技术特征：
1.一种垃圾智能分类方法，其特征在于，所述方法包括：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；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；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；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；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；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；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；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。2.根据权利要求1所述的一种垃圾智能分类方法，其特征在于，所述s2包括：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；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；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θ
f
，θ
d
与θ
c
。3.根据权利要求2所述的一种垃圾智能分类方法，其特征在于，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：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：a＝softmax(θ
dt
f(x
s
；θ
f
))，其中a＝{a
r
，a
e
}，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。4.根据权利要求1所述的一种垃圾智能分类方法，其特征在于，所述s3包括：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：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；源样本的分类损失l
c
为：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；源样本的样本间距离损失l
d
为：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。5.根据权利要求1所述的一种垃圾智能分类方法，其特征在于，所述s4包括：在分类网络中引入基于类混淆损失的干扰因子w
fj
为：w
fj
＝-∑c
jj
′
log(c
jj
′
)；其中即不同类的类混淆损失，源样本的分类损失l
c
进一步优化为：l
′
c
更新特征提取网络参数θ
f
与分类网络参数θ
c
，获得优化后的分类网络。6.根据权利要求1所述的一种垃圾智能分类方法。其特征在于，所述s5包括：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；标准的同类样本间距离损失s
s
为：标准的异类样本间距离损失s
d
为：通过标准的样本间距离损失更新距离辅助网络参数θ
d
，获得优化后的距离辅助网络。7.根据权利要求1所述的一种垃圾智能分类方法，其特征在于，所述s6包括：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：l＝l
c
+l
mcc
+l
ds
+s
s
，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：l＝l
c
+l
mcc
+l
dd
+s
d
，通过联合损失l与距离正则项更新特征提取网络参数θ
f
与分类网络参数θ
c
，获得优化后的特征提取网络与分类网络。8.根据权利要求7所述的一种垃圾智能分类方法，其特征在于，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θ
f
与分类网络参数θ
c
，包括：距离正则项r
r
为：其中，λ正则项系数；当两个源样本属于同类样本时，iudcn模型的总损失为：l
tol
＝l
c
+l
mcc
+l
ds
+s
s
+r
r
，当两个源样本属于异类样本时，iudcn模型的总损失为：l
tol
＝l
c
+l
mcc
+l
dd
+s
d
+r
r
；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θ
f
与分类网络参数θ
c
，获得最佳iudcn模型。9.一种根据权利要求1-8任一项所述的垃圾智能分类系统，其特征在于，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；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；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；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；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；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；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。
技术总结
本发明为一种垃圾智能分类方法及系统，包括：获取不同环境下的垃圾样本；构建IUDCN模型；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；在分类器中引入干扰因子，获得优化后的分类器；在特征提取网络与分类网络之间嵌入距离辅助网络，生成样本间距离损失，更新距离辅助网络参数，获得优化后的距离辅助网络；更新IUDCN模型参数；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；将测试集数据输入至优化后的IUDCN模型。本发明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。的提高跨域环境下垃圾分类的准确性。的提高跨域环境下垃圾分类的准确性。
技术研发人员：胡海涛 李迎吉 邝乐 周丽
受保护的技术使用者：无锡职业技术学院
技术研发日：2022.09.27
技术公布日：2022/11/29