][0121]
其中，λ正则项系数，取值为0.75x10-3；
[0122]
当两个源样本属于同类样本时，iudcn模型的总损失为：
[0123]
l
tol
＝lc+l
mcc
+l
ds
+ss+rr，
[0124]
当两个源样本属于异类样本时，iudcn模型的总损失为：
[0125]
l
tol
＝lc+l
mcc
+l
dd
+sd+rr；
[0126]
通过总损失l
tol
以端到端的方式迭代更新特征提取网络参数θf与分类网络参数θc，获得最佳iudcn模型。
[0127]
步骤s7：重复步骤s3至s6，迭代次数达到20000次时，iudcn模型收敛到最佳，保存模型参数。输入目标测试集样本，实现垃圾智能分类。
[0128]
本发明还提供了一种一种垃圾智能分类系统，包括样本存储模块、模型构建模块、损失集成模块、分类网络优化模块、距离辅助网络优化模块、iudcn模型优化模块、测试模
块。
[0129]
样本存储模块用于采集与存储不同环境下的垃圾样本，将垃圾样本根据环境分为源样本与目标样本，进一步将目标样本分为训练集与测试集。
[0130]
模型构建模块用于构建基于跨域优化的iudcn模型，iudcn模型包括特征提取网络，距离辅助网络以及分类网络。
[0131]
损失集成模块利用不同环境下的源样本与目标训练集样本训练iudcn模型的特征提取网络，距离辅助网络以及分类网络，获得分类损失，类混淆损失，标准的样本间距离损失，以及样本间距离损失。
[0132]
分类网络优化模块用于在分类网络中引入基于类混淆损失的干扰因子，约束源样本的分类损失，结合梯度下降法更新分类网络参数，获得优化后的分类网络。
[0133]
距离辅助网络优化模块结合基于目标训练集样本的标准的同类样本间距离损失与标准的异类样本间距离损失，利用梯度下降法更新距离辅助网络参数，获得优化后的距离辅助网络。
[0134]
iudcn模型优化模块用于迭代以使得特征提取网络，距离辅助网络以及分类网络达到平衡，iudcn模型收敛到最佳，保存模型参数，获得优化后的iudcn模型。
[0135]
模型测试模块将目标样本测试集输入至优化后的iudcn模型，实现垃圾智能分类。
[0136]
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。